王 晨,胡景釗,劉 科,王潔瓊,鄭佳賓,吳東亞,馮 筠, 2

(1.西北大學 信息科學與技術學院,陜西 西安 710127;2.新型網(wǎng)絡智能信息服務國家地方聯(lián)合工程研究中心,陜西 西安 710127)

情緒是人類將客觀事物和自身需求相比較后產(chǎn)生的一種態(tài)度或體驗, 它能夠反映人類當下的心理和生理狀態(tài), 對人們認知、決策和溝通等有著至關重要的作用[1]。 情緒的識別是人工智能時代智能交互中最關鍵的研究問題之一, 如何進行便攜式、 有效、 精確的人類情緒識別, 已然成為推動人工智能新時代發(fā)展的催化劑[2]。 無論在生物醫(yī)學工程、 智能教育、 物聯(lián)網(wǎng)還是影視娛樂等眾多領域中, 情緒識別都具有非常寶貴的研究價值[3]。

通常使用人類的面部表情、語音信號或姿勢步態(tài)進行情緒識別,這樣容易受到人類主觀因素的影響,不易反映真實的情緒狀態(tài)[4]。而基于腦電信號的情緒識別研究可以避免人類偽裝情緒,通過檢測電生理信號更加真實準確地分析人類的情緒[5]。與目前已有的情緒識別研究工作相比,本文將提出一種基于腦電通道增強的情緒識別方法,能夠更加便攜精確地識別人類的情緒狀態(tài)。

腦電信號是一種非線性非平穩(wěn)的隨機信號,通過對腦電信號進行信號預處理、特征提取等可以分析檢測人類的意圖和情緒狀態(tài)[6]。從使用腦電通道個數(shù)的角度出發(fā),腦電情緒識別可以分為單通道和多通道的情緒識別方法[7]。據(jù)相關研究表明,單通道的腦電情緒識別能夠快速高效地進行大規(guī)模的情緒識別任務,在智慧課堂、智能教育中已有初步應用。例如劉窈窈等設計了基于視頻誘導的情緒識別實驗,使用一款可穿戴腦電設備Mindeep采集被試在積極和消極情緒狀態(tài)下的腦電信號,再將情緒識別結果等反饋顯示在APP界面上[8]。多通道的腦電情緒識別方法具有高精度、多維度的特點,能夠更加真實精確地檢測人類的情緒狀態(tài),并可以從時間、空間和大腦區(qū)域等多維度全面分析其情感及相關認知心理活動等[9-11]。李昕等從多通道腦電信號提取4種不同腦電節(jié)律的小波熵、小波系數(shù)能量、近似熵和Hurst指數(shù)特征,利用主成分分析(PCA)方法降維,然后進行情緒識別，達到了較好的分類效果[12]。

從采用機器學習方法進行特征提取的角度出發(fā),主要通過傳統(tǒng)的手工特征提取和利用深度學習自動提取相關特征來進行腦電情緒識別[13]?；趥鹘y(tǒng)手工特征提取的腦電情緒識別方法具有豐富的先驗知識,能夠充分利用腦電非平穩(wěn)非線性信號的特征進行處理;而基于深度學習自動提取腦電特征的識別方法能夠從原始的腦電信號中充分挖掘各類信息,研究表明,利用數(shù)據(jù)驅動的高維特征進行情緒識別效果較為顯著[14-17]。

然而,目前無論是單通道、多通道的腦電情緒識別方法,還是基于傳統(tǒng)手工特征提取和基于深度學習自動提取腦電特征的情緒識別方法,依然存在較大的提升潛質:① 多通道腦電信號數(shù)據(jù)量大,信息冗余;② 采集腦電信號所有通道重要程度一致,不能更高效地有針對性地增強腦電情緒識別的效果[18-19]。

為解決以上問題,本文提出一種基于縮放卷積神經(jīng)網(wǎng)絡層和腦電通道增強模塊融合進行腦電情緒識別的網(wǎng)絡結構。該情緒識別網(wǎng)絡能夠融入原始腦電信號時間維度和頻率維度的信息，自動提取特征,并通過腦電通道增強模塊使網(wǎng)絡自動學習對情緒識別任務更為重要的相關腦電通道,進而減少網(wǎng)絡在與任務相關性不高的腦電通道上的學習能力,提升腦電情緒識別的精確度。與此同時,通過輸出該情緒識別網(wǎng)絡增強模塊各腦電通道重要性的權重大小,并將其可視化在腦地形圖中,可以分析不同情緒狀態(tài)在人類大腦不同腦區(qū)的激活程度。最后，對比了各個腦電通道在進行增強前后信號能量的變化,以驗證本文所提基于腦電通道增強的情緒識別網(wǎng)絡的有效性。

1 相關工作

腦機情感交互可以增強人工智能的“類腦化”,只有將機器賦予了人類敏銳的情緒識別功能,才能更高效、更智能地與用戶進行交互[20]。近年來,隨著6G時代的發(fā)展,基于腦電信號的情緒識別也成為熱點研究領域[21-22]。

目前，利用腦電生理信號進行情緒識別的算法主要分為兩大類:傳統(tǒng)的腦電情緒識別算法和基于深度神經(jīng)網(wǎng)絡的腦電情緒識別算法。傳統(tǒng)的腦電情緒識別算法主要包括對腦電情緒信號進行預處理、特征提取、特征降維和分類等步驟,需要具有一定的先驗知識設計和提取與情緒識別相關的腦電特征,例如Petrantonakis等人從腦電情緒信號中提取了高階交叉特征,該特征能夠反映腦電情緒信號的波動情況,實驗表明在單通道和多通道的腦電情緒識別準確率上均有較大的提升[23]。

隨著深度學習以及圖神經(jīng)網(wǎng)絡的發(fā)展,基于深度神經(jīng)網(wǎng)絡的腦電情緒識別研究受到更多研究學者的關注。相較于傳統(tǒng)的腦電情緒識別算法,利用深度神經(jīng)網(wǎng)絡模型識別腦電情緒可以避免因缺乏腦電情緒相關先驗知識而導致識別效果低的問題。同時，深度神經(jīng)網(wǎng)絡具有較強的非線性變換能力和學習能力,對于復雜的多通道腦電情緒信號的識別會表現(xiàn)出更優(yōu)越的性能[24]。如胡景釗等人提出的多通道腦電情緒識別網(wǎng)絡ScalingNet,利用深度神經(jīng)網(wǎng)絡直接對腦電信號的時空頻三域的信息進行建模,用卷機神經(jīng)網(wǎng)絡對腦電情緒進行分類[25]。Xing等人考慮腦電信號的時間動態(tài)信息,將長短時記憶(long short term memory, LSTM)網(wǎng)絡模型應用到腦電情緒識別中,分別對愉悅度、喚醒度和喜愛度3種維度上的二分類進行探究,并證明LSTM網(wǎng)絡模型適合對腦電信號進行處理[26]。Zhong等提出一種基于腦電信號的正則圖神經(jīng)網(wǎng)絡(regularized graph neural networks,RGNN),通過考慮不同腦區(qū)之間的生物拓撲結構捕捉不同腦電通道之間的局部和全局關系，進行腦電情緒的識別[27]。

對于多通道腦電情緒識別的研究,其在特征提取階段能夠得到更加完整和豐富的腦電信息,同時也包含了許多與腦電情緒識別任務相關性不高的冗余信息,出現(xiàn)信息過載的問題,并且所有腦電通道重要性一致,不能有針對性地進行腦電情緒識別。

綜上,本文基于縮放卷積神經(jīng)網(wǎng)絡層和腦電通道增強模塊提出一種新的用于腦電情緒識別的網(wǎng)絡結構,并通過可視化各腦電通道權重腦地形圖探究不同情緒維度腦電通道增強效果。

2 方法設計

本文腦電情緒識別方法主要包括腦電信號預處理、自動類時頻特征提取、腦電通道增強和分類識別4個步驟。圖1所示為該方法的處理流程框架圖。

圖1 本文方法處理流程框架圖Fig.1 Processing flow chart of the method in this paper

2.1 腦電預處理

通常在實驗采集腦電信號過程中,所使用的信號采樣率均比較高,一是為了減少信號采集過程中的噪聲干擾,二是可以提升腦電信號的傳輸速率。圖2所示為一段32通道的原始腦電信號。為了減少后續(xù)腦電數(shù)據(jù)處理和特征提取等數(shù)據(jù)量的大小,提升數(shù)據(jù)的可用性，首先將其下采樣至128 Hz。

圖2 32通道原始腦電信號Fig.2 32-channel raw EEG signal

由于腦電信號的頻帶特性,其頻率一般都在50 Hz以下,以避開在采集過程中存在的工頻干擾。因此,采用帶通濾波器得到特定頻段4～45 Hz的腦電信號。同時,考慮到被試在誘導情緒采集其腦電信號時存在的個體差異性和基線漂移問題,將前3 s的數(shù)據(jù)去除。然后將預處理之后的多通道腦電情緒信號送入自動類時頻特征提取模塊。

2.2 類時頻特征提取

腦電預處理后的多通道腦電情緒信號為時間序列信號,其存在情感信息表征不足的問題。為了融入腦電信號中時間維度和頻率維度的豐富信息,自動從時序腦電信號中提取情感特征,同時，又可以利用深度學習技術進一步自動提取腦電信號中的高維特征張量。在得到預處理后的多通道腦電信號后,本文采用基于縮放卷積神經(jīng)網(wǎng)絡層的特征提取模塊,自動提取多通道腦電情緒信號中的類時頻特征。

縮放卷積層是用來提取一維時間序列信號特征的一種神經(jīng)網(wǎng)絡層(見圖3),它的輸入可以是任意長度的腦電情緒信號[25]。對于每一個縮放卷積層,都會有一個縮放卷積核與腦電情緒信號進行互相關計算。為了提取不同腦電通道情緒信號的類時頻特征,給每一個腦電通道將獨立分配一個縮放卷積層。

圖3 縮放卷積神經(jīng)網(wǎng)絡層[25]Fig.3 Scaling layer neural network

對每一個腦電通道的縮放卷積層,首先，采用初始的縮放卷積核與腦電情緒信號進行互相關計算,初始的縮放卷積核為一個奇數(shù),目的是為了保證在每一次進行互相關計算后,縮放卷積層的輸出結果長度保持不變。然后，再對該腦電通道的縮放卷積核進行下采樣,縮放卷積核的大小,不斷地進行這樣的操作,直至達到設定的縮放卷積核的下界。由此,便可以獲得與該腦電通道對應的類時頻特征圖。式(1)為該縮放卷積層的計算式[25]，

Houtput(l)=δ(bias(l)+

downSample(weight,l)?Hinput)。

(1)

其中:Hinput表示縮放卷積層中輸入的一維腦電情緒信號;Houtput表示縮放卷積層輸出的類時頻特征矩陣;bias是每次通過縮放該卷積核產(chǎn)生對應的偏置,它是一個為了更好擬合數(shù)據(jù)的標量;downSample表示池化操作符,通過一個窗口大小為2的平均卷積核對權重進行下采樣,并執(zhí)行l(wèi)次,直至達到設定的縮放卷積核的下界；l表示控制縮放的水平；δ(·)表示縮放卷積層的激活函數(shù);weight表示縮放卷積核的權重;?代表互相關算子,其定義如式(2)所示[25]，

(2)

其中:f為downSample(weight,l),即經(jīng)過下采樣后的縮放卷積核;g為Hinput,在該網(wǎng)絡層中即為輸入的一維時間序列信號;N為時間序列信號數(shù)據(jù)的總長度；n是一個自變量；m為求和變量。f在g上滑動,即輸入的一維腦電情緒信號與縮放卷積核不斷進行滑動,連續(xù)做互相關計算。

對每一個腦電通道都使用獨立的縮放卷積層提取該通道上的類時頻信息,然后在腦電通道維度上堆疊各腦電通道的類時頻特征圖,得到所有腦電通道情緒信號的三維類時頻特征張量。

2.3 腦電通道增強模塊

腦電情緒識別任務中存在多通道信息過載、腦電通道重要性一致,以及特征中包含與情緒識別任務相關性不高的特征等問題。通過對提取到類時頻特征中的有效情感信息進行增強,并抑制冗余信息帶來的負面影響,可以改善情緒分類的性能。為了提升腦電情緒識別過程中的有效性和針對性,采用基于注意力機制的腦電通道增強模塊,以達到增強腦電情緒識別任務相關腦電通道重要性的目的[28]。這是首次使用注意機制直接對腦電物理通道進行增強,進而提升腦電情緒識別的準確率。

在2.2節(jié)中得到的三維特征張量形狀為(腦電通道數(shù),時間信息,頻率信息),通道增強是在三維特征張量中的腦電物理通道維度上進行的。通過腦電通道增強模塊,可以在情緒識別過程中對不同的腦電通道賦予不同的重要性。腦電通道增強模塊主要由全局平均池化層、全連接層、ReLU激活函數(shù)和Sigmoid激活函數(shù)等構成[29]。通過該增強模塊,可以得到一個和腦電通道數(shù)一樣大小的一維向量作為各腦電通道的重要性程度,然后，再將此一維向量重要性程度重新與三維類時頻特征張量加權相乘,得到增強后的特征圖。圖4所示為腦電通道增強模塊的結構連接圖，從縮放卷積層輸出類時頻特征之后即連接腦電通道增強模塊,其中，r表示降維過程的壓縮比,這樣做一方面可以降低網(wǎng)絡計算量,另一方面增加了網(wǎng)絡的非線性變換能力。對類時頻特征張量進行全局平均池化處理,能夠增強網(wǎng)絡的全局感受野，使用兩層全連接層能夠增強網(wǎng)絡的非線性變換能力。最終達到增強與腦電情緒識別相關腦電通道的重要性,同時抑制與其不相關腦電通道的目的。

圖4 腦電通道增強模塊Fig.4 EEG channel enhancement module

2.4 網(wǎng)絡結構

本文所提的基于注意機制的腦電通道增強情緒識別網(wǎng)絡,其輸入是多通道原始的腦電情緒信號,輸出為積極情緒或消極情緒,網(wǎng)絡的主要組成部分包括縮放卷積層模塊和腦電通道增強模塊。圖5所示為基于注意力機制的腦電通道增強情緒識別網(wǎng)絡結構。自動類時頻特征提取模塊由32層獨立的縮放卷積層組成,腦電通道增強模塊由一層全局平均池化層、兩層全連接層、 ReLU激活函數(shù)和Sigmoid激活函數(shù)層組成,深度特征變化模塊由三層二維卷積神經(jīng)網(wǎng)絡層組成,最后由Softmax層進行腦電情緒的分類。

圖5 基于注意力機制的腦電通道增強情緒識別網(wǎng)絡結構Fig.5 EEG channel enhancement emotion recognition network structure based on the attention mechanism

該網(wǎng)絡為端到端的情緒識別網(wǎng)絡,每一個腦電通道都獨立分配一個縮放卷積層來提取該通道的類時頻特征，在腦電通道維度上將所有通道的類時頻特征圖進行堆疊得到類時頻特征張量。首次利用注意力機制直接在腦電物理通道中對其進行增強,腦電通道增強模塊輸出重要性的一維向量,然后，與類時頻特征進行加權相乘得到腦電通道增強重標定特征,接著，再經(jīng)過深度特征變換模塊提取腦電信號的深層信息,最后，使用全連接神經(jīng)網(wǎng)絡對情緒識別分類。

該網(wǎng)絡融合了多通道原始腦電信號的時間和頻率信息,利用縮放卷積層全自動提取腦電情緒信號的類時頻特征,利用注意力機制對腦電物理通道進行增強,同時抑制與腦電情緒識別任務不相關的腦電通道,有效提高了腦電情緒識別的準確率。

3 實驗結果及分析

3.1 數(shù)據(jù)集

本文的實驗評估均在DEAP多模態(tài)情感數(shù)據(jù)集上進行[30]。該數(shù)據(jù)集記錄了32名被試分別觀看40段不同誘導音樂視頻下的腦電信號及周邊生理信號。采集腦電信號的設備是BioSemi ActiveTwo system,設備采樣率為512 Hz,采用的是10-20國際標準32通道。BioSemi ActiveTwo system腦電設備在多通道、高分辨率、生物電勢測量系統(tǒng)中設立了世界領先的標準,保障了本實驗所使用腦電數(shù)據(jù)的可靠性[30]。

DEAP數(shù)據(jù)集對情感的描述采用了SAM三維情感模型,圖6所示為SAM情感描述模型空間圖。除了在愉悅度(valance)、喚醒度(arousal)和支配度(dominance)上對情感進行描述,同時記錄了被試對每一段誘導音樂視頻的喜愛度(liking)，作為情感的評估,被試在每一個維度上的評分均在1～9之間。在本實驗中,定義評分大于等于5為積極的情緒,評分小于5則為消極的情緒。經(jīng)評估分析,該數(shù)據(jù)集在情感激發(fā)上是成功的[30]。

3.2 實驗設置

3.2.1 驗證及評估 32名被試觀看40段不同誘導視頻產(chǎn)生的腦電信號樣本大小為1 280。經(jīng)腦電數(shù)據(jù)預處理后,每一個腦電情緒信號樣本的采樣率均為128 Hz,采樣時間為60 s,因此,腦電情緒信號的形狀為(32,7 680)。按照8∶2的比例劃分訓練集與測試集,并進行五折交叉驗證。

圖6 SAM三維情感描述模型Fig.6 SAM 3D emotion description model

實驗在3個情感維度上的評估指標均為準確率accuracy，其定義為式(3)。在每一個情感維度上的分類準確率均采用五折交叉驗證的平均分類準確率。

(3)

其中:TP、TN表示真正例和真負例;FP、FN表示假正例和假負例。

3.2.2 參數(shù)選擇 為了使該情緒識別模型具備最佳性能，在不同參數(shù)設置上對模型進行了實驗。表1所示為不同大小的深度特征變換模塊對網(wǎng)絡性能的影響，當深度特征變換模塊的卷積核大小為(16,16,32)時,網(wǎng)絡的性能較好。

表1 深度特征變換模塊對比實驗

同時，對網(wǎng)絡的批大小batch size、初始化縮放卷積核大小、腦電通道增強模塊的壓縮比r,以及不同的網(wǎng)絡優(yōu)化器進行了對比實驗,圖7為參數(shù)對比實驗的結果?？梢钥闯?，4種參數(shù)對腦電情緒識別網(wǎng)絡的整體性能都有較大的影響。因此，對網(wǎng)絡中的參數(shù)設置極為重要。綜上述所示,本文在最終驗證與評估腦電情緒識別性能時采用了如表2所示的參數(shù)設置。

表2 網(wǎng)絡參數(shù)選擇設置Tab.2 Network parameter selection settings

3.3 實驗結果

為了探求引入不同注意力機制對腦電通道增強模塊的效果對比,本文采用了4種不同注意力機制進行腦電通道增強。表3展示了4種不同注意力機制對腦電通道增強情緒識別的結果。其中SE-FC表示使用全連接層進行特征非線性變換過程;SE-Conv表示使用1×1的卷積層進行擴增特征維度的過程;ECANet是通過自適應內核大小具備跨通道信息交互的注意力機制[31];SE-DFC是在原SE-FC注意力機制中再增加一層非線性變換的腦電通道增強模塊。經(jīng)實驗驗證評估,基于SE-FC注意力機制的腦電通道增強模塊更適用于情緒識別的任務。這也表明利用更多的腦電通道進行情緒識別是更合理的,對其進行腦電物理通道的增強也是十分新穎和有必要的。

為進一步驗證該情緒識別網(wǎng)絡模型性能,與其他采用同一數(shù)據(jù)集的腦電情緒識別實驗進行了對比,結果如表4所示。本文所提出的基于腦電通道增強的情緒識別方法在愉悅度、喚醒度和支配度3個維度上的平均識別準確率均達到了最優(yōu)的性能,分別為71.18%,70.08%和70.86%。這表明類時頻特征圖能有效地進行數(shù)據(jù)驅動的信號變換,有利于后續(xù)網(wǎng)絡結構進一步抽取與任務相關的高階語義信息,減少非參數(shù)化信號變換可能導致的非任務相關信息被過多保留的問題。由于類時頻特征圖是逐通道提取的,其在神經(jīng)網(wǎng)絡特征空間中既存在任務相關淺層表征,又保留了腦電通道本身的物理映射。腦電通道增強模塊直接在特征空間中作用于物理通道維度,既對信號表征進行了任務相關的通道增強,又保留了物理通道的可解釋性，這表明直接在腦電物理通道上利用注意力機制對其進行增強是有效的。對不同的腦電物理通道通過腦電通道增強模塊賦予不同的重要性,增強對腦電情緒識別任務相關通道的權重,同時抑制與任務不相關的腦電通道學習能力。在引入時頻信息的同時,采用縮放卷積層,其相較于非參數(shù)化的信號變換方法，可以在學習過程去除淺層特征中部分與任務無關信息。結合腦電通道增強模塊可以有效解決多通道腦電信號數(shù)據(jù)量大、信息過載，以及有效特征表征能力不足的問題。該方法能夠有效提升多通道腦電情緒識別的準確度,在推動腦機情感交互和6G時代創(chuàng)新與發(fā)展的同時,促進基于腦電信號情緒識別在生物醫(yī)學、神經(jīng)康復等交叉領域的應用。

圖7 網(wǎng)絡性能影響對比實驗Fig.7 Comparative experiment on network performance

表3 不同腦電通道增強模塊對比實驗

表4 與其他相關研究實驗結果對比Tab.4 Comparison of experimental results with other related studies

為了進一步探究類時頻特征和腦電通道增強模塊對情緒識別的影響,在DEAP數(shù)據(jù)集上進行了消融實驗。首先,將本文所提出的網(wǎng)絡去除掉類時頻特征和腦電通道增強模塊作為比較基準(baseline)；然后，依次探究類時頻特征及腦電通道增強模塊(SE-FC)的有效性。結果如表5所示,相比于基準方法(baseline),本文使用的類時頻特征可以有效地從腦電信號中提取情緒識別相關的特征信息,同時，腦電通道增強模塊(SE-FC)可以進一步提升情緒識別的準確率,這也表明了直接在腦電物理通道上利用注意力機制對其進行增強是有效的。

表5 消融實驗Tab.5 AblationStudy

3.4 分析討論

在情緒識別網(wǎng)絡模型訓練好后,本文繪制了SE-FC、SE-Conv、ECANet和SE-DFC 4種不同腦電通道增強方法下3個情感維度上的腦地形圖,如圖8所示。腦地形圖中的值表示每一個腦電通道的重要性。 由圖8可以看出, 4種增強方法和3維情感維度上的大腦激活區(qū)域都主要都分布在額葉、 枕葉和顳葉區(qū)。 據(jù)相關生物學腦區(qū)功能劃分研究表明, 大腦額葉區(qū)主要負責人類計劃、 判斷、 智力、 注意力, 包括情緒和自我意識等高級功能, 圖8中的腦地形圖也從側面可以反映這點[37]。 人類的情緒與腦電信號都是極其復雜的, 圖8中腦地形圖在枕葉區(qū)的激活程度也比較高, 其原因與實驗在誘導被試情緒時觀看音樂視頻相關, 導致在負責視覺相關信息的枕葉區(qū)也相當活躍。

圖8 3個情緒維度上的腦地形圖Fig.8 Brain topography on the three emotion dimensions

腦地形圖在不同的情感維度上也會有不同的差異存在, 圖8中的腦地形圖反映了在256個測試樣本上計算得到的腦電通道的平均重要性。 樣本之間的差異性并不大, 在3個情感維度上的通道重要性略有不同, 具體在表6中有所體現(xiàn)。 表6展示的是經(jīng)過腦電通道增強后, 各情感描述維度上通道重要性在前8名的腦電通道。 近年來, 大量腦科學與神經(jīng)心理學研究報告了與情緒活動相關的主要區(qū)域, 研究發(fā)現(xiàn)其主要集中在大腦杏仁核(靠近海馬體, 位于顳葉的額部)與前額葉皮層(覆蓋額葉的一部分)[38]相關區(qū)域。 在表6中對比了3個情緒維度的重要通道, 發(fā)現(xiàn)C4、P4、P3、 PO4、 F7這5個腦電通道在3個情感模型維度上均比較活躍,表明與情緒識別相關的大腦活躍區(qū)域分布在額葉、 枕葉和顳葉區(qū),這與已有的腦認知科學理論是相符的, 進一步說明基于純數(shù)據(jù)驅動的腦電通道增強結果與人類的先驗知識是一致的。

表6 腦電通道增強后重要性前8名結果

4 結語

針對多通道的腦電情緒識別研究,本文從各腦電通道的重要性角度出發(fā),通過腦電增強模塊在網(wǎng)絡中重新賦予各腦電通道不同的重要性,以增強與腦電情緒識別相關的通道,同時抑制與任務不相關的腦電通道。通過實驗驗證了直接在腦電物理通道上增強識別情緒的有效性,同時繪制了不同情感維度上的腦地形圖,表明與情緒識別相關的大腦激活區(qū)域主要分布在人腦的額葉、枕葉和顳葉區(qū)等邊緣系統(tǒng),額葉區(qū)和枕葉區(qū)的C4、P4、P3、PO4和F7這5個腦電通道在3個情感模型維度上均比較活躍。本文所提出的基于腦電通道增強的情緒識別方法促進了腦機情感交互在生物醫(yī)學,特別是在自閉癥等精神疾病康復方面的應用。