李 彤，王永宗，張藝耀，彭 宏，朱玲玲，趙永岐

近年來，腦電(electroencephalogram, EEG)以其低偽裝性及較高時間分辨率在情緒識別領(lǐng)域中脫穎而出。研究[1]表明，EEG高頻成分可以反映人的情緒和認(rèn)知狀態(tài)，其中γ和β頻帶比低頻頻帶能更好地區(qū)分情緒狀態(tài)的轉(zhuǎn)換[2]。Jie et al[3]通過非線性特征樣本熵實(shí)現(xiàn)了高低喚醒度和高低愉悅度的情緒識別。Duan et al[4]在情緒識別中采用微分熵進(jìn)行機(jī)器分類學(xué)習(xí)，分類正確率最高為84.22%，可見微分熵作為非線性EEG特征具有較高的分類效率。但龐大的數(shù)據(jù)量和導(dǎo)聯(lián)數(shù)目的增加，不利于情緒的快速識別。針對此問題，該研究應(yīng)用校正后的Fisher分?jǐn)?shù)(F-score)算法，篩選與典型情緒密切相關(guān)的線性和非線性的EEG特征和最優(yōu)導(dǎo)聯(lián)集合，為實(shí)現(xiàn)情緒的快速識別提供可能。

1 材料與方法

1.1篩選刺激圖片和被試者通過預(yù)實(shí)驗(yàn)，從北京師范大學(xué)周仁來教授提供的中國化的情緒圖片系統(tǒng)[5]中篩選出60張情緒圖片，其中輕松情緒圖片15張，圖片效價評分(6.72±0.49)、喚醒度評分(3.77±0.97)；沮喪情緒圖片15張，圖片效價評分(2.88±0.62)、喚醒度評分(4.97±0.69)；愉悅情緒圖片15張，圖片效價評分(7.26±0.44)、喚醒度評分(5.80±0.66)；恐懼情緒圖片15張，圖片效價評分(2.44±1.04)、喚醒度評分(6.54±0.60)。

圖1 實(shí)驗(yàn)流程圖

被試為30名在校男性學(xué)生，母語為中文，年齡21～27(22.9±1.63)歲，右利手，視力正?；虺C正視力正常，無色盲色弱癥狀，無任何腦神經(jīng)損傷和精神疾病病史及家族史，近期無服用對神經(jīng)系統(tǒng)有影響或損害作用的藥物。

1.2情緒誘導(dǎo)利用E-Prime 2.0軟件設(shè)計情緒誘導(dǎo)文件。四類情緒圖片根據(jù)喚醒度評分由低到高播放，依次誘導(dǎo)被試產(chǎn)生輕松、沮喪、愉悅、恐懼情緒。為使情緒誘導(dǎo)更加顯著，本實(shí)驗(yàn)設(shè)計以同一類型情緒圖片連續(xù)呈現(xiàn)的方式誘導(dǎo)情緒產(chǎn)生，從而獲得更高的情緒識別效果。如圖1所示：睜眼盯住屏幕“+”60 s采集靜息腦電信號。每張圖片呈現(xiàn)6 s，每兩張圖片間隔2 s并要求被試緊盯屏幕“+”，直至15張圖片全部播放完畢，按鍵結(jié)束，最后完成情緒狀態(tài)自我評估表(self-assessment manikin, SAM)。直至四類情緒圖片全部播放完畢。SAM評分表內(nèi)容包括效價和喚醒度兩組評分。其中，效價代表被試觀看情緒圖片后的沮喪-愉悅程度，1～9評分，效價得分越高，愉悅程度越高；喚醒度代表被試觀看圖片后的平靜-興奮程度，1～9評分，喚醒度得分越高，興奮程度越高。評價每類情緒誘導(dǎo)有效方法是，選擇每類情緒圖片的有效評分?jǐn)?shù)量達(dá)到此類型情緒圖片數(shù)量一半以上時的被試EEG數(shù)據(jù)。四類情緒圖片播放流程完全相同。

1.3腦電數(shù)據(jù)采集及預(yù)處理實(shí)驗(yàn)在電磁屏蔽實(shí)驗(yàn)室進(jìn)行，室內(nèi)隔音良好。確保被試雙眼距呈現(xiàn)圖片的屏幕100 cm，視角為7.85°～8.73°。使用Neuroscan SynAmps 2的64導(dǎo)腦電設(shè)備采集并記錄實(shí)驗(yàn)過程中被試產(chǎn)生的EEG信號，按照國際10-20標(biāo)準(zhǔn)安放，電阻控制在5 kΩ以下。EEG數(shù)據(jù)預(yù)處理前，有6名被試情緒誘導(dǎo)無效予以排除，共采用24名被試EEG信號數(shù)據(jù)。借助MATLAB軟件對EEG信號進(jìn)行分析，包括去除工頻干擾，降采樣率到128 Hz，帶通濾波濾取1～45 Hz的腦電信號，使用獨(dú)立成分分析方法去除偽跡，截取0.5～5.5 s有效數(shù)據(jù)段。

1.4EEG信號頻域特征提取利用小波包變換[6]將原始信號分解成β、γ頻帶。

1.5時頻域非線性特征提取

1.6基于F-score的特征選擇方法F-score是一種區(qū)分類內(nèi)、類間的可分性評價指標(biāo)，其本質(zhì)是選取類內(nèi)差異小，類間差異大的有效特征[7]。其值越大，則認(rèn)為一定程度上特征對情緒的分辨能力越強(qiáng)。為了使F-score適用于多分類問題，對公式進(jìn)行了修改。計算公式如下。

1.6.1F-score算法

去除測量水平眼電的兩個導(dǎo)聯(lián)和一個無對稱存在的導(dǎo)聯(lián)，64導(dǎo)聯(lián)信號剩下61導(dǎo)聯(lián)信號，由于每個腦電導(dǎo)聯(lián)對應(yīng)m個特征，故提取的特征數(shù)目為61×m維特征。

1.6.2校正后的F-score算法 一般認(rèn)為，F(xiàn)-score的值越大，標(biāo)準(zhǔn)差越小，則對四種情緒的分類具有越好的特性。但存在標(biāo)準(zhǔn)差極小，平均值較小但反而F-score值極大的極端情況出現(xiàn)，為避免上述假陽性結(jié)果的出現(xiàn)，故將F-score值乘以其均值、除以其最小標(biāo)準(zhǔn)差。從而設(shè)計出公式：

這樣，對于四分類問題而言，公式計算的結(jié)果越大，表明分類性能越好。

1.7SVM分類識別支持向量機(jī)(support vector machine, SVM)是由Vapnik等提出的有監(jiān)督的學(xué)習(xí)模型，應(yīng)用于分類、模式識別和回歸分析領(lǐng)域。在解決二分類線性問題的效果較好，但對于非線性問題，常常通過核函數(shù)定義的非線性變換將原特征空間中的非線性問題轉(zhuǎn)化為高維空間中的線性問題，并在高維空間中求分類超平面[8]，從而得到較好的分類準(zhǔn)確率。

利用F-Score特征提取方法聯(lián)合SVM方法，選取最優(yōu)的特征集合。選取徑向基核函數(shù)將輸入測試樣本映射到高維空間中，獲得最優(yōu)SVM模型。輸入排序靠前的每導(dǎo)聯(lián)k個F-score值均值，根據(jù)已獲得最優(yōu)SVM模型進(jìn)行類別判斷，輸出此特征集合的分類準(zhǔn)確率。如果分類準(zhǔn)確率提高大于0.2%，認(rèn)為導(dǎo)聯(lián)的加入對分類有突出的效果，則將該導(dǎo)聯(lián)加入到有效導(dǎo)聯(lián)集合中，最后從分類率排序靠前的特征中篩選有效導(dǎo)聯(lián)[7]。為了降低計算的復(fù)雜性，對訓(xùn)練集和測試集的數(shù)據(jù)進(jìn)行歸一化操作。基于F-score和SVM的導(dǎo)聯(lián)篩選方法見圖2。

圖2 基于F-score算法和SVM相結(jié)合的導(dǎo)聯(lián)篩選流程圖

1.8統(tǒng)計學(xué)處理使用Excel建立數(shù)據(jù)庫，SPSS 18.0軟件比較F-score算法和校正后的F-score算法，統(tǒng)計學(xué)方法使用兩獨(dú)立樣本t檢驗(yàn)，P<0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1根據(jù)F-score算法篩選EEG信號四類組合特征應(yīng)用F-score算法與校正后的F-score算法篩選出每個導(dǎo)聯(lián)的4個特征組合：β頻帶、γ頻帶、信息熵、微分熵。F-score方法與校正后的F-score算法兩種算法差異無統(tǒng)計學(xué)意義(t=0.383,P=0.706)。F-score值越大，標(biāo)準(zhǔn)差越小，則相應(yīng)特征對四類情緒兩兩之間就越具有較好的分類效果，校正后的F-score算法沒有改變情緒分類率趨勢，同時避免了假陽性結(jié)果的出現(xiàn)，為得到最優(yōu)的導(dǎo)聯(lián)集合奠定基礎(chǔ)。見圖3。

圖3 F-score方法與校正后的F-score算法的四分類率比較

2.2根據(jù)F-score算法篩選通道數(shù)目和分類準(zhǔn)確率的折中點(diǎn)校正后的F-score算法對情緒四分類正確率折線見圖4，四類典型情緒的分類率隨導(dǎo)聯(lián)數(shù)目的增加而增大，當(dāng)導(dǎo)聯(lián)數(shù)目達(dá)到了13個時，分類率達(dá)到了89.648 4%，而全部61導(dǎo)EEG信號分類效果也僅僅達(dá)到了90.722 7%，可見，根據(jù)校正后的F-score算法得出對情緒四分類正確率貢獻(xiàn)突出的前13個導(dǎo)聯(lián)亦基本達(dá)到了情緒分類準(zhǔn)確率和通道數(shù)目的折中點(diǎn)。

圖4 校正后的F-score算法計算分類率

2.3根據(jù)校正后的F-score算法篩選與情緒密切相關(guān)的最少導(dǎo)聯(lián)利用校正后的F-score算法計算得到的5個導(dǎo)聯(lián)(FT7、T7、FC4、TP10、O1)，情緒二分類率折線圖顯示情緒效價最高達(dá)到了94.824 2%。見圖5。

圖5 校正后的F-score算法的二分類率比較

如圖5所示，5個導(dǎo)聯(lián)和6個導(dǎo)聯(lián)二分類率分別達(dá)到了85.74%和87.19%，故根據(jù)校正后的F-score算法計算得到的導(dǎo)聯(lián)排序靠前的5個導(dǎo)聯(lián)分別是FT7、T7、FC4、TP10、O1，6個導(dǎo)聯(lián)分別是FT7、T7、FC4、TP10、O1、FP1，導(dǎo)聯(lián)分布見圖6 。

圖6 經(jīng)校正后的F-score算法篩選的最少導(dǎo)聯(lián)分布圖

A：5導(dǎo)聯(lián)：FT7、T7、FC4、TP10、O1；B：6導(dǎo)聯(lián)：FT7、T7、FC4、TP10、O1、FP1

3 討論

人類腦電變化與情緒的變化之間存在一定的聯(lián)系，通過對EEG的分析，可以判斷人類的情緒狀態(tài)。人們在情緒識別研究中希望對EEG數(shù)據(jù)進(jìn)行實(shí)時分析并得到快速反饋。這需要在現(xiàn)有的基礎(chǔ)上找到一組與情緒變化密切相關(guān)的EEG特征組合。Bahardwaj et al[9]使用EEG信號的θ、α、β頻帶3個腦電特征，篩選出3個(FP1、P3、O1)導(dǎo)聯(lián)，并使用SVM和線性判別分析(linear discriminant analysis, LDA)兩種分類器識別7種情緒狀態(tài)，有效分類率分別為74.13%和66.50%。Lee et al[10]使用自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)識別積極情緒和消極情緒，分類準(zhǔn)確率為78.45%。Zheng et al[11]采用微分熵特征，SVM分類器的前提下，設(shè)計了4種導(dǎo)聯(lián)組合，導(dǎo)聯(lián)個數(shù)分別為4、6、9、12個。當(dāng)采用12個電極時情緒識別精度最高為86.65%，比全導(dǎo)(62個電極)的識別精度83.99%還要好。該研究利用校正后的F-score算法篩選腦電信號高頻成分中的β、γ頻帶以及非線性特征微分熵和信息熵特征共4個特征組合。篩選到的非線性特征一定程度上反映了腦電信號的內(nèi)在規(guī)律，即大腦神經(jīng)元的非線性動力學(xué)特性。亦篩選出對情緒四分類正確率貢獻(xiàn)突出的13個導(dǎo)聯(lián)，已基本達(dá)到了情緒分類準(zhǔn)確率和通道數(shù)目的折中點(diǎn)，高達(dá)89.65%。

研究[12]表明，篩選導(dǎo)聯(lián)數(shù)目為5個(FP1、T7、PO4、Pz、FP2)時，情緒四分類率達(dá)到了52.32%；導(dǎo)聯(lián)個數(shù)到6個(FT7、FT8、T7、T8、TP7、TP8)時，情緒二分類準(zhǔn)確率達(dá)到了85.03%[11]。一般認(rèn)為，情緒分類率達(dá)到80%基本達(dá)到情緒的高效識別。本研究首次篩選出排序靠前的5個(FT7、T7、FC4、TP10、O1)導(dǎo)聯(lián)，二分類準(zhǔn)確率達(dá)到了85.74%，四分類率也高達(dá)到81.152 3%；而篩選導(dǎo)聯(lián)數(shù)目為6個(FT7、T7、FC4、TP10、O1、FP1)時，二分類率高達(dá)87.19%，四分類率也達(dá)到83.691 4%。實(shí)現(xiàn)以上少數(shù)導(dǎo)聯(lián)的高分類率不僅在特征選擇方面具有創(chuàng)新性，而且通過加大被試量，嚴(yán)格篩選被試，避免個體差異對情緒識別造成的影響，從而為利用少數(shù)導(dǎo)聯(lián)實(shí)現(xiàn)EEG信號快速實(shí)時分析提供可能。篩選到的少數(shù)導(dǎo)聯(lián)分布并不集中，可能與情緒產(chǎn)生過程中大腦不同部位共同參與有關(guān)[13]。從生理學(xué)角度上說講，枕葉的O1導(dǎo)聯(lián)可能與被試觀看情緒圖片過程中的視覺誘發(fā)有關(guān)。前額葉的FP1導(dǎo)聯(lián)可能和情緒調(diào)節(jié)或者更高級功能活動有關(guān)。而導(dǎo)聯(lián)左右腦分布大致均勻，可能與大腦左右半球的情緒識別差異分工有關(guān)。

F-score算法用于評估每個特征的分辨能力，是一種簡單有效的特征選擇方法，許多研究結(jié)合SVM分類算法已被廣泛應(yīng)用于各個領(lǐng)域的分類問題中[14-15]。比較F-score算法與校正后的F-score算法，雖然兩種算法差異無統(tǒng)計學(xué)意義(t=0.383,P=0.706)，但為避免假陽性結(jié)果的存在，故選擇校正后的F-score算法作為尋找最優(yōu)導(dǎo)聯(lián)集合方法。

利用校正后的F-score算法篩選獲得的EEG信號特征組合和篩選出排序靠前的5個導(dǎo)聯(lián)，在情緒分類識別方面，取得了較高的分類準(zhǔn)確率，有望為情緒識別提供參考指標(biāo)。