脑机启侦 | 基于多通道脑电信号特征的积极和消极情绪的分类研究

在这项研究中，研究者们通过情绪视频诱发26名受试者的脑电信号，并基于多通道和前额双通道提取了不同情绪的脑电特征。结果表明，频带能量比和微分熵能有效区分积极与消极情绪，其中支持向量机分类器效果最佳；仅使用前额双通道信号时，最高分类准确率可达66%，而使用全通道数据时，模型准确率最高可达82%，经过通道选择优化后，最佳模型的分类准确率进一步提升至86%以上。

01研究背景RESEARCH BACKGROUND

情绪在我们的日常生活中扮演着关键角色，它不仅反映了个体的身心状态，还深刻影响着认知、沟通和决策过程。情绪通常被认为具有两个维度：唤醒度和效价。其中，唤醒度指情绪的强度，而效价则指具体的情绪内容，可分为积极、消极和中性。积极情绪能提升主观幸福感，促进身心健康；而持续的消极情绪则可能损害身心健康和工作状态。情绪的产生源于对外部环境刺激的反应，并伴随着个体表征和心理状态的变化，这些变化可以通过科学方法进行测量和识别。

在众多可用于识别情绪的信号中，脑电图因其高时间分辨率和非侵入性特点，已成为情绪识别研究中的常用方法。尽管已有大量研究利用多通道EEG信号进行情绪分类，并取得了丰硕成果，例如发现前额叶和枕叶等脑区对情绪分类贡献显著，但该领域仍存在一些亟待解决的问题。首先，由于情绪本身的复杂性和抽象性，目前情绪分类的标准尚未统一，不同研究采用的情绪诱发材料和分类标签各异，可能导致样本分类的初始混淆。其次，在EEG信号特征提取方面，虽然时域、频域、统计和时频域等多种特征已被应用，但何种特征组合与情绪分类最相关仍不明确。近年研究表明，微分熵特征在情绪分类中效果良好，但其在不同频段（如高频与低频）的分类效能仍存在争议。此外，不同脑区提取的特征对分类效果的影响也存在差异。最后，出于便携性考虑，研究倾向于使用尽可能少的通道进行情绪识别，但双通道与多通道在相同实验设置下的分类效果孰优孰劣，尚缺乏直接比较。因此，本研究旨在聚焦于效价维度上的积极与消极情绪，利用视频诱发EEG信号，探讨基于能量比例和微分熵特征的分类效果，比较不同频段、不同脑区微分熵特征的分类效能，并分析多通道与前额双通道在情绪分类准确率上的差异。

02研究发现RESEARCH FINDINGS

本研究通过一系列对照实验，系统评估了不同特征、频段、脑区及分类算法在基于脑电图（EEG）的情绪二分类任务中的表现。关键发现包括：在特征选择方面，微分熵特征相较于能量占比特征能更有效地捕捉情绪差异，且在线性归一化或标准归一化处理后分类效果并未提升；在频段分析中，γ波和β波的微分熵特征对情绪分类最具判别力，其有效性排序为γ > β > δ > α > θ，同时结合β与γ波特征优于单独使用γ波特征；在脑区定位上，基于γ波微分熵的通道贡献度分析显示，大脑左侧前额叶区域（如FP1电极）对情绪分类至关重要，实验进一步证实外侧环状脑区电极组合的分类效果最优。

在算法比较中，支持向量机（SVM）在通道选择前提下准确率最高（达86%），且未出现明显过拟合问题；而决策树（DT）存在严重过拟合（测试集准确率平均低于训练集20%以上）。对于多被试数据，SVM与k近邻（kNN）的泛化性能稳定，而DT和BP神经网络在分别训练各被试模型与合并训练时效果差异显著（约10%）。在双通道二分类任务中，最佳特征组合为δ、θ、α、β、γ频带的能量占比与微分熵（共20维特征），SVM分类准确率达66%，综合考虑泛化能力后仍为最优选择。这些结果为EEG情绪识别中的特征提取、频段筛选、脑区定位及算法优化提供了实证依据。

03图片解读IMAGE INTERPRETATION

图1 多通道情绪分类算法流程图

该图展示了用于情绪分类的多通道算法的整体流程。算法首先从多个输入通道（例如，脑电图、心电图、皮肤电反应等生理信号）同步采集数据。随后，对原始信号进行预处理，包括滤波以去除噪声、伪影校正以及信号归一化。预处理后的数据进入特征提取阶段，从每个通道中计算时域、频域和非线性特征。提取的特征被融合成一个综合的特征向量，然后输入到分类器（如支持向量机、随机森林或深度学习模型）中进行情绪状态（例如，积极、消极、中性）的分类。最后，输出分类结果并进行性能评估。该流程图清晰地概述了从多模态数据采集到最终情绪识别的完整计算流程。

结论：该算法通过整合多通道生理信号，旨在实现更准确、更稳健的情绪状态自动分类。

图2 双通道情绪分类算法流程图

该流程图展示了双通道情绪分类算法的整体流程。算法首先通过两个独立的通道（例如，生理信号通道和面部表情通道）并行处理输入数据。每个通道分别进行特征提取和初步分类。随后，两个通道的分类结果通过一个融合模块进行整合，最终输出综合的情绪分类结果。该算法旨在通过结合多模态信息，提高情绪识别的准确性。

图3 用于多通道情绪识别的最优电极示意图

该图是一个示意图，展示了用于多通道情绪识别的最优电极配置。图中描绘了一个人脑的轮廓，并在其表面标记了多个电极位置。这些电极被连接到一个数据处理系统，该系统用于采集和分析脑电信号，以实现情绪识别。示意图直观地说明了用于情绪识别研究的脑电图（EEG）电极布局方案。

结论：该示意图展示了用于多通道情绪识别研究的最优电极布局方案。

04临床意义CLINICAL SIGNIFICANCE

本研究通过系统性的实验，探索了基于脑电图（EEG）信号进行情绪分类的最优特征组合与算法。结果表明，在多种特征中，微分熵特征对于情绪区分具有关键作用，其效果优于能量占比特征。进一步分析发现，在γ波和β波频段的微分熵特征对情绪分类的贡献最为显著，其中γ波效果最佳。通过基于梯度提升决策树的通道选择，研究确定了大脑侧环区域（特别是左前额区域FP1）的电极组合对于情绪识别最为有效，这为情绪相关脑功能定位提供了实证依据。在算法层面，支持向量机（SVM） 在保证良好泛化能力的前提下，取得了最佳的分类性能（准确率高达86%）。相比之下，决策树存在明显的过拟合问题。研究同时探讨了针对个体单独建模与混合所有被试数据统一建模的策略，发现SVM和k近邻算法在不同策略下表现稳定，而决策树和BP神经网络则对建模方式非常敏感，其性能差异显著。这些发现为构建鲁棒、实用的实时情绪识别系统提供了重要的算法与特征选择依据，推动了情感计算在脑机接口领域的临床应用。

05实验策略EXPERIMENTAL STRATEGY

这篇研究论文的核心实验策略可以概括为以下两点：

第一段：系统性的特征筛选与模型优化策略。

研究团队首先构建了一个包含59维特征、总计1888维的基线特征集，涵盖了时域、频域、统计和时频域等多个方面。为了找到对情绪分类最有效的特征，他们进行了多轮控制变量实验。关键步骤包括：1）验证了能量占比和微分熵这两类特征在情绪分类中的有效性，并发现单用微分熵特征即可达到最佳效果；2）进一步分析了不同频段（δ, θ, α, β, γ）微分熵的分类效能，确定γ波和β波的微分熵特征最具区分度；3）基于γ波微分熵特征，利用梯度提升决策树（GBDT）进行通道贡献度分析，筛选出对分类贡献最大的脑区电极。最终，通过这种层层递进的筛选，确定了最优的特征组合（特定频段的微分熵）与脑区组合（位于头部侧环区域的电极），从而将模型分类准确率从基线水平提升至86%以上。

第二段：多通道与双通道的对比验证策略。

为了兼顾高精度与便携性应用的不同需求，论文设计了并行的两条技术路线进行对比。对于多通道方案，研究使用全部32通道的EEG数据，经过预处理、特征提取（采用上述筛选出的最优特征）后，投入四种分类器（SVM、决策树、BP神经网络、K近邻）进行训练与评估。对于双通道方案，为模拟便携设备（如前额带），研究仅使用前额（Fp1, Fp2）两个通道的信号。由于通道数少无法直接进行独立成分分析（ICA）去噪，该方案引入了集成经验模态分解（EEMD）来处理信号，后续特征提取与分类流程与多通道方案一致。通过对比，研究明确了多通道因信息更全面而准确率（最高86%）显著高于双通道（最高66%），同时也验证了即使在有限通道下，SVM分类器结合微分熵等特征仍能实现有效的情绪二分法分类。这一策略为不同应用场景下的技术选型提供了直接依据。

06主要结论MAIN CONCLUSIONS

这篇研究通过分析多通道和双通道脑电图（EEG）信号，探索了基于能量比例和微分熵特征对积极与消极情绪进行分类的有效性。研究结果显示，使用支持向量机（SVM）分类器时，结合所有通道数据，模型最高准确率可达82%；经过通道选择后，最佳模型的准确率超过86%。这表明，能量比例和微分熵特征在情绪分类中具有显著效果，且SVM分类器在多种算法中表现最优。

此外，研究还发现，仅使用前额双通道信号时，最高分类准确率为66%，显著低于多通道的结果。这表明，尽管双通道设备在便携性方面具有优势，但在情绪分类的准确性上，多通道系统能提供更丰富的信息，从而获得更好的分类效果。该研究为开发便携式情绪监测设备提供了理论依据，并指出未来研究可进一步探索深度学习模型以提高分类效率。

https://doi.org/10.3389/fnbeh.2021.720451 Long F, Zhao S, Wei X, Ng S-C, Ni X, Chi A, Fang P, Zeng W and Wei B (2021) Positive and Negative Emotion Classification Based on Multi-channel. Front. Behav. Neurosci. 15:720451.

doi: 10.3389/fnbeh.2021.720451

来源 | 脑机接口社区

浙大科技园启真脑机智能产业化基地是在浙大控股集团领导下，由浙江大学科技园发展有限公司与杭州未来科技城管委会共建，围绕脑机智能产业主体，辐射脑机+生命健康、脑机+智能制造、脑机+新一代信息技术、脑机+新材料等领域的专业化特色产业基地，由杭州启真未来科技发展有限公司负责全面运营。

基地依托浙江大学在脑机智能方面的学科优势，以脑机智能作为核心科技支撑，贯彻浙江大学国家大学科技园“有组织科技成果转化、有靶向科技企业孵化、有体系未来产业培育”的服务体系，致力于打造脑机智能领域具备成果显示度、区域影响力的产业化高地。