真的能从脑电信号识别出我的情绪吗？

关注“心仪脑”查看更多脑科学知识的分享。

提到情绪，我们脑海中可能会浮现出各种各样的场景，可能是“哭着，叫着，像个孩子在胡闹”的悲痛。

抑或是《Lie to me》中Cal Lightman深邃的一双眼睛直勾勾的盯着你，看出被你的微表情出卖的愤怒，轻蔑，厌恶或者恐惧？

再或者是想起生气的妈妈涨红了脸，举着被你弄坏的飞机模型四处张望时，你知道赶紧远远躲避。看到开心的揣着奖金的爸爸神采飞扬，你知道赶紧凑上去跟他聊聊路边的玩具店。

可见情绪渗透在我们生活中的方方面面，是保障我们日常生活的重要因素。我们对这些情绪的识别似乎是毫不费力，自动化完成。甚至于走路上随便看看就能看到一出大戏：气得翘起胡子的房子和年轻气盛眼睛通红的小白车快要打起来，旁边的屋子对朋友的冲动感到难过，不懂事的小灰车只知道傻乐看热闹，而沮丧的卡车则在旁边无奈叹着气。

我们通常是通过别人的面部表情、语音语调、身体姿势等信息来识别对方的情绪，特定的情绪状态会产生特点的表情模式或语调，如心情愉悦时，嘴角会上翘，说话语调比较欢快，；而烦躁时会皱眉，语调沉闷。一般情况下，我们能很容易的加工这些信息。可是如果灾难来临，我们面瘫了怎么办，我们面部烧伤，没法做出表情了怎么办？其实在医院病房里，很多重症患者或表达障碍患者，没法轻松调动脸部肌肉或用语言表达自己的情绪状态，喜怒哀乐都无法跟身边的人分享，所有的情绪都被躯壳与外界隔绝开来，自行消化。

或者轻松一点，说到普通生活，在这个以人为本的时代，人们对于物品的体验感要求增加了，产品需要不能仅满足基本的使用需求，还要给我们带来良好的用户体验。我们希望有能读懂我们焦虑不安的AI会适时播放舒缓的音乐安抚我们，而不是只会让我们买买买的某某精灵。我们希望新发布的APP用着轻松愉快，而不是焦头烂额不停KO脑细胞的高难度探索旅程。

那么有没有什么技术能让别人或机器读取我们的情绪呢？

情绪识别需要先对情绪状态进行量化，虽然对情绪的研究已经有很长的历史，但对于情绪的作用机制，目前还没有统一的认识。情绪的机制理论尽管不同，但通常可以用两种不同的方式来描述。第一种是将情绪划分为一组离散的状态，例如Ekman和Friesen提出的六种基本情绪—高兴 (happiness), 悲伤 (sadness), 惊讶 (surprise), 恐惧 (fear), 愤怒 (anger) 和厌恶 (disgust), 其他情绪都可以由基本情绪组合而成。第二种是使用所谓的情绪维度来描述情绪。在情绪识别中使用广泛的是2D效价/唤醒情绪模型，通过效价和唤醒度来描述情绪。效价维度表示情绪的积极或消极，而唤醒维度表示情绪的强烈程度。

人类会通过广泛的线索来表达他们的情绪信息，这些情绪线索对情绪识别非常重要。

根据使用的线索不同，情绪识别方法主要分为基于非生理信号的识别和基于生理信号的识别。非生理信号的情绪识别方法主要包括对面部表情和语音语调的识别，生理信号则包括自主神经系统(ANS)(如心率、皮肤电反应(GSR))和中枢神经系统(CNS)(如脑电)。

不同的识别方法都有各自的优劣，非生理信号可能会因文化差异而不同，且易于伪装，对于某些特殊疾病患者也往往难以实现；自主神经系统的识别方法准确率不高，药物也会对识别造成影响。而脑电识别的方法虽然目前算是比较新的研究，但是准确率更高，且难以伪装。

人在产生不同情绪时，脑电上会有什么表现？

相关心理生理学文献揭示了情绪在大脑信号中最显著的表达，是左右脑半球的不对称性。Davidson等人开发了一个模型，将这种不对称性与情绪联系起来，他们认为趋近相关的情绪在左–背外侧前额叶区域得到表征，如喜悦或幸福(正面情感的体验促进和维持了接近行为)，而回避相关的情绪则受到右–背外侧前额叶控制，如恐惧、厌恶等 (负面情绪的体验促进和维持了退缩行为)。而愤怒虽然是负面情绪，但可能存在趋近动机而与左半球背侧前额叶表征联系起来，存在愤怒加工的左半球偏侧化现象。Davidson等人用从左右额叶、中央、前颞叶和顶叶区(依照10-20系统的F3、F4、C3、C4、T3、T4、P3，P4位置)记录的EEG信号区分快乐和厌恶情绪。结果显示，在厌恶的情况下，脑电图信号的alpha (8-12 Hz)波段的右侧激活更为明显。Aftanas等人使用情感图片和事件相关的去同步/同步(ERD/ERS)分析来研究情绪加工过程中的皮层激活。发现消极情绪状态呈现相对较大的右脑半球的ERS，积极情绪状态呈现较大的左脑半球的ERS。这两项研究支持了这个理论模型。

对脑电的频域分析，发现δ(1−4Hz), θ(4−8Hz), α(8−12Hz), β(13−30Hz), γ(31−45Hz)五个子频段与人的心理活动联系密切。δ 波与无意识的状态有关, 常出现于深度无梦的睡眠; θ 波与潜意识有关, 例如有梦境的睡眠或浅度睡眠、困倦, 当诱发积极情绪时, 额中线上的 θ 波功率会增强; α 波多出现于较为放松的有意识状态, 额叶上 α 波的不对称性可反映情绪的不同效价; β 波与活跃的意识状态，例如注意力集中的活动有关, 在额叶区域较为显著, 可反映情绪的效价; γ 波则与大脑的过度活跃现象、特定的认知或运动有关。中性情绪和消极情绪在 β 和 γ 波段有相似的振荡模式, 但在 α 段的振荡能量更高。此外，β 段和 α 段的平均功率比可以表征脑部的活跃状态。

目前脑电识别情绪的方法首先是将采集到的原始EEG信号中从时域、频域、时频域、多电极特征或连通性特征多角度来提取具有代表性的特征，然后基于一定的分类准则构建情绪识别计算模型，对情绪信息进行分类。

使用不同的特征指标和分类方式会影响情绪判别准确性，Valenzi等人将几种著名的机器学习算法应用于特征分类，获得了高达97％的最大平均分类精度。随着深度学习的发展，脑电硬件的便携化，以及干电极算法加强，脑电识别情绪的精度和实时识别的应用得到很大发展，在医疗、教育、经济等各领域都已有涉足且前景广阔。

目前市场上已有在矿业运输、长途运输、飞行员驾驶等高强度高危行业来监测驾驶员是否存在疲劳、愤怒等不良情绪状态的脑电帽产品。在检测到驾驶员不适合继续驾驶行为时及时发出警报，减少事故发生。

一项对情绪化身的研究，通过把脑电信号传输到计算机中分析，改变电脑屏幕上的3D人物脸部表情，实时体现被试的情绪状态。或许通过这种方法，躺在病床上的患者也可以向亲人表达自己的情绪，告诉家人自己吃什么的时候会开心，不喜欢看哪些电视节目，护工对自己好不好，重建起基础的交流。

随着技术改进，未来脑电识别情绪或许可以在人们日常生活中得到更广泛应用。在教育领域，实时监测学生的情绪状态，发现有疲劳、困倦时及时调整教学方式和内容。或者在犯罪分子在ATM机上盗取他人款项时，识别到他的惴惴不安、慌张恐惧，而采取措施先验明真身。

虽然目前的脑电识别情绪的应用还存在信噪比过低，使用不方便，数据受环境影响大，个体差异大等问题，但神经科学家、心理学家、信息科学家等各界学者都在努力改善现有技术，开发新产品，未来可期。

发展至今，科技不再是冷冰冰的人力替代者，而充满了人文关怀，以一种懂你的姿态给你提供便利。对于生活有障碍的人群，尽可能的帮助他们恢复作为普通人的表达自由，传递情绪，传递爱与温暖。

参考文献：

• Gerrig, R. J. (2013). Psychology and Life. Pearson.
• Konar, A., & Chakraborty, A. (2015). Emotion Recognition: A Pattern Analysis Approach. John Wiley & Sons.
• Liu, J., Meng, H., Li, M., Zhang, F., Qin, R., & Nandi, A. K. (2018). Emotion detection from EEG recordings based on supervised and unsupervised dimension reduction. Concurrency and Computation: Practice and Experience, 30(23), e4446. https://doi.org/10.1002/cpe.4446
• Liu, Y., Sourina, O., & Nguyen, M. K. (2011). Real-Time EEG-Based Emotion Recognition and Its Applications. In M. L. Gavrilova, C. J. K. Tan, A. Sourin, & O. Sourina (Eds.), Transactions on Computational Science XII: Special Issue on Cyberworlds (pp. 256–277). Springer. https://doi.org/10.1007/978-3-642-22336-5_13
• Masood, N., & Farooq, H. (2019). Investigating EEG Patterns for Dual-Stimuli Induced Human Fear Emotional State. Sensors, 19(3), 522. https://doi.org/10.3390/s19030522
• Pandey, P., & Seeja, K. R. (2019). Subject independent emotion recognition from EEG using VMD and deep learning. Journal of King Saud University - Computer and Information Sciences. https://doi.org/10.1016/j.jksuci.2019.11.003
• Valenzi, S., Islam, T., Jurica, P., & Cichocki, A. (2014). Individual Classification of Emotions Using EEG. Journal of Biomedical Science and Engineering, 2014. https://doi.org/10.4236/jbise.2014.78061
• Zhang, G., Yu, M., Chen, G., Han, Y., Zhang, D., Zhao, G., & Liu, Y.-J. (2019). A review of EEG features for emotion recognition. SCIENTIA SINICA Informationis, 49(9), 1097–1118. https://doi.org/10.1360/N112018-00337
• 聂聃, 王晓韡, 段若男, & 吕宝粮. (2012). 基于脑电的情绪识别研究综述. 中国生物医学工程学报, 31(04), 595–606.

全文完结，整理不易，看不完记得收藏，最后希望点赞支持一下！

了解更多，请关注“心仪脑”公众号！