CN112603332A

CN112603332A - 一种基于脑电信号特征分析的情感认知方法

Info

Publication number: CN112603332A
Application number: CN202011473672.6A
Authority: CN
Inventors: 王小甜; 郭家伟; 王佐; 张程林; 王静静; 朱军
Original assignee: Maanshan College
Current assignee: Maanshan College
Priority date: 2020-12-15
Filing date: 2020-12-15
Publication date: 2021-04-06

Abstract

本发明公开了一种基于脑电信号特征分析的情感认知方法，包括S1、获取相应类型的受试者，采集受试者不同情绪下诱发的用于参照和分析的脑电信号；S2、对脑电信号进行去噪和分离处理后，基于Hilbert变换与信息熵相结合的方法进行特征提取和分析；S3、计算出不同情绪状态下脑电信号的Hilbert谱熵，并进行统计分析。本发明通过获取不同情绪下受试者的脑电信号，再进行Hilbert变换与信息熵相结合，分析不同情绪状态下、不同脑区、不同性别的脑电节律的Hilbert谱熵，具有更好的统计性能，表征了脑电信号时频域复杂度的变化，精确描述信号的幅值在整个频率段上随时间和频率的变化规律，不仅提高了信号分析的效率，比近似熵更可靠，且比单一的时域分析和频域分析更全面。

Description

一种基于脑电信号特征分析的情感认知方法

技术领域

本发明涉及情感认知过程的脑电信号分析技术领域，特别涉及一种基于脑电信号特征分析的情感认知方法。

背景技术

目前信号特征分析的方法可以分为三类：时域分析方法，如过零截点分析、直方图分析、方差分析、峰值检测及波形参数分析、相关分析、相干平均、波形识别等，这些方法都是从脑电波形入手，分析的特征基本都是脑电波形的几何性质，如幅度、频率、时程、均值、方差、偏歪度、峭度等，分析者不需要对脑电波的知识有深入了解就能够直观地、准确地观察到脑电波形的时域特征变化；频域特征分析，主要思想就是将时域中的信号，通过某种算法，变换到频域中，体现出信号随频率变化的特性，方法有：傅里叶变换、频率谱密度、非参数模型谱估计、参数模型谱估计等；时频特征分析，旨在构造一种时间和频率的联合密度函数，以揭示信号中所包含的频率成分及频率分量随时间的变化。旨在构造一种时间和频率的联合密度函数，以揭示信号中所包含的频率成分及频率分量随时间的变化。

现有技术的不足之处在于，一是时域分析的时域特征来源于整个脑电，能够描述单个脑电波的幅度和波长，但是在时域中两个波形相似的信号，在频域中却可能存在很大的差异，且通过时域分析只能得到大脑不同脑区之间的简单关系，分析脑活动的瞬态变化时抗伪能力很差。

频域分析法的主要是将时域中的信号，通过某种算法，变换到频域中，体现出信号随频率变化的特性，但是无法同时获得高的时域分辨率和频域分辨率，这种分辨率的“不确定原理”阻滞了脑电信号的研究。

时频分析法为研究大脑的活动和作用机制开辟了新的途径，但是传统的时频分析方法存在不足，如神经网络算法在训练的过程中需要样本具有典型性，且样本数量足够大，才能保证对输入样本准确分类。

发明内容

本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于脑电信号特征分析的情感认知方法，以解决上述背景技术中提出的问题。

一种基于脑电信号特征分析的情感认知方法，包括：

S1、获取相应类型的受试者，采集受试者不同情绪下诱发的用于参照和分析的脑电信号；

S2、对脑电信号进行去噪和分离处理后，基于Hilbert变换与信息熵相结合的方法进行特征提取和分析；

S3、计算出不同情绪状态下脑电信号的Hilbert谱熵，并进行统计分析。

作为本发明的进一步的方案：所述步骤S1的具体步骤包括

以EPQ人格测试量表作为基础，选取在EPQ测试结果为外向稳定型的不同性别的受试者；

采集所述受试者在稳定情绪下的额叶脑电信号和颞叶脑电信号作为参照；

通过所述受试者在不同类型纯音乐下诱发的不同情绪时采集脑电信号。

作为本发明的进一步的方案：所述通过所述受试者在不同类型纯音乐下诱发的不同情绪时采集脑电信号的具体步骤包括：

选取时间长度相近的欢快、忧郁、烦躁、恐怖四种类型的音乐各5段作为诱发源；

在诱发源的刺激下，采集受试者的额叶和颞叶的脑电信号，以及眼电信号。

作为本发明的进一步的方案：所述步骤S2的具体步骤包括：

S201、接收放大脑电信号，并使用普通陷波器、带通滤波器、带阻滤波器去除50Hz工频干扰；

S202、再利用主成分分析法去除眼电信号伪迹；

S203、再基于时频分析法，进行Hilbert变换和信息熵结合，分别提取全频段脑电信号和脑电信号的四种基本节律的Hilbert谱熵特征。

作为本发明的进一步的方案：所述步骤S203的具体方法包括：

首先提取脑电信号的四种基本节律δ波、α波、β波、θ波；

根据时频分析方法，并基于经验模态分解的Hilbert变换和信息熵相结合；

最后分别提取全频段脑电信号和四种节律的Hilbert谱熵。

作为本发明的进一步的方案：所述提取脑电信号的四种基本节律的具体步骤包括：

首先对全频段脑电信号进行小波包分解；

以及利用经验模态分解法对四种基本节律进行分解得到各阶分量；

对各阶分量进行Hilbert变换得到脑电信号的瞬时特征，然后叠加所有各阶分量的Hilbert谱得到全频段脑电信号的Hilbert谱，并结合信息熵的算法得到Hilbert谱熵。

作为本发明的进一步的方案：所述小波包分解具体步骤包括：

对全频段脑电信号进行逐层分解，将原始信号分解为逼近分量和细节分量；

然后继续分解逼近分量作为另一层的逼近分量和细节分量；

重复上述分解过程，直至分解到预先设定的变换层，并根据脑电信号四种节律的频率范围，选取对应的分解节点。

作为本发明的进一步的方案：所述步骤S3的具体步骤包括：

根据不同情绪，分别计算全频段脑电信号和四种基本节律得到Hilbert谱熵；

将Hilbert谱熵特征与脑电信号的时域特征和频域特征进行统计分析。

与现有技术相比，本发明存在以下技术效果：通过采用上述的技术方案，对五种情绪状态下采集到的全频段脑电信号的四种基本节律进行经验模态分解处理，对得到的每一个IMF分量进行Hilbert变换得到信号的瞬时特征，叠加所有IMF的Hilbert谱就得到原始信号的Hilbert谱，然后将基于经验模态分解的Hilbert变换与信息熵相结合得到信号的Hilbert谱熵，用熵的概念来表示情感认知过程中脑电信号的时频域特征的差异。此种方法，具有很好的统计性能，表征了脑电信号时频域复杂度的变化，精确地描述了信号的幅值在整个频率段上随时间和频率的变化规律，不仅提高了信号分析的效率，比近似熵更可靠，且比单一的时域分析和频域分析更全面。

附图说明

下面结合附图，对本发明的具体实施方式进行详细描述：

图1为本申请公开的一些实施例的脑电信号特征分析的情感认知方法的步骤示意图；

图2为本申请公开的一些实施例的脑电信号特征分析的情感认知方法的流程框图；

图3为本申请公开的一些实施例的2000采样点的原始脑电信号和眼电信号的示意图；

图4为本申请公开的一些实施例的去噪处理后的脑电信号的示意图；

图5为本申请公开的一些实施例的脑电信号的四种基本节律的示意图；

图6为本申请公开的一些实施例的Hilbert谱熵算法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1和图2，本发明实施例中，一种基于脑电信号特征分析的情感认知方法，包括以下步骤：

S1、获取相应类型的受试者，采集受试者不同情绪下诱发的用于参照和分析的脑电信号的具体步骤包括：

其中，选取时间长度相近的欢快、忧郁、烦躁、恐怖四种类型的音乐各5段作为诱发源；

在一些具体的实施例中，选取适合本发明方法的受试者，具体测试准备为：通过利用EPQ测试选择受试者，选择符合要求的受试者准备，再选择不同类型的音乐片段，然后进行分段、分组、分时对所选受试者进行音乐刺激，同时采集音乐过程中受试者额叶和颞叶的脑电信号，之后分离脑电信号中的眼电信号的伪迹，对脑电信号进行时域、频域，以及时频Hilbert谱熵特征提取，进行统计分析。

EPQ测试选择受试者：

因每个人的性格都存在差异，对音乐的欣赏程度也不同。所以实验前，使用艾森克人格测试量表(Eysenck Personality Questionnaire，EPQ)来测量受试者的人格类型，然后选择同一类型的人作为受试者。其中，EPQ包括四个分量表：E，N，P，L。E量表测量性格的内、外倾向。N量表测量情绪的稳定性。E量表和N量表都为双极量表，两极之间没有一个截然的分界，只能表现为程度的差异。P量表为单极量表，只有P分高时才有意义。L量表为效度量表，测量回答的真实性，它本身也代表一种稳定的人格功能。

其次，根据EPQ的测试结果，将人的性格分为四种：外向不稳定型(胆汁质)、外向稳定型(多血质)、内向不稳定型(抑郁质)、内向稳定型(粘液质)。每种类型的性格表现都存在差异。实验中按照性别分组，选择同一年龄段的测试者，然后依据测试结果，选择外向稳定型的多血质测试者作为脑电采集的受试者。

同时，受试者均为经过EPQ测试得到的外向稳定型的受试者,且属于非音乐相关专业的学生，年龄在23至25岁，身体健康，家族无脑部疾病史、心理疾病史和器质性疾病史。实验前要求受试者保证充足的睡眠，避免酒或咖啡等能够导致中枢兴奋或抑制中枢兴奋的食物的摄入，不能有剧烈运动，头发保证清爽，避免过多的外界干扰。

通过不同类型的纯音乐诱发不同情绪下的脑电信号：

心理学的研究表明，人的情绪复杂而不易受自我控制，但是可以借助多种活动来缓解和调节，而音乐的作用最为独特的方式。根据音乐分为不同的类型。由于不同风格的音乐对大脑的作用效果不同，按照曲调风格。选择愉快、忧伤、烦躁、恐怖四种类型的纯音乐作为刺激源。减少了眼动伪迹的干扰。

脑电信号的采集：

脑电信号蕴含着丰富的大脑信息，是一种随机性很强的生理信号。各种不同的情绪、心态都会影响脑电波EEG的变化。因此，脑电波EEG具有很高的事变敏感性，采集过程中极易被无关噪声污染，从而形成各种脑电波EEG的伪迹。

同时，选择多导生理记录仪作为脑电信号的采集设备，分别采集额叶和颞叶的脑电信号，同时记录脑电采集过程中的水平眼电信号和垂直眼电信号。

采集过程：

过程中，受试者保持安静闭目状态，尽可能放松。用酒精或生理盐水预先擦拭皮肤表面，然后粘贴电极，分别采集每名受试者五种情绪状态下的脑电信号：安静、愉快、忧伤、烦躁、恐惧。其中音乐播放时，播放顺序为能诱发正极性情绪的音乐在前，能诱发负极性情绪的音乐在后。

在音乐诱发前，每个受试者要先采集安静的闭目状态下的脑电信号作为对照组。由于个体对音乐欣赏的感知不同，且对音乐类型的划分也存在些许差异，所以随机播放预先下载好的20段音乐，其中包括四种情况类型的纯音乐各五首。根据音乐节拍认知，截取的20段音乐为不同时长但是长度相近，每段音乐中途有固定的2min间歇，设置连续播放文件间隔为120s，受试者用笔记下音乐编号和音乐类型，并且自我调整情绪，从上一段音乐中放松下来。

如此，循环往复采集五种情绪状态下的脑电信号：安静、愉快、忧伤、烦躁、恐惧，作为本实验的测试样本。

S2、对脑电信号进行去噪和分离处理后，基于Hilbert变换与信息熵相结合的方法进行特征提取和分析。

脑电信号预处理：

通过步骤S1采集到的脑电信号频率大于0.1Hz，对所述脑电信号进行放大，同时其中包含有脑电信号和干扰信号，由于脑电信号中占主要成分的四种节律的频率范围为0.5Hz至35Hz，使用普通陷波器、带通滤波器、带阻滤波器等设备滤取0.5Hz至35Hz范围内的脑电信号作为实验数据，同时避免了50Hz工频干扰的影响。

如图3、图4所示，脑电信号采集过程中，不可避免地受到眼球运动的干扰，利用独立分量分析ICA技术去除眼动伪迹。

如图3所示，为安静闭目状态下，在额叶测得的混合脑电信号EEG(2000个采样点)、水平眼电信号EOGh(2000个采样点)和垂直眼电信号EOGv(2000个采样点)。对三组信号做三通道ICA分离，将混合EEG中的EOGh和EOGv成分按统计独立意义分离出来，得到三个ICA分量：EEG、EOGh和EOGv。

如图4所示，为独立成分分析ICA分离后得到的脑电信号。由于独立成分分析ICA分离的不确定性，需要对分离得到的三个分量进行区分，根据三个输出分量的能量特征向量计算出各能量特征之间的距离，检测出相干的输出信号分量，区分出脑电信号和冗余信号。

时域、频域和时频域的特征提取：

时域特征提取：由于脑电信号的四种基本节律的幅值范围大致如下：δ节律(20～200μV)、θ节律(10～40μV)、α节律(30～50μV)、β节律(5～30μV)，对预处理后的五种情绪状态下的脑电信号进行时域幅度直方图分析，表明了不同脑区、不同性别的脑电信号随情绪的变化和脑电四种基本节律所占的比重。

频域特征提取：功率谱密度PSD，即每单位频率波携带的功率分布情况，可以反映频谱中分量较大的信号成分的频率及不同条件下整个脑电波EEG的迁移情况。因此对预处理后的五种情绪状态下的脑电信号进行功率谱密度分析。

时频特征提取：综合时域和频域的分析，随着情绪的变化，脑电信号的四个基本节律波都会产生变化，单一地分析某个波段或者某两个波段都会造成实验结果的片面性，且脑电信号容易受到各种生物电的影响，绝对角度分析脑电信号不可避免的要掺杂其他干扰成分，因此分别提取不同情绪状态下脑电信号的四种基本节律，然后从时频角度分析四种节律波的特征变化。

如图5所示，为预处理后的脑电信号，经小波包分解后得到的四种基本节律。

根据脑电信号各个节律所在的频率段，设[j,i]为小波包分解的第j层的第i个节点，则四种脑电节律所包含的分解节点为：

δ节律——[6,1],[7,1],[7,4]

θ节律——[6,3],[6,4],[7,5]

α节律——[5,3],[6,5],[7,16]

β节律——[4,3],[5,8],[5,5],[6,9],[6,18],[7,18],[7,38]

如图6所示，信号的Hilbert谱熵的算法流程。对五种情绪状态下采集到的脑电信号的四种基本节律进行经验模态分解EMD处理，对每一个IMF分量进行Hilbert变换得到信号的瞬时频率，汇总所有IMF的Hilbert谱就得到原始信号的Hilbert谱。最后，将基于经验模态分解EMD的Hilbert变换与信息熵相结合得到信号的Hilbert谱熵，从时频域角度分析了不同情绪状态下脑电信号的差异。

假设时域任意连续信号为原始信号s(t)，首先对此信号进行经验模态分解，具体步骤：

首先将此信号按照采样点分为若干子信号，并用三次样条插值函数对各子信号的极大值点和极小值点进行拟合，得到两条极值点的包络线；

用原信号减去两条包络线的平均曲线得到一个信号h₁(t)。

其中，h₁(t)＝s(t)-m(t)；

判断信号h₁(t)是否满足内蕴模态函数的条件，如果满足，将此信号作为模态分解的一个IMF分量，如果不满足，将此信号作为新的数据s₁(t)，重复上述计算过程，直到得到信号h_1k(t)满足内蕴模态函数的条件，将它作为经验模态分解的第一个分量c₁(t)。

其中，h₁₁(t)＝s₁(t)-m₁₁(t)，s₁(t)＝h₁(t)；

用原始信号s(t)减去第一个内蕴函数h_1k(t)作为新的信号继续上述计算得到第2个分量、第3个分量、第4个分量，…、第n个分量，这些分量分别表示为c₂(t)、c₃(t)、c₃(t)、…、c_n(t)。

r₁(t)＝s(t)-c₁(t)；

r_n(t)＝r_n-1(t)-c_n(t)；

根据上述公式，原始信号s(t)减去IMF分量的信号作为残余函数r_n(t)，当残余函数r_n(t)成为一个单调函数，不能再从中提取出满足IMF条件的分量时，整个筛选过程结束，原始信号s(t)可表示为以用若干内蕴模态函数和一个残余函数r_n(t)。

对所有IMF分量进行Hilbert变换；

其中变换公式为：

P为柯西主值。

依据上述公式，对瞬时幅度a_i(t)，瞬时相位

瞬时频率ω_i(t)进行求解。

得出原始信号s(t)表示为关于时间和瞬时频率的函数；

最后，将全频段脑电信号以及四种基本节律分别用时间和瞬时频率的函数来表示。

其中，P(x(t))为信号x(t)为x_i时的概率；

依据上述公式，求出信号Hilbert谱的熵分布。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。