抑郁症患者脑电导联选择算法及分类研究

基于EGI公司64导脑电采集系统,采集了16位青少年抑郁症患者和16位正常人静息态下闭眼4分钟的脑电数据。运用频谱不对称分析法(Spectral Asymmetry Index,SASI)和去趋势波动分析(Detrended Fluctuation Analysis,DFA)算法提取脑电时域和频域特征。针对提取的特征的导联,一方面,选择最佳电极Pz作为分类的导联,另一方面,通过遗传算法对所有导联进行筛选,将筛选后的导联特征用于分类。使用支持向量机(Support Vector Machine,SVM)在单导联和多导联的情况下,对抑郁症患者和正常人进行分类,结果发现,单导联下,使用SVM分类器对抑郁组和对照组的SASI和DFA结果进行分类,分类精度分别为45.5%和51.5%,使用遗传算法的分类精度分别为78.1%和90.6%,SASI算法的计算实时性优于DFA算法,DFA算法的准确性优于SASI算法。该研究为抑郁症的计算机辅助诊断提供了理论依据。

联合脑电信号与虚拟技术的大脑情绪状态的半球不对称性研究

为区分大脑的情绪状态以及研究在不同情绪状态下的大脑半球不对称性,征选20名健康视听无障碍的受试作为实验对象,联合虚拟现实(VR)技术和脑电(EEG)监测,在不同的VR影片刺激下,采集受试脑电信号,提取各频段的平均功率谱密度,并计算大脑半球不对称性的参考指数,对比在不同情绪状态下各频段与各脑区下的参考指数。结果显示,相较于中性情绪,积极情绪与消极情绪在额区的半球不对称性指数均偏小,但在alpha频段,额区出现积极(0.130±0.227)、中性(0.058±0.240)、消极(0.006±0.130)依次递减的指数趋势,表明积极情绪下左侧额区更加活跃,且积极情绪与消极情绪两组间有具显著差异(P<0.05);而在其他频段中,额区的半球不对称性指数较为平均。此结果可为不同情绪的区分提供新思路,也为脑功能疾病以及心理疾病的判断和治疗提供新方法。

脑电信号中的频谱不对称指数特征与情绪识别

研究了脑电信号中的频谱不对称指数(SASI),采用国际标准图片刺激被试者诱发产生正、中和负性情绪并采集其脑电信号,依据后期正电位段具有特征性的特点[7],对来自不同脑区、电极的1 000~1 500 ms时间段内脑电信号选取后期正电位段进行处理分析,分别计算不同脑区分别处于正、中、负性情绪时脑电信号的平均SASI。结果显示,相比于中性情绪,处于负性情绪时的SASI明显偏大;处于正性情绪时的SASI明显偏小,尤其是在左颞区、右颞区和枕叶区其特征性更加明显,表明SASI可作为情绪种类识别的特征量之一,若与后期正电位特征量结合使用,有望显著提高情绪种类识别的准确率。