使用EEG信号通过最小生成树揭示情绪状态的大脑网络分析

本文主要研究了使用脑电图（EEG）信号通过最小生成树（MST）技术来揭示情绪状态对大脑网络的影响。在情感计算领域，构建大脑网络是一种常见的分析方法，但由于阈值选择可能导致分析偏差，因此本文提出了一种新的方法。 研究者们通过将大脑抽象为一个复杂的网络，并引入图论来分析人类大脑的情绪模式，这在目前已被广泛认可。近年来，基于功能连接性的研究取得了重要成果，显示构建的功能连接性可以捕捉情绪对大脑信息流的影响。 研究表明，与振幅相比，EEG信号的相位包含更多有效信息。因此，研究者们提取了情绪状态网络分析的EEG信号的相位锁定值（PLV）。在传统的功能网络构建中，一个重要的步骤是需要经历阈值选择，而本文采用的最小生成树（MST）技术有效地避免了这一复杂步骤，并在大规模上降低了网络分析的计算复杂性。 最小生成树（MST）是指在一个加权无向图中，以最小的边权之和连接所有顶点的树，其中树中的边不会形成环。在脑网络分析中，通过MST可以连接大脑的不同区域，形成一个简化的网络结构。这种方法能够减少网络中的边数量，同时保留网络的主要结构特征，对于揭示大脑网络中的关键连接具有重要意义。 在情绪分析方面，本研究利用了EEG信号，它是一种通过电极记录大脑电活动的方法。利用EEG信号进行情绪状态的分析，尤其是通过相位锁定值（PLV）来表示信号中不同部分之间的同步性，这对于理解情绪如何影响大脑各部分之间的通信至关重要。PLV用于测量两个信号在相位上的同步程度，可以用于揭示在处理情绪信息时大脑的协调活动。 本文还提到，通过MST的方法可以显著提高脑网络分析的效率，并且减少因阈值选择导致的偏差。这对于情感计算的精确性和实用性有着重要的促进作用。 文章的作者团队包括来自杭州电子科技大学计算机科学与技术学院的Jianhai Zhang、Jiajia Tang、Guodong Yang和Yong Peng，以及来自南开大学生命科学学院的Wanzeng Kong和Shaokai Zhao、Tao Zhang。他们在2018年IEEE国际生物信息学与生物医学大会（BIBM）上发表了这项研究，展现了跨学科合作在技术创新上的潜力。 研究的具体内容涉及了如何处理和分析EEG信号，包括信号预处理、相位锁定值的计算方法、最小生成树算法的应用，以及如何通过这些工具来揭示情绪状态下的大脑网络变化。这些技术的应用不仅有助于在理论上理解大脑如何响应不同的情绪状态，而且对于情绪识别技术的开发也有实际应用价值，如在心理健康评估、人机交互和情感识别系统中。 通过深入研究情绪和大脑网络之间的关系，科学家们可以更好地理解情绪的本质，以及如何通过大脑活动来准确识别和分析情绪状态。这对于开发新的情感计算方法和改善相关技术具有非常重要的意义，同时也为情绪障碍的诊断和治疗提供了新的思路。