《Annals of Neurosciences》：Electroencephalography Changes in Emotional Recognition: A Signal Processing Approach Using Wavelet Features
编辑推荐：
背景：基于脑电图（electroencephalography, EEG）的情绪识别因其能够捕获实时的神经反应，在情感计算与人机交互领域引起了广泛关注。与情绪状态相关的EEG信号变化可在唤醒-效价框架内，利用基于小波的信号处理方法进行分析。目的：本研究旨在采用
背景：基于脑电图（electroencephalography, EEG）的情绪识别因其能够捕获实时的神经反应，在情感计算与人机交互领域引起了广泛关注。与情绪状态相关的EEG信号变化可在唤醒-效价框架内，利用基于小波的信号处理方法进行分析。目的：本研究旨在采用基于小波的信号处理方法，在唤醒-效价框架内分析与情绪状态相关的EEG信号变化。方法：本研究为一项前瞻性观察性研究，共纳入48名健康参与者。使用在唤醒-效价模型下分类的图像、视频和音乐刺激诱发情绪状态，并采用标准10-20电极放置系统记录EEG信号。研究人员对所采集的信号进行预处理，并使用离散小波变换（discrete wavelet transform, DWT）提取时频特征，包括能量和熵。研究人员通过统计分析评估了半球差异和性别差异。结果：在多种情绪状态下，左、右半球之间的EEG活动存在差异（p < .05）。与图像刺激相比，视频和音乐刺激产生了更强且更可区分的EEG反应，负性情绪比正性情绪表现出更高的判别模式。EEG反应中亦观察到基于性别的差异。结论：基于小波的EEG特征分析为情绪识别提供了有意义且可区分的信息，并可能为未来基于机器学习的情感识别系统提供稳健的特征集。研究人员指出，未来需要纳入分类算法和更大数据集的研究以验证其预测性能。
**情绪识别中的脑电图变化：基于小波特征的信号处理研究解读**
**一、研究背景与问题**
情绪是人类认知功能中复杂且核心的组成部分，涉及对外部刺激的生理、心理和行为反应。尽管基本情绪如快乐、悲伤、恐惧、愤怒、惊讶和厌恶在日常生活中至关重要，科学界对人类情绪机制的理解仍相对有限。传统情绪识别方法常依赖面部表情或行为分析，但这类“外在”表现可被主观掩饰，难以反映真实的内在情绪状态。脑电图（electroencephalography, EEG）作为一种能够实时捕捉神经电活动的生理信号技术，具有客观、不易伪装等优势，因而在情感计算和人机交互（human-computer interaction, HCI）领域受到广泛关注。然而，EEG信号具有非平稳、高维度和个体差异大等特点，如何有效提取与情绪状态相关的判别性特征仍是该领域的关键难题。此外，以往研究多侧重于机器学习模型的构建，对特征层面的系统统计分析和神经生理学解释相对不足。基于此，研究人员开展了一项前瞻性观察性研究，旨在运用基于小波的信号处理方法，在唤醒-效价框架内系统分析脑电信号随情绪状态的变化规律，并探讨半球差异、性别差异以及不同刺激模态对EEG反应模式的影响，以期为未来自动化情绪识别系统提供稳健且计算高效的特征基础。
**二、研究设计与核心方法**
该研究于2024年4月至7月在印度金奈Sri Ramachandra高等教育与研究研究所（SRIHER）神经内科EEG实验室开展，共纳入48名健康参与者，其中男性29名、女性19名，年龄均在18岁及以上。所有参与者均经过筛查以排除可能影响EEG记录的神经、精神或全身性疾病。情绪诱发采用三种刺激模态：基于国际情感图片系统（International Affective Picture System, IAPS）标准化图像的视觉刺激、基于自设计视频及利用生理信号进行情绪分析的数据库（Database for Emotion Analysis using Physiological Signals, DEAP）的视频刺激，以及情绪特异性音乐刺激。在唤醒-效价模型框架下，目标情绪状态包括高唤醒-正效价（愉悦）、高唤醒-负效价（愤怒）、低唤醒-负效价（悲伤）和低唤醒-正效价（满足）。EEG信号按照标准10-20国际电极放置系统，采用24通道数字EEG采集系统（Nihon Kohden, India）记录，并设置三种导联配置：前后（anteroposterior, AP）双极导联、左右（right-left, RL）横贯导联和平均参考导联。预处理步骤包括去除噪声和基线漂移、维持电极阻抗低于5 kΩ、0.5-45 Hz带通滤波和50 Hz陷波滤波，排除含有眨眼、肌电伪迹或运动伪影的时段，并按刺激时长对信号进行分段。特征提取方面，研究人员采用Daubechies-4小波的五级离散小波变换（discrete wavelet transform, DWT），将EEG信号分解为δ、θ、α、β和γ频带，并提取小波能量、熵以及系数的均值和方差作为特征。统计方法上，采用配对样本t检验比较左右半球间的EEG特征差异，采用独立样本t检验评估性别差异，所有统计分析在Microsoft Excel中进行，显著性水平设定为p < .05（双尾检验）。
**三、主要研究结果**
*1. 总体EEG活动模式*
描述性统计分析显示，情绪状态下EEG活动存在明显的半球差异和性别差异。女性参与者在愉悦、愤怒和悲伤等情绪下，左右半球的平均EEG值均高于男性，提示女性具有更强的情绪反应性。男性参与者的EEG变异相对较低，神经反应较为稳定。
*2. 视频和音乐刺激诱发更强的EEG反应*
在三种刺激模态中，视频和音乐刺激诱发的EEG反应比图像刺激更强、更具区分度。动态和多模态刺激能够更有效地激活情绪相关神经环路，产生更清晰可辨的脑电模式。
*3. 负性情绪具有更高判别性*
与正性情绪相比，负性情绪条件下EEG特征表现出更高的判别模式，提示负性情绪的神经激活模式在特征空间中分离度更高，为分类模型的构建提供了更有利的条件。
*4. 性别差异的统计验证*
对于大多数情绪类别，男女参与者的EEG反应差异具有统计学意义（p < .05），唯一例外是满足情绪，该类别未观察到显著差异。女性在额区和颞区的EEG活动尤为突出，进一步支持了女性在情绪处理中具有更高的神经敏感性。
**四、讨论与结论**
讨论部分指出，视频和音乐刺激诱发更强的EEG反应，这与情感计算和人机交互领域中动态刺激更能引发情绪投入的既有研究一致。半球不对称性方面，左半球在正性情绪中的优势与右半球在负性情绪中的优势符合情绪偏侧化的神经生理学理论，而这种不对称性为情绪检测算法提供了实用的特征空间。从信号处理角度看，小波特征成功表征了EEG信号的非平稳时频特性，适合应用于EEG驱动的情感计算。性别差异的结果提示个体差异在情绪处理中的重要作用，从计算视角看，这强调了在情绪识别系统中纳入个性化或自适应模型的必要性。研究结果对情感计算和人机交互系统具有直接启示：包含多模态输入的系统可能比仅依赖静态视觉刺激的系统获得更高的识别精度。研究结论部分指出，初步证据表明EEG对情绪刺激的反应存在性别差异，且组间差异具有统计学显著性，但这些差异的幅度未通过效应量加以量化，应谨慎解读。这些发现促进了对情绪处理机制的理解，并可能在神经科学、心理健康评估和人机交互系统中具有潜在应用价值。作为一项以特征提取和统计分析为核心的研究，该工作为未来基于监督分类算法的自动化情绪识别模型提供了计算高效的特征基础，后续研究可在此基础上结合分类算法和更大规模的数据集，进一步验证特征集的预测性能和泛化能力。
