基于去趨勢波動分析的不同特征音樂刺激下腦電特性

朱嘉誠,李穎潔

(上海大學通信與信息工程學院生物醫學工程研究所,上海 200444)

音樂作為一種表達和傳遞情緒的重要手段,被認為是誘發情緒的最強刺激因素[1].已有研究發現,音樂能增強或削弱聽眾的情緒,歡快的音樂刺激可以產生積極的情緒,令人不愉快的旋律則會導致負面情緒[2-3],這些變化也能在人體的生理系統中清楚地反映出來[4].然而,音樂本身具有不同的物理特征,如節奏和音調,這些特征的改變會對情緒以及由此引來的電生理反應帶來何種變化尚不明晰.此外,音樂具有豐富的時間結構,是一種復雜的聽覺場景[5],大腦是如何加工這種時間序列的還需進一步研究[6].

在運用腦電對音樂刺激下的情緒認知的神經研究中,通過時頻域等多種分析手段已開展了大量有意義的研究工作[7-10],其中大腦偏側化是被廣泛報道的重要特性[11].然而已有研究結果卻并不一致,有研究指出大腦對音調和節奏認知都表現出一定偏側化機制[12],大腦左半球在時間序列、節奏辨別、音樂句法及音調變化方向等方面的分析與判斷起重要作用[13];但也有研究發現音調信息加工存在右腦優勢[14],右腦負責旋律總體印象加工.之所以會得出不一致的結果,筆者認為一個重要的原因就是腦電容易受到測量方法的影響,導致信號不穩定而產生偽關聯[15],最終造成了研究結果的不一致.

由于腦電是典型的非線性時間序列[16],已有研究認為非線性分析是理解大腦活動潛在動態的更適合的分析手段[17].但是經典的非線性分析方法如相關維數和Lyapunov 指數不僅對噪聲非常敏感,而且要求信號是平穩的[18],而腦電信號是非平穩的,因此不適合采用這些方法.近年來,一種新的非線性方法——去趨勢波動分析(detrended fluctuation analysis,DFA)方法被廣泛用于各類非平穩信號分析[19-21].DFA 方法能有效避免由于信號不穩定而產生的表面上偽關聯的干擾[15].可見,相較于上述經典的非線性方法,DFA 方法能夠更好地解決腦電測量中對噪聲敏感的問題.

綜上,本工作通過設計不同物理特征音樂刺激下的電生理實驗,采用DFA 方法分析不同實驗任務下腦電信號能量序列,結合行為學數據分析,探討不同音樂特征對受試者情緒認知心理以及電生理反應的影響,并探究相關的大腦偏側化機制.

1 材料和方法

1.1 受試者

本實驗共從上海大學招募了10 名受試者,其中男性5 名,女性5 名,平均年齡為23.90±0.99 歲,平均受教育年限為17.40±0.52 歲,均為右利手,視力正常或矯正視力正常,聽力正常,沒有任何神經或精神病史.在實驗前,所有受試者都經過了焦慮自評量表(self-rating anxiety scale,SAS)、抑郁自評量表(self-rating depression scale,SDS)的評定,SAS 評分為35.30±3.77,SDS 評分為38.00±6.34,評分均在正常范圍內.所有受試者在實驗前均簽署了知情同意書,實驗結束后給予適當的報酬.實驗經過了上海市臨床醫藥倫理委員會的批準.

1.2 材 料

本實驗采用純音樂片段作為情緒刺激材料.根據樂曲產生的背景,選取3 首音樂,分別是容易誘發悲傷情緒的《伴隨著你》、《Canon In D》以及誘發歡快情緒的《My Soul》.為了討論不同音樂物理特征對情緒的影響,對這3 首樂曲分別進行了加快、減慢、升調、降調4 種處理.所有音樂處理均采用Adobe Audition 軟件完成.為了保證音樂片段有足夠的時長來對受試者情緒進行激發,截取每首音樂片段的總長度為180 s,并且在每首音樂開始前收集10 s 腦電基線數據.本工作通過水滴音效使受試者保持或恢復平靜,以減少個體差異的影響[22].

1.3 實驗流程

每個任務分3 個試次進行,每個試次有一段原版樂曲和一段變化版樂曲(快版、慢版、升調版或降調版),即每個任務需要受試者聽6 首樂曲.聽取不同樂曲之間均有1 min 的休息時間.每個試次的流程如圖1 所示.每個試次開始前屏幕中央會呈現提示語,以告知受試者進行何種任務,之后為了盡可能減少眼動帶來的干擾以及平復受試者的情緒,會先在屏幕中央呈現符號“+”10 s,同時出現水滴音效.然后刺激音樂片段出現180 s.在聆聽結束后,受試者需對之前的音樂片段進行效價打分和喚醒度打分,打分等級從“1”到“9”共9 個.受試者打分結束后可以休息1 min,然后進入變化版樂曲的聆聽任務中,流程與聆聽原版樂曲一致,只是將刺激材料變為變化版樂曲.休息1 min 后進入下一試次實驗,直至聽完6 首樂曲,并進行效價和喚醒度評分,實驗結束.實驗程序由英國諾丁漢大學Jonathan Peirce 教授團隊開發的開源軟件Psychopy2 編寫.

圖1 一次實驗流程圖Fig.1 Flow chart of one experiment

在正式實驗開始前,調整音樂播放的音量,使受試者感到舒適.在正式實驗過程中,受試者舒適地坐在距離17 英寸液晶顯示屏80 cm 處,視角大小約為5?.受試者在一個封閉無聲音干擾的房間內進行所有實驗.為了避免受試者疲勞,減少刺激材料熟悉度帶來的影響,同時有足夠的數據量,整個實驗(4 種任務)分4 d 完成,分別是“原版和快版”、“原版和慢版”、“原版和升調版”以及“原版和降調版”,每次完成實驗任務需要大約30 min.

1.4 數據采集與預處理

腦電采集設備為Neuroscan 公司的32 導腦電(electroencephalogram,EEG)檢測儀.參考電極位于右側乳突,AFz 作為接地電極,另外記錄2 個垂直眼電.采樣頻率為1 000 Hz,電極阻抗均小于5 k?,采集時使用50 Hz 陷波器濾波濾除工頻干擾.

整個預處理過程均使用EEGLab(version 12.0.2.6b)完成.(1)變換參考:以左右乳突的均值作為參考電極的值,對所有導聯數據進行重參考;(2)低通濾波至30 Hz;(3)去除眼電偽跡:使用獨立主成分分析方法去除眼電偽跡;(4)數據分段:對數據進行分段提取,每一段從音樂出現前10 s 至音樂后180 s,并進行基線校正;(5)分類:根據傾聽音樂版本的不同,將分段數據分為4 類,最后將數據導出.此外,為了保證正性和負性數據段數一致,本工作選取了歡快樂曲的全部試次的腦電數據,并隨機選取了相同數據段數的悲傷樂曲對應的腦電數據進行后續分析.

1.5 信號分析處理

1.5.1 各頻帶能量

本工作使用小波變換對經過預處理的腦電數據進行分頻處理,分別濾出4 個不同頻段的腦電信號,分別是δ(1～4 Hz),θ(4 ～8 Hz),α(8～13 Hz),β(13～30 Hz).在進行小波分解時,選取db5 作為小波基,分解的級數為10.根據提取出的各頻段腦電信號,使用一個固定長度的滑動時間窗逐點滑動,取窗口內所有采樣點的平方和代表該頻段的能量時間序列[23].頻段能量

式中:窗寬設為5 s(N=5 000);k 是數據段數,由于音樂長度為180 s,因此k=1,2,···,n(n=36);X(k)i代表第i 段該窗寬內的腦電信號序列.

1.5.2 去趨勢波動分析(DFA)

本工作對提取出的各頻段能量時間序列進行DFA 分析.

(1) 求能量時間序列E(k)去均值后的和序列y(i),

式中:Emean為能量時間序列E(k)的均值.

(2) 將和序列y(i)分成相等長度s 的子序列,子序列長度Ns=36/s,分割長度s 取1,2,···,36.

(3) 在每個子序列內,采用最小二乘線擬合線性趨勢部分,用yn(i)表示.在每個子序列內用和序列減去線性趨勢,然后計算得到去趨勢序列的均方根波動,記為F(s),

然后在不同長度的子序列上重復上述計算.若F(s)與窗寬s 服從冪率分布,即F(s)∝sα,則說明腦電能量時間序列具有長程相關性.

(4) 根據雙對數坐標畫出F(s)與窗寬s 的關系曲線,并線性擬合計算曲線的斜率,該關系的斜率即為標度指數α.

標度指數α 為能量時間序列的長程相關性提供了一個定量指標.α 所代表的物理意義是,當0.5<α<1 時表明信號具有長程冪律相關性[24].

1.5.3 分區

按照大腦活動分區域分析,對應電極如表1 所示.

表1 大腦分區與電極Table 1 Brain region and electrodes

1.6 統計分析

本工作采用軟件SPSS 22.0(IBM 公司)進行統計分析,使用重復測量方差分別對受試者的效價和喚醒度評分進行分析,其中組內因素為“任務”(原版音樂/變化版音樂).同時使用重復測量方差對腦電數據進行分析,組內因素有“任務”(原版音樂/變化版音樂)、“腦半球”(左半球/右半球)、“腦區域”(額區/中央區/顳區/頂區/枕區).若存在交互效應,則進行簡單效應分析.統計結果P 值若小于0.05,則認為存在顯著性差異.

2 結果

2.1 行為學結果

通過對效價和喚醒度評分的單樣本t 檢驗,與中性刺激的效價和喚醒度相比,本工作選取的歡快樂曲顯著誘發了受試者的快樂情緒(效價P=0.000,平均差=2.100,喚醒度P=0.000,平均差=?2.000);悲傷樂曲也成功誘發了受試者的悲傷情緒(效價P=0.013,平均差=?1.400,喚醒度P=0.019,平均差=?2.000).

在效價評分的統計檢驗中,發現受試者傾聽歡快升調版樂曲的效價顯著低于原版樂曲.當受試者傾聽悲傷樂曲時,對其升調版樂曲和降調版樂曲的效價評分都顯著高于原版悲傷樂曲.

在喚醒度評分的重復測量方差分析中,發現受試者傾聽歡快樂曲時,對其升調版樂曲和降調版樂曲的喚醒度評分均顯著高于原版悲傷樂曲.具體統計結果如表2 所示.

表2 行為學結果Table 2 Behavioral results

2.2 DFA 分析結果

首先需要求出所有受試者4 種任務的標度指數,單個受試者單個任務的標度指數擬合曲線如圖2 所示.

圖2 某個受試者的標度指數Fig.2 Scale index of a subject

本工作對4 種任務下的腦電都進行了全頻段分析,最終在alpha,beta 頻段升調版和降調版兩種任務中發現了統計差異.圖3 和4 分別顯示了傾聽歡快樂曲時的腦電敏感區域分布情況,以及傾聽各版本歡快樂曲DFA 均值變化情況.圖3 中黑色柱狀體代表傾聽原版歡快樂曲的alpha 頻段標度指數,灰色柱狀體代表傾聽變調版歡快樂曲的alpha 頻段標度指數,點狀柱狀體代表傾聽原版歡快樂曲的beta 頻段標度指數,空心柱狀體代表傾聽變調版歡快樂曲的beta 頻段標度指數.圖5 和6 分別顯示了傾聽悲傷樂曲時的腦電敏感區域分布情況,以及傾聽各版本悲傷樂曲DFA 均值變化情況.圖5 中黑色柱狀體代表傾聽原版悲傷樂曲的alpha 頻段標度指數,灰色柱狀體代表傾聽變調版悲傷樂曲的alpha 頻段標度指數,點狀柱狀體代表傾聽原版悲傷樂曲的beta 頻段標度指數,空心柱狀體代表傾聽變調版悲傷樂曲的beta 頻段標度指數.此外,對4 d 的原版任務進行了DFA 差異分析,發現并沒有顯著差異,表明連續幾天重復聽相同的音樂,不存在疲勞效應.

圖3 傾聽歡快樂曲腦電敏感區域分布Fig.3 Distribution of brain-sensitive areas listening to happy music

圖4 傾聽各版本歡快樂曲DFA 均值變化Fig.4 DFA mean change of listening to each version of happy music

圖5 傾聽悲傷樂曲腦電敏感區域分布Fig.5 Distribution of brain-sensitive areas listening to sad music

圖6 傾聽各版本悲傷樂曲DFA均值變化Fig.6 DFA mean change of listening to each version of sad music

從圖3 和4 可以看出,在傾聽歡快的升調版樂曲任務下,alpha 頻段內左側額區升調版樂曲誘發的標度指數顯著高于原版樂曲;beta 頻段內右側中央區和頂區升調版樂曲誘發的標度指數顯著高于原版樂曲.在傾聽歡快的降調版樂曲任務下,beta 頻段內左側額區、中央區和頂區降調版樂曲誘發的標度指數均比原版樂曲更低.

從圖5 和6 可以看出,在傾聽悲傷的升調版樂曲任務下,alpha 頻段內左側顳區升調版樂曲誘發的標度指數顯著低于原版樂曲;beta 頻段內右側顳區升調版樂曲誘發的標度指數顯著高于原版樂曲.在傾聽悲傷的降調版樂曲任務下,alpha 頻段內左側頂區降調版樂曲誘發的標度指數低于原版樂曲;beta 頻段內左側中央區和枕區降調版樂曲誘發的標度指數比原版樂曲更低.

另外,本工作還對具有顯著差異的特定腦區DFA 指標與行為學指標進行了Pearson 相關性分析,最終發現具有顯著差異的特定腦區DFA 指標與行為學指標為中等程度相關,即相關系數范圍在0.4～0.6 之間.相關分析結果如表3 和4 所示.

表3 傾聽歡快樂曲時行為學與DFA 指標相關性分析結果Table 3 Results of correlation analysis between behavioral and DFA indicators when listening to happy music

表4 傾聽悲傷樂曲時行為學與DFA 指標相關性分析結果Table 4 Results of correlation analysis between behavioral and DFA indicators when listening to sad music

3 討論

本工作的目的在于通過分析不同節奏和音調特征的音樂刺激下誘發的腦電信號標度指數,探究受試者對不同音樂特征的心理生理反應,尤其是對大腦偏側化的影響.研究發現在不同特征的音樂刺激誘發下,alpha,beta 頻段內腦電信號標度指數具有顯著差異,且左右腦區出現明顯的偏側化現象.

從行為學數據看,刺激材料的喚醒度和效價與受試者的主觀體驗直接相關.一般地,效價是描述情緒積極還是消極的指標;喚醒度則是描述情緒的強度[25].本工作發現受試者在傾聽悲傷樂曲的升調版和降調版時,效價都有所升高,說明經過變調的悲傷樂曲都正向改變了自我評價的情緒;在傾聽歡快樂曲的升調版時,減弱了受試者正向情緒,而歡快樂曲的降調版并沒有改變樂曲的情緒屬性.類似的研究成果在已有文獻中尚未有報道.

從去趨勢波動分析結果看,在這一指標基礎上發現變化版樂曲刺激帶來顯著的大腦偏側化現象.本工作研究結果表明,在不同音調特征的音樂刺激誘發下,alpha,beta 頻段上表現出明顯大腦偏側化特點,在alpha 頻段升降調引起的電生理變化都體現在左半球,在beta 頻段升降調引起更活躍的左半球活動,右半球活動相對減弱.上述結果表明,在音樂情緒加工過程中,與積極或消極情緒相關的偏側化模式顯示出不對稱性,音樂情緒加工偏向于左半球優勢[26].已有研究發現積極的情緒會產生明顯的左半球偏側化,而本工作研究結果表明,在音樂特征改變的情況下,只要音樂情緒屬性未發生改變,這種偏側化就依然保留.同時,已有研究發現消極情緒不會導致右半球的偏側化,而本工作研究中升降調改變了悲傷樂曲的情緒屬性,因此表現出大腦活動的偏側化.

此外,從標度指數的物理意義[24]上看,具有統計差異的腦電信號標度指數均在0.5～1.0 之間,說明不同特征的音樂刺激下腦電依舊具有長程相關性.已有研究還發現,大多數電極位置alpha 和beta 振蕩的標度指數相似,這意味著參與長程時間相關性生成的神經元機制在兩個頻帶中大致相似[27].而從本工作研究結果看,與情緒音樂刺激相關的alpha 和beta 頻段腦電標度指數表現出不同的特性,同時二者還具有不同的空間分布特性.

最后,結合受試者的效價喚醒度評分結果與DFA 分析結果,本工作發現行為學結果與DFA 結果具有相同的趨勢,并且二者相關程度也較高,因此可初步推論,悲傷樂曲的升調版和降調版都使受試者減弱了悲傷的感受,從腦電DFA 分析結果來看,左側腦區活動更加強烈.而歡快樂曲的升調版導致受試者負向改變自我情緒評價,相應左側額區活動減弱.這些結果進一步證明了音樂對腦電偏側化的影響.

4 結束語

綜上,本工作為研究不同音樂特征對情緒的影響提供了新的實驗依據.結合行為學以及DFA 分析,結果顯示了受試者在不同音調特征的音樂刺激誘發下,alpha,beta 頻段上具有明顯的大腦偏側化特點,并且在悲傷樂曲刺激下經過升降調變化后左半球腦動力表現更活躍,升調變化引起右側腦活動減弱,進一步證實了音樂刺激腦電偏側化現象.此外,本工作應用的DFA 標度指數經過均值統計驗證,可以有效證明腦電具有長程相關性的動力學振蕩特征[28],DFA 作為腦電信號非線性分析的定量指標,有望用于不同情緒任務的腦電分類識別.