CN112244880A - 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法 - Google Patents

Abstract

本发明公开了一种基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法，从研究脑通道间定向信息交互的角度出发，对脑电(EEG)信号变尺度符号化后，考虑对瞬时因果效应的补偿算法，提出了以变尺度符号化补偿传递熵为特征的情感分析方法，并使用补偿传递熵得到的因果关系构建脑网络模型，定量地揭示瞬时因果效应对情感分析的影响。本发明提出的变尺度符号化补偿传递熵所提取的特征可以有效分析情感变化时脑区之间的信息交互，为情感分析和计算提供了新的方法和思路。

Description

基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法

技术领域

本发明属于生物信号处理领域，涉及一种基于变尺度符号化传递熵的在不同情绪刺激时脑电信号的分析方法。

技术背景

脑电信号(Electroencephalogram,EEG)是通过电极记录到的大脑神经群自发或者节律性活动所产生的信号，它反映了大脑功能区神经细胞群活动时的电位变化。认知心理学和脑神经学的研究表明，情绪的产生和变化与大脑的中枢神经系统直接相关。情绪识别主要通过分析参与者的语言，面部表情，EEG信号和其他生理电信号来进行识别，而EEG信号具有良好的时间分辨率，非侵入性，快速性和成本较低的特点，使得EEG信号成为研究情绪变化的主要方法。

EEG信号特征通常可以分为时域特征、频域特征、时频域特征和空域特征。时域特征主要包括信号的一些统计量、事件相关电位、功率、能量、高阶过零分析、分形维数等。频域特征主要是将原始EEG信号分解为θ频段(4-8Hz)，α频段(8-13Hz)，β频段(13-30Hz)，γ频段(30-45Hz)等频段，再从中分别计算高阶谱、事件相关同步化、事件相关去同步化、功率谱密度等特征。时频域特征通常使用小波变换，小波包变换、短时傅里叶变换和希尔伯特-黄变换来进行时频域的信号变换。空间域特征主要根据不同大脑皮层的不同位置的电极采集的信号分析不同脑区之间的特征。

大脑是由许多神经元构成的，神经元之间存在着同步性活动，这对大脑的功能整合十分重要。情感变化时，脑区通道间信息交互会产生相应变化，利用通道间的信息交互可以有效提升情感识别的准确率，然而，在研究信息交互的因果关系分析中有一个重要的问题亟待解决，就是如何处理瞬时效应，即在同一时间间隔内发生在两个进程之间的因果关系。

发明内容

为了客观、有效地对不同情绪刺激时的EEG信号进行分析，本发明利用EEG信号，提出了一种基于变尺度符号传递熵的情绪诱导EEG信号分析方法。首先采集不同情绪刺激时参与者的EEG信号，并对采集的信号进行预处理，之后将信号变尺度符号化，并对变尺度符号化后的时间序列使用补偿传递熵计算得到关系矩阵，最后选择合适的阈值，根据关系矩阵构建脑网络模型。本发明可以有效的分析不同情绪刺激时EEG信号的变化，为后续脑电情绪分析和人机交互的广泛应用提供了一种思路。

本发明方法主要包括以下步骤：

步骤一，利用不同类型的视听觉刺激诱发不同的情绪，采集此时段参与者的多通道头皮脑电信号；

步骤二，对采集到的不同情绪诱发的脑电信号进行预处理；

步骤三，对预处理后的信号Q＝{q₁,q₂…,q_n}，q_n表示原序列的第n个采样点，进行尺度化；

步骤四，将尺度化后的时间序列符号化，可以有效地发现隐藏的或有偏差的动态信息，从而展现出完整的符号动态特征；尺度序列

的符号化的定义如下：

其中，N为符号集的大小，N越大与原始序列越接近，s为尺度因子,a为尺度化后元素的位置坐标，其中

表示尺度化后尺度因子为s时的第

个采样点；但是符号集太大就失去了符号化处理的意义；X_i为设定的一个门阈值，本方法使用等概率法，即不同符号出现的概率大致相等，这样有利于保留序列的有效信息；

步骤五，对尺度符号化后的时间序列

进行重构，公式如下：

其中，m是嵌入维数，τ是延迟时间。根据排列熵的排列方式对

的每个分段中的元素进行重组，并按升序排列，如公式(4)所示。

元素原始位置的序列π_j＝{j₁,j₂,…,j_m}，对于嵌入维数m，一共有m！种排列方式，考虑了信息量的提取和计算量，本方法采用Cao算法选取m＝3和τ＝3，所以共有6种排列类型，对应符号为(0，1，2，3，4，5)；

步骤六，使用补偿传递熵计算尺度符号化后的时间序列的因果关系，考虑由一组相互作用的动力学过程M构成的复合系统，在该复合系统中，需要得到从源系统X流向目标系统Y的信息。将M中的其余系统归入向量Z＝{Z^(k)}_{k＝1,2,...,M-2}，用x、y和z描述系统X＝{x₁,x₂,…,x_n}、Y＝{y₁,y₂,…,y_n}和Z＝{z₁,z₂,…,z_n}随时间变化的状态的平稳随机过程，在给定Z的条件下，源系统X到目标系统Y的传递熵示如下：

根据信息熵的定义，得出传递熵与信息熵H(·)的等价关系：

TE_X→Y|Z＝H(y_n|y_1:n-1,z_1:n-1)-H(y_n|x_1:n-1,y_1:n-1,z_1:n-1) (6)

其中1:n表示全部序列，1:n-1就是全部序列，除了最后一个点；p(·)表示系统的概率分布函数。

在脑电多通道的时间序列分析中，一个需要解决的问题是如何处理瞬时效应，即在同一时滞内的两个时间序列之间发生的因果效应。瞬时效应可能反映有生理意义的相互作用，或者是没有生理意义的相互作用(例如，可能是由于未观察到的混杂因素)。在这两种情况下，瞬时效应对任何因果测度的计算都会产生影响。

瞬时因果效应可以通过补偿传递熵(CTE)来反映。

当瞬时效应被认为具有因果意义，源进程的零滞后项x_n则合并在第二个条件熵中用于传递熵计算，即：

CTE'_X→Y|Z＝H(y_n|y_1:n-1,z_1:n)-H(y_n|x_1:n,y_1:n-1,z_1:n) (7)

在这种情况下，零滞后项与被过去时间序列吸收，即x_n与x_1:n-1的作用相同。因此，在使用传递熵计算瞬时因果关系时，源系统的当前状态被认为是因果相关的。

当瞬时效应被认为不具有因果意义，零滞后项同时包含在用于传递熵计算的第一个和第二个条件熵中，即：

CTE”_X→Y|Z＝H(y_n|x_n,y_1:n-1,z_1:n)-H(y_n|x_1:n,y_1:n-1,z_1:n) (8)

此时零滞后项被认为是一个条件因子，即x_n与y_1:n-1,z_1:n的作用相同，从而补偿源系统的当前状态，以消除传递熵计算中的瞬时因果关系；

步骤七，通过计算多个尺度时补偿传递熵，得到选择合适的最优尺度，计算多个脑电通道的变尺度符号化补偿传递熵，构建这些脑电信号通道间因果关系矩阵；

步骤八，对步骤七中脑电信号因果关系矩阵进行自适应阈值选择，得到的邻接矩阵，并以此构建因效性脑网络模型，分析不同情绪时脑区和通道之间的变化。

作为优选，所述的对采集到的不同情绪诱发的脑电信号进行预处理；具体为：

使用Matlab的EEGLAB工具包去除基线漂移、眼电伪迹和50Hz工频信号，并且使用带通滤波器保留4-45Hz的脑电信号，将采集的脑电信号从512Hz降采样到128Hz并保存；

使用小波包变换将每个样本分解成4个频段的数据，分别是θ频段，α频段，β频段，γ频段，使用‘db5’小波基对4个频段的数据进行6层分解，再找出4个频段分别对应的小波包树节点，将各个频段的小波包系数进行重构后，得到4个频段的脑电信号数据。

作为优选，对预处理后的信号，进行尺度化，具体为：

假设原始时间序列为Q＝{q₁,q₂…,q_n}，尺度化过程如以下所示，其中s为尺度因子,a为尺度化后元素的位置坐标；

本发明与已有的诸多情绪刺激EEG信号分析方法相比，具有如下特点：

第一，本发明从脑通道间定向信息交互的角度出发，对脑电信号变尺度符号化后，考虑对瞬时因果效应的补偿算法，即在同一时滞内的两个时间序列之间发生的因果效应，可以减少信号间冗余或者虚假联系，提升分析的准确性。

第二，将尺度分析和符号化分析与补偿传递熵相结合，提出变尺度补偿传递熵，其中符号化可以有效降低原始时间序列的维数，通过降维来达到抑制噪声和减少计算量的目的，而改变尺度则可以发现隐藏在时间序列中的动态信息。

第三，为了定量地分析瞬时因果效应对情感分析的影响，本发明引入了脑网络模型，通过度、介数和聚类系数三个典型的网络测度对EEG通道间的交互进行分析。

附图说明

图1表示实验采集流程图；

图2表示效价—唤醒度二维情感模型；

图3表示尺度因子的选择；

图4(a)表示平静状态时变尺度符号补偿传递熵关系矩阵图；

图4(b)表示压力状态时变尺度符号补偿传递熵关系矩阵图；

图5(a)表示平静状态时符号化补偿传递熵构建的脑网络；

图5(b)表示平静状态时符号化补偿传递熵构建的脑网络；

图6(a)表示脑网络模型的度分析指标；

图6(b)表示脑网络模型的介数分析指标；

图6(c)表示脑网络模型的聚类系数分析指标；

图7表示二元传递熵构建的脑网络；

图8表示二元传递熵和补偿传递熵构建脑网络指标对比

具体实施方式

为了有效的提取EEG的特征并进行分析，本发明主要在EEG特征提取上进行改进。下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。

基于变尺度符号化补偿传递熵的情绪诱导EEG信号分析方法，整体流程如图1所示，其具体实施方式包括如下步骤：

步骤一，采集在不同情绪刺激时的EEG信号。选择32名志愿者进行40次视听觉刺激实验，同时采集32个通道的EEG信号，采集方法如图1所示。在实验结束后，每位志愿者需要根据自身的体验，根据图2中的效价-唤醒度二维情感模型从Valence(积极-消极)，Arousal(唤醒-未唤醒)两个维度上，分别对这40个视听觉刺激进行1-9打分。

步骤二，对采集到的不同情绪诱发EEG信号进行如下预处理：

(1)使用EEGLAB去除基线漂移、眼电伪迹和50Hz工频信号，并且使用带通滤波器只保留4-45Hz的EEG信号，将采集的EEG信号从512Hz降采样到128Hz并保存；

(2)根据心理学和脑科学的相关理论，EEG信号的四个节率波频段与人的生理和心理活动密切相关。所以本发明使用小波包变换将每个样本分解成4个频段的数据，分别是θ频段(4-8Hz)，α频段(8-13Hz)，β频段(13-30Hz)，γ频段(30-45Hz)，使用‘db5’小波基进行6层分解，再找出4个频段分别对应的小波包树节点，将各个频段的小波包系数进行重构后，得到4个频段的EEG信号数据。根据之前的研究，β频段内含有大量与情感相关的特征，所以本发明使用采集到的β频段EEG信号进行分析研究；

步骤三，对预处理后的信号，进行尺度化；

步骤四，将尺度化后的时间序列符号化；

步骤五，对尺度符号化后的时间序列进行重构；

步骤六，使用补偿传递熵计算尺度符号化后的时间序列的因果关系；

步骤七，选择合适的尺度，针对受试者S01，使用尺度符号化补偿传递熵对FP1、FP2通道双向信息交互行分析。图3中展示了100个尺度因子(0-200，步长为2)的分析结果。可以发现无论是压力状态还是平静状态，尺度符号化传递熵的值均在尺度为10附近时达到峰值。在其他受试者中，也发现了类似的规律。因此本文选择尺度因子10作为后续分析的尺度因子。计算32个脑电通道的变尺度符号化补偿传递熵，构建因果关系矩阵，得到如图4(a)、图4(b)所示的关系矩阵图；

步骤八，进行自适应阈值选择，得到邻接矩阵，构建脑网络模型，分析不同情绪时脑区和通道之间的变化，如图5(a)、图5(b)所示。

本范例分析了32名参与者在满足平静和压力两种情绪的视听觉刺激时的EEG信号，总共获得了125组平静状态时的传递熵关系矩阵和127组压力状态时的传递熵关系矩阵并构建脑网络模型，分析度、介数和聚类系数。结果发现压力状态时，左侧脑区的信息交互变得活跃起来，更多的信息流向了前额和顶叶；通过脑网络模型可以发现Fp1，AF3，F3，C3，CP1，P3，F4等通道在压力和平静状态时的区分度极其具有显著性，如图6(a)、图6(b)、图6(c)所示。此外，通过对补偿传递熵(如图5所示)和二元传递熵(如图7所示)构建的脑网络对比分析，发现补偿传递熵中对瞬时因果效应进行补偿，可以更好的反映外界刺激时大脑不同状态的信息交互程度，如图8所示。

Claims (3)

1.基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法，该方法具体包括以下步骤：

步骤一，利用不同类型的视听觉刺激诱发不同的情绪，采集此时段参与者的多通道头皮脑电信号；

步骤二，对采集到的不同情绪诱发的脑电信号进行预处理；

步骤三，对预处理后的信号Q＝{q₁,q₂…,q_n}，q_n表示原序列的第n个采样点，进行尺度化；

步骤四，将尺度化后的时间序列符号化，可以有效地发现隐藏的或有偏差的动态信息，从而展现出完整的符号动态特征；尺度序列

的符号化的定义如下：

其中，N为符号集的大小，N越大与原始序列越接近，s为尺度因子,a为尺度化后元素的位置坐标，其中

表示尺度化后尺度因子为s时的第

个采样点；但是符号集太大就失去了符号化处理的意义；X_i为设定的一个门阈值，本方法使用等概率法，即不同符号出现的概率大致相等，这样有利于保留序列的有效信息；

步骤五，对尺度符号化后的时间序列

进行重构，公式如下：

其中，m是嵌入维数，τ是延迟时间；根据排列熵的排列方式对

的每个分段中的元素进行重组，并按升序排列，如公式(4)所示；

元素原始位置的序列π_j＝{j₁,j₂,…,j_m}，对于嵌入维数m，一共有m！种排列方式；

步骤六，使用补偿传递熵计算尺度符号化后的时间序列的因果关系，考虑由一组相互作用的动力学过程M构成的复合系统，在该复合系统中，需要得到从源系统X流向目标系统Y的信息；将M中的其余系统归入向量Z＝{Z^(k)}_{k＝1,2,...,M-2}，用x、y和z描述系统X＝{x₁,x₂,…,x_n}、Y＝{y₁,y₂,…,y_n}和Z＝{z₁,z₂,…,z_n}随时间变化的状态的平稳随机过程，在给定Z的条件下，源系统X到目标系统Y的传递熵示如下：

根据信息熵的定义，得出传递熵与信息熵H(·)的等价关系：

TE_X→Y|Z＝H(y_n|y_1:n-1,z_1:n-1)-H(y_n|x_1:n-1,y_1:n-1,z_1:n-1) (6)

其中1:n表示全部序列，1:n-1就是全部序列，除了最后一个点；p(·)表示系统的概率分布函数；

当瞬时效应被认为具有因果意义，源进程的零滞后项x_n则合并在第二个条件熵中用于传递熵计算，即：

CTE'_X→Y|Z＝H(y_n|y_1:n-1,z_1:n)-H(y_n|x_1:n,y_1:n-1,z_1:n) (7)

在这种情况下，零滞后项与被过去时间序列吸收，即x_n与x_1:n-1的作用相同；因此，在使用传递熵计算瞬时因果关系时，源系统的当前状态被认为是因果相关的；

当瞬时效应被认为不具有因果意义，零滞后项同时包含在用于传递熵计算的第一个和第二个条件熵中，即：

CTE”_X→Y|Z＝H(y_n|x_n,y_1:n-1,z_1:n)-H(y_n|x_1:n,y_1:n-1,z_1:n) (8)

此时零滞后项被认为是一个条件因子，即x_n与y_1:n-1,z_1:n的作用相同，从而补偿源系统的当前状态，以消除传递熵计算中的瞬时因果关系；

步骤七，通过计算多个尺度时补偿传递熵，得到选择合适的最优尺度，计算多个脑电通道的变尺度符号化补偿传递熵，构建这些脑电信号通道间因果关系矩阵；

步骤八，对步骤七中脑电信号因果关系矩阵进行自适应阈值选择，得到的邻接矩阵，并以此构建因效性脑网络模型，分析不同情绪时脑区和通道之间的变化。

2.根据权利要求1所述的基于变尺度符号化补偿传递熵情绪诱导脑电信号分析方法，其特征在于：所述的对采集到的不同情绪诱发的脑电信号进行预处理；具体为：

使用Matlab的EEGLAB工具包去除基线漂移、眼电伪迹和50Hz工频信号，并且使用带通滤波器保留4-45Hz的脑电信号，将采集的脑电信号从512Hz降采样到128Hz并保存；

使用小波包变换将每个样本分解成4个频段的数据，分别是θ频段，α频段，β频段，γ频段，使用‘db5’小波基对4个频段的数据进行6层分解，再找出4个频段分别对应的小波包树节点，将各个频段的小波包系数进行重构后，得到4个频段的脑电信号数据。

3.根据权利要求1所述的基于变尺度符号化补偿传递熵情绪诱导脑电信号分析方法，其特征在于：对预处理后的信号，进行尺度化，具体为：

假设原始时间序列为Q＝{q₁,q₂…,q_n}，尺度化过程如以下所示，其中s为尺度因子,a为尺度化后元素的位置坐标；

Images