陈志华，石诗余

(大连交通大学 软件学院，辽宁 大连 116028)*

0 引言

脑电波是一种非常复杂的非线性生理信号，有多个不同的复杂变量组成.为了减少变量数目并提取出重要的特征变量，通常采用主成分分析方法对数据进行简化和特征提取［1］.通过主成分分析的方法，可以把高维空间的问题转化到低维空间进行处理，将多个变量转化为少数几个综合变量(即主成分)，并加以应用.作为最重要的多元统计方法之一，主成分分析在多个领域都有着重要的应用.

对脑电数据的分析研究中，主成分分析方法是一种重要的数据分析方法.在以往的研究中，主成分分析常被用于简化脑电数据，或者用来去除脑电信号中的伪迹，使得其他研究得以简化并得到较好的结果，而主成分的贡献率变化这一特征常常被忽略［1-5］.应用主成分分析基于脑电图研究应用在脑电图研究各个方面，但是就使用主成分分析分析情感方面的变化而言，大多数使用音乐刺激的方法进行分析［6-7］.而短的无声视频进行视觉刺激的研究则较少出现.

本文针对观看两种不同的视频过程中采集的脑电情感变化脑电节律进行了主成分分析，然后对两种不同状态的分析结果进行比较，通过不同情绪时的第一及第二主成分的贡献率的差异，来研究人脑的感情变化的特征.这将为为脑电图数据分析以及脑电研究提供基础性的分析，并为进一步的研究做参考.

1 主成分分析方法

采用主成分分析方法进行分析，首先对数据进行了标准化处理，之后计算出相关系数来得出相关系数矩阵，最后对数据进一步分析，计算出相关的特征值和特征向量，接下来通过贡献率的大小，取出前90%的贡献率，并计算出其相应的载荷就完成了主成分分析.完成的主成分分析的结果贡献率分布如图1所示.

图1 XXX的各个成分的贡献率分布

完成主成分分析后，比较2次不同情绪下贡献率的差异就可以完成对情感的判别.在本次研究中，采用的是第一主成分和第二主成分的贡献率的变化来进行分析.因为第一主成分能最大限度的反应样本之间的差异.而且只能用第一主成分来进行排序.而第二主成分可以用来验证第一主成分，所以本次研究采用的的第一主成分进行分析，用第二主成分加以验证的做法.

2 实验过程

2.1 脑电采集设备和预处理

采用日本光电工业株式会社制造的脑电图机(EEG-9200K)来完成脑电数据的采集.作为一种常用的32导的脑电图机，该脑电图机有着很优良的性能，采集的数据准确、误差较小，同时能在一定程度上排除外界干扰对脑电数据的影响.

选用国际常用的10-20脑电极系统中比较常用的19个脑电极完成数据的采集，其中每一个脑电极可以被视为一个原始成分进行分析，f分析所采用的19个脑电极的名称和具体位置如图2所示.

图2 分析数据时所采用的电极

在本次实验中，电极的阻抗保持在10以下.采样频率为500 Hz，信号过滤范围为0.1～60 Hz.这样基本保证了数据的有效性.

2.2 实验对象及环境

本次实验受试者全部为大连交通大学在校学生，年龄在22～25岁之间，身体健康无相关疾病.这次试验共有52名受试者参加，其中男生34人，女生18人，每人需要分别做2次实验.除去3例因环境因素造成的无效数据后，有习惯使用左手的男生2人次，有习惯使用右手的男生67人次，有习惯使用右手的女性34人次，共计103组数据.实验地点在大连交通大学一实验室进行，室内光线适中，温度适宜，周围无线信号和噪音对脑电信号的采集无明显干扰.

2.3 实验步骤

首先，受试者安静闭眼1 min，然后令受试者睁眼调整坐姿，以免实验中因不能长久保持坐姿而有所晃动，对脑电图数据产生干扰;然后，给参与实验人员播放黑白噪音视频.播放完毕实验人员睁眼调整放松.调整之后，播放一段可爱猫的视频(在第2遍时为与第一段不同的可爱猫视频).每段视频的长度为30 s.

播放两段视频后分别询问受试者，发现所有受试者对于后一段视频的愉悦程度均高于前者.

2.4 视频的选取原则

本次试验采用的视频应尽可能简单，同时使得刺激尽可能有效并具有一定的普遍性，而视频的时间应该在30 s左右，这些可以使诱发情绪的时间可以控制在合理的范围内.在本研究中，采用的是可爱猫和黑白噪音的无声视频.

为保证视频有效性，在观看视频前，两段视频均对所有受试者保密.同时第2次实验采取了与第一段近似但略有不同的可爱猫视频来保证对受试者有足够的愉悦度.3段视频的截图如图3所示.

图3 诱发人产生不同情绪的视频截图

2.5 实验数据的分析波段选取

本实验提取数据中4～30 Hz频段用来数据分析，因为α和β波作为成年男性脑电波中存在的主要波段，提取这一频段的信息可以较大程度排除噪声和其他波的干扰，同时保留数据中的最有效特征，θ波段虽然在成年脑电图占的比重较小，但是通过θ波一般能较明显的表现出情感变化的特征，而且α，β和θ3个波段互相之间并不能完全的独立.因此决定采用4～30 Hz这一频率作为这次实验分析的分析波段.

3 实验结果分析

3.1 愉悦和不愉悦情况下的结果对比

对于日常生活中习惯用右手的女生，相对于不愉悦时，大部分人(85%)在愉悦时的第一主成分贡献率增大，这说明第一主成分的情感变化荷载变大.而与之相反，绝大多数(96%)第二主成分在愉悦时的贡献率减小，即第二主成分情感变化荷载减小.

但对于习惯用右手的男生来说，随着愉悦度的提高，根据情感变化的第一主成分的相关数据计算得出的情感变化载荷的差值为正的，接近50%，因此没有参考意义.同一样本群中的第二主成分随着愉悦度，67%的第二主成分有所增大的降低，说明情感变化能导致一半的人结果下降但是结果并不显著，不能进行有效的判别.

由于男生习惯用左手的受试者只有1人2例而女生无习惯用左手的受试者.所以未进行分析.具体的结果如表1、2所示，表中第一主成分为同一受试者在高兴和不高兴的两种情况下第一主成分的贡献率的差值，第二主成分为同一受试者在高兴和不高兴的两种情况下第二主成分的贡献率的差值.

表1 男生分析结果

表2 习惯使用右手的女生分析结果

3.2 各个电极对第一主成分的贡献率

为了进一步探究各个区域对脑电情绪变化的影响，对数据原有的电极对第一主成分的贡献率进行分析.数据表明，无论在高兴和不高兴的时候，大部分人对第一贡献率最大的电极为FP1、FP2或者是F3、F4，证明人类在情感变化时，大脑前部皮层区的活动比较强.男生和女生在贡献率前几名的分布都集中在大脑的中前部FP1、FP2，F3、F4，C3、C4，以及 O1 、O2两个电极代表的视觉识别区.但是从总体来说，男生的脑电极的贡献范围比女生更加集中，更加趋向于F3，F4附近的脑前中部区域.

通过愉悦和不愉悦时的电极分布情况对比发现，就同一个人而言，不愉悦时电极分布更偏向于左边，愉悦时电极的分布更偏向于右边.但是对于不同人来说区域并不相同，而且有很多人出现了愉悦时比不愉悦时更靠左的区域，并不好直接用来判别.

4 讨论

通过视频刺激的实验和使用主成分分析方法进行分析.初步得出以下结论:主成分分析的贡献率变化对习惯使用右手的正确率达到了83.8%，拥有一定的区分度.但是男生识别的正确率只有55%，并不能很好的区分情感变化.这可以归结为以下几方面因素:

(1)相对于非线性信号，主成分分析对于线性信号的分析更加有效，而对非线性信号则可能造成一定的精度损失.脑电波信号是一种比较典型的非线性的信号，如果换用非线性主成分分析［8］和独立成分分析结合的办法可能能避免一定的精度损失，能提高其正确率;

(2)通过分析不同情感变化下原电极对第一主成分的贡献率，我们发现相比于女生，男生的视觉识别区的变化不明显，而在前头部的区域的活动相对来说则比较明显.仅对于前头部区域而言，在不愉悦向愉悦变化的过程中，虽然男生的变化比女生明显一些，但是仅仅就贡献率而言，这一点区别尚不足于用来判别情绪变化.而女生因为有O1，O2视觉识别区的变化较明显，使得在不同情绪下的贡献率变化比较大，能够较好的排除脑随机信号的影响.为了进一步区分男生情绪变化的正确率，可以采用只分析前头部来完成实验，但是这样的结果也不能很好的来完成情绪的判别.由于每人前头部的各个电极的贡献率是不同的，尚未找到能够一个合适的区域来描述大部分人在视频刺激时的脑电主要变化区域，而不引入其他区域的随机信号的方法;

(3)可能跟选取的视频类型有关.通过查阅资料和以前做的听音乐时的实验发现，采用不同类型的愉悦或者难过的音乐素材的时候，所获得的情感识别正确率有一定的差异，而且对于男生和女生产生的差异是不同的［7，9-11］.因此推测，在选取不同类型的视频进行分析时，所产生的情感变化时也是不同的.不同的声学特征可能导致不同的情感变化，而且对于不同声学特征导致的男女生的情感变化也略有差异［7，9，12］.对于图片的分析，虽然没有明确的特征.但是通过一些模型，还是可以找到不同图片刺激情感变化的差异［13］.但是对于不同图片特征导致的男女情感变化的差异，尚没有有效数据来说明.就无声视频而言，尚没有一个明确的模型来完成以上的分析.所以，就目前而言，我们只能根据国际来选取一个较好的无声视频来完成实验;

通过以上的讨论表明，采用主成分分析方法能初步完成对女生情感变化的区分，但是就对男生的情感变化而言，尚不能完成很好的情感变化.下一步，我们将对主成分分析的算法做进一步改进，同时，结合其他算法来提高男生的识别正确率.

［1］ONG KM.Selection of a Subset of EEG Channels using PCA to classify Alcoholics and Non-alcoholics［C］.Annual International Conference of the IEEE Engineering in Medicine and Biology Society，2005.

［2］MEGHDADI AH.Detecting determinism in EEG signals using principal component analysis and surrogate data testing［C］.Annual International Conference of the IEEE Engineering in Medicine and Biology Society，2006.

［3］ JÜRGEN KAYSER.Principalcomponentsanalysis(PCA)as a tool for identifying EEG frequency bands:I.Methodological considerations and preliminary findings［J］.New York Psycho-physiology，2000(3):65-68.

［4］杜晓燕，李颖洁，朱贻盛，等.脑电信号伪迹去除的研究进展［J］.生物医学工程学杂志，2008(2):464-467.

［5］孙宇舸，叶宁、许心和，等.基于PCA和小波变换的脑电信号的特征提取［C］.2007中国控制与决策学术年会论文集，2007.

［6］谢康.情绪音乐的脑电识别算法［D］.四川:电子科技大学，2013.

［7］马翔宇，陈志华、邹飒枫，等.基于主成分分析的音乐事件相关脑电变化研究［J］.现代生物医学进展，2009(3):490-492.

［8］SAIKUMAR DEVULAPALLI.Non-Linear Principal Component Analysis And Classification Of EEG During Mental Tasks［J］.International Journal of Neural Systems，2012(5):42-45.

［9］卢英俊，戴丽丽，吴海珍，等.不同类型音乐对悲伤情绪舒缓作用的EEG研究［J］.心理学探新，2012(4):369-375.

［10］王亚卿，曹艳珺，樊浩宇，等.基于脑电(EEG)信号的“愉快-不愉快”情绪分析［J］.计算机与现代化，2012(7):88-91.

［11］LOLITA MERCADIÉ1 .Effect of synchronized or desynchronized music listening during osteopathic treatment:An EEG study［J］.Psycho-physiology，2014(6):52-59.

［12］YUAN-PIN LIN.Fusion of electroencephalographic dynamics and musical contents for estimating emotional responses in music listening［J］.Frontiers in NeuroScenice，2014(5):78-81.

［13］黄崑，赖茂生.图像情感特征的分类与提取［J］.计算机应用，2008(3):659-661.