情绪相关脑电信号的特征选取与导联优化

发布时间：2020-08-25 08:12

【摘要】：情绪作为一种综合了人的感觉、思想和行为的复杂活动,是人对外界环境或自发产生的生理及心理反应。起初,人们仅粗略地通过外部明显的声音、语调、音量变化等来主观揣测人各种不同的情绪状态。随着科学技术的不断进步,逐渐以脉搏、血压、体温、脑电(Electroencephalogram,EEG)和功能性磁共振成像技术(Functional Magnetic Resonance Imaging,fMRI)等客观性生理信号识别人不同的情绪状态。由于脑电的低伪装性及较高的时间分辨率逐渐被广泛应用于情绪识别的研究领域中。脑电采集是由多个紧贴头皮不同位置的导联在人的大脑皮层或头皮表面记录到的大脑神经元的自发性、节律性电活动,通过电路系统,经由放大器获得并记录的波形信号。人类不同情绪状态经记录获得的脑电信号是所有神经元的电活动在大脑皮层的共同反映。有研究表明,脑电信号的高频成分(如γ和β波段)比起低频段更能较好地反映人不同的情绪状态。此外,由于人们将大脑看成复杂的非线性系统,非线性特征也已逐渐成为脑电数据分析中的研究热点。例如,通过样本熵实现高低唤醒度和高低愉悦度的情绪识别。在情绪识别分类中应用微分熵(Differential Entropy,DE)作为特征值进行机器分类学习,得到84.22%较高的分类正确率。可见非线性脑电特征对情绪识别具有较高的分类率。然而较高的情绪分类率往往伴随脑电数据量和导联数目的增加,不利于情绪的快速分析。针对这一问题,本研究通过寻找合理算法,提取脑电各导联的特征,找到与情绪密切相关的线性和非线性的脑电特征,由此筛选出与情绪识别密切相关的少数导联,为实现基于情绪的快速实时分析提供可能。我们首先设计了基于图片刺激的情绪诱发范式,并利用脑电设备采集30名男性健康被试观看四类情绪图片(HVLA,LVLA,HVHA,LVHA,分别描述为轻松、沮丧、愉悦、恐惧情绪)时的脑电信号,再将原始脑电信号进行伪迹去除处理,获得较为纯净的脑电信号。其次,利用小波变换的线性分析法对脑电信号进行分解,每个导联提取出两种不同节律波段的频率信号:β节律(13-30Hz)、γ节律(30-45Hz);并提取每个导联两种非线性特征:微分熵、信息熵。最后采用Fisher分数(F-score)算法筛选所有导联的脑电特征,并使用支持向量机(Support Vector Machine,SVM)对四种情绪进行分类。本研究实验设计过程中为确保每类情绪诱导的有效性,利用SAM自评分模型,选择每类情绪图片的有效评分数量达到此类型情绪图片数量一半以上时的被试EEG数据进行分析,从而筛选出成功诱发相应情绪的24名被试,最终获得可用的脑电数据。根据24名被试的脑电数据,首次利用F-score和SVM联合算法筛选出四个特征组合:β频带、γ频带、信息熵、微分熵,并以此作为情绪有效性评价指标。根据每个导联四个F-score得分均值,筛选出分类率高达81.15%的5个导联组合:FT7,T7,FC4,TP10,O1;以及分类率高达83.69%的6个导联:FT7,T7,FC4,TP10,O1,FP1。并绘制四种不同情绪状态下,以信息熵和微分熵为特征的脑电地形图,从另一方面说明上述所选特征和少数导联的有效性。总结本研究成果:利用校正后的F-score算法首次筛选出了脑电信号的特征组合,获得与情绪密切相关的少数导联,极大地降低了运算时间,该结果对实现情绪的快速识别和监测及人机交互技术的发展有重要意义。
【学位授予单位】：安徽医科大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R318.04;TN911.7
【图文】：

材料与方法我们根据前期的实验设计，确定了以下实验流程（图 1）。首先为了在不同情绪状态下的 EEG 信号的有效性，我们选用情绪图片诱发相应的情绪，并将不同被试的 EEG 信号进行记录与保存，然后对被并通过分析处理相应脑电信号，选择合适的数据处理算法，最后找信号对人不同情绪状态的评估方法。

（low valence and high arousal），并分别以轻松情绪、沮丧情绪、愉悦情绪、恐惧情绪作为相应情绪类型的代表。其中沮丧情绪图片15张，图片效价评分2.88±0.62、唤醒度评分 4.97±0.69；轻松情绪图片 15 张，图片效价评分 6.72±0.49、唤醒度评分 3.77±0.97；恐惧情绪图片 15 张，图片效价评分 2.44±1.04、唤醒度评分 6.54±0.60；愉悦情绪图片 15 张，图片效价评分 7.26±0.44、唤醒度评分 5.80±0.66（图 2-4）。

low valence and high arousal），并分别以轻松情绪、沮丧情绪、愉悦情绪、恐绪作为相应情绪类型的代表。其中沮丧情绪图片15张，图片效价评分2.88±0.6醒度评分 4.97±0.69；轻松情绪图片 15 张，图片效价评分 6.72±0.49、唤醒分 3.77±0.97；恐惧情绪图片 15 张，图片效价评分 2.44±1.04、唤醒度评分 6.0.60；愉悦情绪图片 15 张，图片效价评分 7.26±0.44、唤醒度评分 5.80±0.图 2-4）。图 2 实验所用的四类情绪图片Fig 2 Four types of emotional pictures in the experiment

【参考文献】

相关期刊论文 前10条

1 王欣;靳静娜;李松;刘志朋;殷涛;;厌恶与悲伤情境图片诱发负性情绪的脑电机制差异探索[J];生物医学工程学杂志;2015年06期

2 陈志华;苏雅;;视觉刺激情感变化β波同步分析[J];大连交通大学学报;2015年04期

3 刘珑;李胜;王轶卿;;基于小波包变换的脑电波信号降噪及特征提取[J];计算机工程与科学;2015年04期

4 王欣杰;李海峰;马琳;吴明权;;基于F-score的大数据公共空间模式选择方法[J];燕山大学学报;2014年05期

5 王晓椺;石立臣;吕宝粮;;干电极脑电采集技术综述[J];中国生物医学工程学报;2010年05期

6 谢娟英;王春霞;蒋帅;张琰;;基于改进的F-score与支持向量机的特征选择方法[J];计算机应用;2010年04期

7 马翔宇;陈志华;邹飒枫;赵力;;基于主成分分析的音乐事件相关脑电变化研究[J];现代生物医学进展;2009年03期

8 CICHOCKI Andrzej;;EEG-based asynchronous BCI control of a car in 3D virtual reality environments[J];Chinese Science Bulletin;2009年01期

9 罗跃嘉;黄宇霞;李新影;李雪冰;;情绪对认知加工的影响:事件相关脑电位系列研究[J];心理科学进展;2006年04期

10 江朝晖,刘大路,冯焕清,袁宇;脑电复杂性的一种新特征[J];数据采集与处理;2005年01期

相关博士学位论文 前4条

1 彭宏;普适化脑电信息感知关键问题的研究[D];兰州大学;2015年

2 李小伟;脑电、眼动信息与学习注意力及抑郁的中文相关性研究[D];兰州大学;2015年

3 李俊华;脑活动状态EEG信号解码方法及其应用[D];上海交通大学;2012年

4 周仲兴;复合下肢想象动作电位的特征识别新技术研究[D];天津大学;2009年

相关硕士学位论文 前4条

1 杨鹏圆;基于小波包和Hilbert-Huang变换的情感脑电识别研究[D];太原理工大学;2014年

2 奕伟波;基于复合肢体想象动作的脑电特征识别技术研究[D];天津大学;2012年

3 聂聃;基于脑电的情感识别[D];上海交通大学;2012年

4 陈曾;脑电信号在情感识别中的研究[D];西南大学;2010年

本文编号：2803477