脑电信号中的频谱不对称指数特征与情绪识别研究

本文研究了脑电信号中的频谱不对称指数（SASI）,采用国际标准图片刺激被试者诱发产生正、中和负性情绪并采集其脑电信号,依据后期正电位段具有特征性的特点[7],对来自不同脑区、电极的1000—1500ms时间段内脑电信号选取后期正电位段进行处理分析,分别计算不同脑区分别处于正、中、负性情绪时脑电信号的平均SASI。结果显示,相比于中性情绪,处于负性情绪时的SASI明显偏大;处于正性情绪时的SASI明显偏小,尤其是在左颞区、右颞区和枕叶区其特征性更加明显,表明SASI可作为情绪种类识别的特征量之一,若与后期正电位特征量结合使用,有望显著提高情绪种类识别的准确率。     

基于晚期正电位的脑电情绪识别

提出了一种基于晚期正电位(LPP)特征的脑电情绪识别方法。以图片连续刺激被试诱发正、中和负性情绪。对三种情绪图片诱发的脑电进行方差分析,显示LPP段早期(300~600 ms)、中期(600~1 000 ms)、晚期(1 000~1 500 ms)在部分导联处具有极显著性差异(P0.01)。用SVM建模分类,在θ、α、β、γ波频段内LPP段晚期特征的情绪识别准确率比LPP段早期、中期特征的高,LPP段早期、中期、晚期特征的脑电情绪识别率超过60%,比时频特征的识别率高。表明晚期正电位特征识别脑电情绪种类更具可靠性。     

基于脑电通道增强的情绪识别方法

随着人工智能与深度学习的发展,基于深度学习的多通道脑电信号的情绪识别研究逐渐受到关注,但多通道脑电情绪识别信号复杂且各通道重要性一致,并不能高效且有针对性地进行脑电情绪识别。为此,该文提出一种基于缩放卷积层和脑电通道增强模块的情绪识别方法,能直接在脑电物理通道上进行增强学习。首先,通过缩放卷积层提取多通道脑电情绪信号的类时频特征;然后,通过脑电通道增强模块对所有脑电物理通道重新赋予不同的重要性;最后,利用卷积神经网络对情绪进行分类。该方法能够融合多通道脑电信号的时间和频率信息,同时,通过输出各脑电通道的重要性,探究不同情绪维度与脑电通道之间的关系。在DEAP数据集上进行了实验验证,不同脑电通道对情绪识别任务的重要性存在差异,其中,额叶区和枕叶区的C4、 P4、 P3、 PO4、 F7 5个脑电通道重要性相对较高,该情绪识别方法在愉悦度、唤醒度和支配度3个情绪维度上的识别准确率也均有提升。     

运动疲劳后人体脑区脑电功率谱特征的反应分析

分析在运动疲劳状态下人体脑电信号的反应特征。在某体育院校中随机选择30名健康男性志愿者,在开始实验前,首先令受试者熟悉实验流程,对受试者强迫高强度运动,在对受试者脑电信号进行测试时,电极依据国际10/20系统安放,将人体两个耳垂看作参考电极,前额正中接地。正式实验包括两部分:第一部分是受试者分别以20%、60%MVC进行静态屈肘诱发屈肘肌疲劳实验;第二部分为疲劳运动后脑电波脑电功率谱百分比变化实验。不同脑区脑电功率谱能量通常集中于5~20 Hz频率区间中,每个脑区脑电信号功率谱能量曲线的峰值均为10 Hz左右。60%MVC运动疲劳实验中不同脑区脑电功率谱能量处于3~60 Hz的广泛频率区间中,功率谱能量曲线峰值均约为14 Hz;和运动前半段脑电功率谱能量比较,运动后半段左侧脑区和右侧脑区脑电功率谱能量值在一定程度呈上升趋势,中间脑区无显著变化,前、后脑区整体呈增加趋势,但在部分频率下有所降低。20%MVC与60%MVC运动疲劳实验后半段各脑区各频段能量平均值较前半段均在一定程度上有所增加。运动疲劳后γ波指数在第10 min和安静值相比显著增加,P0.05,运动疲劳后θ波指数在第10、20和30 min和安静值相比显著降低,P0.05;运动疲劳后α波指数均低于安静值,但无显著性差异,P0.05;运动疲劳后β波指数在第30 min和安静值相比显著降低,P0.05。说明运动能够提高神经系统功能,促进大脑发育。     

基于DBN和RF的跨被试情绪识别研究

目前情绪识别的分类方法很多,但情绪分类模型多具有被试依赖性,基于SEED数据集探索了跨被试情绪识别模型.首先将所有被试的脑电(Electroencephalogram,EEG)数据合并为一个被试,共提取675个trial三类情绪(正性(positive)、中性(neutral)、负性(negative)情绪)的短时傅里叶变换(Short-Time Fourier Transform,STFT)、离散小波变换(Discrete Wavelet Transformation,DWT)特征,并使用ReliefF特征选择算法对特征进行权重排序.其次,从排序好的特征中选择600个trial作为训练集,剩余的作为测试集;然后将K最近邻(K-Nearest Neighbor,KNN)、二次判别分析法(Quadratic Discriminant Analysis,QDA)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、深度置信(信念)网络(Deep Belief Network,DBN)五种分类算法作为分类器,对比研究选出最优的分类框架.结果表明,五种分类器的平均分类精度分别为:KNN 69.21%±3.4%,QDA 52.17%±9.41%,SVM 78.41%±3.8%,RF83.49%±2.6%,DBN 81.73%±2.22%,可见RF的分类效果最好.分别计算每个分类模型对负性、中性、正性情绪的分类准确率,结果如下:不同分类器对正性情绪的识别效果都比较好;KNN,QDA,SVM对负性和中性情绪的分类效果较差,准确率不高;DBN和RF对负性和中性情绪的识别率较高,能有效地进行情绪识别.以上研究可望为跨被试的情绪识别模型提供参考.     

基于CNN的脑电信号情绪识别模型研究

针对现有深度学习模型在情绪识别方面种类少且准确率低的问题,采集并建立了脑电波信号数据集,提出了一种基于CNN的脑电波的智能多情绪识别模型,利用多层卷积神经网络提取脑电信号情感特征,在批归一化层和激活函数中引入非线性特性,构建了两层全连接神经网络,实现了情绪特征中积极、中性和悲伤的分类。实验结果表明,提出的模型复杂度低且分类准确率达到了81.43%,明显高于SVM、LSTM、VGGNet模型,证明了该模型的简洁性和高效性。     

基于脑电信号的聋人情绪识别研究

针对聋人大学生容易出现情感表达障碍和情绪识别困难等问题,文中提出了基于脑电(electroencephalogram, EEG)信号的聋人情绪识别方法。首先对采集到的EEG信号用5阶巴特沃斯滤波器将其分割为5个频带,提取各频带的功率谱密度(power spectral density, PSD)和微分熵(differential entropy, DE)特征,利用支持向量机(support vector machine, SVM)进行分类实验。分析了聋人在不同情绪状态下的脑地形图,得出与情绪处理相关的关键脑区。最后根据关键脑区分布,提出了聋人情绪识别的关键通道选择模式并进行了分类实验。实验结果表明,与聋人情绪相关的主要频带为Beta和Gamma频带,且DE特征在聋人情绪识别中具有较大优势,在全频带62通道的平均识别准确率可达到97.57%;与聋人情绪处理相关的主要脑区为前额叶和枕叶;DE特征在10通道的识别准确率达到96.14%,可与62通道分类结果相媲美。研究结果可为开发应用于聋人情绪识别的可穿戴EEG设备提供参考。     

大学生情绪调节差异的研究

以514名大学生为对象，采用《情绪调节问卷》量表进行对比研究。结果显示大学生快乐情绪的调节量最多，恐惧情绪的调节量最少，正性情绪的调节量大于负性情绪的调节量；感受负性情绪时存在比较多的忽视和抑制调节，感受正性情绪时存在比较多的重视和宣泄调节；男生和女生正性情绪在抑制和宣泄上存在着显著的性别差异，在忽视和重视上没有显著差异；在负性情绪的原因调节上，文科学生显著高于理科学生。在负性情绪的反应调节上，文科学生显著高于理科学生。     

表情驱动下脑电信号的建模仿真及分类识别

针对自发型脑电信号识别率低、个体差异度大等问题,提出了一种新的基于表情驱动脑电信号的脑机接口方式,并进行了建模仿真及实验验证。利用神经元集群模型对表情驱动脑电信号进行机理建模与仿真分析,得到自发表情的相关脑区及表情驱动脑电信号的频率分布特性;提出了一种基于小波变换和人工神经网络模型映射的表情驱动下脑电信号分析识别方法,有效提高了表情驱动下脑电信号的识别率。从神经生理学角度验证了表情驱动脑电信号的特征来源是受大脑前额叶皮层和边缘系统相互协调共同控制的,并通过实验验证了所提脑电信号分类识别算法切实有效,其最高分类准确率可达85%。     

基于CNN-BiLSTM的脑电情绪分类模型及验证

情绪在人们的思考、行为和交流方式中起着重要作用。为提高脑电信号的情绪识别准确率,充分利用脑电信号的频率、空间和时间维度上的信息,提出一种基于CNN-BiLSTM(convolutional neural networks-bidrectional long short term memory)的脑电情绪分类神经网络模型。该模型由卷积神经网络和多层特征融合的双向长短时神经网络构成,卷积神经网络用于学习脑电信号的频率和空间特征,双向长短时神经网络则从卷积神经网络的输出中挖掘脑电切片之间的时序信息。借助离散情绪模型的SEED(sjtu emotion eeg dataset)数据集和连续情绪模型的DEAP(database for emotion analysis using physiological signals)数据集来进行情绪分类实验。实验结果表明,在SEED和DEAP两个数据集上,CNN-BiLSTM模型均取得了目前最好的情绪分类性能。此外,该模型的时序信息挖掘模块性能优于单层长短时神经网络,能够学习更多的时序信息。     

基于EEG与EOG信号的疲劳驾驶状态综合分析

疲劳驾驶时,司机的脑电信号和眼电信号特征均发生显著变化,本文针对这两类信号进行分析研究,利用这两类数据综合分析判断司机是否处于疲劳驾驶状态.首先对采集的脑电信号进行小波包分解,提取信号中的α波,并计算其相对功率谱P;然后利用Pearson相关系数分析两路对称导联F7,F8中眨眼信号特征,去除干扰;最后利用BP神经元网络对眨眼信号进行识别,计算眨眼频率.结果表明,利用眼电信号和脑电信号特征综合分析司机眨眼动作,能准确识别出眨眼信号,并能正确检测人的驾驶疲劳状态的变化.     

16导脑电信号分形强度的左右分布

通过分析人在闭目清醒时的16导脑电信号(EEG)的多重分形特性，发现人脑16导EEG信号具有不同强度的分形特性且存在稳定的分布，分布规律表现为在人脑的左右对应区域强弱相对；对于右利手受试者顶区、额区、颞区、中央区的左右对应区信号的分形强度左强右弱，左半球的分形总量大于右半球的总量和；而对于左利手在对应位置的脑电信号则呈现左弱右强，且左半球的分形总量小于右半球的分形总量。这与脑的优势半球生理结论是一致的，表明人脑EEG信号的多重分形强度可以反映人脑的潜在特征。     

基于EEG与EOG信号的疲劳驾驶状态综合分析

疲劳驾驶时,司机的脑电信号和眼电信号特征均发生显著变化,本文针对这两类信号进行分析研究,利用这两类数据综合分析判断司机是否处于疲劳驾驶状态.首先对采集的脑电信号进行小波包分解,提取信号中的α波,并计算其相对功率谱P;然后利用Pearson相关系数分析两路对称导联F7,F8中眨眼信号特征,去除干扰;最后利用BP神经元网络对眨眼信号进行识别,计算眨眼频率.结果表明,利用眼电信号和脑电信号特征综合分析司机眨眼动作,能准确识别出眨眼信号,并能正确检测人的驾驶疲劳状态的变化.     

基于CNN和LSTM的脑电信号情感识别

为了提高脑电信号情感识别的准确率,提出了一种基于卷积神经网络(CNN)和长短时记忆(Long Short-Term Memory,LSTM)网络的脑电信号情感识别方法.首先,对62个通道的脑电信号进行预处理,并对预处理后的每个通道的脑电信号分别采用一维卷积神经网络提取情感特征.然后,利用LSTM网络在序列上的建模能力,...     

基于复杂网络构建与分析技术的语音响度差异神经处理机制研究

相关分析能够找出研究现象之间的依存关系、相关方向以及相关程度,可以发现大数据集里隐藏的关联网络.本文面向语音响度变化认知问题,提出“差异度”的概念,利用相关分析构建大脑功能的复杂网络,探索深层的神经处理机制与脑认知新规律.提出一种短时窗分析方法,构建不同认知阶段的脑网络;基于不同刺激下节点度的拓扑特征,构建基于差异度的脑地形图,实现脑区之间数据关系的可视化表达和动态演化过程表达.结果发现,前额叶、右额颞区和右后颞区分别在听觉处理的早期、中期和晚期对声音响度变化具有显著响应.研究表明脑复杂网络构建与分析技术可以成为研究神经处理机制与认知规律的有效工具.     

基于去趋势波动分析的不同特征音乐刺激下脑电特性

旨在研究受试者对不同特征音乐的心理生理反应, 探索脑电长程关联特性. 招募 10 名在校学生作为受试者, 参与 4 种具有不同物理特征的音乐聆听任务, 并完成自我情绪评价, 同步采集受试者任务期间的头皮脑电信号. 针对音乐刺激脑电的非平稳非线性特性, 使用一种检测非平稳时间序列的长程相关性非线性方法——去趋势波动分析, 通过计算脑电信号分频段序列的标度指数分析脑电信号长程相关性, 并结合行为学数据, 探究不同音乐特征对情绪加工的影响. 实验结果显示, 升调版欢快乐曲诱发的积极情绪感受会显著降低, 而无论升调还是降调都会显著降低悲伤音乐诱发的悲伤情绪效应; 在不同音调特征的音乐刺激诱发下, 受试者在 alpha, beta 频段上还表现出明显大脑偏侧化特点, 左半球脑动力表现更活跃. 所应用的标度指数可以反映不同音乐刺激下脑电的特异性.     

高中生日常情绪体验及调节策略研究

采用《具体情绪量表》和《青少年日常情绪调查问卷》,分别对高中生的日常情绪体验情况及感受情绪时采取的情绪调节策略进行分析研究.结果表明,高中生在日常生活中体验到的快乐和兴趣情绪最多,轻视和恐惧的情绪最少,且对负性情绪的调节多于正性情绪.在面对正性情绪时,个体倾向于采用增强调节策略;而在面对负性情绪时,个体则更多地采用减弱调节策略.此外,情绪体验与调节策略在不同年级及不同性别的个体上存在差异.     

大学生人格特质对问题性手机使用的影响:负性情绪的中介作用

采用《艾森克人格问卷简式量表中国版(EPQ-RSC)》、《手机问题使用量表》和《正负性情绪量表》对700名在校大学生进行测量,探讨大学生人格特征、情绪与问题性手机使用之间的关系.研究结果显示:(1)精神质、外倾、负性情绪与大学生问题性手机使用行为存在显著相关,负性情绪与精神质和外倾呈显著相关;(2)中介效应分析显示,精神质、外倾和负性情绪对大学生问题性手机使用行为有直接影响,负性情绪在精神质、外倾与大学生问题性手机使用行为间起部分中介作用.当中介变量负性情绪出现时,精神质对问题性手机使用行为的变异解释量由原来的39%下降到25%,外倾对问题性手机使用行为的变异解释量由原来的25%下降到9%.因此,负性情绪在人格特质的精神质与外倾与问题性手机使用行为之间,发挥部分中介作用.精神质与外倾既可以直接影响问题性手机使用行为,也可以通过负性情绪间接影响问题性手机使用行为.因此,通过培养健全的人格品质,并通过管理情绪等减少大学生的负面情绪,可以在一定程度上缓解大学生问题性手机使用行为.     

小波包变换和极限学习机相融合的脑电信号识别方法

为了提高脑电信的识别效果,提出一种小波包变换和极限学习机相融合的脑电信号识别方法.采用傅里叶变换对采集的脑电数据进行去噪处理,用小波包变换方法提取小波节律能量均值和小波包能量熵作为特征量,并用极限学习机进行分类.仿真实验结果表明,极限学习机分类速度快、泛化性能好,相对于其他脑电信号识别方法,能有效地提高脑电信号识别的正确率.     

不同复杂度心算任务基于脑电的因果连接流增益研究

已有的关于心算脑电的研究大多是从时域角度出发,该文旨在从频域上研究三种不同复杂度心算任务的多通道脑电的因果连结流增益特征变化,以及在不同脑区之间的差异。利用定向传递函数的方法估计得到因果连接矩阵,计算δ、θ、α、β、γ频段下信息流增益特征,得到三种任务流增益均在中央-顶叶较活跃;并且复杂的心算相对于简单心算引起了F4通道的流增益活跃。不同脑区比较得到三种任务在高频段,尤其是β频段更具有显著性差异。复杂的心算能够增加右侧额区和高频段左颞区的信息流活动,减少顶区的信息流活动。