基于EEG 溯源分析的情緒調節研究

袁密桁，董煜陽，呂曉彤

（昆明理工大學 信息工程與自動化學院，云南 昆明 650500）

0 引言

情緒是身體對外界環境的變化進行適應性改變的反應方式，是通過對客觀事物的態度和行為等產生的心理或生理變化。情緒控制能力是一個人適應社會生活環境的重要能力。擁有良好的情緒調控能力，是一個人心理健康的重要標志。一個人如果情緒調控能力過低，或者無法調控自身情緒，容易出現抑郁癥、焦慮癥等神經精神障礙[1]。

目前對于情緒的調節，主要是通過心理手段進行情緒的干預調節。但是由于個人對于情緒的表達具有主觀性，在個人刻意隱瞞的情況下，很難直觀地觀察出其情緒的變化，無法做出準確的判斷。因此，需要更加客觀的指標來對情緒進行檢測識別。研究發現，情緒的變化與生理信號存在客觀關系。對生理信號進行分析，可以作為情緒識別的重要方法[2-3]。腦-機接口（Brain-Computer Interface，BCI）是一個將大腦與外部環境連接起來的交互系統，它通過獨立于外周神經和肌肉的傳導通路，將信息和命令從大腦傳送到外界[4]。通過BCI 系統可以實現對情緒的檢測識別功能，其中使用EEG 信號進行情緒的識別是現如今科研人員重點研究的方向。杭州電子科技大學彭勇團隊提出了一種稱為sJSFE（半監督聯合樣本和特征重要性評估）的模型，分別通過自定進度學習和特征自加權來定量測量樣本和特征重要性。通過SEED 數據集的實驗結果表明，sJSFE 在識別任務中分類準確率為82.45%[5]。SUBASI 等人對SEED 數據集使用可調Q 因子小波變化（Tunable Q-Factor Wavelet Transform，TQWT）進行預處理，隨后使用旋轉森林集成（RFE）分類器與不同的分類算法一起使用，如k-近鄰（K-NearestNeighbor，KNN）、支持向量機（Support Vector Machine，SVM）、人工神經網絡（Artificial Neural Network，ANN）、隨機森林（Random Forest，RF）以及四種不同類型的決策樹（DT）算法。最后實驗結果表明，使用RFE 和SVM 的分類結果準確精度超過93%[6]。

人的大腦對人的各類日常活動以及心理變化進行控制，每個腦區各司其職，負責不同的人體活動。德國神經科醫生科比尼安·布洛德曼（Korbinian Brodmann）根據大腦皮質細胞在密度、形狀、性質上的相似性，將大腦劃分為52 個區，因此被稱為Brodmann 分區[6]。在這些區域中，9、12、23、28、31、38 等區域都與人的情感有關[7]。但其中有很大一部分腦區對應的電極與本文所研究的情感內容沒有關聯，這樣將會使后期數據處理過程過于煩瑣，同時可能會對實驗結果造成一定程度的干擾。

本文通過采集數據進行溯源成像，得到了進行情緒活動的相關腦區，從而剔除與情緒無關的通道，對SEED 數據集數據進行通道篩選，隨后將腦電數據進行預處理，使用Hjorth 參數與差分方法進行特征提取，并將特征向量分別使用SVM、CNN 及NBC 分類器進行分類，希望能夠通過較少的通道對情緒進行準確識別。

1 材料與方法

1.1 實驗數據

1.1.1 被 試

本次溯源分析實驗共招募了15 名被試，其中男生8名，女生7名，均是昆明理工大學在校研究生。所有被試都沒有腦損傷或者各類神經精神障礙史，視力及聽力正常。所有被試都被告知在實驗開始前兩小時不能進行劇烈運動，不飲用碳酸飲料、咖啡、茶、功能飲料以及酒精等飲品。被試到達實驗室后，需要了解實驗目的、實驗步驟、風險及注意事項，并簽署實驗知情同意書。本次實驗研究已獲得昆明理工大學醫學倫理委員會的批準。

1.1.2 實驗材料

本次實驗主要使用羅躍嘉教授牽頭制作的中國情緒材料情感圖片系統（CAPS）中的圖片進行情緒的誘發。該素材對156 名平均年齡為22 歲的大學生進行喚醒值、效價值及優勢度的評價，具有較高的可信度[8]。實驗選擇了5 張正性情緒圖片、5張中性情緒圖片以及5 張負性情緒圖片。其中正性情緒圖片價效平均值為6.77，喚醒平均值為6.49；中性情緒圖片價效平均值為5.72，喚醒平均值為5.19；負性情緒圖片價效平均值為2.79，喚醒平均值為3.89。

本次實驗采用澳大利亞生產的Neuroscan Syn Amps2 64 導腦電采集設備進行數據的采集，采樣率為500 Hz，64 個電極按照國際10-20 系統排布方式進行記錄，接地和參考電極位于Fpz 和FCz 上。

1.1.3 SEED 數據集

情緒分類實驗使用上海交通大學BCMI 實驗室提供的SEED 數據集，其通過對上海交通大學招募的15 名被試進行數據采集得到。15 名被試中有7名男生和8 名女生，平均年齡為23.27 歲[9]。該數據集采集了被試在觀看不同電影片段時所誘發的情緒EEG 信號。該數據集中實驗的誘發素材都是包含正性情緒、中性情緒以及負性情緒的電影片段。對于電影片段的選擇，主要通過電影片段的時間長度、誘發情緒的簡易程度、誘發情緒的單一性以及誘發情緒的強度4 個方面來進行[10]。

1.2 實驗范式

在實驗開始前，需要運用E-prime 軟件進行編程，準備實驗范式，并調整好所有采集設備的參數。本次實驗采樣率為200 Hz，帶通濾波在0.5～30 Hz。被試按實驗順序進入實驗室并準備就緒后，佩戴腦電帽，通過調試腦電帽中的電極使所有電極阻抗降到20 kΩ 以下，之后開始正式實驗。實驗范式時序如圖1 所示。

圖1 實驗范式時序圖

實驗開始后，被試首先根據屏幕的“靜息”提示保持身體放松，不想任何事情，保持180 s。靜息結束后，屏幕顯示“實驗1”，持續2 s，之后出現“+”，提醒被試即將開始情緒刺激。之后，屏幕顯示相應的刺激圖片對被試進行情緒誘導，這個過程持續5 s。刺激圖片消失后，屏幕顯示“自我評價”，持續20 s，被試需要在這段時間內對剛剛的圖片進行打分。隨后，屏幕顯示“Next”，持續3 s，被試在3 s 內調整情緒，準備下一輪實驗。以上為一個trail，被試在此次實驗中需要進行15 個trail。在這15 個trail 中，每次圖片都不相同。

1.3 實驗數據分析方法

1.3.1 sLORETA 成像方法與通道選擇

1.3.1.1 sLORETA 成像方法

PASCUAL M R D 于2002 年提出了標準低分辨率斷層成像（sLORETA）的方法。該方法基于分布式源模型，通過有限反演估計出標準腦圖譜空間內腦電信號的概率源。與其他算法不同，sLORETA在理想情況下可以實現源定位零誤差[11]。

腦電逆問題可表示為：

式中：B為平均參考變換以后m×1 維頭皮腦電信號（m為電極數），S為n×1 維腦電源信號（n為大腦皮層上的體素數），L為m×n維導聯矩陣。由于m＜＜n，該方程為欠定方程，沒有唯一解，因此引入代價方程：

式中：α為正則化參數，且α＞0。通過式（2）的最小化代價方程，可求得S的最小范數估計S^ 為：

式中：T=LT[LLT+αH]+，H=I-11T/1T1，其中I為單位矩陣，1 為單位向量。

以上得出的結果為最小范數估計的解[12]。sLORETA 算法則需要對的方差進行估計，通過貝葉斯公式以及對信號源和噪聲間相互獨立的假設。B方差的估計可用式（4）表示：

式中：VB為腦電源信號的方差。由式（2）和式（3）可得源信號方差的估計為：

由式（1）和式（4）可得：

式中：R為分辨率矩陣，=R=LT[LLT+αH]+L。因此，sLORETA 對標準化電流密度功率的估計為：

式中：為對第l個源的電流密度估計，表示矩陣中第l個對角線元素[11-13]。

1.3.1.2 通道選擇

通過sLORETA 源成像，可以分析出每1 ms 所對應的源模型圖像，如圖2 所示，能夠具體反映出在當前時刻具體某一腦區的放電情況，同時在界面中也會有文字進行說明。

圖2 溯源結果示例

1.3.2 特征提取

本次實驗主要采用差分與Hjorth 參數的方法進行特征提取。Hjorth 參數是Bo Hjorth 在1970 年引入的時域中用于信號處理的統計屬性的指標，該方法主要包含活動性、復雜性及移動性3 個參數[14]。這些參數可以用于EEG 特征提取。其中，活動性用ac表示，表示EEG 信號的平均功率，即所測量時間段內信號的方差，該參數不常用于EEG 信號的特征提取。復雜性用co表示，主要用于表示EEG 信號的帶寬。移動性用mo表示，主要用于測量EEG 信號的平均頻率。復雜性co和移動性mo通過式（8）和式（9）表示：式中：x(n)為某個通道的腦電信號，n為采樣點，var 表示方差。

2 實驗結果

2.1 通道選擇結果

由于情緒的特殊性，本次實驗中，將每50 ms數據進行分析統計，得出其中放電區域最多的電極，隨后將進行溯源的15 位被試的數據進行整合統計，統計結果如圖3 所示。在進行統計后，運用Matlab軟件繪制Brodmann分區激活時間占比，如圖4所示。Brodmann 分區圖中共有49 個黑點，左下角第一個點為1、2、3 區總和，隨后其他點從左往右為分別代表一個腦區，從4，5，6 以此類推。

圖3 Brodmann 腦區統計結果

圖4 Brodmann 分區激活時間占比

本次統計結果中，38 區的激活時間最高，占52%；其次是7 區，占33%；5 區占6%，6 區占4%，剩下其余各區合計占比5%。根據有關情感所在的腦區進行篩選[15]，選擇38 區附近通道F7，F8，FT7，FT8，T7，T8，TP7，TP8，O2，O1 進行后期數據處理。

2.2 分類結果

本次研究主要對SEED 數據集中的數據進行算法方面的驗證，分別使用方差、Hjorth 參數及差分的方法進行特征提取，隨后分別使用SVM、KNN、NBC 分類器對特征進行分類。

表1 為該數據集下15 名被試通過方差與Hjorth參數相結合的特征提取在不同分類器中的分類結果。本次選用10 個訓練集與5 個測試集交叉驗證得出結果。在該特征提取方法下，SVM、KNN、NBC 的分類平均準確率分別為39.11%±10.35%，48%±17.32%，50.26%±20.68%。

表1 方差、Hjorth 參數特征分類精度

表2 為該數據集下15 名被試通過差分與Hjorth參數相結合的特征提取在不同分類器中的分類結果。本次選用10 個訓練集與5 個測試集交叉驗證得出結果。在該特征提取方法下，SVM、KNN、NBC 的分類平均準確率分別為68%±13.14%，74.67%±10.74%，87.11%±6.65%。

表2 差分、Hjorth 參數特征分類精度

3 結語

本文首先通過自采數據進行sLORETA 溯源進行通道選擇，選出通道F7，F8，FT7，FT8，T7，T8，TP7，TP8，O2，O1 等10 個通道進行情緒識別實驗。隨后對SEED 數據集使用方差與Hjorth 參數分別提取特征進行情緒分類，但是實驗結果不太理想，雖然最高達到86.67%，最低僅有26.67%，可能與個體差異有關，通過15 個被試取均值，準確率僅有39.11%，48%，50.26%。經過改進，使用差分的特征進行分類，由實驗結果可知，各分類器的準確率都有了明顯的提高，其中NBC 分類器平均準確率達到87.56%±6.65%，且在15 組數據中最高分類精度達到93.33%。結果表明，將腦電信號使用差分與Hjorth 參數的方法進行特征提取，隨后使用NBC分類器所得到的分類精度高于其他方法，同時與相關實驗研究中的準確度相比也有一定的優勢，可為后續情緒識別研究提供一定的參考。