腦電信號(hào)與個(gè)人情緒狀態(tài)關(guān)聯(lián)性分析研究*

陳 萌，李幼軍，劉 巖

北京工業(yè)大學(xué) 電子信息與控制工程學(xué)院，北京 100124

腦電信號(hào)與個(gè)人情緒狀態(tài)關(guān)聯(lián)性分析研究*

陳 萌+，李幼軍，劉 巖

北京工業(yè)大學(xué) 電子信息與控制工程學(xué)院，北京 100124

人的情緒是人們對(duì)于客觀事物是否滿足自身需求而產(chǎn)生的一種綜合狀態(tài)，與生理信號(hào)有著密切的關(guān)聯(lián)。對(duì)被試者心理狀態(tài)剖面圖（profile of moods states，POMS）的分量值和同時(shí)記錄的個(gè)體靜息態(tài)的腦電信號(hào)（electroencephalogram，EEG）特征值進(jìn)行關(guān)聯(lián)性分析研究。用小波變換對(duì)原始腦電信號(hào)進(jìn)行預(yù)處理，腦電信號(hào)的特征值提取過程采用了經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）的方法，從預(yù)處理過的腦電信號(hào)中提取波動(dòng)指數(shù)作為腦電特征值，隨后將提取出的腦電特征值與POMS各分量值進(jìn)行Pearson關(guān)聯(lián)性分析。通過對(duì)8個(gè)被試者連續(xù)7天的POMS量表和腦電信號(hào)的記錄與分析，得到腦電信號(hào)與情緒量表中的分量存在一定的正相關(guān)關(guān)聯(lián)。

心理狀態(tài)剖面圖（POMS）量表；腦電信號(hào)（EEG）；經(jīng)驗(yàn)?zāi)B(tài)分解（EMD）；皮爾森相關(guān)性分析

1 引言

情緒是人們對(duì)客觀事物或情景（外界或自身刺激）是否滿足自身愿望或需要而產(chǎn)生的態(tài)度體驗(yàn)，是人們多種感覺、思想和行為反應(yīng)綜合產(chǎn)生的心理和生理狀態(tài)[1]。情緒狀態(tài)有積極和消極之分，日常生活中人們較常體驗(yàn)到的情緒感受有高興、抑郁、疲勞、驚慌、憤怒和緊張等。情緒研究的應(yīng)用前景廣闊，在人機(jī)交互、醫(yī)療健康、遠(yuǎn)程教育、娛樂游戲開發(fā)等眾多領(lǐng)域均有重大的應(yīng)用價(jià)值[2-3]。之前，對(duì)于人們情緒狀態(tài)的評(píng)估手段主要是通過被試者主觀地反饋對(duì)自身的評(píng)價(jià)得到的，而通過客觀的生理信號(hào)獲取被試者情感狀態(tài)的手段更具有客觀性，生理信號(hào)是伴隨著人的情感狀態(tài)由人體器官產(chǎn)生的一種客觀的生物電信號(hào)。對(duì)于從客觀生理信號(hào)來進(jìn)行人們情緒狀態(tài)的評(píng)估是有理論依據(jù)的。美國(guó)紐約城市大學(xué)巴魯克學(xué)院和研究生院的心理生理學(xué)實(shí)驗(yàn)室的Andreassi教授指出生理信號(hào)與情緒狀態(tài)的變化存在客觀關(guān)系[4]。

腦電信號(hào)是最重要的生理信號(hào)之一，在情緒研究方面一直受到高度的重視。腦電信號(hào)是大腦內(nèi)部?jī)|萬神經(jīng)元活動(dòng)在大腦皮層的綜合反映，能夠直接反映大腦的活動(dòng)情況，情緒狀態(tài)的不同和各種情緒的變化會(huì)在不同的大腦皮層位置反映出不同的腦電信號(hào)。英國(guó)倫敦大學(xué)的Eimer和Holmes用帶有驚恐和中性表情的人臉圖片作為刺激材料并利用事件相關(guān)電位來找出驚恐情感和中性情感間的差異[5]。Lin等人以音樂作為刺激材料，通過電極帽采集情感實(shí)驗(yàn)中的被試者腦電信號(hào)來進(jìn)行情緒識(shí)別[6]。Frantzidis等人以圖片作為視覺刺激對(duì)測(cè)試者進(jìn)行試驗(yàn)，他們將所得到的數(shù)據(jù)分為心情愉悅和心情低落，高興奮度和低興奮度，并利用馬氏距離分類法進(jìn)行情感分類具有很高的分類精度[7]。Scotti等人將腦電特征與皮膚阻抗、血壓、心電等外圍生理信號(hào)一起作為情感識(shí)別的特征[8]。Zhang和Lee將腦電信號(hào)與人臉表情信號(hào)結(jié)合在一起來識(shí)別被試者的情感狀態(tài)[9]。

雖然對(duì)情緒分析的方法有很多[10-11]，但以往研究主要以通過圖片或者音樂刺激被試者從而記錄被試者的腦電反映為主，而且主要研究正性、中性、負(fù)性情緒的識(shí)別，對(duì)長(zhǎng)時(shí)間跟蹤個(gè)人情緒狀態(tài)變化進(jìn)行研究和多情緒之間識(shí)別則很少。本文通過運(yùn)用心理狀態(tài)剖面圖（profile of moods states，POMS）量表在長(zhǎng)時(shí)間周期（每個(gè)被試者測(cè)試7天）跟蹤記錄被試者情緒狀態(tài)和同時(shí)期的腦電信號(hào)來進(jìn)行研究。

POMS量表是由美國(guó)的Mcnair等人于1971年編制而成的一種情緒狀態(tài)評(píng)定量表，它包括6個(gè)分量表（緊張、壓抑、憤怒、精力、疲勞和慌亂），共65個(gè)選項(xiàng)[12]。Grove等人在1992年第2期國(guó)際運(yùn)動(dòng)心理學(xué)雜志發(fā)表簡(jiǎn)式POMS問卷，其中增加了“與自尊心有關(guān)的情緒”分量表，其信度相關(guān)系數(shù)平均值為0.798，其預(yù)測(cè)效度也很高[13]。Zhu等人在全國(guó)22個(gè)省市內(nèi)隨機(jī)測(cè)試了大學(xué)生1 060名，中學(xué)生522名，對(duì)他們回答的各分量表得分與相應(yīng)的有關(guān)題目得分進(jìn)行相關(guān)考驗(yàn)，發(fā)現(xiàn)簡(jiǎn)式POMS問卷的信度在0.62～0.82之間，平均r=0.71，同樣具有很高的信度[14]。因此本文采用簡(jiǎn)式POMS量表作為記錄和評(píng)估被試者情緒狀態(tài)的工具。

簡(jiǎn)式POMS共7個(gè)分量表，40個(gè)形容詞，各分量表的詞目混合排列。每一項(xiàng)的回答有5個(gè)分?jǐn)?shù)等級(jí)；0表示全無；1表示有一點(diǎn)；2表示中等；3表示很多；4表示非常多。情緒狀態(tài)總估價(jià)的計(jì)算公式是：消極的情緒分（緊張、壓抑、憤怒、疲勞和慌亂分之和）減去積極的情緒分（精力和與自尊有關(guān)的情緒分之和），加上一個(gè)常數(shù)100。計(jì)算出來的情緒狀態(tài)總估價(jià)（total mood disturbance，TMD）分?jǐn)?shù)越高，表明更有消極的情緒狀態(tài)，即心情更為紛亂、煩悶和失調(diào)，反之性情平靜。在實(shí)驗(yàn)過程中，被試者要求根據(jù)當(dāng)時(shí)的心境狀態(tài)在這些描述心境的形容詞上選擇一種最符合自己情況的相應(yīng)等級(jí)。

本文設(shè)計(jì)了一套收集數(shù)據(jù)的標(biāo)準(zhǔn)流程和方法，用以收集被試者的情緒變化情況和靜息態(tài)的腦電信號(hào)；然后，采取經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）的分析方法進(jìn)行腦電信號(hào)特征值提取，得到了相應(yīng)的特征向量；最后，將POMS量表的情緒分量值與提取出來的EMD腦電特征值，通過Pearson關(guān)聯(lián)性分析，以得到腦電信號(hào)與情緒狀態(tài)分量之間的關(guān)聯(lián)情況。

2 實(shí)驗(yàn)設(shè)計(jì)、實(shí)驗(yàn)過程及數(shù)據(jù)收集

2.1 實(shí)驗(yàn)設(shè)計(jì)

實(shí)驗(yàn)?zāi)康氖菫榱朔治鲩L(zhǎng)周期內(nèi)靜息態(tài)腦電信號(hào)與個(gè)人情緒狀態(tài)（通過POMS量表分量）之間的關(guān)聯(lián)性分析。為此目的，需要采集被試者的靜息態(tài)腦電信號(hào)和同時(shí)期的POMS量表分量。

腦電數(shù)據(jù)使用Neurosky公司生產(chǎn)的Mindwave腦電設(shè)備進(jìn)行采集，采集前額葉FP1位置信號(hào)，參考電極為左耳垂，采樣頻率為512 Hz。為了得到可控的腦電信號(hào)，本實(shí)驗(yàn)設(shè)計(jì)了基于安卓4.0操作系統(tǒng)的便攜式腦電采集軟件和POMS量表評(píng)估的移動(dòng)端應(yīng)用軟件，軟件主要通過藍(lán)牙信號(hào)將腦電設(shè)備連接到移動(dòng)設(shè)備，在移動(dòng)設(shè)備內(nèi)存自動(dòng)生成文本文件，用以保存被試者的個(gè)人信息、腦電信息及POMS量表評(píng)估分?jǐn)?shù)。采集地點(diǎn)為北京工業(yè)大學(xué)WIC實(shí)驗(yàn)室。

2.2 實(shí)驗(yàn)過程及數(shù)據(jù)收集

實(shí)驗(yàn)對(duì)象為8例健康人，均來自北京工業(yè)大學(xué)在校學(xué)生。被試者7男1女，年齡范圍在22～26周歲，均值24.57，標(biāo)準(zhǔn)差1.62。被試者全部都是右利手，無任何精神疾病病史。被試者要求在每天傍晚7點(diǎn)左右?guī)螹indwave腦電信號(hào)采集裝置，清醒閉目，靜坐在安靜、弱光的室內(nèi)，與移動(dòng)設(shè)備建立連接采集腦電數(shù)據(jù)。實(shí)驗(yàn)持續(xù)一周，由于腦電信號(hào)采集與受試者精神狀態(tài)有極大關(guān)系，為了保證受試者保持在同一穩(wěn)定的精神狀態(tài)下，數(shù)據(jù)采集時(shí)間為5 min。腦電信號(hào)采集完畢后，被試者依據(jù)個(gè)人此時(shí)情緒狀態(tài)進(jìn)行POMS量表的評(píng)定，每天一次。實(shí)驗(yàn)一共采集到56條腦電原始數(shù)據(jù)及POMS量表結(jié)果數(shù)據(jù)，每條腦電數(shù)據(jù)包含3列信息，分別為時(shí)間、EEG轉(zhuǎn)換值、腦電電壓值，每個(gè)文件大小為4 MB，提取第三列作為腦電分析數(shù)據(jù)。每條POMS量表數(shù)據(jù)包括各個(gè)題目得分及總分。

3 數(shù)據(jù)處理

3.1 數(shù)據(jù)預(yù)處理

在POMS量表分析中發(fā)現(xiàn)8號(hào)被試者量表分量幾乎沒有變化，原因可能是8號(hào)被試者對(duì)POMS量表產(chǎn)生記憶影響或者是被試者對(duì)于自身情緒變化的敏感程度不大，因此其情緒分量幾乎沒有變化，對(duì)其進(jìn)行關(guān)聯(lián)分析沒有太大的意義，故將8號(hào)被試者剔除。

實(shí)驗(yàn)中腦電信號(hào)十分微弱（μV級(jí)），主要頻段在3～32 Hz范圍內(nèi)，極易受到外界各種噪聲的干擾，主要有工頻干擾（50 Hz）、肌電干擾、偽跡等，需要進(jìn)行預(yù)處理。首先，從腦電原始數(shù)據(jù)中提取第2到第3分鐘之間的1分鐘進(jìn)行分析，共13 720個(gè)腦電原始數(shù)據(jù)。使用1～40 Hz的帶通濾波器濾掉EEG漂移信號(hào)和肌電干擾信號(hào)，保留主要頻段。然后運(yùn)用小波分析方法，通過極大極小值閾值法將腦電信號(hào)頻帶重疊部分的干擾消除，對(duì)處理過后的小波系數(shù)進(jìn)行小波重構(gòu)后得到濾波后的EEG波形。經(jīng)測(cè)試，采用db5小波函數(shù)進(jìn)行5層分解濾波，重構(gòu)后的信號(hào)效果最好。處理前后腦電圖如圖1、圖2所示。

由圖1和圖2可以看到，經(jīng)過小波去噪后的腦電信號(hào)毛刺部分減少，光滑性較好，可以得到較好的腦電重構(gòu)信號(hào)，便于下一步的處理。

預(yù)處理后的信號(hào)需要進(jìn)行特征值提取，基于腦電信號(hào)的非線性和非平穩(wěn)性特點(diǎn)，本文采用EMD時(shí)頻分析方法。EMD方法是Huang等人提出的一種自適應(yīng)的高效的數(shù)據(jù)分解方法[15]，該方法能根據(jù)信號(hào)本身的尺度特征對(duì)信號(hào)進(jìn)行分解，獲得一系列的固有模態(tài)函數(shù)（intrinsic mode function，IMF）分量，信號(hào)的非線性和非平穩(wěn)特征能在各層IMF分量中顯示出來。Thuraisingham等人計(jì)算每個(gè)IMF的希爾伯特加權(quán)頻率來研究脊髓損傷的病人與正常人在連續(xù)睜眼與閉眼時(shí)腦電變化[16]。Chai等人對(duì)每個(gè)IMF成分求其功率譜密度作為特征進(jìn)行研究[17]。EMD已經(jīng)在腦電研究領(lǐng)域得到了廣泛的應(yīng)用。

Fig.1 Original EEG signal圖1 原始腦電信號(hào)

Fig.2 Preprocessed EEG signal圖2 預(yù)處理后腦電信號(hào)

EMD基本思路是：假設(shè)任何復(fù)雜信號(hào)都是由一系列幅度和相位都隨時(shí)間變化的基本模式分量構(gòu)成，這種基本模式分量滿足兩個(gè)約束條件：

（1）在整個(gè)信號(hào)曲線上，極值點(diǎn)的數(shù)目與過零點(diǎn)的數(shù)目相等或者至多相差為1；

（2）在整個(gè)波形曲線中，由局部極大值所定義的上包絡(luò)線和由局部極小值所定義的下包絡(luò)線的均值等于0。

具體做法是：

步驟1找到原信號(hào)x的極值點(diǎn)，將所有極大值點(diǎn)及所有極小值點(diǎn)分別用一條曲線聯(lián)接起來，使兩條曲線間能夠包含所有的信號(hào)數(shù)據(jù)，從而得到信號(hào)x的上、下兩條包絡(luò)Umax和Umin。

步驟2計(jì)算兩條包絡(luò)線的平均值。

步驟3將均值從數(shù)據(jù)中減去x-m1=h1。

步驟4檢查h1是否滿足IMF的定義，不滿足需要將h1視為新的數(shù)據(jù)，重復(fù)（1）～（4）；否則，h1為分離出來的第一個(gè)IMF，記為c1=h1。

步驟5 x1-c1=r1。將r1看作新的數(shù)據(jù)重復(fù)以上步驟，直至rn變成一個(gè)常量、一個(gè)單調(diào)函數(shù)，或者成為僅有一個(gè)極值點(diǎn)的函數(shù)，即不能再提取出IMF時(shí)分解過程結(jié)束，此時(shí)rn稱為余量。原信號(hào)可表示為：

至此獲得了m個(gè)IMF和1個(gè)余量，標(biāo)號(hào)從低到高的IMF分別對(duì)應(yīng)于原信號(hào)時(shí)間尺度從細(xì)到粗的特征信號(hào)。對(duì)EEG信號(hào)進(jìn)行EMD分解得到各個(gè)IMF分量，然后提取IMF分量的特征。

EMD分解后可以得到11個(gè)IMF分量，前4個(gè)分量及頻譜圖如圖3所示。

由圖3可以看到，各層IMF代表了原始腦電信號(hào)中不同尺度的特征信號(hào)。第一層IMF主要包含25 Hz的能量，第二層主要包含了10 Hz的能量，第三層主要包含5 Hz的能量，第四層主要包含低頻2 Hz左右的腦電信息，各IMF分量有頻率隨著層數(shù)逐漸下降特性。而前3個(gè)IMF分量包含大部分腦電信息，因此選取前3個(gè)IMF分量進(jìn)行特征提取。

3.2 EEG特征向量提取

本文將波動(dòng)指數(shù)作為特征值進(jìn)行研究，波動(dòng)指數(shù)是用來衡量信號(hào)變化強(qiáng)度的指標(biāo)。不同情緒狀態(tài)下信號(hào)變化強(qiáng)度不一樣。其定義為：

其中，c(i)為EMD后得到的第i個(gè)IMF分量；n為IMF長(zhǎng)度。即用信號(hào)相鄰之間差值總和的平均數(shù)來表示信號(hào)的波動(dòng)強(qiáng)度。

每條腦電數(shù)據(jù)可以得到3個(gè)IMF特征值。選取第6人的特征值作為示例，如表1所示。

Fig.3 The first 4 IMF components and frequency spectrum圖3 前4個(gè)IMF分量及頻譜圖

Table 1 Fluctuation index of the sixth subject表1 第6個(gè)被試者波動(dòng)指數(shù)特征

3.3 皮爾森相關(guān)系數(shù)分析

皮爾森相關(guān)系數(shù)是一種線性相關(guān)系數(shù)，用來反映兩個(gè)變量線性相關(guān)程度的統(tǒng)計(jì)量，或者說可以用來計(jì)算兩個(gè)向量的相似度。隨機(jī)變量X、Y的相關(guān)系數(shù)為協(xié)方差與其標(biāo)準(zhǔn)差之積的比值。

兩個(gè)樣本之間的皮爾森相關(guān)系數(shù)如下公式：

其中，Pc為相關(guān)系數(shù)；(xi,yi),…,(xn,yn)為樣本值。相關(guān)系數(shù)是-1到+1之間的數(shù)值，Pc＞0，稱為正相關(guān)，Pc＜0，稱為負(fù)相關(guān)。絕對(duì)值越大，樣本之間的相關(guān)性就越高。

需要將被試者的POMS量表分量與腦電各個(gè)IMF特征值做相關(guān)性分析，同樣選取第6個(gè)被試者的POMS量表得分作為示例，如圖4所示。

將各個(gè)IMF分量的波動(dòng)指數(shù)特征值與POMS各分量的得分進(jìn)行相關(guān)性分析可以得到表2、表3、表4的結(jié)果，分別展示了前三層IMF分量與POMS量表的Pearson相關(guān)分析結(jié)果。

4 結(jié)果分析

Fig.4 POMS scale scores of the sixth subject圖4 第6號(hào)被試者POMS量表得分

Table 2 Correlation between the first IMF component fluctuation index and scale component表2 第一層IMF分量波動(dòng)指數(shù)與量表分量相關(guān)性

Table 3 Correlation between the second IMF component fluctuation index and scale component表3 第二層IMF分量波動(dòng)指數(shù)與量表分量相關(guān)性

由表2到表4的結(jié)果可以看到，第一層IMF特征值與量表的相關(guān)結(jié)果中，憤怒分量有4個(gè)被試者都呈現(xiàn)出顯著正相關(guān)，其中7號(hào)被試者出現(xiàn)了極顯著相關(guān)。而且6號(hào)被試者情緒中的自我分量與IMF特征值有顯著的負(fù)相關(guān)。第二層IMF分量特征值與情緒分量的相關(guān)結(jié)果中，憤怒分量有6個(gè)被試者都出現(xiàn)了顯著的正相關(guān)，其中1號(hào)被試者的自我分量與特征值有顯著的負(fù)相關(guān)。第三層IMF特征值與量表分量的相關(guān)結(jié)果中，憤怒分量也有4個(gè)呈現(xiàn)顯著的正相關(guān)，其中1號(hào)被試者與7號(hào)被試者出現(xiàn)了極顯著正相關(guān)的情況。1號(hào)與6號(hào)情緒中自我分量也有顯著的負(fù)相關(guān)。總體的相關(guān)性結(jié)果中，除了憤怒與自我分量有顯著相關(guān)性出現(xiàn)，其他情緒分量與IMF分量均沒有出現(xiàn)顯著相關(guān)。

在所有的21個(gè)特征值中，憤怒分量與IMF分量呈現(xiàn)顯著正相關(guān)高達(dá)15個(gè)，包含了3個(gè)極顯著正相關(guān)，所占比例為71.4%，情緒中的自我分量只有4個(gè)出現(xiàn)顯著的負(fù)相關(guān)，而其他的分量并沒有出現(xiàn)顯著相關(guān)。由此可以得出前額葉FP1位置的腦電與情緒量表中的憤怒分量有顯著正相關(guān)。

Table 4 Correlation between the third IMF component fluctuation index and scale component表4 第三層IMF分量波動(dòng)指數(shù)與量表分量相關(guān)性

5 結(jié)論與展望

為了研究長(zhǎng)周期內(nèi)情緒狀態(tài)與腦電的相關(guān)性，本文設(shè)計(jì)了一套進(jìn)行數(shù)據(jù)收集的標(biāo)準(zhǔn)流程和方法，采集被試者的POMS情緒狀態(tài)與腦電信息。隨后用EMD分析方法將腦電信號(hào)進(jìn)行分解，以波動(dòng)指數(shù)為特征值從IMF中提取相應(yīng)的特征向量。最后，將特征向量與POMS量表分量進(jìn)行Pearson關(guān)聯(lián)性分析，得到前額葉FP1位置腦電信號(hào)與情緒狀態(tài)量表的憤怒分量之間存在顯著的正相關(guān)。

本研究也有許多不足之處，未來工作中有以下方面需要加以改進(jìn)和提升：應(yīng)增加被試者數(shù)量來繼續(xù)驗(yàn)證結(jié)論。嘗試通過使用多電極便攜式腦電設(shè)備對(duì)其他腦部位置研究與情緒分量的相關(guān)性。在通過POMS量表記錄被試者情緒變化的過程中，可以通過隨機(jī)排列POMS量表分量順序的方式，減少由于被試者的記憶效果而不能正確反映情緒狀態(tài)的影響等。

[1]KoelstraS,Mühl C,Soleymani M,et al.DEAP:a database for emotion analysis using physiological signals[J].IEEE Transactions onAffective Computing,2012,3(1):18-31.

[2]Frantzidis C A,Bratsas C,Klados M A,et al.On the classification of emotional bio signals evoked while viewing affective pictures:an integrated data-mining based approach for healthcare applications[J].IEEE Transactions on Information Technology in Biomedicine:Special Section on Affective and Pervasive Computing for Healthcare,2010,14 (2):309-318.

[3]Kim M K,Kim M,Oh E,et al.A review on the computational methods for emotional state estimation from the human EEG[J].Computational and Mathematical Methods in Medicine,2013:573734.

[4]Filipovic S R,Andreassi J L.Psychophysiology:human behavior and physiological response[J].International Journal of Psychophysiology,2001,15(3):210-212.

[5]Eimer M,Holmes A.An ERP study in the time course of emotional face processing[J].NeuroReport,2002,13(4): 427-431.

[6]Lin Yuanpin,Wang Chihong,Jung T P,et al.EEG-based emotion recognition in music listening[J].IEEE Transactions on Biomedical Engineering,2010,57(7):1798-1806.

[7]Frantzidis C A,Bratsas C,Klados M A,et al.On the classi-fication of emotional biosignals evoked while viewing affective pictures:an integrated data-mining-based approach for healthcare applications[J].IEEE Transactions on Information Technology in Biomedicine,2010,14(2):309-318.

[8]Scotti S,Mauri M,Barbieri R,et al.Automatic quantitative evaluation of emotions in e-learning applications[C]//Proceedings of the 28th Annual International Conference of the IEEE Engineering in Medicine and Biology Society,New York,Aug 30-Sep 3,2006.Piscataway,USA:IEEE,2006: 1359-1362.

[9]Zhang Qing,Lee M.Ahierarchical positive and negative emotion understanding system based on integrated analysis of visual and brain signals[J].Neurocomputting,2010,73(16/ 18):3264-3272.

[10]Senechal T,Bailly K,Prevost L.Impact of action unit detection in automatic emotion recognition[J].Pattern Analysis andApplications,2014,17(1):57-67.

[11]Murugappan M,Ramachandran N,Sazali Y.Classification of human emotion from EEG using discrete wavelet transform[J].Journal of Biomedical Science and Engineering, 2010,3(4):390-396.

[12]Mcnair D M,Lorr M,Droppleman L F.Mannal for the profile of mood states.EdITS,1971.

[13]Grove J R,Prapavessis H.Preliminary evidence for the reliability and validity of an abbreviated profile of mood states [J].International Journal of Sport Psychology,1992,23(2): 93-109.

[14]Zhu Beili.Brief introduction of POMS scale and its model for China[J].Journal of Tianjin University of Sport,1995, 10(1):35-37.

[15]Huang N E,Shen Zheng,Long S R,et al.The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[M]//Mathematical, Physical and Engineering Sciences.London:The Royal Society,1998:903-995.

[16]Thuraisingham RA,Tran Y,CraigA,et al.Frequency analysis of eyes open and eyes closed EEG signals using the Hilbert-Huang transform[C]//Proceedings of the 34th Annual International Conference of the IEEE Engineering in Medicine and Biology Society,San Diego,USA,Aug 28-Sep 1, 2012.Piscataway,USA:IEEE,2012:2865-2868.

[17]Chai R,Ling S,Hunter G P,et al.Toward fewer EEG channels and better feature extractor of non-motor imagery mental tasks classification for a wheelchair thought controller [C]//Proceedings of the 34th Annual International Conference of the IEEE Engineering in Medicine and Biology Society,San Diego,USA,Aug 28-Sep 1,2012.Piscataway, USA:IEEE,2012:5266-5269.

附中文參考文獻(xiàn)：

[14]祝蓓里.POMS量表及簡(jiǎn)式中國(guó)常模簡(jiǎn)介[J].天津體育學(xué)院學(xué)報(bào),1995,10(1):35-37.

CHEN Meng was born in 1988.He is an M.S.candidate at Beijing University of Technology.His research interests include brain informatics,signal processing and data mining.

陳萌（1988—），男，河南鄭州人，北京工業(yè)大學(xué)碩士研究生，主要研究領(lǐng)域?yàn)槟X信息，信號(hào)處理，數(shù)據(jù)挖掘。

LI Youjun was born in 1978.He received the M.S.degree in computer application technology from North China University of Technology in 2009.Now he is working toward the Ph.D.degree at International WIC Institute,Beijing University of Technology.His research interests include machine learning,data mining and pattern recognition.

李幼軍（1978—），男，河南洛陽(yáng)人，2009年于北方工業(yè)大學(xué)計(jì)算機(jī)應(yīng)用專業(yè)獲得碩士學(xué)位，現(xiàn)于北京工業(yè)大學(xué)WIC研究院攻讀博士學(xué)位，主要研究領(lǐng)域?yàn)闄C(jī)器學(xué)習(xí)，數(shù)據(jù)挖掘，模式識(shí)別。

LIU Yan was born in 1989.He is an M.S.candidate at Beijing University of Technology.His research interests include brain informatics,signal processing and data mining.

劉巖（1989—），男，河北石家莊人，北京工業(yè)大學(xué)碩士研究生，主要研究領(lǐng)域?yàn)槟X信息，信號(hào)處理，數(shù)據(jù)挖掘。

Analysis of Correlation Between EEG Signal and Personal Emotional State*

CHEN Meng+,LI Youjun,LIU Yan
College of Electronic Information&Control Engineering,Beijing University of Technology,Beijing 100124,China

+Corresponding author:E-mail:Chenmeng0527@126.com

CHEN Meng,LI Youjun,LIU Yan.Analysis of correlation between EEG signal and personal emotional state. Journal of Frontiers of Computer Science and Technology,2017,11(5)：794-801.

People's emotion is a kind of comprehensive state whether objective things meet people own needs is closely associated with the physiological signal.The subjects POMS(profile of moods states)scales and the EEG (electroencephalogram)signals of resting state at the same period are collected to study the correlation between them.Wavelet transform is used to preprocess the original EEG signal.EMD(empirical mode decomposition)method is adopted to decompose the denoised EEG into IMFs(intrinsic mode functions).Volatility index is extracted from the IMFs as a feature.The EEG features and POMS scales are analyzed by Pearson correlation analysis.The POMS scale and EEG signals are recorded and analyzed in 8 subjects for a period of 7 days.The experiment shows that there exists a strong correlation between the EEG signal and the related components of the personal emotion state.

profile of moods states(POMS)scale;electroencephalogram(EEG);empirical mode decomposition (EMD);Pearson correlation analysis

10.3778/j.issn.1673-9418.1603055

A

TP183

*The National Basic Research Program of China under Grant No.2014CB744600(國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)).

Received 2016-03,Accepted 2016-05.

CNKI網(wǎng)絡(luò)優(yōu)先出版:2016-05-13,http://www.cnki.net/kcms/detail/11.5602.TP.20160513.1434.008.html