基于脑电图的情绪识别BCI应用于DOC患者

最新推荐文章于 2025-03-08 18:36:24 发布

脑机接口社区

最新推荐文章于 2025-03-08 18:36:24 发布

阅读量2.5k

点赞数 3

分类专栏：脑机接口社区 # 脑电信号处理 # 脑机论文和资讯文章标签：脑电信号脑电情绪情绪识别脑机接口脑机接口社区

本文链接：https://blog.csdn.net/zyb228/article/details/109882413

版权

脑机接口社区同时被 3 个专栏收录

402 篇文章

订阅专栏

脑机论文和资讯

199 篇文章

订阅专栏

脑电信号处理

143 篇文章

订阅专栏

点击上面"脑机接口社区"关注我们

更多技术干货第一时间送达

‍‍‍

基于脑电图(EEG)信号的人类情感识别已引起广泛关注。现有的大多数研究都集中在离线分析上，使用脑计算机接口(BCI)方法进行实时情感识别仍有待进一步研究。在该项研究中，来自于华南理工大学、华南师范大学、解放军广州军区广州总医院等机构的研究人员联合提出了一种基于EEG的BCI系统进行情感识别。具体而言，研究人员将代表正情绪和负情绪的两类视频剪辑逐一呈现给参与者，同时收集并处理EEG数据，并在每个剪辑后提供即时反馈。十名健康受试者参加了实验，在线平均准确率达到91.5％±6.34％。实验结果表明，该系统已充分诱发了受试者的情绪并有效地对其进行了识别。临床上，患有意识障碍(DOC)(例如昏迷，植物状态和最低意识状态)的患者患有运动障碍，通常无法提供足够的情绪表达。而该情绪识别BCI系统可以应用于DOC患者。

情感在我们日常生活中扮演着重要的角色。情绪作为一种重要的脑功能，与许多认知功能如语言理解、决策和选择性注意相关。

近年来，情绪识别/检测的研究越来越受到人们的关注。研究者已经提出了许多识别人类情绪的方法。一类方法是检测情绪反应使用音频和视觉特征，如讲话，面部表情，和身体手势。另一类方法是从生理信号中识别情绪状态，如通过脑电图(EEG)、肌电图(EMG)和心率测量。在多种可用于识别情绪状态的信号中，EEG因提供了一种无创、直观的方法来测量情绪而得到了广泛的应用。迄今为止，尚无研究使用BCI方法考虑DOC患者的情绪。尚不清楚DOC患者是否有这种情绪。由于情绪与意识之间有很强的联系，因此对DOC患者的情绪识别的研究可能有助于我们评估其残余意识和脑功能受损。不过，由于DOC患者有严重的运动障碍，通常无法提供足够的情绪表达，医生没有有效的方法来检测患者的情绪状态。

在这项研究中，研究人员提出了一个实时的基于脑电图的脑机接口系统来识别由视频片段引起的患者的情绪。在屏幕上随机播放代表积极和消极情绪的两类视频片段，并引导受试者专注于这些片段。进行校准运行来训练SVM模型。在实时情绪识别过程中，同时采集脑电图数据并进行处理。

图形用户界面(GUI)和实验范式

在实验开始前，每位参与者都被告知实验的步骤，并按要求坐在一张距离22英寸LED显示器前约0.5米的舒适椅子上。在情绪识别实验中，要求参与者凝视屏幕并尽可能保持静止。在测试运行前，参与者进行了20次试验的校准运行以收集训练数据，并基于训练数据建立SVM模型。在线测试也包括20个试验。在训练或测试期间，每种情绪类别包括10个试验，每个试验包含一个片段。此外，所有的剪辑都是随机顺序出现的。

图1 实时情绪识别系统的实验范式

各试验的实验范式如图1所示。每个试验开始时都有一个5秒的提示，提醒参与者接下来的视频片段是积极的还是消极的。参与者被要求仔细观看视频片段，并体验其中包含的情感。

说明是以下视频是正面/负面的视频，请做好准备。然后，分别播放代表积极/消极情绪的视频剪辑，并同时收集和处理EEG数据。然后，在线识别结果作为反馈显示在屏幕上。在这项研究中，微笑/哭泣的卡通脸被作为反馈呈现，分别代表检测到积极/消极情绪。反馈持续5秒钟，然后是5秒钟的休息时间。

值得注意的是，与健康受试者相比，DOC患者的实验程序之间存在一些差异。具体而言，总共有五个session在不同的日子进行，每个session包含10个试验的校准运行和10个试验的测试运行。每个试验的程序与健康受试者的程序相似。此外，两次相邻的试验之间至少有10秒钟的间隔，可以根据患者的状态进行调整。研究人员进行这些设置主要是因为DOC患者容易疲劳。

实验结果分析

为了说明积极情绪和消极情绪对应的神经模式，研究人员绘制了基于不同频带的地形图。如图2(a)所示，每个电极的分类权重为所有五个子带权重的平均值。从SVM训练模型中提取权重值，并使用5倍交叉验证方案取平均值。从图中可以清楚地看到，左额叶区域与积极情绪相关，而消极情绪主要在右半球处理。此外，在上面的图中，研究人员还观察到了另外一项研究中所提到过得反应：额中线区域与积极情绪的过程相关。

图2(b)描绘了消极情绪和积极情绪在5个波段(delta、theta、alpha、beta和gamma)的平均功率变化。

图2 (a)分类权重和(b)平均DE特征的地形图

[这些地图是所有受试者和试验的平均值]

具体来说，对所有10名健康受试者和所有试验的特征进行平均。消极情绪和积极情绪的神经模式存在明显差异。在delta带，右前区对积极情绪的激活多于对消极情绪的激活。左前区表现出相反的特征。在theta带中，积极情绪时前额叶和枕叶表现出比消极情绪时更高的功率。在alpha波段中，右侧额叶区域的功率在消极情绪时下降，而在积极情绪时增加。在beta和gamma波段的神经模式中，积极情绪在外侧颞区的功率显著高于消极情绪。

与健康受试者一样，研究人员对每个单一特征的分类性能进行了探讨，其中前20个显著性特征的分类准确率如表6所示。为了进一步说明患者积极和消极情绪状态的神经模式，绘制了相关的地形图。由于患者之间存在较大的个体差异，因此研究者分析了在线准确率显著的患者(即P1、P4和P6)的数据。

对于患者P1，表6列出了离线分类的准确性和前20个特征的位置。前20个特征中的大多数都落在delta带，这与健康受试者不同。与健康受试者不同，包含前20项特征的电极分布更为分散。从图3(a)中可以看出，在负性情绪状态下，前额叶、左颞叶和顶叶区域的δ和θ带激活程度更高。特别是在前额区域的α波段观察到一种不对称现象。在阿尔法区，在消极情绪状态下，左侧前额叶区域更加活跃，而在积极情绪状态下，右侧前额叶区域更加活跃。

图3 P1在五次运行和不同情绪试验中的平均DE特征地形图

P4患者在所有患者中均实现了最高的在线准确性，并且排名前20位的特征分布在δ，θ和α谱带上，与健康受试者的结果相似(见表6)。与前20个特征相关的电极主要位于颞叶，中央区域和枕叶。对于积极情绪，额中线有明显更高的θ反应。同时，如图3(b)所示，在对积极情绪的反应中，顶叶和额叶区域在α带的激活更多。在beta和gamma频段，枕叶对积极情绪状态的激活强于消极情绪状态。