CN112450947B - 一种针对情绪唤醒度的动态脑网络分析方法 - Google Patents

Abstract

本发明公开了一种针对情绪唤醒度的动态脑网络分析方法。采用滑动时间窗口分割数据，通过传递熵建立大脑功能网络。将分段的脑网络按时间顺序连接成动态脑网络，用于显示实验刺激过程中受试者的详细动态变化。为确保动态连接真实可靠，使用聚类和替代序列测试和分析。最后，使用优化计算的特征‑通道规范信息优化数据并评估活动水平，使结果更清晰。为寻找潜在的重要刺激片段提供了指导和基础。与传统静态脑网络相比，本方法采用更合理科学的方式建立脑功能网络，能够更细致的观察和分析实验刺激过程中大脑状态的变化，并且提出的特征可以有效的简化网络结构和结果分析。

Description

一种针对情绪唤醒度的动态脑网络分析方法

技术领域

本发明属于生物信号处理领域，涉及一种在不同唤醒程度的情绪刺激时构建动态脑网络的脑电信号的分析方法。

技术背景

情感计算(AC)正受到人们越来越多的关注，它能够帮助计算机识别分析人的情绪，从而建立良好的人机交互关系。情感计算关联到人类情感的情感分析、情感识别等。其中情感分析是重要的一环，并且大脑在人类的情感产生与表达中起到了主要的作用。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。并且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。

目前对情绪的研究一般采用对情绪进行建模的方法，其中被广泛认可的是情绪的维度理论。现代情绪维度模型使用最多的是效价和唤醒度两个维度，即效价-唤醒度模型。效价表示情感是积极和消极状态，而唤醒度表示情感刺激的激活程度。这两个维度在情绪加工中均扮演者重要的角色，他们并不完全独立，且存在一定的联系和相互作用。效价有着高辨识度、易分类的特点。但随着研究的进展，逐渐发现唤醒度在情绪加工中同样起着重要作用。分析和研究情绪加工的机制需要了解受试者大脑的状态变化。EEG信号可以通过建立功能脑网络的方法来分析在不同情绪刺激下大脑的状态。脑功能网络的建立以每个通道为顶点，采用如相位锁值(Phase lock value，PLV)、传递熵(Transfer entropy,TE)等方法建立两两通道间的关系，然后通过阈值选择等方法来筛选连接。最后通过提取脑网络属性如聚类系数，节点度等特征来分析大脑状态。但是传统脑网络建立往往是静态的，不足以让我们对实验刺激过程有足够清晰的观察。因此，针对这一问题，本发明提出了针对正向情感在高低唤醒维度的动态脑网络研究方法。首先通过无重叠的汉宁窗将脑电信号划分为3S的片段，提取gamma频段信息。再使用传递熵建立每个片段的传递熵矩阵，同时生成替代序列检验传递熵矩阵，排除“0”TE值，保留真实连接，从而形成更真实的脑网络。为了验证动态划分的有效性，使用K均值聚类方法对划分的每个样本的脑网络片段进行聚类。最后，提出使用范数计算的特征通道范数信息来优化网络结构并进行详细的分析。

发明内容

为了客观、有效地对高低唤醒情绪刺激时的EEG信号进行脑网络状态分析，本发明利用EEG信号，提出了一种使用传递熵建立动态脑网络的分析方法。首先采集不同唤醒程度的视频刺激下的参与者的EEG信号，并对采集的信号进行预处理，之后将信号使用无重叠汉宁窗截取为3S的片段，提取gamma频段信息后，对每个片段使传递熵计算得到关系矩阵，利用替代序列对矩阵进行检验后，根据保留的真实连接形成的关系矩阵构建动态脑网络模型。本发明可以有效的分析高低唤醒下的EEG信号的变化和差异，为在唤醒维度下的情绪分析提供了思路。

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受试者不同的情绪，采集刺激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如下预处理：

1)将采集的脑电信号从512Hz降采样到128Hz，使用Matlab的EEGLAB去除基线漂移、眼电伪迹。再通过4-45HZ带通滤波器进行滤波去除噪声；

2)针对本次分析，选择效价为积极情感，而唤醒值分别是高和低的受试者样本。使用Hanning窗生成3S大小的无重叠滑动窗口，对每个样本持续60S的脑电信号数据进行截取，每段数据可以划为20个片段；

3)使用小波包变换将每个样本分解为γ频段(30-45Hz)的信号。使用‘db5’小波基进行6层分解，再找出该频段对应的小波包树节点，将该频段的小波包系数进行重构后，得到该频段的脑电信号数据。

步骤三，针对每个片段，使用传递熵(TE)建立功能脑网络。传递熵衡量源信号到目标信号的信息传递大小。假设有源过程X和目标过程Y，其对应的时间序列分别为X＝{x₁,x₂,……x_n}和Y＝{y₁,y₂,……,y_n},其中n为时间序列的长度，从源过程X到目标过程Y的传递熵可以量化为：

其中n为离散的时间指标，u为预测时间，p(·)表示概率分布，T_Ex→Y为源过程X到目标过程Y的传递熵值，类似地，可以得到Y到X的传递熵估计值。

步骤四，计算两两通道的传递熵值后，生成替代序列检验传递熵值有效性。在两个有限数据的时间序列中，他们可能并不会完全不相关，所以有时会遇到即使没有信息传递的情况下，也会得到一个非0的TE估计值，这种现象称为估计器的偏差。针对每对通道，在源过程X中随机分配一个切入点并交换生成的两个数据段，生成替代序列。这种方法可以打破原有的时间序列结构。对每个源过程生成50个替代序列，然后分别计算每个替代序列与目标过程序列的TE值，得到替代序列的TE分布。

步骤五，使用替代序列的TE分布与原传递熵值进行置换检验，建立H0假设：两个样本来自同一个总体。然后计算数据的测试统计量(test statistic on the data)，两组数据的均值之差的绝对值。再将样本汇聚重新分为两组，计算重新分组后的测试统计量。这样重复N次后，得到N个重新分组的测试统计值。最后通过将分组前后的测试统计量进行比较得到观察样本及更极端样本的概率p，通过和0.05比较，做出统计推断。如果p>0.05，表示接受H0假设；如果p<0.05，拒绝H0假设。

步骤六，提取每个脑网络的小世界属性特征，这些特征包括全局属性和局部属性：节点度，全局聚类系数，局部效率和全局效率。用这些特征来寻找空间相似的脑网络，以验证所划分的网络片段的动态性。使用K均值聚类方法对每个样本划出的20个片段无监督聚类，根据类别前后的变化，验证划分的有效性。当随着K值的逐渐增加，各个样本到簇质心的距离均值会不断减小，选取距离均值随K值变化曲线的拐点处的K值作为最佳聚类簇数。步骤主要为：

1)随机选取K个样本作为本次聚类的聚类中心；

2)计算每个样本与各个聚类中心的距离；

3)将各样本回归于与之距离最近的聚类中心；

4)求各个类的样本的均值，作为新的聚类中心；

5)判定：若类中心不再发生变动或者达到迭代次数，结束迭代。

步骤七，通道范数信息特征的提取，优化网络结构，提取特征分析脑网络。每个片段的传递熵矩阵中，每个元素TE_ij表示i通道到j通道的信息传递值，其对应的行向量为第i个通道到所有通道上的信息传递情况，同样，其列向量表示其他所有通道到这第个i通道上的信息传递。我们通过计算每个通道对应的行向量和列向量表示的Ln范数来将这些信息传递情况映射到标量，这不仅实现了信息传递的量化，而且进行了数据的降维。范数(Norm)是一个函数，其赋予某个向量空间(或矩阵)中的每个向量以长度或大小。该方法一定程度上也量化了信息传递的稀疏度，如果连接数较多，密度越大，得到的值也会越大。其中L2范数被广泛使用，可以测量矢量的长度，也可以优化数值计算。特征计算其表达为：

其中，

表示第k各通道的信息输入/输出特征，

表示第k各通道和第m个通道的传递熵，这里n＝32。

本发明与已有的诸多情绪刺激EEG信号分类方法相比，具有如下特点：

第一，本发明使用滑动窗口截取不同信号片段，建立功能片段的功能脑网络，显示了在情绪刺激期间的脑网络动态性，体现了受试者在整个情绪刺激过程中的大脑状态变化，这是传统静态脑网络所不能体现的。

第二，对建立的传递熵脑网络，生成替代序列用于检验。替代序列通过分配随机切入点并交换两段序列的内容，来打破原有的时间结构。将原TE值和替代序列生成的TE值分布进行置换检验保留了有效的连接，形成了一个更真实的脑网络。相比较阈值选择方法，更加可靠，且理论性更强。

第三，对每个样本所划分的片段使用K均值聚类方法进行聚类，验证了前后片段之间的差异和动态变化，保证我们所划分出的片段是合理有效的，给我们所建立的网络的动态性提供真实的保障。

第四，提出使用范数计算的特征通道范数信息提取了每个通道的信息特征，得到每个通道的重要程度，这不仅优化了建立的繁杂的网络结构，也在脑网络变化过程中提供了一个清晰和详细的结果展示。

附图说明

图1表示动态网络构建流程图；

图2表示替代序列生成示意图；

图3表示检验后的传递熵矩阵图；

图4(a)表示高唤醒下动态脑网络图；

图4(b)表示低唤醒下动态脑网络图；

图5(a)高唤醒通道范数信息变化；

图5(b)低唤醒通道范数信息变化。

具体实施方式

为了有效的观察情绪刺激的大脑状态，本发明主要在大脑功能脑网络构建和分析上进行改进。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。

正向情感在唤醒维度的动态脑网络分析方法，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。在实验结束后，每名受试者要对进行的刺激过程进行1～9分打分，分为效价和唤醒两项。其中对效价维度，1～4为消极，5分为中性，6～9分为积极；对唤醒维度，1～4分为低唤醒，6～9分为高唤醒。针对本次分析，选择正向情感和高低唤醒条件下的受试者样本。

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

(2)对降噪处理后的信号，使用3S无重叠滑动窗口将60S时间序列分成20个片段；

(3)情感刺激实验和γ频段有很高的相关性，所以本发明使用小波包变换将每个样本分解为γ频段(30-45Hz)的信号。使用‘db5’小波基进行6层分解，再找出该频段对应的小波包树节点，将该频段的小波包系数进行重构后，得到该频段的脑电信号数据；

步骤三，对提取频段信息后的每个片段计算传递熵矩阵；

步骤五，对每个传递熵矩阵使用替代序列检验，替代序列生成示意图如图2所示；

步骤六，检验后的传递熵矩阵形成了对应的脑网络，传递熵矩阵如图3所示。提取脑网络属性进行K均值聚类，验证片段划分有效性；

步骤七，利用构建好的传递熵矩阵生成在高低唤醒不同条件下的脑网络图，如图4(a)和(b)所示；

步骤八，使用通道范数信息特征优化网络结构，高低唤醒下特征示例结果如图5(a)和(b)所示。

本范例分析了4名参与者在正向情绪下，不同高低唤醒的视听觉刺激时的EEG信号，得到了每个受试者在不同条件下的传递熵关系矩阵并构建动态脑网络模型。结果发现观察到了大脑随时间的动态性变化。在整个刺激过程中，并不是所有时刻都保持着相应的刺激状态。高唤醒条件下一般要比低唤醒条件的活跃脑网络数更多，且在这些活跃片段中，高唤醒条件下有更多的连续片段呈现高活跃性。高唤醒脑网络中，额叶、颞叶、顶叶是高活跃区域。另外，在一些受试者中在刺激实验的后部分一段时间内，大脑活跃情况没有之前的明显，这也一定程度上表示受试者的疲劳状态。

Claims (4)

1.一种针对情绪唤醒度的动态脑网络分析方法，其特征在于，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对受试者进行刺激，刺激期间，采集受试者的多通道头皮脑电信号；

步骤二，对步骤一采集到的多通道头皮脑电信号进行预处理；

步骤三，针对预处理后的每个脑电信号片段，使用传递熵建立功能脑网络；传递熵衡量源信号到目标信号的信息传递大小；假设有源过程X和目标过程Y，其对应的时间序列分别为X＝{x₁,x₂,……x_n}和Y＝{y₁,y₂,……,y_n},其中n为时间序列的长度，从源过程X到目标过程Y的传递熵量化为：

其中u为预测时间，p(·)表示概率分布，TE_x→Y为源过程X到目标过程Y的传递熵值；

步骤四，计算两两通道的传递熵值后，生成替代序列检验传递熵值有效性；针对每对通道，在源过程X中随机分配一个切入点并交换生成的两个数据段，生成替代序列；这种方法打破原有的时间序列结构；对每个源过程生成M个替代序列，然后分别计算每个替代序列与目标过程序列的TE值，得到替代序列的TE分布；

步骤五，使用替代序列的TE分布与原传递熵值作为两个观察样本进行置换检验；建立H0假设：两个观察样本来自同一个总体；然后计算数据的测试统计量，即两组数据的均值之差的绝对值；再将两个观察样本汇聚重新分为两组，计算重新分组后的测试统计量；这样重复N次后，得到N个重新分组的测试统计值；最后通过将分组前后的测试统计量进行比较，得到P-value，将其和0.05比较，做出统计推断；如果P-value>0.05，表示接受H0假设，即两个观察样本来自同一个总体，传递熵值无效；如果P-value<0.05，拒绝H0假设，则两个观察样本来自不同总体，传递熵值有效；

步骤六，提取每个功能脑网络的小世界属性特征，这些特征包括全局属性和局部属性：全局效率，全局聚类系数，局部效率和节点度；用这些特征组成特征样本来寻找空间相似的脑网络，以验证所划分的网络片段的动态性；使用K均值聚类方法对每个脑电信号片段无监督聚类，根据类别前后的变化，验证划分的有效性；若聚类后前后子样本的类别均不同，则证明动态划分有效，进行后续的分析，否则返回步骤二，修改时间窗大小；重复实验；当随着K值的逐渐增加，各个特征样本到簇质心的距离均值会不断减小，选取距离均值随K值变化曲线的拐点处的K值作为最佳聚类簇数；

步骤七，通道范数信息特征的提取，优化网络结构，提取特征分析脑网络；

在每个脑电信号片段的传递熵矩阵中，每个元素TE_ij表示i通道到j通道的信息传递值，其对应的行向量为第i个通道到所有通道上的信息传递情况，计算该行向量表示的范数，得到该通道的输出通道范数信息

同样，其列向量表示其他所有通道到这第个i通道上的信息传递，计算该列向量表示的范数，得到该通道的输入通道范数信息

通过该方法将这些信息传递情况映射到标量。

2.根据权利要求1所述的一种针对情绪唤醒度的动态脑网络分析方法，其特征在于：

对步骤一采集到的多通道头皮脑电信号进行预处理；

1)将采集的脑电信号从512Hz降采样到128Hz，使用Matlab的EEGLAB去除基线漂移、眼电伪迹；再通过4-45HZ带通滤波器进行滤波去除噪声；

2)选择效价为积极情感，而唤醒值分别是高和低的受试者样本，使用Hanning窗生成3秒大小的无重叠滑动窗口，对每个受试者样本持续60秒的脑电信号数据进行截取，将每个样本划分为20个子样本，每个子样本都是一个3秒长的脑电信号片段；

3)利用小波包变换提取每个子样本γ频段的信号；使用‘db5’小波基进行6层分解，再找出该频段对应的小波包树节点，将该频段的小波包系数进行重构后，得到该频段的脑电信号数据。

3.根据权利要求1所述的一种针对情绪唤醒度的动态脑网络分析方法，其特征在于：所述的使用K均值聚类方法对每个脑电信号片段无监督聚类，具体为：

1)随机选取K个特征样本作为本次聚类的聚类中心；

2)计算每个特征样本与各个聚类中心的距离；

3)将各特征样本回归于与之距离最近的聚类中心；

4)求各个类的特征样本的均值，作为新的聚类中心；

5)判定：若类中心不再发生变动或者达到迭代次数，结束迭代。

4.根据权利要求1所述的一种针对情绪唤醒度的动态脑网络分析方法，其特征在于：步骤七采用L2范数，既能测量矢量的长度，也能优化数值计算；其表达为

其中，

表示第i个通道的输入/输出通道范数信息，TE_ij表示第i个通道到第j个通道的传递熵。

Images