脑电情绪识别研究现状及展望

2024-01-24 11:06:20王海旭
中国医疗设备 2024年1期
关键词:脑电波脑电脑电图

王海旭

四川信息职业技术学院 智能控制学院,四川 广元 628000

引言

脑电的情绪识别是计算机智能的一个重要发展方向,是人机交互的重要研究内容[1]。情绪是在外部刺激下表现出的复杂生理变化的过程[2],主要包括以下几类:① 来自自我感受的主观体验;② 来自面部表情、姿态表情、语调语音等的外部表现;③ 表现在生理信号变化所反映的生理唤醒。计算机虽然难以直接分析人的主观感受,但可以通过如机器视觉、语音识别等技术对第二类情绪反应的外部表现进行识别和分析,同时对第二类情绪反应的外部表现存在的外部干扰多、交叉影响因素多等问题进行检测计算。因此,对第三类生理信号的测量、提取特征、分析、分类识别可以更为准确地反映脑电信号的特征[3]。脑科学被“十四五”规划和2035 年远景目标纲要列为国家重点前沿科技项目之一,而情绪识别技术将为该研究提供重要的理论和实践价值。

目前,研究者对于情绪的建模主要是基于认知评价的效价-唤醒度(Valence-Arousal,VA)模型,即VA 的二维空间模型[4]。其中,效价代表的是情绪的积极或消极反应,唤醒度是情绪的强度反应。如学界公认的喜、怒、哀、惊、恐、厌6 种基本情绪中的喜在VA 模型中更靠近右边和上面的区域,反映出较高的强度和积极性(图1)。而情绪的所有种类高达近30 种,其他类型的情绪都是在以上6 种情绪的基础上组合而成[5]。

图1 情绪的效价与唤醒度二维空间模型示意图

本文着重围绕脑电的情绪识别,包括脑电特征的计算方法,如时域特征、频域特征、时频特征以及区别于单导联特征的导联间特征,介绍了目前脑电情绪识别的流程,以及脑电情绪识别的应用,如脑机芯片与接口、抑郁等心理疾病的应用,最后,对脑电情绪识别进行了总结和展望。

1 脑电特征的计算方法现状

1.1 时域特性

脑电信号的特征需要用多种数学或物理的方法进行计算才能找到,最容易想到的就是时域特征。在脑电的时域特征中,事件相关电位(Event-Related Potentials,ERP)是由离散事件激发出的脑电活动,在脑电研究中有较广泛的应用,如P300 在40 多年前被首次报道后[6],陆续有相关研究表示在潜伏期300 ms 左右的脑电压的正向波动,此类ERP 的测量因具有可靠性以及特征信息丰富等特点被广泛应用于脑电研究。

通过叠加平均的相干平均法可以消除噪声并有效获取脑电特征,此外,还可以通过线性回归模型来寻找生物信号特征,如自回归模型[7],即差分方程如公式(1)所示。

式中,X(t)和X(t-i)为模型不同序列的信号特征,p为模型的参数个数,称为模型的阶数;a(i)为模型的自回归系数;e(t)为随机干扰序列,是均值为0,方差为σ2的白噪声。

1.2 频域特性

脑电的频域特性反映了大脑不同频段内电信号的相对强度。常用的脑电频域特性有δ波(0.5~4 Hz)、θ波(4~8 Hz)、α波(8~12 Hz)、β波(12~30 Hz)和γ波(30~100 Hz),涵盖了人脑电活动的不同频率范围,每种频率范围内的脑电波都具有不同的生理和心理特征,例如,δ波与深度睡眠有关,α波与放松和冥想有关,β波与兴奋和注意力有关。每种波段都具有特定的生理和心理意义,因此对脑电频域特性的研究可以为脑电情绪识别提供重要信息。

1.3 时频特性

相比于时域和频域特性,脑电波的时频特性同时考虑了时间和频率的信息,因此可以提供更全面的信息,比如不同时间段内,脑电活动的频率是如何变化的。同时,时频特性反映了人脑在不同时刻所处的不同心理状态,例如,在清醒时,脑电波的频率通常以α波为主,而在睡眠时,频率则以δ波为主。此外,脑电波的时频特性还可以反映出人脑不同区域的活动强度。通过对脑电波的时频分析(Time-Frequency Analysis,TFA),可以更好地了解人脑的功能和状态。

1.4 导联间特征

脑电波的导联间特征指的是不同脑区间电活动的相对关系。对于任意一个时刻,不同的脑区可能有不同的电活动强度,并且这些电活动强度可能是相关的或不相关的。例如,当某一个脑区发生激活时,周围的其他脑区也可能会受到影响。如国外专家最常用的脑电信号的相位同步分析[7],相位同步是一种生物物理学现象,表示多个周期性信号的波形在相同的相位(时间)上互相同步,可以出现在生物体内的生理过程中,也可以出现在多个独立系统之间。通过相位同步指数的引入研究脑区间电生理信号的波形相位同时变化的现象,表明这些脑区间在协调工作[8]。待分析信号的相位差如公式(2)所示[9]。

若脑电信号为X(t)和Y(t),则式中它们的相位时间序列分别是θx(t)和θy(t),如果n、m有界且是整数,则信号是与n∶m同步的,在脑功能研究中一般是1 ∶1 相位同步。

2 脑电情绪识别整体框架

脑电情绪识别的整体框架主要包括脑电信号采集、数据的预处理、特征提取和分类识别等。数据采集是通过放置在头皮上的电极收集脑电图信号以记录大脑活动情况。数据的预处理是对原始脑电图信号进行处理以降低噪声并提高信号质量的重要步骤。特征提取是用处理后的脑电信号中提取的相关特征来表示用户的情绪状态。分类识别是通过机器学习算法在脑电信号的大型数据集上进行训练,以根据提取的特征对情绪进行分类。该过程的框架和流程如图2 所示[10]。

2.1 信号采集与预处理

信号的数据采集:通过放置在头皮上的电极收集脑电图信号,记录大脑的电活动,然后将此活动放大并进行进一步处理,主要有16 导联、32 导联和64 导联的电极。目前的系统放置法是以国际标准10-20 系统安放[11],见图3,10 表示电极周围距离头骨10%,20 同理指20%。

图3 脑电电极10-20国际标准安放位置图

脑电预处理的目的是对原始脑电图信号进行特定处理,以提高信号质量并降低噪声。预处理步骤会极大地影响最终结果的准确性,因此为每个特定过程选择适当的处理技术非常重要。预处理步骤通常包括过滤、降噪、去伪迹等。过滤可以对脑电图信号进行过滤以去除高频噪声并隔离出特定的频带。降噪用以消除任何残留噪声并提高信噪比。在脑电信号采集中,眨眼或肌肉运动都会形成干扰,此类脑电图信号中的任何伪迹都需要被去除[12],以提高信号的准确性。

2.2 特征提取与选择

脑电图信号具有许多可以提取以供分析的特征。常见的脑电图特征包括:功率谱密度(Power Spectral Density,PSD)、ERP、TFA、独立分量分析(Independent Component Analysis,ICA)、基于机器学习的特征,包括使用各种机器学习算法提取的特征,如从卷积神经网络中提取的特征。

PSD 是通过对脑电波进行分析来评估脑内不同频段的电活动强度。PSD 的信息可以用来诊断和研究一些神经系统相关的疾病,如睡眠障碍、认知障碍、癫痫等[13],也可以用于研究认知加工、感知、运动等不同神经活动的机制。ERP研究通常在科学实验室中进行,通过记录脑电波,并在接收到特定刺激(如视觉刺激、听觉刺激等)时记录反应[14]。研究人员可以分析脑电波的变化以了解大脑如何对特定刺激作出反应。TFA 通过对脑电波数据进行时间-频率分析来探索大脑内不同频段的电活动强度以及随时间变化情况。如图2 所示,TFA 可以提供有关大脑功能的全面信息,因为TFA 能够同时反映频率和时间的信息同时可以帮助研究人员了解脑电波的时间动态和频率特征,从而更好地理解大脑的功能和活动[15]。ICA 通过对脑电波数据进行分析来识别独立的电生理源,再用数学方法将脑电波数据分解为独立的分量。分解后的分量代表不同的脑区域和活动,研究人员可以对这些分量进行分析从而更好地理解大脑功能[16]。机器学习算法可以从大量的脑电波数据中学习模式,从而对大脑的功能和活动进行预测,可以用于识别脑电波数据中的某些特定模式,以确定大脑在某个特定时间的活动状态,或者可以用于识别脑电波数据中的某些特定特征[17]。

2.3 脑网络构建及分类

通过特征提取,可以将脑电图信号转换为一组可用于网络构建的特征,如PSD、ERP、TFA 和ICA 等方法;然后使用这些特征来构建大脑网络,脑网络连接图如图2 所示;最后,通过分类的方法,脑网络根据其拓扑结构被分为不同的组,如高兴的、悲伤的或吃惊的,这部分可以使用支持向量机、神经网络或随机森林等机器学习算法来完成。通过脑网络的构建和分类有助于揭示大脑活动的潜在模式和结构,并了解大脑的功能。

3 基于脑电情绪识别的应用

3.1 脑机芯片与接口

脑机接口是使大脑和机器之间能够进行通信的系统。这些接口可用于控制假肢、辅助设备,甚至计算机。脑机芯片是一种微电子设备,可以植入大脑,实现大脑与机器之间的通信。

随着多学科的交叉融合发展,通过与计算机技术、微电子技术相结合,脑电情绪识别通过脑机芯片输出分类的情绪以控制BCI 系统或用于其他应用。如马斯克名下的脑机接口公司的一款可植入芯片N1 在未来有望治愈瘫痪或使天生失明的人重见光明[18]。这些设备有可能彻底改变人类与机器交互的方式,并可能对医学、康复和游戏等领域产生重大影响。

3.2 抑郁等心理疾病的应用

脑电图已被用于研究和治疗各种精神障碍,如通过测量大脑活动模式帮助诊断精神障碍,如抑郁症、焦虑症和躁狂抑郁症[19]。此外,脑电图可用于监测精神障碍治疗的有效性,如监测治疗期间或服用药物后大脑活动模式的变化[20],也可用于非侵入性地刺激大脑的特定区域,以帮助缓解精神障碍的症状。这被称为脑电神经反馈或脑电生物反馈。

研究人员利用脑电情绪识别技术帮助诊断和治疗患有抑郁症和焦虑症的患者。在诊断方面,医生可以通过分析患者脑电波的模式[21],识别患者是否有情绪障碍;在治疗方面,医生可以根据脑电情绪识别技术的结果选择最佳的治疗方法,如药物治疗、认知行为疗法等[7]。截至2021 年,深圳大学和深圳市南山医院针对通过脑电情绪识别来辅助诊断抑郁症患者已经作了长期的研究[22]。该研究通过情绪Stroop 范式或者视觉3-oddball 范式,分别使用正性(高兴)情绪、负性(悲伤)情绪和中性情绪探索抑郁患者和健康人群对照组的差异[23]。如图4 所示,通过计算两个脑电极的相位同步指数(Phase Synchronization Index,PSI)值,得到靶刺激和非靶刺激进行双样本t检验之后的t值,再经单样本t检验得到的值为纵坐标[24]。

图4 抑郁患者和健康对照组脑电极的PSI值差异

4 总结与展望

使用脑电图的情绪识别是一个快速发展的领域,旨在根据大脑活动识别和分类情绪。目前,基于脑电图的情绪识别已被证明可有效识别快乐、悲伤、愤怒和恐惧等情绪[25],但在准确性方面仍有提升空间,尤其是在处理较为复杂的情绪或处理情绪表达的个体差异时。此外,基于脑电图的情绪识别的主要局限性之一是对大脑活动和情绪表达的个体差异敏感。此外,脑电图信号可能会受到各种因素的影响,如头部运动、眨眼和伪迹。

尽管存在局限性,基于脑电图的情绪识别在各种应用中仍具有巨大的潜力,如心理健康评估、情绪感知计算和人机交互[26]。随着机器学习和人工智能的进步,以及脑电图信号处理的改进,基于脑电图的情绪识别的准确性和可靠性有望进一步提高[27]。

综上所述,基于脑电图的情绪识别研究领域有较好的发展前景,它已经在基于大脑活动识别情绪方面取得了成功。然而,仍有改进的空间,需要进一步研究以充分发挥脑电图在该领域的潜力。未来前景乐观,因为技术和方法的进步有望进一步提高基于脑电图的情绪识别的准确性和可靠性。

猜你喜欢
脑电波脑电脑电图
能感应人的脑电波并自动关机的电视机
能感应人的脑电波并自动关机的电视机
脑电波情绪分类算法的研究
基于脑电波传感器的智能轮椅控制系统
测控技术(2018年1期)2018-11-25 09:43:28
现代实用脑电地形图学(续)
现代实用脑电地形图学(续)
脑炎早期诊断的脑电图与磁共振成像比较
现代实用脑电地形图学(续) 第五章 脑电地形图的临床中的应用
脑电图在脑肿瘤患者中的应用价值及意义
视频脑电图在癫癎诊疗中的临床应用价值