基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的腦電信號(hào)焦慮情緒量化識(shí)別*

毛小玲，向 往，歐陽(yáng)明昆，謝揚(yáng)球

(1.廣西民族大學(xué)大學(xué)生心理健康教育中心，廣西南寧 530006；2.廣西民族大學(xué)教育科學(xué)學(xué)院，廣西南寧 530006；3.廣西大學(xué)資源環(huán)境與材料學(xué)院，廣西南寧 530004)

焦慮是一種常見(jiàn)的負(fù)性情緒，對(duì)人們的認(rèn)知水平、動(dòng)作執(zhí)行、身心健康等都存在不同程度的影響[1-3]。準(zhǔn)確地識(shí)別和診斷出大學(xué)生的焦慮情緒，對(duì)于針對(duì)性地開展心理治療和危機(jī)干預(yù)，預(yù)防其發(fā)展成焦慮障礙或焦慮神經(jīng)癥具有重要的實(shí)踐價(jià)值。當(dāng)前，國(guó)內(nèi)外對(duì)焦慮情緒的識(shí)別與診斷，主要采用問(wèn)卷調(diào)查[2]、臨床訪談[3]等主觀測(cè)評(píng)方法。但是，由于受到各類主觀條件(如回答的真實(shí)性與被誘導(dǎo)性、診斷者業(yè)務(wù)水平)的限制，識(shí)別與診斷效果并不理想。

近年來(lái)，基于腦電(Electroencephalograph,EEG)信號(hào)的焦慮情緒識(shí)別與診斷方法受到越來(lái)越多的重視。EEG焦慮情緒識(shí)別過(guò)程一般分為4個(gè)步驟[4,5]：EEG采集、濾波與預(yù)處理、特征信息提取、模式分類。其中，EEG的特征提取方法主要包括統(tǒng)計(jì)特征法、時(shí)域法、頻域方法、時(shí)頻域法、非線性動(dòng)力學(xué)分析法等[6,7]，而對(duì)應(yīng)的模式分類方法主要有支持向量機(jī)、K均值聚類法、決策樹等[8]。但是，傳統(tǒng)方法在很大程度上依賴于手動(dòng)或固定的提取特征方式，往往會(huì)忽略一些有用信息，造成分類準(zhǔn)確度難以提高。為了克服上述缺點(diǎn)，能夠自動(dòng)挖掘和抽取特征信息的深度學(xué)習(xí)方法被越來(lái)越多地應(yīng)用于EEG情緒識(shí)別領(lǐng)域[9-11]。Zheng等[9]采用微分熵與深度信念網(wǎng)絡(luò)(Deep Belief Network，DBN)相結(jié)合的深度學(xué)習(xí)模型；Alhagry等[10]采用長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)構(gòu)建出一種端到端的神經(jīng)網(wǎng)絡(luò)，有效提高了分類準(zhǔn)確率，但模型運(yùn)算速度較差;針對(duì)于此，Liu等[11]進(jìn)一步考慮了特征表示能力，構(gòu)建了一種多層特征導(dǎo)引膠囊網(wǎng)絡(luò)(Multi-Level Features Guided Capsule Network，MLF-GCN),有效加快了運(yùn)算速度。總體上看，上述方法的檢測(cè)準(zhǔn)確性依然有待提高。

近幾年來(lái)，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)能夠自動(dòng)學(xué)習(xí)輸入樣本的特征信息，不需要手動(dòng)設(shè)計(jì)，還具有局部連接和權(quán)值共享等優(yōu)點(diǎn)，有利于加快學(xué)習(xí)速度并避免過(guò)度擬合，適應(yīng)性和泛化能力更強(qiáng)[12-14]。因此，CNN模型及其改進(jìn)方案被越來(lái)越多地應(yīng)用于EEG焦慮情緒識(shí)別領(lǐng)域。Gao等[15]采用梯度粒子群優(yōu)化(Gradient-Priority Particle Swarm Optimization，GPSO)算法來(lái)執(zhí)行CNN的權(quán)值優(yōu)化，Li等[16]采用分層卷積神經(jīng)網(wǎng)絡(luò)(Hierarchical Convolutional Neural Networks，HCNN)來(lái)進(jìn)行EEG情緒識(shí)別，獲得了良好的分類效果。但上述EEG焦慮情緒識(shí)別方法基本上屬于定性分類，側(cè)重于判斷被試對(duì)象是否存在焦慮情緒或焦慮等級(jí)，而對(duì)于焦慮癥狀的嚴(yán)重程度、未來(lái)產(chǎn)生焦慮情緒的概率等定量化問(wèn)題，國(guó)內(nèi)外仍缺乏相關(guān)的文獻(xiàn)報(bào)道。

由于焦慮情緒識(shí)別的EEG信號(hào)不僅非常復(fù)雜，還具有數(shù)據(jù)量大、特征信息繁雜等特點(diǎn)，本研究將對(duì)卷積神經(jīng)網(wǎng)絡(luò)這類具有深層結(jié)構(gòu)的深度學(xué)習(xí)方法進(jìn)行改進(jìn)，使其能夠應(yīng)用于大學(xué)生焦慮情緒定量化識(shí)別問(wèn)題的研究，在確保焦慮情緒診斷準(zhǔn)確率的基礎(chǔ)上，解決相關(guān)的內(nèi)在病理因素分析與追溯、類別不平衡等問(wèn)題，為后續(xù)臨床心理治療和心理危機(jī)干預(yù)提供更詳細(xì)可靠的診斷依據(jù)。

1 模型與方法

采集所得的EEG信號(hào)通常是一類微弱的、強(qiáng)時(shí)變的非平穩(wěn)非線性信號(hào)，而且還會(huì)受到強(qiáng)烈的外部擾動(dòng)，基本上都存在“信號(hào)淹沒(méi)”現(xiàn)象[17]。因此，必須先經(jīng)過(guò)嚴(yán)格的預(yù)處理和濾波，才能應(yīng)用于后續(xù)的建模和特征提取。同時(shí)，大約只有1/4的高校大學(xué)生會(huì)出現(xiàn)不同程度的焦慮情緒，即被試樣本集存在一定程度的“類別不平衡”問(wèn)題[18,19]。上述的兩個(gè)困難對(duì)基于EEG信號(hào)的大學(xué)生焦慮診斷問(wèn)題帶來(lái)了很大的挑戰(zhàn)。針對(duì)于此，本研究采用的技術(shù)路線如下：首先，對(duì)所采集的EEG信號(hào)進(jìn)行多級(jí)混合濾波，獲得可用于深度學(xué)習(xí)模型的有效EEG信號(hào)；其次，提出并構(gòu)建一個(gè)基于“擴(kuò)展信息輸入空間[20,21]”的神經(jīng)網(wǎng)絡(luò)(Neural Network Based on Extended Information Input Space，NN-EIIS)模型，取代末端的Softmax分類器，將傳統(tǒng)CNN模型改進(jìn)為一種具備定量逼近學(xué)習(xí)能力的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks with Quantitative Approximation Learning,CNN-QAL)；再次，引入具有獨(dú)立性的焦慮量表得分(Score of Anxiety Scale，SAS)作為大學(xué)生焦慮情緒量化的標(biāo)準(zhǔn)，并應(yīng)用于CNN-QAL模型訓(xùn)練的樣本輸出，獲得對(duì)應(yīng)的建模結(jié)果和定量分析結(jié)果；最后，根據(jù)所構(gòu)建的CNN-QAL模型和定量分析結(jié)果，初步探討和追溯內(nèi)在病理因素(圖1)。

圖1 技術(shù)路線Fig.1 Technical route

1.1 基于ICA的多級(jí)混合濾波器設(shè)計(jì)

由于采集的EEG信號(hào)是一種復(fù)雜的非平穩(wěn)非線性信號(hào)，而且有效的EEG信號(hào)往往淹沒(méi)在心電、眼電等信號(hào)之中[4,17],導(dǎo)致常規(guī)的、單一的濾波和數(shù)據(jù)預(yù)處理算法不再適用于EEG信號(hào)的濾波和預(yù)處理過(guò)程。本研究設(shè)計(jì)了一種基于獨(dú)立分量分析(Independent Component Analysis,ICA)的多級(jí)混合濾波策略，具體處理過(guò)程如下：

①前處理階段。采用MATLAB的EEGlab模塊，依次進(jìn)行電極定位、重參考設(shè)置。

②帶通濾波。采用Bessel帶通濾波器進(jìn)行濾波，其中，濾波頻帶設(shè)置為[0.5,45]，能夠完全覆蓋影響焦慮特征信息的分布頻帶(1-40 Hz)。

③ICA濾波。運(yùn)用ICA算法[22]對(duì)上述EEG信號(hào)進(jìn)行盲源分離。對(duì)比已知擾動(dòng)噪聲(如眨眼、心電信號(hào)、電極移動(dòng)、頭部肌肉抖動(dòng)等)的時(shí)頻特性，并參考文獻(xiàn)[2，4，7]的處理方法，將各種干擾噪聲濾除，再將信號(hào)恢復(fù)重構(gòu)，得到只包含有效信息的EEG信號(hào)。

1.2 CNN-QAL模型

卷積神經(jīng)網(wǎng)絡(luò)作為一種最受歡迎的深度學(xué)習(xí)算法，被廣泛應(yīng)用于圖像處理等領(lǐng)域[23,24]，通過(guò)多層卷積和池化處理來(lái)自動(dòng)提取輸入信號(hào)的各種特征，再通過(guò)末端的全連接層和分類器來(lái)獲得預(yù)期的分類結(jié)果。然而，對(duì)于焦慮情緒診斷與治療問(wèn)題來(lái)說(shuō)，僅僅判斷患者是否存在焦慮情緒或者進(jìn)行簡(jiǎn)單的分類，對(duì)后期的臨床心理治療或心理危機(jī)干預(yù)遠(yuǎn)遠(yuǎn)不夠，實(shí)際心理診療過(guò)程更需要進(jìn)行精確的定量分析，以及對(duì)病理因素進(jìn)行合理的追溯分析。鑒于此，本研究對(duì)現(xiàn)有CNN模型進(jìn)行改進(jìn)，提出一種具備定量逼近學(xué)習(xí)能力的改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)。經(jīng)典CNN模型的總體模型表達(dá)式如下[13,14]：

y*=Tanh(FC(Flat(Pool(Re(Conv(x)))))) 。

(1)

由圖2可知，常規(guī)CNN模型通常由兩部分組成：前端進(jìn)行特征自動(dòng)提取和處理，主要包括一個(gè)輸入層、若干個(gè)“卷積-池化”層，相關(guān)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置、正向輸出、反向權(quán)值調(diào)整等算法已經(jīng)比較完善[13,14]，可以直接應(yīng)用于基于EEG的大學(xué)生焦慮情緒識(shí)別過(guò)程；而末端負(fù)責(zé)模式分類，主要包括全連接層和輸出層，一般只能進(jìn)行二分類(如判斷焦慮情緒“存在”或“不存在”)或有限的等級(jí)分類(如判斷焦慮情緒程度“低”“中”“高”)，這無(wú)法滿足實(shí)際心理診療的要求。因此，本研究構(gòu)造一個(gè)基于“擴(kuò)展信息輸入空間”的神經(jīng)網(wǎng)絡(luò)模型[21,25](圖3)。

圖2 經(jīng)典CNN模型的組成結(jié)構(gòu)示意圖Fig.2 Schematic diagram of the composition structure of the classic CNN model

圖3中Im×1，Ψm×1和On×1分別表示前端“卷積-池化”部分所自動(dòng)提取的特征信息、所提取的特征經(jīng)過(guò)預(yù)處理或演化后的信息、與輸出相關(guān)的演化信息，這3類信息共同構(gòu)成了NN-EIIS模型的“擴(kuò)展信息輸入空間”，可以更充分、完整地描述EEG與大學(xué)生焦慮情感之間的函數(shù)映射關(guān)系。m和n分別表示相應(yīng)的信息演化處理次數(shù)；o(k)是模型的輸出空間，結(jié)合實(shí)際心理診療的要求，本研究選擇被試對(duì)象的焦慮量表得分作為模型輸出；Vi(i=1，…，4)為權(quán)值向量，H表示隱藏層。如果拓展后的信息輸入空間[I，Ψ，O]具有完備性，NN-EIIS模型就能夠通過(guò)網(wǎng)絡(luò)訓(xùn)練來(lái)無(wú)限逼近系統(tǒng)輸出[20]，從而實(shí)現(xiàn)高精度的EEG焦慮情緒定量識(shí)別。

圖3 基于“擴(kuò)展信息輸入空間”的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖Fig.3 Schematic diagram of neural network structure based on extended information input space

為了獲得更好的建模效果和提高建模精度，H1的激活函數(shù)σ1(·)選擇為雙曲正切函數(shù)，而H2的激活函數(shù)σ2(·)則采用線性函數(shù)，于是，所構(gòu)建NN-EIIS模型的正向輸出為

(2)

式中，θi(i=1，…，3)是閥值偏置。

借鑒BP神經(jīng)網(wǎng)絡(luò)的推導(dǎo)方法，獲得相應(yīng)的反向權(quán)值調(diào)整算法，若定義代價(jià)函數(shù)E和參數(shù)ξ分別為

(3)

(4)

式(3)和式(4)中，op(k)是與EEG信號(hào)完全獨(dú)立的被試對(duì)象焦慮量表得分(SAS)，L為數(shù)據(jù)長(zhǎng)度，則有

(5)

(6)

(7)

(8)

(9)

(10)

(11)

為了提高收斂速度和魯棒性，本研究采用基于Levenberg-Marquarqt算法[20,21]的批量訓(xùn)練算法，即

M(l+1)=M(l)[JT(l)·J(l)+μ·I]-1·JT(l)·e(l)，

(12)

(13)

2 結(jié)果與分析

2.1 EEG采集實(shí)驗(yàn)及其分析

為了驗(yàn)證所提出方案的有效性，在某高校隨機(jī)抽取25名在校大學(xué)生進(jìn)行EEG測(cè)試實(shí)驗(yàn)。根據(jù)該高校大學(xué)生心理健康綜合測(cè)量過(guò)程中焦慮量表得分(SAS)情況可知，在所抽取的大學(xué)生中，需要心理干預(yù)和診療的人數(shù)(SAS>50)占比為24%，即不平衡度[19]IR=(1-24%)/24%=3.17，這與該高校的整體測(cè)量結(jié)果基本相符，存在“類別不平衡”問(wèn)題。實(shí)驗(yàn)過(guò)程中，EEG數(shù)據(jù)采用Neuroscan公司的64導(dǎo)腦電設(shè)備及配套軟件采集，設(shè)計(jì)不同顏色和不同朝向的Gapor patchs圖片為刺激，采集通道為64個(gè)，采集頻率為1 kHz，采集時(shí)間為10 min，即每位大學(xué)生的EEG數(shù)據(jù)長(zhǎng)度為3.84×107個(gè)，具體的實(shí)驗(yàn)過(guò)程參見(jiàn)文獻(xiàn)[26]的實(shí)驗(yàn)7。

值得注意的是，文獻(xiàn)[26]是本課題組成員利用所采集的EEG數(shù)據(jù)來(lái)研究大學(xué)生在日常學(xué)習(xí)知識(shí)過(guò)程中的內(nèi)隱覺(jué)察這一類心理認(rèn)知問(wèn)題，而視覺(jué)盲區(qū)實(shí)驗(yàn)是通過(guò)視覺(jué)來(lái)學(xué)習(xí)和接受新知識(shí)，不僅伴隨著豐富的大腦活動(dòng)信號(hào)，還包含著學(xué)習(xí)者的各種情緒變化狀況[4]。此外，與章文佩等[1]采用考試過(guò)程的EEG信息來(lái)研究焦慮診斷問(wèn)題相比，本研究采用視覺(jué)學(xué)習(xí)的EEG信號(hào)來(lái)診斷大學(xué)生的焦慮情緒，其準(zhǔn)確性更高，主要原因是大學(xué)生們?cè)诳荚囘^(guò)程中普遍會(huì)存在習(xí)得的緊張和焦慮情緒，而日常學(xué)習(xí)則更接近學(xué)生的實(shí)際情緒狀態(tài)[3]。

2.2 CNN-QAL建模與泛化

按照?qǐng)D1的技術(shù)路線進(jìn)行EEG焦慮情緒識(shí)別的建模與泛化檢驗(yàn)。為了確保所提出的CNN-QAL模型具有足夠的學(xué)習(xí)能力和建模精度，卷積-池化層的數(shù)量選擇為3層，且卷積核的個(gè)數(shù)分別為16，32，64；設(shè)置卷積層和池化層的步長(zhǎng)為1和2，而作用范圍為5和2。對(duì)于新構(gòu)建的末端NN-EIIS模型，其模型結(jié)構(gòu)設(shè)置為m=4 096，n=3，H11=512，H12=8，H2=64。實(shí)際中，步長(zhǎng)因子μ的初值設(shè)置為0.000 1，CNN-QAL模型經(jīng)過(guò)100次迭代后的訓(xùn)練及泛化結(jié)果如圖4所示。為了更好地描述實(shí)驗(yàn)結(jié)果，對(duì)被試對(duì)象的序號(hào)按照其原始SAS從高到低重新排序，模型泛化的EEG數(shù)據(jù)同樣來(lái)源于本課題組所采集的數(shù)據(jù)，即文獻(xiàn)[26]的實(shí)驗(yàn)6，除了更換被試大學(xué)生和刺激所用的Gapor patchs圖片以外，參數(shù)設(shè)置與建模實(shí)驗(yàn)都是相同的(圖4)。

從圖4可知，訓(xùn)練所得到的CNN-QAL模型可以精確地逼近焦慮得分，其中，訓(xùn)練過(guò)程的相對(duì)誤差在±2%以內(nèi)，而泛化檢驗(yàn)的相對(duì)誤差在±5%以內(nèi)。可見(jiàn)，即使被試樣本集的不平衡度IR達(dá)到了3.17，CNN-QAL模型仍然能夠精確地建模。由圖4(b)可知，CNN-QAL模型的泛化準(zhǔn)確率為96%，只有第7個(gè)樣本的泛化檢驗(yàn)結(jié)果發(fā)生了偏差，該學(xué)生的SAS為49分，一般認(rèn)為其不存在焦慮情緒；但CNN-QAL模型的泛化輸出為51.24分，誤將其識(shí)別為焦慮狀態(tài)(>50分)。

圖4 模型訓(xùn)練及泛化結(jié)果Fig.4 Model training and generalization results

2.3 實(shí)驗(yàn)結(jié)果對(duì)比分析與優(yōu)化

為進(jìn)一步驗(yàn)證CNN-QAL模型的有效性，分別進(jìn)行了兩個(gè)方面的對(duì)比實(shí)驗(yàn)：與同類方法的橫向?qū)Ρ葘?shí)驗(yàn)、確定自身模型結(jié)構(gòu)的內(nèi)部分析優(yōu)化實(shí)驗(yàn)。

①橫向?qū)Ρ葘?shí)驗(yàn)。由于傳統(tǒng)EEG分類方法的準(zhǔn)確率較低，如Power Spectral Density+Support Vector Machine(PSD+SVM)約為73.4%[15]，本研究?jī)H與現(xiàn)有的深度學(xué)習(xí)方法比較，結(jié)果如表1所示。

表1 本研究方法與現(xiàn)有方法的比較Table 1 Comparison between this research method and the existing

從表1可知，CNN-QAL模型的準(zhǔn)確率最高，主要原因是末端引入了具有連續(xù)逼近功能的NN-EIIS模型，識(shí)別精度比離散化的有限分類方法更具優(yōu)勢(shì)。但是，所有的識(shí)別算法在SAS臨界狀態(tài)更容易發(fā)生偏差，尤其是最接近50分的第7號(hào)被試大學(xué)生，誤診率最高。可見(jiàn)，對(duì)于SAS為臨界狀態(tài)的大學(xué)生，實(shí)際臨床診斷還需要借助其他手段如訪談法[3]等進(jìn)行識(shí)別，或?qū)⑵淞腥搿拜p度焦慮”的范疇，通過(guò)增加心理咨詢次數(shù)或服用抗焦慮的藥物進(jìn)行后續(xù)治療。進(jìn)一步分析可知，對(duì)于不具有連續(xù)量化識(shí)別的傳統(tǒng)EEG焦慮情緒識(shí)別方法來(lái)說(shuō)，本身沒(méi)有焦慮情緒(如第8，9號(hào))而被誤診的概率更大，這主要是由“類別不平衡”問(wèn)題引起的，離散化的有限分類過(guò)程往往會(huì)向高概率一側(cè)收斂[19]，更易于產(chǎn)生誤判，而采用本研究的量化識(shí)別方案可以有效解決這類問(wèn)題。

②內(nèi)部分析優(yōu)化實(shí)驗(yàn)。為了優(yōu)化CNN-QAL模型結(jié)構(gòu)，權(quán)衡網(wǎng)絡(luò)結(jié)構(gòu)、逼近精度、訓(xùn)練收斂速度之間的關(guān)系是一個(gè)重要的課題。實(shí)際研究過(guò)程中，對(duì)于CNN的前端特征提取部分，選擇不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行對(duì)比分析，相關(guān)的網(wǎng)絡(luò)訓(xùn)練收斂過(guò)程如圖5所示。

圖5 不同網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練收斂過(guò)程Fig.5 Training convergence process of different network structures

從圖5可知，采用2層“卷積-池化”(卷積核個(gè)數(shù)分別為64，128，即曲線1)的訓(xùn)練精度較差且收斂速度很慢，MSE收斂曲線在訓(xùn)練過(guò)程中有較大波動(dòng)(第60-65次)。另外3條曲線都采用了3層“卷積-池化”結(jié)構(gòu)，只是卷積核個(gè)數(shù)有區(qū)別，其中，曲線2的收斂速度較慢，在第90次附近才基本進(jìn)入穩(wěn)態(tài)；曲線3和曲線4的收斂速度相差不大,在第20次附近完成第一階段的快速收斂，在第70次附近完成第二階段收斂而進(jìn)入穩(wěn)態(tài)，但曲線4的卷積核數(shù)量比曲線3多一倍。可見(jiàn)，曲線3所對(duì)應(yīng)網(wǎng)絡(luò)結(jié)構(gòu)的效果最佳。

3 討論

在實(shí)際心理臨床治療過(guò)程中，除了需要精確診斷出大學(xué)生是否存在焦慮情緒及其嚴(yán)重程度之外，還需要找準(zhǔn)和判別每個(gè)大學(xué)生具體的病理因素，才能真正做到對(duì)癥治療。借助于心理醫(yī)生的經(jīng)驗(yàn)積累等，傳統(tǒng)的訪談?lì)愒\斷方式一般更具優(yōu)勢(shì)[3]，這是目前各種EEG情緒診斷方法難以進(jìn)行推廣應(yīng)用的主要阻礙。

本研究借鑒已有研究成果[20,21]，將病理因素當(dāng)作建模過(guò)程中的一類中間狀態(tài)，通過(guò)引入NN-EIIS模型，不僅解決EEG信號(hào)大學(xué)生焦慮情緒的精確量化識(shí)別問(wèn)題，還能在一定程度上進(jìn)行病理追溯分析。實(shí)際上，如果NN-EIIS模型的拓展輸入空間[I，Ψ，O]具有完備性，不僅系統(tǒng)輸出能被精確建模，而且中間狀態(tài)(病理因素)也可以被精確逼近[20]；在辨識(shí)所得的NN-EIIS模型中，如果把輸入空間的特征信息與模型輸出之間的權(quán)值傳遞鏈進(jìn)行排序，找出主要的EEG特征信息并在時(shí)頻域內(nèi)進(jìn)行盲源分離[27]，就能夠追溯這些EEG信號(hào)在大腦中的來(lái)源位置并獲得對(duì)應(yīng)的時(shí)頻特征，實(shí)現(xiàn)對(duì)相關(guān)病理因素的追溯分析。以焦慮情緒最嚴(yán)重的第1號(hào)大學(xué)生患者為例，導(dǎo)致焦慮的EEG信號(hào)分布情況和對(duì)應(yīng)的時(shí)頻特征如圖6所示。

圖6 影響最大的內(nèi)在因素的時(shí)頻特征Fig.6 Time-frequency characteristics of the most influential internal factors

結(jié)合腦電極布置[26]和圖6可知，導(dǎo)致焦慮情緒產(chǎn)生的EEG信號(hào)，主要來(lái)源于以F5-FC5和F6-FC6為中心的大腦區(qū)域內(nèi)，屬于人腦的左、右海馬體部分。海馬體負(fù)責(zé)記憶和學(xué)習(xí)，正常人會(huì)在有限次重復(fù)后，將一個(gè)短期記憶片段(如本實(shí)驗(yàn)的9個(gè)Gapor patchs子圖片)轉(zhuǎn)化為長(zhǎng)期記憶，即海馬體會(huì)將其轉(zhuǎn)存入大腦皮層[28]；如果在短期內(nèi)再次出現(xiàn)這個(gè)記憶片段，對(duì)應(yīng)的EEG信號(hào)將出現(xiàn)在大腦皮層而不是海馬體。但是，從圖6的時(shí)頻圖可以看出，第1號(hào)焦慮情緒障礙患者的海馬體均勻分布著強(qiáng)烈的EEG信號(hào)，這說(shuō)明障礙者存在學(xué)習(xí)記憶障礙，無(wú)法將短期記憶片段正常地轉(zhuǎn)化為長(zhǎng)期記憶。

現(xiàn)有腦科學(xué)研究表明，海馬體的長(zhǎng)時(shí)間持續(xù)興奮是導(dǎo)致緊張焦慮情緒的主要生理學(xué)原因，嚴(yán)重時(shí)將導(dǎo)致大腦出現(xiàn)一定程度的疼痛現(xiàn)象，這也與該大學(xué)生在實(shí)驗(yàn)過(guò)程中的表現(xiàn)和實(shí)驗(yàn)后的描述吻合。可見(jiàn)，應(yīng)用本研究所提出的方案可將該大學(xué)生患者的病理因素初步追溯診斷為學(xué)習(xí)記憶障礙，至少是對(duì)具有快速變化且復(fù)雜的圖像類知識(shí)點(diǎn)(如2.1節(jié)所述的Gapor patchs圖片)進(jìn)行學(xué)習(xí)的過(guò)程中，存在一定的記憶障礙。這類目前難以進(jìn)行醫(yī)學(xué)檢測(cè)但卻具有事實(shí)依據(jù)的、客觀的病理追溯性診斷結(jié)論，對(duì)后期相關(guān)的心理治療和心理危機(jī)干預(yù)是很有價(jià)值的。

4 結(jié)論

針對(duì)現(xiàn)有EEG焦慮情感識(shí)別中存在的問(wèn)題，本研究設(shè)計(jì)了一個(gè)CNN-QAL模型。通過(guò)在CNN模型末端引入并構(gòu)造一個(gè)NN-EIIS模型來(lái)取代傳統(tǒng)的分類器，并以被試對(duì)象的焦慮量表得分(SAS)作為整個(gè)系統(tǒng)的輸出信號(hào)，使得CNN-QAL模型具備高精度定量逼近學(xué)習(xí)能力，有效解決了識(shí)別過(guò)程中“類別不平衡”的問(wèn)題。并在此基礎(chǔ)上結(jié)合現(xiàn)有的腦科學(xué)研究成果運(yùn)用所獲得的CNN-QAL模型，對(duì)具體大學(xué)生患者的特定病理因素進(jìn)行了初步的追溯分析和探索，這對(duì)后續(xù)研究和實(shí)際的心理危機(jī)干預(yù)以及心理臨床治療具有有效的理論和實(shí)際價(jià)值，這將是下一步的研究方向。