基于Lp(0<p≤1)范数的时变脑电分析方法及其在情绪机制、状态评估中的应用研究

Revealing dynamic changes of emotion processing provides theoretical basis for mental illness prevention and control, and promotes the cognitive neuroscience researches to develop in depth. Electroencephalography (EEG) with millisecond-scale temporal resolution efficiently records the transient brain activity, which can objectively reflect the real-time change of emotional states. However, traditional EEG analysis methods cannot skip the trivial artifacts removal stages due to the influence of ocular artifacts, resulting in lack of real-time emotional analysis methods in both clinical and neuroscience researches. A series of studies converge on a consistent conclusion that the influence of ocular artifacts and outliers can be alleviated in the Lp(0<p≤1) norm space. Thus, this project proposes to develop Lp(0<p≤1) norm-based time-varying EEG analysis, aimed at offering robust time-frequency analysis and dynamic brain networks estimation for the research of emotion processing mechanism. On this basis, it further utilizes superiority of long-short term memory network, which allows for preservation of the local structure and time-varying information extraction, to mine the dynamic complementary relationships between EEG based time-frequency topology and time-varying brain networks in depth, and project them into emotion-dimension space for real-time emotion analysis. Finally, this research will offer scientific evidence to reveal the dynamic changes of emotion processing.

揭示情绪加工的动态变化规律，能够为精神疾病的防治提供科学的理论依据，促进认知神经科学等相关领域的深度发展。脑电具备毫秒级的时间分辨率，可以有效记录大脑活动的瞬息万变，从而客观反映个体情绪状态的实时变化。但是，由于眼电伪迹等干扰的存在，现有的脑电分析方法仍然无法摆脱繁琐复杂的伪迹去除环节，临床和认知科学研究依然缺乏可靠的实时情绪分析技术。研究表明Lp(0<p≤1)范数空间能够抑制眼电伪迹和离群值干扰的影响，因此本项目拟基于Lp(0<p≤1)范数发展能够自动抑制伪迹干扰的时变脑电分析方法，为情绪转化的机制研究提供可靠的时频分析和时变脑网络估计方案。在此基础上，利用长短时记忆网络兼顾结构信息捕捉和时变信息保留的双重优势，深度挖掘脑电在时频拓扑和时变网络连接中的动态互补关系，估计互补信息在情绪维度空间的分布，实现可靠的实时情绪分析，为揭示情绪加工的动态变化规律提供科学的依据。

具有毫秒级时间分辨率的脑电信号可以实时反映大脑认知加工的相关信息，在研究情绪的动态演化模式和变化规律中具有天然的优势。然而，脑电信号在采集过程中会受到眼电伪迹等强噪声干扰致使大量有用信息被淹没。因此，项目以探究情绪的动态演化模式为导向，围绕鲁棒的脑电时频分析方法开展相关研究。在项目执行期间，我们从鲁棒的脑电时频分析和多维度情绪脑电特征融合两方面入手探究了情绪加工过程关联的脑电动态演化模式以及脑电多维特征耦合模式在情绪加工过程中的变化规律。主要研究成果涵盖以下三个方面：1）在鲁棒的脑电分析方法研究方面，主要发展了基于L1范数和鲁棒噪声分布的脑电网络估计技术和时频分析方法，它们在眼电伪迹干扰下相较于传统方法在系数估计，信号预测和大脑固有网络模式刻画等方面均表现出良好的稳定性；2）在多维度情绪脑电特征融合方面，发展了基于深度学习的脑电静态和动态多维特征耦合方法，他们在情绪识别准确率和特征的神经可解释性方面也表现出良好的性能；3）基于前期研究发展的鲁棒脑电分析方法和多维度特征提取技术，我们进一步揭示了不同情绪状态下头皮激活与脑电网络的多模耦合模式，发现正性情绪的头皮激活与脑电网络的耦合模式主要存在于左右颞叶和枕叶；负性情绪的头皮激活与脑电网络的耦合模式主要存在于左侧额颞叶、左侧颞枕叶以及右侧颞叶；中性情绪的头皮激活与脑电网络的耦合模式主要存在于左侧额颞叶、左侧颞枕和右侧颞枕叶，对应其认知加工的强耦合模式主要分布于中央区域。总的来说，这些研究成果可以为情绪加工的相关的认知机制解释提供丰富的计算工具和科学的量化依据。