论文部分内容阅读
当今社会,压力无处不在,中青年人心理亚健康的状况普遍存在。对于心理承受能力较弱的人群,长期受负面情绪困扰,易发展成焦虑症、多动症、抑郁症等神经性心理疾病。对于老年群体,长期的情绪压抑,增加了神经退行性疾病(例如,阿尔兹海默症)的发病机率。本文将音乐治疗、脑电图(Electroencephalogram,EEG)与情绪分析三者结合,在不同音乐环境下,对左右脑区产生的EEG信号与情绪分类展开研究。经过分析,可总结出:在正向音乐刺激下,左脑区敏感性较好,存在情绪偏侧性;右脑区在负向音乐刺激下,敏感性较好,有情绪偏侧性表现。此外,研究发现,提取EEG信号的小波能量熵(Wavelet Energy Entropy,WEE)特征作为设计优化后深度信念网络(Deep Belief Network,DBN)模型的输入,在区分脑区、区分不同音乐环境的条件下,可得到左右脑区EEG信号的平均情绪分类准确度为84.20%、83.07%。与在混合音乐环境下,DBN、受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)、K最近邻(k-Nearest Neighbor,k NN)算法的分类准确率相比,分类效果提升约3.49%、12.89%、7.24%。论文的数据来源以Deap数据库中记录的EEG信号为主,辅之以自采集数据,形成在不同音乐环境下的对比研究。将经验模态分解(Empirical Mode Decomposition,EMD)与独立成分分析(Independent Component Analysis,ICA)的快速算法——Fast ICA结合优化后,对EEG信号进行深度降噪,去除混杂噪声。分别提取在不同风格音乐刺激下,参与者左右脑区的EEG信号特征,包括:时域中信号的方差分析(Analysis of Variance,ANOVA)、频域中与音乐和情绪变化相关的三种脑波节律的功率谱密度(Power Spectral Density,PSD)、时频域中基于时间序列的Hjorth参数以及非线性动力学中的WEE,由此分析EEG信号特征差异,研究左右脑区对不同音乐的敏感程度。在情绪分类识别上,利用优化后的DBN模型实现情绪在唤醒、效价维度的二分类,并研究在不同音乐环境中左右脑区对情绪的偏侧性。本研究所得结论,对于在音乐治疗中为不同脑区损伤病患以及心理疾病患者的诊疗具有重大意义;为医学中刺激不同脑区来激发定向情绪提供理论参考,拟达到更好的音乐辅助治疗效果。