基于復雜度熵特征融合的高壓力人群情感狀態(tài)評估

李 昕 李紅紅 李長吾(燕山大學 生物醫(yī)學工程研究所，秦皇島066004)

2(河北省測試計量技術及儀器重點實驗室，秦皇島066004)

3(大連工業(yè)大學信息科學與工程學院，大連116000)

引言

目前，壓力評估的研究主要集中在3 個方面:一是通過調查對某一行業(yè)、群體的心理壓力源進行識別，并談論心理壓力的應對方式;二是研究心理壓力中具體的工作壓力、擇偶壓力、養(yǎng)老壓力、婚姻和家庭生活壓力等;三是在心理學、管理學等學科理論的基礎上，以心理壓力源的某一變量為研究對象，剖析該變量與其他變量的關系［1］。實時狀態(tài)下的壓力評估研究還不多見，如果能對高壓力人群的情緒及壓力狀態(tài)進行及時準確的評估與適度調節(jié)，他們的情感及生活狀態(tài)會給予社會一個良性的反饋;反之，可能引發(fā)各種心理、行為問題，輕則影響學習和生活，重則引發(fā)抑郁等嚴重心理疾病甚至發(fā)生惡性事件，給個人和社會帶來很多危害。

自然狀態(tài)下的壓力研究有助于分析人們的情緒化行為，同時能夠對個體的壓力水平進行一個較為客觀的評估。基于生理參數來評估壓力，對于主體來說不適感最小，并且能夠準確地反映情緒狀態(tài)，是目前公認的較好的壓力評估方法。

Healey 等通過連續(xù)記錄通往波士頓市中心、在固定路段上行駛的汽車司機的心電、肌電、皮膚電傳導和呼吸信號4 種生理信號，基于線性判別分析，證明了生理參數對預測心理壓力具有很高的精確度［2］。Mokhayeri 等證明了壓力評估的必要性與可行性［3］。德國Augsburg 大學采用一款傳統的游戲“俄羅斯方塊”作為壓力源，采集了1 名被試者的呼吸信號和肌電信號，基于LDA 和Fisher 判別對結果進行分析，平均識別率達80% 以上［4］。Gaggioli 等設計了一種用于評估壓力狀態(tài)的簡單無線裝置，基于自回歸建模、人工神經網絡、模糊邏輯模型的方法，通過分析心電信號及動作特征來實現自動、連續(xù)檢測，并自動識別日?；顒又械膲毫顟B(tài)［5］。

Hernandez 等以9 名話務中心工作人員作為實驗對象，研究了自動識別壓力/非壓力反應中的個體差異問題，即修改支持向量機中的損失函數參數，并從相似的皮膚電變化人群中抽取訓練樣本。結果表明:同一人但在不同時間的情況下，訓練和測試得到的正確率是78.3%;而對于支持向量機的修改方案，在不同參與者間進行訓練和測試得到的正確率是73.41%［6］。

腦電信號是一種產生機理復雜的非平穩(wěn)隨機信號，其數據的采集過程復雜且容易受外界環(huán)境以及其他生理信號的干擾，國內外將腦電信號用于壓力識別的研究中與其他生理信號相比還不多見。

但是，同其他生理信號相比，腦電信號含有豐富的情感信息。充分挖掘腦電壓力的情感特征，將有助于更好地實現壓力情感的分析與評估。筆者以“切水果”游戲作為壓力源，采集了8 名被試者的92 組腦電信號;基于復雜度與熵理論相結合的方法，實現腦電信號的特征提取與融合;基于改進的SVM 分類器，實現了基于腦電信號的情感壓力狀態(tài)評估。

2 基于復雜度、熵的腦電信號特征提取

腦電信號直接反映神經元電話動，蘊含豐富的情感信息，在理論研究和臨床應用上都有著重要意義。如何有效地提取腦電特征參數，一直是研究的熱點。復雜度、近似熵、小波熵提供了一種客觀、定量地描述事物復雜程度的方法，可從不同的角度研究腦電信號的非線性動力學特征。本研究基于Kc復雜度、近似熵、小波熵理論，分析在壓力狀態(tài)下腦電信號的復雜程度與能量分布，并以此評估壓力情感狀態(tài)。

2.1 基于Kc 復雜度的腦電信號特征提取

Kc復雜度又稱算法復雜度或L-Z 復雜度，是最經典的復雜度定義，應用非常廣泛。Kc復雜度反映了時間序列的隨機程度，其值介于0 ～1 之間。如果時間序列是周期性的，那么Kc就會隨時間序列的增加而趨向于0;如果時間序列是隨機的，則Kc趨向于1。這表明，隨機信號序列最復雜，周期信號最簡單。算法流程［7］如圖1 所示，其中S 和Q 分別代表兩個字符串，SQ 表示把S、Q 兩個字符串拼接的總字符串。SQw 表示SQ 中最后一個字符刪去所得到的字符串。令V(SQw)表示SQw 所有不同子串的集合，C 為X 序列的復雜度計數。

初始化C =l，S = s1，Q = s2，此時SQw = s1，假定S = s1s2…sr，Q = sr+1，如果Q ∈V(SQw)則表示sr+1是s1s2…sr的一個子串，此時S 不變，將Q 更新為Q =sr+1sr+2，再判斷Q 是否屬于SQw。重復上述操作，直到Q ?V(SQw)。此時Q = sr+1sr+2…sr+i，C= C + 1，S 更新為s1s2…sr+1sr+2…sr+i，Q = sr+i-1。重復以上步驟，直到Q 到最后一位，s1，s2，…，sN分成了C 個子串。

Lempel 等指出［8］，幾乎所有屬于［0，1］區(qū)間的x 對應的二進制分解都會指向一個函數b(n) =n/lg(n)，所以是隨機序列的漸進行為對C 進行歸一化處理，c =/b(n)。此時c 稱為Kolmogorov 復雜度。

2.2 基于熵理論的腦電信號特征提取

2.2.1 近似熵

1991 年，Pincus 提出近似熵(approximate entropy，ApEn)理論［9］。近似熵是一種度量時間序列復雜性和統計量化的規(guī)則，是一種不需要進行粗?；哪X電復雜性測度分析方法。該算法用一個非負數表示時間序列的復雜性，越復雜的時間序列對應的近似熵越大［10-12］。該算法只需很短的時間序列(約1 000 個數據點)，就足以估算出可靠的ApEn 值，并不企圖完全重構吸引子，而是用一種有效的統計方式——邊緣概率密度的分布來區(qū)分各種過程，因此特別適用于生物電這類極其不穩(wěn)定信號的分析。

近似熵的具體算法［7］如下:設原始數據為u(1)，u(2)，…，u(n)，共n 點。對于u，按順序將其組成一個m 維的向量集X(i)，即從第i 個點開始連續(xù)的m 個u 值，其中參數m 是比較序列的長度，即窗口長度，也叫嵌入維數。

1)計算向量X(i)與其余向量X(j)之間的距離d(X(i)，X(j))，并將其最大值定義為最大反應成分距離，即

其中，i，j = 1，2，…，N - m + 1

2)定義一個閾值r(r ＞0)，對于每一個i≤N-m+l 值，記錄滿足條件d(X(i)，X(j))＜ r 的個數。這個值與總數N-m +l 的比值定義為

3)對每一個可能的i 值，計算Cmr 的對數，求這些對數的平均值，定義為φm(r)，即

該極限存在，且極值為1。因此，ApEn 表示向量集隨著m 增大產生新模式的概率，產生新模式的概率越大，ApEn 值就越大，時間序列的復雜度越大。實際上，N 不可能取無窮大，所以通常只能在N足夠大的時候，對ApEn 進行估計，同時，ApEn 的值還依賴于m 和r。

根據經驗，Pincus 建議m 取2，r 取0.1 ～0.2 倍原始數據的標準差。從而只需用很短的時間序列(約1000 個數據點)就可以估算出可靠的ApEn 值。

2.2.2 小波熵

根據小波變換的框架理論，當小波基函數是一組正交基函數時，小波變換具有能量守恒的性質，小波熵可以通過小波系數求得［13］。

離散時間信號f(t)，經過J 層離散小波變換分解后，低頻近似分量系數為AJ，高頻細節(jié)系數 為Dj，其中j = 1，2，…，J。單一尺度下的小波能量為該尺度下小波系數的平方和，總的小波能量為

為了統一，將AJ表示為DJ+1則總能量為

相對小波能量為

小波變換具有良好的時頻局部化性能，根據Shannon 熵理論和相對小波能量的定義，小波熵(wavelet entropy ，WE)的定義為

式(10)反映了整個信號的不確定性和復雜程度［14］。

小波變換反映了信號在時頻域中能量的分布狀況，不同信號在時頻分布上的差異表現為不同子塊時頻區(qū)間能量分布的差異。小波熵理論是基于小波分析方法建立起類似信息熵的理論，能夠對時頻域上能量分布特性進行定量描述。

基于以上算法，提取融合Kc復雜度因子，近似熵、小波熵3 類情感特征參數，以遺傳算法改進的支持向量機作為融合分類器，比較單一情感特征與融合情感特征的壓力情感狀態(tài)識別效果。

3 基于支持向量機的模式分類

支持向量機(SVM)由于較好地解決了小樣本、非線性及高維數、局部極小值點等實際問題，已逐漸成為解決模式分類問題的首選工具。本研究基于改進支持向量機融合3 類不同域描述的情感特征參數，解決基于腦電信號的壓力情感狀態(tài)評價分類問題。

選用C-SVC 模型以及RBF 核函數，基于遺傳算法的參數尋優(yōu)與分類流程見圖2。首先選擇實值編碼策略，設置種群大小取20 代，最大進化代數設定為100，交叉和變異概率分別設為0.4 和0.01。通過GA 尋找最優(yōu)懲罰系數c 和核參數g，設定參數并訓練分類器。將預處理過的腦電信號基于小波變換提取β 波，然后將提取的Kc復雜度、小波熵、近似熵3 種特征融合，送入訓練好的分類器中進行分類評估。

圖2 小波包特征提取并由經GA 優(yōu)化的SVM 分類的算法流程Fig．2 Flow chart of the SVM improved by GA classification with the wavelet packet-based feature extraction

4 實驗與數據采集

心理研究表明，當人在規(guī)定時間內完成指定任務時會產生心理壓力，而人在情緒緊張或感到壓力時腦電的β 波明顯。本實驗記錄被試者在玩“切水果”游戲時的腦電信號，研究其β 波的變化規(guī)律。

4.1 實驗設備和數據采集

腦電信號采集通過Neuroscan 記錄系統(見圖3)完成。記錄電極使用的是該公司的Quick-cap32導電極帽，Ag-AgCl 杯狀電極。電極安放位置按照10 -20 國際電極系統放置法放置，電極的接觸阻抗均小于10 kΩ。信號采樣率為1 000 Hz，信號通過0～30 Hz 的低通濾波。

圖3 Neuroscan 記錄系統Fig．3 Neuroscan Recording System

腦電數據的采集來自8 例受試者(4 例男性，4例女性)。受試者均為燕山大學的在讀研究生，年齡23 ～25 歲，右利手。受試者的腦電采集來自兩種狀態(tài)，睜眼休息和游戲。實驗在一個隔音、隔光的屏蔽室內進行，受試者坐在一個舒適的靠椅上進行腦電紀錄。在記錄腦電時，關閉屏蔽室內的燈光，保持周圍安靜。

4.2 實驗流程

在實驗前，先讓被試者休息幾分鐘，讓其放松平靜下來，生理特征達到平常狀態(tài)。主動與被試者溝通，讓他們了解測試流程，緩解緊張和好奇的情緒。

在實驗過程中，首先讓受試者靜息5 min(過程中注意閉上眼睛，不能左右轉動眼珠，不能睜眼，不能睡覺，不能思考問題，周圍要保持安靜)，然后睜眼靜息2 min 后開始切水果游戲，游戲持續(xù)60 s，記錄下這個過程中的眼動和腦電數據。要求每名受試者實驗時重復上述過程3 次。

在記錄前，實驗人員告知受試者睜眼還是閉眼靜息，待腦電波平穩(wěn)后開始記錄腦電，在每種狀態(tài)下記錄約2 min 的腦電信號，保存信號以進行下一步的分析。采集過程中的原始數據記錄見圖4。

5 腦電信號預處理

5.1 腦電信號的特征選擇

腦電信號是一種產生機理相當復雜的非平穩(wěn)隨機信號，主要由各種節(jié)律性電活動組成，根據一般腦電節(jié)律的頻率分段標準［7］，將腦電信號分為α波、β 波、θ 波、σ 波4 種基本節(jié)律。α 波主要是在閉眼時較為明顯，在睜眼時會減弱或消失，而實驗設計是游戲實驗，整個實驗過程被試都是睜眼狀態(tài)，因此α 波不作為分析的主要信息。θ 波和σ 波主要是正常兒童和嬰兒的主要腦電活動，而本次的實驗對像為23 ～25 歲的在讀研究生，因此也不作為實驗的分析節(jié)律。β 波由于不受睜眼和閉眼的影響，且在大腦皮層興奮狀態(tài)時表現明顯，因此本次實驗主要是提取腦電信號中的β 波來用于壓力評估與分析。

圖4 原始數據采集Fig．4 Raw data acquisition

5.2 基于小波包變換的β 波提取

所用的數據是實驗室自采的數據，共有8 個被試者的92 組原始數據，其中44 個靜息樣本，48 個游戲樣本。

首先將采集的. cnt 格式腦電數據用Neuroscan自帶的分析軟件進行去除眼動的處理。使用Matlab中eeglab 工具箱對其進行重采樣(重采樣頻率為128 Hz)，基于ICA 方法對數據進行去噪處理。截取9 s 不同狀態(tài)下的平穩(wěn)腦電信號，共1 152個數據點，使數據長度一致，以便下一步分析。

圖5 腦電圖。(a)原始腦電;(b)經小波包重構的β 波Fig．5 EEG． (a)The original EEG;(b)The extracted β wave based on the wavelet packet．

如圖5 所示，(a)為采集的原始腦電信號，(b)為采用daubechies 小波對腦電信號進行6 層分解，并將β 波所包含的分解節(jié)點進行重構。

6 結果

以FC3 電極為例，依據上述3 種特征提取方法，提取不同的特征向量并組合，送入SVM 分類器，所得結果為:最大分類正確率為94.12%，平均分類正確率為82.06%。

圖6 所示為分類器尋優(yōu)時的適應度曲線，偏上的實點線是最佳適應度曲線，偏下的圓圈線是過程中的平均適應度曲線。此次尋優(yōu)所得最優(yōu)的懲罰參數c =2.18，核參數g =0.88，尋優(yōu)時運用n 倍交叉驗證時所得分類正確率為78.34%。

訓練集與測試集樣本以50∶42 的比例訓練分類器，每組樣本測試循環(huán)20 次，實驗結果見表1。由于在額區(qū)、顳區(qū)、中央區(qū)的β 活動最為明顯。為了選取最能體現實驗結果的電極，選取上述3 區(qū)中的8 個電極(C3，C4，F3，F4，FC3，FC4，FP1，FP2)進行數據處理及分析，將平均分類準確率最高的3 種特征融合的結果進行對比，如表2 所示。

圖6 GA 參數尋優(yōu)方法尋優(yōu)時的適應度曲線Fig． 6 The fitness curve using GA when searching c and g．

表1 不同特征提取方法的分類結果比較Tab．1 Comparison of the classification results of the different feature extraction methods

表2 不同電極3 種特征融合的分類結果比較Tab．2 Comparison of the classification results of the different electrodes for three features fusion

7 討論

采用3 種算法的不同組合方式，比較SVM 分類結果。由表1 可知，在對腦電信號進行特征提取并單獨使用一種算法時，小波熵的分類識別率最大為88.24%，平均識別率最大為81.03%。在兩兩組合的特征選擇中，最高的是近似熵和小波熵組合的識別率，為94.12%，平均識別率最大值為81.18%;融合3 類特征中，最大識別率為94.12%，平均識別率82.06%。

在3 種算法(Kc復雜度、小波熵、近似熵)中，小波熵平均識別率高于 Kc復雜度平均識別率8.82%，這與腦電信號的特征提取算法的特性有關。β 波在大腦皮層興奮狀態(tài)時表現明顯，Kc復雜度這種過分的粗?；赡芨淖兞诵盘柕膭恿W特性，所以識別率不是很高;小波熵理論是基于小波分析方法而建立的類似信息熵的理論，能夠對時頻域上的能量分布特性進行定量描述，在游戲和靜息兩種狀態(tài)下，腦電信號的復雜度前者高于后者，識別率相對較高。近似熵是對時間序列的復雜度進行的分析，其變換幅度要好于復雜度，需要的數據長度短于復雜度，但運算速度要比Kc復雜度慢。綜上所述，三者結合應為比較理想的特征組合。實驗結果也說明，融合3 類情感特征參數，測試識別率較高。

由表2 可知，奇數電極比對應偶數電極的分類準確率高，也就是腦的左半球相對右半球來說，對壓力的感受比較敏感;相對其他電極，FC3、C3 電極的分類準確率較高。

人的左腦與右腦形狀相同，功能卻大不一樣。人的左腦側重于理性思維，善于推理，邏輯性強，而右腦側重于感性思維，善于創(chuàng)新，跳躍性強。

筆者所研究對象為β 波，其頻率為13.28 ～30.47 Hz。在額、顳、中央區(qū)活動最為明顯。在睜眼視物、情緒緊張、焦慮不安、驚疑恐懼或服用安定等藥物時，β 波活動急劇增多。同時，β 波的活動也與人的某些心理品質有關。β 節(jié)律優(yōu)勢的人常表現為精神緊張、情緒不穩(wěn)，善于獨立地執(zhí)行任務;長于抽象思維，喜歡依靠“推理"解決問題，還表現出持久力差、易于疲勞的特點。所以當面對壓力時，β 波表現明顯。

由于功能不同，左右腦在面對壓力時產生的β波不應相同，即左右腦對壓力的感受程度不同，表2的結果驗證了左腦比右腦對壓力感受更為敏感的結論。

FC3、C3 電極在中央區(qū)，屬于左半球，分類準確率較高符合上述推理。而理論上額區(qū)的FP1、F3 應高于其他電極，但可能是電極在額區(qū)貼的不夠服帖，所以效果不如FC3、C3。

8 結論

本研究以腦電數據為對象，采用Kc 復雜度、小波熵、近似熵算法，提取腦電數據壓力情感特征，基于改進支持向量機融合壓力情感特征，實現壓力情感狀態(tài)的自動評估。

實驗結果表明，基于此特征提取融合算法，壓力情感狀態(tài)最高識別率為94.12%，平均識別率為82.06%?；谠撎卣魈崛∷惴?，實現壓力人群情感狀態(tài)評估是可行的。

同時，比較了不同腦區(qū)對于壓力情感的敏感程度。結果表明，腦的左半球相對右半球來說，對壓力的感受敏感;相對其他電極，FC3、C3 電極的分類準確率較高。

希望通過此項工作，幫助人們有針對性地采取相應措施來緩解壓力，恢復身心健康。

［1］ Milette K，Roseman M，Thombs BD. Transparency of outcome reporting and trial registration of randomized controlled trials in top psychosomatic and behavioral health journals:A systematic review Original Research Article［J］. Journal of Psychosomatic Research，2011，70 (3):205 -217.

［2］ Healey JA， Picard RW. Detecting stress during real-world driving tasks using physiological sensors ［J］. IEEE Intelligent Transportation Systems Society，2005，6(2):156 -166.

［3］ Mokhayeri F，Akbarzadeh TMR. Mental stress detection based on soft computing techniques［C］// IEEE International Conference on Bioinformatics and Biomedicine. Atlanta:IEEE，2011:430 -433.

［4］ Wagner J. Augsburg Biosignal Toolbox (AuBT)User Guide［OL］. http://emotion-research. net，2012 - 10 - 8/2012 - 12-5.

［5］ Gaggioli AG，Pioggia G，Tartarisco G，et al. A system for automatic detection of momentary stress in naturalistic settings［C］// Wiederhold BK，Riva G ，eds. Studies in Health Technology ＆ Informatics. Biussels:IOS Press，2012:182 -186.

［6］ Hernandez J， Morris RR， Picard RW. Call center stress recognition with person-specific models ［C］ // Mello SD，Graesser A，eds. Affective Computing and Intelligent Interaction，Berlin:Springer-Verlag，2011，125 -134.

［7］ 劉秉正，彭建華. 非線性動力學［M］. 北京，高等教育出版社2004.

［8］ LempelA，Ziv J.On the complexity of Finite sequence［J］. IEEE TransInf Thcory，1976，IT22:75 -81.

［9］ Pincus SM. Approximate entropy as a measure of system complexity［J］. Proceedings of the National Academy of Science.1991，88(6):2297 -2301.

［10］ Bruhn J，Hoeift A，Ropcke H，et al． Approximate entropy as an electroencephalographic measure of anesthetic drug effect during desflurane anesthesia［J］. Anesthesiology，2000，92(3):715 -726.

［11］ 華光，任維，劉鋼，等. 近似熵及其在心率變異分析中的應用［J］.航天醫(yī)學與醫(yī)學工程，2000，13(6):417 -421.

［12］ Ocak H. Automatic detection of epileptic seizures in EEG using discrete wavelet transform and approximate entropy［J］. Export Systems with Applications，2009，36(2):2027 -2036.

［13］ 李建勛，柯熙政，丁德強. 一種基于小波熵的時間尺度算法［J］.天文學報，2007，48(1):84 -92.

［14］ Rosso OA，Blanco S，Yordanova J，et al． Wavelet entropy:a new tool for analysis of short duration brain electrical signals［J］. Neurosci Meth，2001，105(1):65 -75.