CN111414835B - 一种由恋爱冲动引发的脑电信号的检测判定方法 - Google Patents
一种由恋爱冲动引发的脑电信号的检测判定方法 Download PDFInfo
- Publication number
- CN111414835B CN111414835B CN202010182250.7A CN202010182250A CN111414835B CN 111414835 B CN111414835 B CN 111414835B CN 202010182250 A CN202010182250 A CN 202010182250A CN 111414835 B CN111414835 B CN 111414835B
- Authority
- CN
- China
- Prior art keywords
- channel
- love
- matrix
- impulsion
- electroencephalogram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种由恋爱冲动引发的脑电信号的检测判定方法,包括以下步骤:搭建人像照片素材库;采集脑电信号数据Va;脑电信号数据Va预处理;脑电信号段分为两组;进行通道降维处理;找到能够区分产生恋爱冲动与未产生恋爱冲动这两种状态的有效脑区及其成分特征Fij;采用自定义核心算法判定被试者接受刺激时是否由恋爱冲动引发了脑电信号。
Description
技术领域
本发明涉及脑电信号检测技术领域,特别是一种恋爱冲动引发的脑电信号检测判定方法。
背景技术
大量研究表明情绪性刺激通常可以诱发特定ERP成分,如P300和晚期正电位LPC等。研究人员认为这些特定ERP成分的诱发可能与动机注意有关。所谓的动机注意指的是:相比于中性刺激而言,情绪性刺激通常可以引起程度更强的关注。这种关注程度的强弱体现在在中枢神经层面,则意味着相关脑区神经元活动的增强或减弱。
然而刺激是否能够被认定为情绪性刺激不仅取决于刺激材料本身,而且取决于被试在接受刺激时所处的状态。若面孔f可以成功唤起被试i的恋爱冲动,那么相对于其它无法唤起被试i恋爱冲动的面孔,面孔f就是被试i的情绪性刺激。那么相对于其它面孔,面孔f应该会获得被试i程度更强的关注。因此面孔f应该能够大概率的诱发出被试i的特定ERP成分,如P300和LPC等。
目前,已经有关于通过脑电信号判定情绪类型的相关专利及技术。现有技术中,大多通过对脑电信号进行基础处理后,再通过特征提取和分类器训练等手段确定脑电信号对应的情绪变化;其不足在于:通过分类器训练或机器学习等方式对脑电信号进行统计区分,需要有大量的实验数据,若实验数据不足或者出现偏差,会导致判断结果出错,而且通过训练分类的方式进行区分情绪不便于脑电特征的深入分析和研究。无论是通过训练分类器还是通过机器学习等方式进行情绪类型的判定,都对硬件设备的要求较高,这无疑会在一定程度上提高了应用成本和准入门槛。
发明内容
本发明的目的就是提供一种由恋爱冲动引发的脑电信号的检测判定方法,它通过解析脑电信号,自定义分析判定恋爱冲动脑电信号,具有准确率高判断准确的优势。
本发明的目的是通过这样的技术方案实现的,具体步骤如下:
1)搭建人像照片素材库;
2)选取若干被试者,采用素材库中的人像照片诱发被试者的恋爱冲动;被试者评论每张人像照片是否采生恋爱冲动,并采集被试者的脑电信号数据Va;
3)对所述被试者的脑电信号数据Va进行预处理得到脑电信号段Epochs;
4)根据被试者对每张人像照片的评论,将脑电信号段Epochs分为两组,group1组为产生恋爱冲动脑电信号段Epochs,group2组为未产生恋爱冲动的脑电信号段Epochs;
5)以通道为第一维度、以采样点为第二维度,采用个体水平叠加平均算法分别对group1组和group2组的脑电信号段Epochs进行叠加平均处理,得到两个叠加平均事件相关电位mean-ERPs的矩阵组,分别为Group1矩阵组和Group2矩阵组;
6)以通道为第一维度、以采样点为第二维度,采用群体水平叠加平均算法分别对步骤5)经个体水平叠加平均处理后得到的Group1矩阵组和Group2矩阵组叠加平均处理,得到两个以通道为第一维度、以采样点为第二维度的总叠加平均事件相关电位grand-mean-ERP构成的矩阵,分别为grand-mean-ERP1矩阵和grand-mean-ERP2矩阵;
7)根据grand-mean-ERP1矩阵和grand-mean-ERP2矩阵,采用平均算法对步骤5)处理后得到的Group1矩阵组和Group2矩阵组进行通道降维处理,得到两个以脑区电位n-mean-ERPs为第一维度的新矩阵组,分别为n-group1矩阵组和n-group2矩阵组;
8)对n-group1矩阵组和n-group2矩阵组的脑区电位n-mean-ERPs,进行叠加平均ERP成分特征提取以获取所述叠加平均数据的经典ERP成分特征Frm;并对所述经典ERP成分特征Frm进行统计分析处理,找到能够区分产生恋爱冲动与未产生恋爱冲动这两种状态的有效脑区及其成分特征Fij,其中i代表该特征所从属的脑区,j代表该脑区ERP中的第j个成分;
9)采用自定义核心算法判定被试者接受刺激时是否由恋爱冲动引发了脑电信号。
进一步,步骤1)中所述搭建人像照片素材库的具体方法为:
1-1)收集若干高分辨率人像照片,男女各半,所述高分辨率≥2460x1440;
1-2)高分辨率人像照片标准化处理:
背景标准化,只选取或处理为背景单调的照片;
朝向标准化,只选取或处理为面孔朝向摄像机的照片;
装饰标准化,只选取或处理为无复杂发型及饰品的照片;
人像标准化,只保留人像肩部及以上部位;
尺寸标准化,将照片统一裁剪为840*1080PPI;
步骤1)所述搭建人像照片素材库后,还包括有以下处理:
选取若干评估者,男女各半,分别对素材库中的异性人像照片,采用九级李克特量表进行吸引力高低评估。
进一步,步骤2)中选诱发被试者的恋爱冲动,被试者评论每张人像照片是否采生恋爱冲动,并采集被试者的脑电信号数据Va的具体步骤如下:
2-1)选取的若干被试者男女各半;选取若干吸引力呈正态分布的人像照片,男女各半;
2-2)被试者观看异性人像照片,并对每张异性人像照片评论是否产生恋爱冲动;
进一步,步骤3)中所述对所述被试者的脑电信号数据Va进行预处理得到脑电信号段Epochs的具体步骤如下:
3-1)信号滤波,使用Hamming windowed sinc FIR滤波器对脑电信号数据滤波处理,滤波参数为[0.1-30Hz];
3-3)插值坏导,使用加权平均算法对损坏通道进行插值,选取损坏通道Ca周围若干个邻近电极Cb,Cc,Cd,…(b,c,d,…∈[1:1:128])对损坏通道Ca进行插值;具体过程如下:Uaj,Ubj,Ucj,Udj,…分别是电极Ca,Cb,Cc,Cd,…在采样点j上记录到的信号,计算Ubj,Ucj,Udj,Uej的加权平均值,然后替换Uaj,该过程可以用如下公式描述:
式中,权重wk与电极Ci-Ca之间的距离成反比;
3-5)数据分段,根据脑电信号上与刺激材料具有锁时关系的标签m(i)将连续的脑电信号分为等长的数据段(Epochs),具体方法为:以与刺激材料具有锁时关系的标签m(i)(i∈(1:1:180)为原点,向前截取100ms的脑电信号,向后截取2000ms的脑电信号,将连续的脑电信号切割为具有相同时间规格[-100ms 2000ms]的Epochs。
进一步,步骤4)中所述将脑电信号段Epochs分为两组的具体方法为:
脑电信号段Epochs的分类过程描述如下:LongingJudge.Respi是被试对面孔i是否产生恋爱冲动的评价得分,Epoch(i)是与刺激i具有锁时关系的脑电信号段;若LongingJudge.Respi≥Y,对应的脑电信号段Epochs组成产生恋爱冲动group1组,即将Epoch(i)分到group1组中;若LongingJudge.Respj=N,对应的脑电信号段Epochs组成未产生恋爱冲动group2组,即将Epoch(i)分到group2组中。
进一步,步骤5)中所述以通道为第一维度、以采样点为第二维度,采用个体水平叠加平均算法分别对group1组和group2组的脑电信号段Epochs进行叠加平均处理,其具体方法为:
在任意通道c(c∈[1:1:128]上将被试s的所有属于同一组的脑电信号段Epochs在各采样点j(j∈[1:1:sr*t])上进行叠加平均,该过程可以用如下公式描述:
式中:ucji=ecji+εcji是在某被试s通道c的第i个Epoch中的第j个采样点上记录到的电信号;其中,ecji是真正由神经元产生的电信号,εcji是混杂在神经元电信号中的各种随机噪声。
进一步,步骤6)中所述以通道为第一维度、以采样点为第二维度,采用群体水平叠加平均算法分别对Group1矩阵组和Group2矩阵组叠加平均处理的具体方法如下:
进一步,步骤7)中所述根据grand-mean-ERP1矩阵和grand-mean-ERP2矩阵,采用平均算法对Group1矩阵组和Group2矩阵组进行通道降维处理的具体方法如下:
将以通道为第一维度的Group1矩阵组和Group2矩阵组进行通道降维是指:根据所述总叠加平均事件相关电位矩阵grand-mean-ERP1/2,将128个通道划分到若干个脑区,然后将从属于同一脑区r内的各通道的mean-ERPc进行叠加平均,若通道ca,cb,cd,…cn同属于脑区r,则该过程可以用如下公式描述:
进一步,步骤8)中所述找到能够区分产生恋爱冲动与未产生恋爱冲动这两种状态的有效脑区及其成分特征Fij的具体方法为:
8-1)对n-group1矩阵组和n-group2矩阵组进行叠加平均ERP成分特征提取以获取所述叠加平均数据的经典ERP成分特征;具体包括:以经过通道降维处理后的脑区为单位,提取每个脑区mean-ERPc中包含的经典ERP成分特征Frm的潜伏期Prm和峰幅值Urm;
8-2)根据统计,从上述特征Frm中找到在产生恋爱冲动与未产生恋爱冲动这两种状态下存在显著性差异的有效脑区及其成分特征Fij(i∈r,j∈m)。
进一步,步骤9)中所述采用自定义核心算法判定被试者接受刺激时是否由恋爱冲动引发了脑电信号的具体方法为:
Fij是有效脑区及其成分特征,其中i代表该特征所从属的脑区,j代表脑区i上n-mean-ERP中的第j个成分;用Fij_P表示特征Fij的峰潜伏期,则Fij_Ps是特征Fij在被试s的脑区i中的第j个经典ERP成分特征的峰潜伏期,是所述峰潜伏期统计量Fij_Ps的均值,Fij_Ps_σ是峰潜伏期统计量Fij_PS的标准差,是以平均峰潜伏期为中心点的峰潜伏期置信区间,置信水平为a;根据特征Fij的峰潜伏期置信区间可以计算特征Fij的峰采样点置信区间 式中sr是采样率;
用Fij_U表示特征Fij的峰幅值,则Fij_Us是特征Fij在被试s的脑区i中的第j个经典ERP成分特征的峰幅值,是所述峰幅值统计量Fij_Us的均值,Fij_Us_σ是峰幅值统计量Fij_Us的标准差,是以平均峰幅值为中心点的峰幅值置信区间,置信水平为β;
信号Vf是被试者在接受任意刺激f时记录到的脑电信号,对信号Vf进行预处理后提取该信号的单试次ERP,并在各成分特征Fij的峰采样点置信区间 内分别计算峰幅值 式中n是经典成分特征Fij峰采样点置信区间内的一个采样点,uk是该采样点上的信号幅值,峰幅值Fij_U则是所述信号幅值的均值。
由于采用了上述技术方案,本发明具有如下的优点:
1、显著降低了对数据量的要求:通过分类器训练或机器学习等方式进行情绪分类对数据量有很高要求,而通过上述技术方案大大降低了对数据量的要求,最低只需要30个有效被试的数据即可;
2、便于对脑电特征进行更加深入的分析和研究。通过分类器训练或机器学习等方式进行情绪分类时人们大多更加关注如何最大程度的提高分类的准确率,因而在很大程度上忽律了对特征背后生理学意义的探究,不利于对脑电特征进行更加深入的分析和研究。很难做到知其然知其所以;
3、降低应用成本和准入门槛,无论是通过训练分类器还是通过机器学习等方式进行情绪分类,对硬件设备的要求都是较高的,这无疑会在一定程度上提高了应用成本和准入门槛,而本申请对硬件的要求很低,常规的微型计算机都可以完成。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
本发明的附图说明如下。
图1为本发明脑电信号分析判定流程图;
图2为本发明的检测流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
一种由恋爱冲动引发的脑电信号的检测判定方法,如图1、图2所示,具体步骤如下:
1、搭建人像照片素材库
1.1、获取高清素材:通过线上线下多种途径采集数千张高分辨率(≥2460x1440)人像照片;
1.2、素材标准化:
背景标准化:只选取背景单调的照片;
朝向标准化:只选取面孔朝向摄像机的照片;
装饰标准化:只选取无复杂发型及饰品的照片;
人像标准化:只保留人像肩部及以上部位;
尺寸标准化:将照片统一裁剪为840*1080PPI;
1.3、面孔吸引力评估:
筛选出的1200张照片,其中男性照片和女性照片各600张,进行面孔吸引力评估;在预实验中共招募六十名年轻在校大学生作为被试,男女各30名,年龄在18~24岁之间。借助九级李克特量表对每张面孔的吸引力高低进行评估,1分为超级丑,9分为超级美。
2、获取评论行为数据及情感诱发的原始脑电信号数据
2.1、刺激材料筛选:为使得刺激材料中各吸引力水平的面孔所占的比例尽可能的接近自然环境,我们按照正太分布筛选出2*180张照片组成最终的刺激材料,男性照片和女性照片各180张。
2.2、实验设计:实验包括两个部分,其中Part1为练习,由5个trials组成;Part2为正式实验,由180个试次trials组成。为降低被试产生审美疲劳的可能,进一步将Part2的180个trials分为三个小部分session,每个session包括60个trials,每个session中各吸引力水平的面孔所占的比例也大致符合正太分布;在两个session之间添加休息环节,休息环节的时长为2~3分钟。
2.3、招募被试:在正式实验中共招募二百四十名年轻在校大学生作为被试,男女各120人,年龄在18~24岁之间。
2.4、实验流程及信号采集
被试到达实验室,阅读并填写知情同意书,彻底清洁并干燥头发,被试进入数据采集室并坐进舒适人体工程学座椅中,为被试佩戴脑电帽,静坐五分钟。
为被试讲解实验流程及注意事项:在每个session中,trial呈现的顺序是随机的;Trial结构如下:首先,在白色屏幕正中央呈现黑色十字型注视点,注视点呈现时长为600~1000ms;而后,在屏幕中间会呈现一张面孔,面孔呈现时长为3000ms;紧随其后的是“恋爱冲动产生与否”评估界面,即评论行为数据,被试做出按键反应后该界面自动消失;最后出现的是一个空白的缓冲界面,缓冲界面的持续时长为2000ms;呈现每张面孔的同时会在脑电信号上打一个与该面孔对应的标签m(i)i∈[1:1:180]。
使用128导联的脑电设备采集被试在实验过程中的中枢神经信号;该设备的电极是依据临床神经生理学国际联合会的电极安放标准10-5系统进行排列的。
3、对所述采集的脑电信号进行预处理得到脑电信号段Epochs;脑电信号的预处理主要包括以下步骤:
3.1、信号滤波,使用Hamming windowed sinc FIR滤波器对脑电信号数据滤波处理。滤波参数为[0.1-30Hz]。
3.3、插值坏导,使用加权平均算法对损坏通道进行插值。选取损坏通道Ca周围若干个邻近电极Cb,Cc,Cd,…(b,c,d,…∈[1:1:128])对损坏通道Ca进行插值。具体过程如下:Uaj,Ubj,Ucj,Udj,…分别是电极Ca,Cb,Cc,Cd,…在采样点j上记录到的信号,计算Ubj,Ucj,Udj,Uej的加权平均值,然后替换Uaj。该过程可以用如下公式描述:
式中,权重wk与电极Ci-Ca之间的距离成反比。
3.5、数据分段,根据脑电信号上与刺激材料具有锁时关系的标签m(i)将连续的脑电信号分为等长的数据段(Epochs)。具体来说为:以与刺激材料具有锁时关系的标签m(i)(i∈(1:1:180)为原点,向前截取100ms的脑电信号,向后截取2000ms的脑电信号,将连续的脑电信号切割为具有相同时间规格[-100ms 2000ms]的Epochs。
4、根据所述被试的评论行为数据对所述预处理后的脑电信号段(Epochs)进行分组,得到两个组:group1组是产生恋爱冲动脑电信号段Epochs,group2组是未产生恋爱冲动脑电信号段Epochs。
脑电信号段Epochs的分类过程描述如下:LongingJudge.Respi是被试对面孔i是否产生恋爱冲动的评价得分,Epoch(i)是与刺激i具有锁时关系的脑电信号段。若LongingJudge.Respi≥Y,则将Epoch(i)分到group1中;若LongingJudge.Respj=N,则将Epoch(i)分到group2中。完成Epochs分组后会得到两个组:由LongingJudge.Respi≥Y对应的脑电信号段组成的产生恋爱冲动Epochs组-group1和由LongingJudge.Respi=N对应的脑电信号段组成的未产生恋爱冲动Epochs组-group2。
5、以通道为第一维度以采样点为第二维度,采用个体水平叠加平均算法分别对所述经分组处理后得到的两个Epochs组进行叠加平均处理,得到两个以通道为第一维度以采样点为第二维度的叠加平均事件相关电位(mean-ERPs)矩阵组:Group1和Group2。其中,Group1矩阵组内的各个电位mean-ERPs是由group1组内各个被试者的脑电信号段Epochs叠加平均后得到,Group2矩阵组内的电位mean-ERPs是由group2组内各个被试者的脑电信号段Epochs叠加平均后得到。
以通道为第一维度、以采样点为第二维度的个体水平mean-ERPs矩阵计算指的是,在任意通道c(c∈[1:1:128]上将被试s的所有属于同一组的Epochs在各采样点j(j∈[1:1:sr*t])上进行叠加平均。该过程可以用如下公式描述:
式中:ucji=ecji+εcji是在某被试s通道c的第i个Epoch中的第j个采样点上记录到的电信号。其中,εcji是真正由神经元产生的电信号,εcji是混杂在神经元电信号中的各种随机噪声。由于随机噪声ε的波形是不规则的,因此当参与叠加平均的试次数量n足够大时,aεskt越趋近零,越趋近
6、以通道为第一维度以采样点为第二维度,采用群体水平叠加平均算法分别对所述经个体水平叠加平均处理后得到的两个mean-ERPs矩阵组进Group1和Group2行叠加平均处理,得到两个以通道为第一维度以采样点为第二维度的总叠加平均事件相关电位(grand-mean-ERP)矩阵:其中,grand-mean-ERP1矩阵是由Group1矩阵组内所有被试者的个体水平电位mean-ERP1矩阵叠加平均得到,grand-mean-ERP2矩阵是由Group2矩阵组内所有被试者个体水平电位mean-ERP2矩阵叠加平均得到。
以通道为第一维度、以采样点为第二维度的群体水平grand-mean-ERPs矩阵计算指的是,在任意通道c(c∈[1:1:128]上将属于同一组的所有个体水平mean-ERPs在各采样点j(j∈[1:1:sr*t])上进行叠加平均。该过程可以用如下公式描述:
7、根据所述总叠加平均事件相关电位矩阵(grand-mean-ERP1/2)和以往的研究经验采用平均算法对步骤5)处理后得到的以通道为第一维度的mean-ERPs矩阵进行通道降维处理,得到两个以脑区为第一维度的新n-mean-ERPs矩阵组n-group1和n-group2。其中,n-group1矩阵组内各个被试的脑区电位n-mean-ERPs是由Group1矩阵组内各被试的电位mean-ERPs矩阵经过通道降维后得到的;n-group2矩阵组内各个被试的脑区电位n-mean-ERPs是由Group2矩阵组内各被试的电位mean-ERPs矩阵经过通道降维得到;
将以通道为第一维度的mean-ERPs矩阵进行通道降维指的是根据所述总叠加平均事件相关电位矩阵(grand-mean-ERP1/2)和以往的研究经验将128个通道划分到若干个脑区,然后将从属于同一脑区r内的各通道的mean-ERPc进行叠加平均。若通道ca,cb,cd,…cn同属于脑区r,则该过程可以用如下公式描述:
式中:是某一组(group1或者group2)内被试s在通道cn(cn∈[1:1:128]上的采样点j上的个体水平叠加平均值 是上述通道ca,cb,cd,…cn在采样点j上的均值,其中r是划分后的脑区编号。
8、对所述经过通道降维处理后得到的以脑区为第一维度的新n-mean-ERP矩阵进行叠加平均ERP成分特征提取以获取所述叠加平均数据的经典ERP成分特征Frm。并对所述经典ERP成分特征进行统计分析处理,找到能够区分产生恋爱冲动与未产生恋爱冲动这两种状态的有效脑区及其成分特征Fij,其中i代表该特征所从属的脑区,j代表该脑区ERP中的第j个成分。
8.1、对所述经过通道降维处理后得到的以脑区为第一维度的新mean-ERP矩阵进行叠加平均ERP成分特征提取以获取所述叠加平均数据的经典ERP成分特征,具体包括:以经过通道降维处理后的脑区为单位,提取每个脑区mean-ERPc中包含的经典ERP成分特征Frm如N100,P100,N200,P200,N250,P300及LPC等,的潜伏期Prm和峰幅值Urm。
8.1、统计检验:借助统计学手段,包括重复测量方差分析,但不仅限于重复测量方差分析,从上述特征Frm中找到在产生恋爱冲动与未产生恋爱冲动这两种状态下存在显著性差异(如p<0.00)的特征Fij(i∈r,j∈m)。
9、采用自定义核心算法判定被试在接受任意异性面孔刺激时是否对其产生恋爱冲动,具体来说为:Fij是经上述处理后选择保留的特征,其中i代表该特征所从属的脑区,j代表脑区i上n-mean-ERP中的第j个成分。用Fij_P表示特征Fij的峰潜伏期,则Fij_Ps是特征Fij在被试s的脑区i中的第j个经典ERP成分特征的峰潜伏期,是所述峰潜伏期统计量Fij_Ps的均值,Fij_Ps_σ是峰潜伏期统计量Fij_PS的标准差,是以平均峰潜伏期为中心点的峰潜伏期置信区间,置信水平为a,置信水平a根据经验来设定。根据特征Fij的峰潜伏期置信区间可以计算特征Fij的峰采样点置信区间式中sr是采样率。
用Fij_U表示特征Fij的峰幅值,则Fij_Us是特征Fij在被试s的脑区i中的第j个经典ERP成分特征的峰幅值,是所述峰幅值统计量Fij_Us的均值,Fij_Us_σ是峰幅值统计量Fij_Us的标准差,是以平均峰幅值为中心点的峰幅值置信区间,置信水平为β,置信水平β根据经验来设定。
信号Vf是被试在接受任意刺激f时记录到的脑电信号,对信号Vf进行预处理后提取该信号的单试次ERP,并在各成分特征Fij的峰采样点置信区间 内分别计算峰幅值 式中n是经典成分特征Fij峰采样点置信区间内的一个采样点,uk是该采样点上的信号幅值,峰幅值Fij_U则是所述信号幅值的均值。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (1)
1.一种由恋爱冲动引发的脑电信号的检测判定方法,其特征在于,具体步骤如下:
1)搭建人像照片素材库;
2)选取若干被试者,采用素材库中的人像照片诱发被试者的恋爱冲动;被试者评论每张人像照片是否采生恋爱冲动,并采集被试者的脑电信号数据Va;
3)对所述被试者的脑电信号数据Va进行预处理得到脑电信号段Epochs;
4)根据被试者对每张人像照片的评论,将脑电信号段Epochs分为两组,group1组为产生恋爱冲动脑电信号段Epochs,group2组为未产生恋爱冲动的脑电信号段Epochs;
5)以通道为第一维度、以采样点为第二维度,采用个体水平叠加平均算法分别对group1组和group2组的脑电信号段Epochs进行叠加平均处理,得到两个叠加平均事件相关电位mean-ERPs的矩阵组,分别为Group1矩阵组和Group2矩阵组;
6)以通道为第一维度、以采样点为第二维度,采用群体水平叠加平均算法分别对步骤5)经个体水平叠加平均处理后得到的Group1矩阵组和Group2矩阵组叠加平均处理,得到两个以通道为第一维度、以采样点为第二维度的总叠加平均事件相关电位grand-mean-ERP构成的矩阵,分别为grand-mean-ERP1矩阵和grand-mean-ERP2矩阵;
7)根据grand-mean-ERP1矩阵和grand-mean-ERP2矩阵,采用平均算法对步骤5)处理后得到的Group1矩阵组和Group2矩阵组进行通道降维处理,得到两个以脑区电位n-mean-ERPs为第一维度的新矩阵组,分别为n-group1矩阵组和n-group2矩阵组;
8)对n-group1矩阵组和n-group2矩阵组的脑区电位n-mean-ERPs,进行叠加平均ERP成分特征提取以获取所述叠加平均数据的经典ERP成分特征Frm;并对所述经典ERP成分特征Frm进行统计分析处理,找到能够区分产生恋爱冲动与未产生恋爱冲动这两种状态的有效脑区及其成分特征Fij,其中i代表该特征所从属的脑区,j代表该脑区ERP中的第j个成分;
9)采用自定义核心算法判定被试者接受刺激时是否由恋爱冲动引发了脑电信号;
步骤1)中所述搭建人像照片素材库的具体方法为:
1-1)收集若干高分辨率人像照片,男女各半,所述高分辨率≥2460x1440;
1-2)高分辨率人像照片标准化处理:
背景标准化,只选取或处理为背景单调的照片;
朝向标准化,只选取或处理为面孔朝向摄像机的照片;
装饰标准化,只选取或处理为无复杂发型及饰品的照片;
人像标准化,只保留人像肩部及以上部位;
尺寸标准化,将照片统一裁剪为840*1080PPI;
步骤1)所述搭建人像照片素材库后,还包括有以下处理:
选取若干评估者,男女各半,分别对素材库中的异性人像照片,采用九级李克特量表进行吸引力高低评估;
步骤2)中选诱发被试者的恋爱冲动,被试者评论每张人像照片是否采生恋爱冲动,并采集被试者的脑电信号数据Va的具体步骤如下:
2-1)选取的若干被试者男女各半;选取若干吸引力呈正态分布的人像照片,男女各半;
2-2)被试者观看异性人像照片,并对每张异性人像照片评论是否产生恋爱冲动;
步骤3)中所述对所述被试者的脑电信号数据Va进行预处理得到脑电信号段Epochs的具体步骤如下:
3-1)信号滤波,使用Hamming windowed sinc FIR滤波器对脑电信号数据滤波处理,滤波参数为[0.1-30Hz];
3-3)插值坏导,使用加权平均算法对损坏通道进行插值,选取损坏通道Ca周围若干个邻近电极Cb,Cc,Cd,...(b,c,d,...∈[1:1:128])对损坏通道Ca进行插值;具体过程如下:Uaj,Ubj,Ucj,Udj,...分别是电极Ca,Cb,Cc,Cd,...在采样点j上记录到的信号,计算Ubj,Ucj,Udj,Uej的加权平均值,然后替换Uaj,该过程可以用如下公式描述:
式中,权重wk与电极Ci-Ca之间的距离成反比;
3-5)数据分段,根据脑电信号上与刺激材料具有锁时关系的标签m(i)将连续的脑电信号分为等长的数据段(Epochs),具体方法为:以与刺激材料具有锁时关系的标签m(i)(i∈(1:1:180)为原点,向前截取100ms的脑电信号,向后截取2000ms的脑电信号,将连续的脑电信号切割为具有相同时间规格[-100ms 2000ms]的Epochs;
步骤4)中所述将脑电信号段Epochs分为两组的具体方法为:
脑电信号段Epochs的分类过程描述如下:LongingJudge.Respi是被试对面孔i是否产生恋爱冲动的评价得分,Epoch(i)是与刺激i具有锁时关系的脑电信号段;若LongingJudge.Respi≥Y,对应的脑电信号段Epochs组成产生恋爱冲动group1组,即将Epoch(i)分到group1组中;若LongingJudge.Respj=N,对应的脑电信号段Epochs组成未产生恋爱冲动group2组,即将Epoch(i)分到group2组中;
步骤5)中所述以通道为第一维度、以采样点为第二维度,采用个体水平叠加平均算法分别对group1组和group2组的脑电信号段Epochs进行叠加平均处理,其具体方法为:
在任意通道c(c∈[1:1:128]上将被试s的所有属于同一组的脑电信号段Epochs在各采样点j(j∈[1:1:sr*t])上进行叠加平均,该过程可以用如下公式描述:
式中:ucji=ecji+εcji是在某被试s通道c的第i个Epoch中的第j个采样点上记录到的电信号;其中,ecji是真正由神经元产生的电信号,εcji是混杂在神经元电信号中的各种随机噪声;
步骤6)中所述以通道为第一维度、以采样点为第二维度,采用群体水平叠加平均算法分别对Group1矩阵组和Group2矩阵组叠加平均处理的具体方法如下:
步骤7)中所述根据grand-mean-ERP1矩阵和grand-mean-ERP2矩阵,采用平均算法对Group1矩阵组和Group2矩阵组进行通道降维处理的具体方法如下:
将以通道为第一维度的Group1矩阵组和Group2矩阵组进行通道降维是指:根据所述总叠加平均事件相关电位矩阵grand-mean-ERP1/2,将128个通道划分到若干个脑区,然后将从属于同一脑区r内的各通道的mean-ERPc进行叠加平均,若通道ca,cb,cd,...cn同属于脑区r,则该过程可以用如下公式描述:
式中:是group1组或者group2组内被试在通道cn(cn∈[1:1:128]上的采样点j上的个体水平叠加平均值是上述通道ca,cb,cd,...cn在采样点j上的均值,其中r是划分后的脑区编号;
步骤8)中所述找到能够区分产生恋爱冲动与未产生恋爱冲动这两种状态的有效脑区及其成分特征Fij的具体方法为:
8-1)对n-group1矩阵组和n-group2矩阵组进行叠加平均ERP成分特征提取以获取所述叠加平均数据的经典ERP成分特征;具体包括:以经过通道降维处理后的脑区为单位,提取每个脑区mean-ERPc中包含的经典ERP成分特征Frm的潜伏期Prm和峰幅值Urm;
8-2)根据统计,从上述特征Frm中找到在产生恋爱冲动与未产生恋爱冲动这两种状态下存在显著性差异的有效脑区及其成分特征Fij(i∈r,j∈m);
步骤9)中所述采用自定义核心算法判定被试者接受刺激时是否由恋爱冲动引发了脑电信号的具体方法为:
Fij是有效脑区及其成分特征,其中i代表该特征所从属的脑区,j代表脑区i上n-mean-ERP中的第j个成分;用Fij_P表示特征Fij的峰潜伏期,则Fij_Ps是特征Fij在被试s的脑区i中的第j个经典ERP成分特征的峰潜伏期,是所述峰潜伏期统计量Fij_Ps的均值,Fij_Ps_σ是峰潜伏期统计量Fij_PS的标准差,是以平均峰潜伏期为中心点的峰潜伏期置信区间,置信水平为a;根据特征Fij的峰潜伏期置信区间可以计算特征Fij的峰采样点置信区间 式中sr是采样率;
用Fij_U表示特征Fij的峰幅值,则Fij_Us是特征Fij在被试s的脑区i中的第j个经典ERP成分特征的峰幅值,是所述峰幅值统计量Fij_Us的均值,Fij_Us_σ是峰幅值统计量Fij_Us的标准差,是以平均峰幅值为中心点的峰幅值置信区间,置信水平为β;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010182250.7A CN111414835B (zh) | 2020-03-16 | 2020-03-16 | 一种由恋爱冲动引发的脑电信号的检测判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010182250.7A CN111414835B (zh) | 2020-03-16 | 2020-03-16 | 一种由恋爱冲动引发的脑电信号的检测判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414835A CN111414835A (zh) | 2020-07-14 |
CN111414835B true CN111414835B (zh) | 2022-04-05 |
Family
ID=71494422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010182250.7A Active CN111414835B (zh) | 2020-03-16 | 2020-03-16 | 一种由恋爱冲动引发的脑电信号的检测判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414835B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111513711B (zh) * | 2020-05-22 | 2021-06-04 | 电子科技大学 | 一种基于参考电极的脑电坏导插值方法 |
CN113288099B (zh) * | 2021-07-08 | 2022-07-19 | 西南大学 | 基于心电信号和光电容积脉搏波的面孔吸引力识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102715911A (zh) * | 2012-06-15 | 2012-10-10 | 天津大学 | 基于脑电特征的情绪状态识别方法 |
CN105395194A (zh) * | 2015-12-14 | 2016-03-16 | 中国人民解放军信息工程大学 | 一种功能磁共振成像辅助的脑电通道选择方法 |
CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
CN107024987A (zh) * | 2017-03-20 | 2017-08-08 | 南京邮电大学 | 一种基于eeg的实时人脑注意力测试和训练系统 |
CN107085464A (zh) * | 2016-09-13 | 2017-08-22 | 天津大学 | 基于p300字符拼写任务的情绪识别方法 |
CN107361767A (zh) * | 2017-08-04 | 2017-11-21 | 西南大学 | 一种使用脑电信号的人类情感效价分类识别方法 |
CN110781945A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种融合多种特征的脑电信号情感识别方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10321842B2 (en) * | 2014-04-22 | 2019-06-18 | Interaxon Inc. | System and method for associating music with brain-state data |
-
2020
- 2020-03-16 CN CN202010182250.7A patent/CN111414835B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102715911A (zh) * | 2012-06-15 | 2012-10-10 | 天津大学 | 基于脑电特征的情绪状态识别方法 |
CN105395194A (zh) * | 2015-12-14 | 2016-03-16 | 中国人民解放军信息工程大学 | 一种功能磁共振成像辅助的脑电通道选择方法 |
CN105956546A (zh) * | 2016-04-28 | 2016-09-21 | 杭州电子科技大学 | 一种基于脑电信号的情绪识别方法 |
CN107085464A (zh) * | 2016-09-13 | 2017-08-22 | 天津大学 | 基于p300字符拼写任务的情绪识别方法 |
CN107024987A (zh) * | 2017-03-20 | 2017-08-08 | 南京邮电大学 | 一种基于eeg的实时人脑注意力测试和训练系统 |
CN107361767A (zh) * | 2017-08-04 | 2017-11-21 | 西南大学 | 一种使用脑电信号的人类情感效价分类识别方法 |
CN110781945A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种融合多种特征的脑电信号情感识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
"Recognition of Sound Frequency Based on EEG";Shifu Wu,Guangyuan Liu,Guangjie Yuan;《IEEE》;20180924;1387-1390 * |
"基于听觉皮层拓扑分化的频率选择性功能连接";袁光杰;《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》;20190115(第01期);E059-165 * |
Also Published As
Publication number | Publication date |
---|---|
CN111414835A (zh) | 2020-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kulke et al. | A comparison of the Affectiva iMotions Facial Expression Analysis Software with EMG for identifying facial expressions of emotion | |
Kropotov | Functional neuromarkers for psychiatry: Applications for diagnosis and treatment | |
US20160029965A1 (en) | Artifact as a feature in neuro diagnostics | |
WO2016143759A1 (ja) | 感情推定装置及び感情推定方法 | |
Caharel et al. | Recognizing an individual face: 3D shape contributes earlier than 2D surface reflectance information | |
Leleu et al. | Tuning functions for automatic detection of brief changes of facial expression in the human brain | |
CN111414835B (zh) | 一种由恋爱冲动引发的脑电信号的检测判定方法 | |
Frackowiak | The functional architecture of the brain | |
Adorni et al. | Since when or how often? Dissociating the roles of age of acquisition (AoA) and lexical frequency in early visual word processing | |
Su et al. | Adolescents environmental emotion perception by integrating EEG and eye movements | |
Kiat et al. | Attentional responses on an auditory oddball predict false memory susceptibility | |
Rourke et al. | A neural marker of medical visual expertise: Implications for training | |
Munoz et al. | An electrophysiological study of haptic roughness: Effects of levels of texture and stimulus uncertainty in the P300 | |
Glova et al. | Application of deep learning in neuromarketing studies of the effects of unconscious reactions on consumer behavior | |
CN110569968B (zh) | 基于电生理信号的创业失败恢复力评估方法及评估系统 | |
Fickling et al. | Distant sensor prediction of event-related potentials | |
Vom Brocke et al. | Neuroscience in design-oriented research: exploring new potentials | |
Tokudome et al. | Similarity dependency of the change in ERP component N1 accompanying with the object recognition learning | |
Fauzi et al. | Neuromarketing Study: The Effect of Jingle on Consumer Behavior | |
Song et al. | Can virtual mock crime replace actual mock crime? An event-related potential study | |
Roik et al. | The human cognitive space: coincidence of models constructed on the basis of analysis of brain rhythms and psychometric measurements | |
Jia et al. | The effect of auditory stimuli in audio-visual two-source integration | |
Ben-Shakhar | The effects of mental countermeasures on psychophysiological memory detection: Facilitating orientation is easy, stopping inhibition is not. | |
Chiasson et al. | Effects of Neurofeedback training on performance in laboratory tasks: A systematic review | |
Ellmore et al. | Visual continuous recognition reveals behavioral and neural differences for short-and long-term scene memory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |