基础情绪脑电分析方法的探索性研究

曹宇杰，高亚罕，郭国栋

1.上海理工大学 健康科学与工程学院(上海,200093)

2.上海健康医学院(上海,201318）

0 引言

情绪是与生俱来且与人们日常生活相互连结密不可分的，积极的情绪会提高注意力，提高学习效率；消极的情绪会让人沉溺其中，心神不宁，甚至对人的身心都会造成持续的负面影响。故有关情绪的研究，无论是情绪的识别，还是情绪的引导和改变等都具有巨大研究价值。然而，传统情绪研究数据的采集大都采用问卷调查、面部识别、肢体动作捕捉等非生理信号来提取外部特征［1］。这种缺乏灵活且需要凭借经验归纳的方法对情绪的判断有一定的局限性，所以为了更深入的挖掘情绪，研究者们正着眼于从另外的角度去观察探索［2］。

脑电图(electroencephalogram，EEG)是一种将脑部的自发性生物电位加以放大从而记录大脑活动的方法［3］。其于1929 年由Hans Berger 通过放在人脑头皮上的电极首次测量出来，并在1933 年，由英国著名生理学家E.D.Adrian 重试并确认之后迎来了快速发展。而在情绪研究上，Schaaff 等［4］使用短时傅里叶变换提取脑电特征，对情绪进行3 分类，平均准确率达到62.07%。Hu 等［5］以EEG 光谱图为特征，得到情绪2 分类的准确率为80%以上。Krisnandhika 等［6］使用小波能量相对利用率为特征，情感识别的准确率达到了76%。Lang 等［7］汇编了国际情绪图片系统（international affective picture system，IAPS）为情绪的研究提供了标准参考。由此可知，现今由脑电辨别情绪的研究仍处于提高准确率的过程中，尚有很大的发展空间去探索。

Ekman 将情绪分为六种，分别是愉悦、悲伤、愤怒、恐惧、惊奇和厌恶［8］。其中愉悦是人所盼望的目标达成后的情绪特征，其程度取决于目的的满足程度；悲伤是失去所盼望的目标后产生的情绪特征，其程度取决于失去事物对人本身的价值［9］。它们是两种相反且对立的情绪，相应脑电当中的差异也是十分明显，易于观察。因此，本论文选取愉悦和悲伤两种情绪作为脑电信号的采集目标，进行脑电处理分析方法的探索性研究。实验结果较好地反应了愉悦和悲伤两种基础情绪与脑电的关系，为后续更深入的情绪研究提供了参考。

1 实验设计

1.1 实验对象

年龄介于24～26 岁之间，身体健康的6 名男性学生受试者。

1.2 脑电数据采集

采用美国的神经科技公司Emotiv Systems 推出的神经头盔(neuroheadset)，该设备符合EEG 记录要求；按国际脑电图学会规定的标准电极放置法取AF3、F7、F3、FC5、T7、P7、O1、O2、P8、T8、FC6、F4、F8、AF4 共14 个通道位置放置电极，单极导联，采样频率为128 Hz。电极放置于大脑皮层的位置如图1 所示。

图1 实验对象脑电数据采集电极分布Fig.1 The electrode distribution of the EEG data collected by the subject

实验以PPT 的形式准备好各种情绪指令，在研究人员的操作下依次切换播放，而受试者根据不同的指令来引导自身情绪。当受试者情绪引导完成后通过读国际音标发音口令（ko ne yu tʃiyaʊ e hu te）来提示记录人员记录当前情绪持续的时间，每个情绪读三次口令耗时约5 s。并在愉悦和悲伤两种情绪之间以平静情绪隔开，减弱互相之间的残留影响。本次实验重复四次，第一次受试者看相应情绪的照片引导对应的情绪，第二次在照片的基础上增加对应情绪的声音，第三、四次与前两次相同，但要求受试者引导与对应图片相异的情绪，整个实验过程持续约3 min。

2 脑电数据的预处理

2.1 定位通道数据

原始的脑电数据能显示出的只有每个电极通道的名称及数值，并不能知晓它位于人脑头皮的哪个部位，因此在处理之前需要加载一个跟记录数据相匹配的通道位置信息。根据国际脑电学会规定的标准10-5 系统排布的一共有385 个电极点的信息模板，可以从中提取加载，本次实验所选用的14 个电极的位置信息。

2.2 参考电极

采集的原始脑电数据记录的数值是电极所在位置与参考电极之间的电位差，所以不同参考电极的选择会对数据本身造成影响。本文参考电极选用的是单侧乳突参考，位置处于耳后侧突起的一小块区域，由此记录的数据会有一个特点，即离参考电极越远的电极点数值越大。本研究在数据分析的时候为了平衡各个电极的数据，采取计算平均参考（compute average reference）的处理方法，即是将所有电极采集数据的均值作为参考［10］。除此以外常用的参考位置还有双侧乳突平均参考等。

2.3 滤波

脑电波简单来讲是一些自发且有节律的神经电活动，其频率变动范围在1～30 Hz，可以使用有限脉冲响应（finite impulse response，FIR）数字滤波器从频域对脑电信号进行滤波。设FIR 滤波器的单位冲激响应为h(n)，输入时间序列为x（n）,0 ≤n≤N-1,N为采样数据个数，其差分方程形式为：

将（1）两边进行Z变换后，可以得到FIR 滤波器的系统函数：

由此可以看出，FIR 滤波器的系统函数，因此FIR 滤波器是十分稳定的。

2.4 伪迹去除

经上述处理过后的脑电图十分清晰明了，但还存在脑电采集过程中的外部干扰，出现局部的异常数据。此时就需要我们人工分辨去除其中明显的伪迹。而正常成人的脑电波幅为5～200 μV，超过幅度的就需要剔除。

2.5 独立分量分析（independent componentanalysis，ICA）

ICA）是一种盲源分析方法，可依照数据的整体特征将伪迹作为独立成分从脑电信号中分离出来［11］。即源信号S未知且确定是统计独立，假设存在线性映射关系A，存在于我们接收得到的信号X之间，能构成关系式X=AS.

Fast ICA 算法是一种基于不动点迭代来寻找非高斯性最大值的一种ICA 算法［12］。Fast ICA 的盲源分离过程可以看成是一个串行输出各个独立源信号的过程，一次Fast ICA 算法仅能估出一个独立分量，为了估计出若干个独立成分，需要进行若干次Fast ICA 算法，并且每分离出一个独立分量就要从源信号中减去这一分量，直至得出映射关系。

3 结果

3.1 预处理后的脑电信号功率谱

对原始脑电信号进行处理分析，去除眼电、工频和肌电等干扰,进行频谱分析后的结果如图2 所示，其中选取4 个特征频率为2、6、10 和20 Hz作脑电能量分布地形图。

图2 消除干扰后三种情绪的脑电信号特征Fig.2 EEG signal characteristics of the three emotions after removing interference

3.2 情绪脑电对比

脑电的四个波段在不同情绪下的强度表现不同，而相同时间内其能量谱密度是不断变化的，故得到功率谱密度后，本研究将各波段能量与四个波段能量总量进行比较，得出各波段能量占比。再将两种情绪下脑电信号的四个波段的能量占比进行比对，其中θ波和α波差异较大，如表1 所示。

表1 6 名受试者在愉悦与悲伤两种情绪下θ 波和α 波对比Tab.1 Comparison of θ wave and α wave in the mood of joy and sadness for 6 subjects

3.3 分析

本次实验分析选取的特征频率为2、6、10 和20 Hz，分别处于四个不同的脑电波段，即δ（1～3 Hz）、θ（4～7 Hz）、α（8～13 Hz）和β（14～30 Hz）波。其中δ波是“无意识层面”的波，在人劳累或昏睡状态下存在明显；θ波是“潜意识层面”的波在意愿受挫、冥想、半梦半醒或抑郁患者中表现显著；α波是正常人脑电的基本节律，在清醒和安静闭眼时最为显著；β波在激动、紧张焦虑的时候明显增强。

分析图2 我们可以看出不同情绪下脑电信号的强度有明显的区别。从脑电地形图上我们能看见愉悦情绪下大脑左前区能量较大脑其他部位明显要高，而在悲伤情绪下大脑右前区能量增加，相反的左前区能量降低。从功率谱曲线上可以看出，与平静状态相比愉悦情绪下δ波变动不大，θ波强度略微降低，α波和β波强度显著增强，且愉悦情绪下各电极的功率谱特征随频率越高差距越大。悲伤情绪下脑电的四个波段功率都高于平静状态，其中δ波差异较大，且悲伤情绪下各电极通道的功率谱特征随频率增加差距越小。在愉悦和悲伤两种不同的情绪下δ波都较为活跃，但是悲伤情绪下δ波强度更强。

从表1 中可以直观地看出，在不考虑脑电能量整体变化的前提下，只对各波段在整体脑电能量的占比来进行对比，愉悦和悲伤两种情绪下θ波和α波近乎是一种此消彼长的关系，这个现象与脑电四个波段的理论意义相符。

本研究从脑电地形图、功率谱和能量对比三个角度较为全面的比较分析了愉悦和悲伤两种情绪的区别与联系，验证了脑电各波段的理论意义，提出了从设备到数据处理的一项可行方案。

4 结论

本研究通过精简的设备采集受试者愉悦和悲伤两种状态下的脑电信号，利用滤波、ICA 等技术去除原始信号中的眼电、工频和肌电等干扰，然后分析得到不同情绪下脑电信号的相应特征，从而验证了所做探究的方法在愉悦和悲伤两种情绪状态下的实用性。

EEG 作为一种无创生理信号采集方法，在大脑皮层处于不同的思维状态时，能够记录下不同的脑电变化，具有良好的时间分辨率，与问卷调查、面部识别、肢体动作捕捉等传统方法相比可以更加客观直接地映照出人们内心的思想活动，便于医生把握患者真实的精神状态。通过脑电信号来测评人们的情绪和精神状态是一种较为新颖的、潜能广大的技术手段，势必会成为精神研究的一种判定标准。然而就目前而言，脑电反应情绪并不能达到百分百的精确度，距离真正的应用还有许多问题亟待解决，如：脑电设备成本的高昂，精密仪器使用后需要专门人员进行维护，采集的脑电信号需要经过多道除干扰处理等。