论文周报 | 第5期

更多技术，第一时间送达

基于典型相关分析和高斯混合聚类的脑电信号实时增强

作者团队：悉尼理工大学、台湾新竹国立交通大学

导读：脑电图（EEG）信号通常被各种伪影所污染，例如与肌肉活动，眼球运动和身体运动相关的信号。这种伪影的振幅大于大脑电活动的振幅，因此它们掩盖了感兴趣的皮层信号，导致分析和解释出现偏差。该论文提出了一种基于典型相关分析（CCA），特征提取和高斯混合模型（GMM）的实时伪影去除算法，以提高EEG信号的质量。使用CCA将EEG信号分解为多个分量，然后进行特征提取以提取代表性的特征，并使用GMM将这些特征聚类为组以识别和去除伪影。有效地消除脑电图记录中眨眼，头部/身体移动和咀嚼引起的伪影，同时保留对认知研究有重要意义信号的时间和频谱特征。

论文地址：

https://www.hindawi.com/journals/jhe/2018/5081258/

脑电情绪识别：脑功能连接网络与局部激活信息结合

导读：

情绪状态的转变通常会激活脑电功率谱的变化。研究发现，不同的情绪状态造成的脑电图波谱的差异在脑电 α 频带较为明显，且易于捕捉。情感反应也与不同大脑区域之间的波谱变化有关。故而，不同脑区脑电图波谱的变化能够预测受试者不同的情绪状态。

由于激活模式可以捕捉被试在感受不同情绪时大脑各个区域之间的功率差异，而不同大脑区域之间的连接模式则可以表现大脑进行情感处理时的信息交互过程。该论文构建了一种具有相位锁定值的情绪相关脑网络，采用多特征融合方法将补偿激活信息与连接信息相结合进行情绪识别，以提高情绪识别的能力。

特征选择过程

激活模式主要反映被试者在不同情绪状态下的能量差异。论文主要研究了功率谱密度(PSD)，微分熵(DE)，DASM，RASM，ASM，DCAU 这六个能量特征分布在不同情绪下的表现，如下图所示。从图中可以看到 beta 和 gamma 频段产生了显著差异。

论文地址：

https://ieeexplore.ieee.org/document/8634938