基于Lempel-Ziv算法與等分符號(hào)化熵的情感腦電復(fù)雜度深度剖析一、引言1.1研究背景與意義情感作為人類心理活動(dòng)的重要組成部分，深刻影響著人們的決策、社交互動(dòng)以及身心健康。在心理學(xué)領(lǐng)域，對(duì)情感的研究有助于深入理解人類的認(rèn)知和行為模式，為心理咨詢、心理治療等提供理論支持。通過(guò)分析情感腦電信號(hào)，心理學(xué)家能夠洞察個(gè)體在不同情感狀態(tài)下的大腦活動(dòng)特征，從而揭示情感產(chǎn)生和調(diào)節(jié)的神經(jīng)機(jī)制。例如，研究發(fā)現(xiàn)積極情感和消極情感在大腦的激活區(qū)域和激活強(qiáng)度上存在顯著差異，這為情感障礙的診斷和治療提供了新的思路。在神經(jīng)科學(xué)中，情感腦電研究是探索大腦奧秘的重要途徑。大腦是一個(gè)高度復(fù)雜的神經(jīng)網(wǎng)絡(luò)，情感的產(chǎn)生涉及多個(gè)腦區(qū)的協(xié)同作用。借助高分辨率的腦電記錄技術(shù)和先進(jìn)的數(shù)據(jù)分析方法，神經(jīng)科學(xué)家可以精確地描繪出情感相關(guān)的腦電活動(dòng)圖譜，進(jìn)一步解析大腦在情感處理過(guò)程中的信息傳遞和整合機(jī)制。這不僅有助于加深對(duì)大腦正常功能的理解，還能為神經(jīng)退行性疾病、精神疾病等的病理研究提供關(guān)鍵線索。隨著人工智能和人機(jī)交互技術(shù)的飛速發(fā)展，讓計(jì)算機(jī)能夠理解和響應(yīng)人類的情感成為該領(lǐng)域的重要研究方向。情感計(jì)算旨在賦予計(jì)算機(jī)感知、理解和表達(dá)情感的能力，使交互過(guò)程更加自然、高效和人性化。腦電信號(hào)作為大腦活動(dòng)的直接反映，蘊(yùn)含著豐富的情感信息，且具有客觀性和難以偽裝的特點(diǎn)，因此成為情感計(jì)算中極具價(jià)值的研究對(duì)象。基于情感腦電信號(hào)的識(shí)別和分析技術(shù)，能夠?qū)崿F(xiàn)人機(jī)之間更深度的情感交互，在智能客服、虛擬現(xiàn)實(shí)、智能駕駛等諸多領(lǐng)域展現(xiàn)出廣闊的應(yīng)用前景。例如，在智能駕駛系統(tǒng)中，通過(guò)實(shí)時(shí)監(jiān)測(cè)駕駛員的腦電信號(hào)來(lái)判斷其疲勞、緊張等情緒狀態(tài)，及時(shí)發(fā)出預(yù)警，從而有效預(yù)防交通事故的發(fā)生。然而，腦電信號(hào)是一種極其復(fù)雜的生理信號(hào)，具有非平穩(wěn)性、非線性和個(gè)體差異性等特點(diǎn)，這給情感信息的準(zhǔn)確提取和分析帶來(lái)了巨大挑戰(zhàn)。傳統(tǒng)的分析方法在處理這些復(fù)雜特性時(shí)存在一定的局限性，難以全面、深入地挖掘腦電信號(hào)中蘊(yùn)含的情感信息。因此，探索新的分析方法和技術(shù)，提高情感腦電信號(hào)分析的準(zhǔn)確性和可靠性，成為當(dāng)前該領(lǐng)域的研究熱點(diǎn)。Lempel-Ziv算法最初作為一種通用的無(wú)損數(shù)據(jù)壓縮算法，由AbrahamLempel和JacobZiv于1977年提出，其核心思想是利用數(shù)據(jù)中的重復(fù)模式來(lái)實(shí)現(xiàn)壓縮。該算法通過(guò)構(gòu)建字典，將重復(fù)出現(xiàn)的短語(yǔ)用較短的索引表示，從而達(dá)到減少數(shù)據(jù)存儲(chǔ)空間和傳輸開(kāi)銷的目的。由于其在數(shù)據(jù)壓縮領(lǐng)域表現(xiàn)出的高效性和通用性，Lempel-Ziv算法被廣泛應(yīng)用于文件壓縮、網(wǎng)絡(luò)傳輸、圖像壓縮等多個(gè)領(lǐng)域，如常見(jiàn)的gzip和zip壓縮格式就采用了該算法。近年來(lái)，研究人員發(fā)現(xiàn)Lempel-Ziv算法在衡量時(shí)間序列的復(fù)雜度方面具有獨(dú)特優(yōu)勢(shì)。它能夠有效捕捉時(shí)間序列中模式的重復(fù)性和規(guī)律性，通過(guò)計(jì)算序列中不同模式的出現(xiàn)頻率和組合方式，定量地評(píng)估序列的復(fù)雜程度。這種對(duì)序列復(fù)雜度的度量方法，為分析腦電信號(hào)這種復(fù)雜的生理時(shí)間序列提供了新的視角。等分符號(hào)化熵是一種基于符號(hào)化分析的熵度量方法，它將連續(xù)的時(shí)間序列轉(zhuǎn)化為離散的符號(hào)序列，通過(guò)計(jì)算符號(hào)序列的熵值來(lái)反映原序列的不確定性和復(fù)雜性。在腦電信號(hào)分析中，等分符號(hào)化熵能夠突出信號(hào)中的細(xì)微變化和特征，對(duì)不同情感狀態(tài)下腦電信號(hào)的差異具有較高的敏感性。與傳統(tǒng)的熵度量方法相比，等分符號(hào)化熵考慮了符號(hào)序列的順序信息，能夠更全面地描述腦電信號(hào)的動(dòng)態(tài)特性，從而為情感腦電復(fù)雜度分析提供更豐富的信息。將Lempel-Ziv算法和等分符號(hào)化熵應(yīng)用于情感腦電復(fù)雜度分析，具有顯著的創(chuàng)新性和潛在應(yīng)用價(jià)值。這種方法打破了傳統(tǒng)分析方法的局限，從復(fù)雜度分析的全新角度深入挖掘腦電信號(hào)中隱藏的情感信息。通過(guò)綜合運(yùn)用這兩種方法，可以更全面、準(zhǔn)確地刻畫(huà)不同情感狀態(tài)下腦電信號(hào)的復(fù)雜特征，揭示情感與腦電信號(hào)之間的內(nèi)在聯(lián)系。這不僅有助于推動(dòng)情感腦電研究在心理學(xué)、神經(jīng)科學(xué)等基礎(chǔ)領(lǐng)域的深入發(fā)展，為情感的神經(jīng)機(jī)制研究提供新的理論依據(jù)；還能為情感計(jì)算和人機(jī)交互技術(shù)的實(shí)際應(yīng)用提供強(qiáng)有力的技術(shù)支持，促進(jìn)智能設(shè)備對(duì)人類情感的精準(zhǔn)識(shí)別和響應(yīng)，進(jìn)一步提升人機(jī)交互的智能化水平和用戶體驗(yàn)。1.2國(guó)內(nèi)外研究現(xiàn)狀情感腦電信號(hào)分析作為一個(gè)跨學(xué)科領(lǐng)域，近年來(lái)受到了國(guó)內(nèi)外學(xué)者的廣泛關(guān)注。在國(guó)外，早在20世紀(jì)90年代，Picard教授就提出了情感計(jì)算的概念，為基于腦電信號(hào)的情感分析奠定了理論基礎(chǔ)。此后，眾多研究圍繞情感腦電信號(hào)的特征提取與分類識(shí)別展開(kāi)。例如，在特征提取方面，有學(xué)者利用傅里葉變換提取腦電信號(hào)的頻域特征，分析不同情感狀態(tài)下各頻段能量的變化情況，發(fā)現(xiàn)γ頻段的能量在積極情感和消極情感狀態(tài)下存在顯著差異，為情感識(shí)別提供了有力的特征依據(jù)。在分類識(shí)別方面，支持向量機(jī)（SVM）、人工神經(jīng)網(wǎng)絡(luò)（ANN）等機(jī)器學(xué)習(xí)算法被廣泛應(yīng)用。通過(guò)對(duì)大量腦電數(shù)據(jù)的訓(xùn)練，這些算法能夠?qū)Σ煌楦袪顟B(tài)進(jìn)行分類，在一些公開(kāi)數(shù)據(jù)集上取得了較高的識(shí)別準(zhǔn)確率。國(guó)內(nèi)的情感腦電研究起步相對(duì)較晚，但發(fā)展迅速。許多科研團(tuán)隊(duì)致力于探索適合中國(guó)人群的情感腦電分析方法。一些學(xué)者針對(duì)國(guó)人的情感特點(diǎn)，設(shè)計(jì)了具有針對(duì)性的情感誘發(fā)實(shí)驗(yàn)，采集了大量高質(zhì)量的腦電數(shù)據(jù)。通過(guò)對(duì)這些數(shù)據(jù)的深入分析，發(fā)現(xiàn)了一些與國(guó)外研究不同的情感腦電特征，如特定腦區(qū)在情感處理過(guò)程中的獨(dú)特激活模式。在算法應(yīng)用上，國(guó)內(nèi)學(xué)者也在不斷創(chuàng)新，將深度學(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）等引入情感腦電分析中，充分利用這些算法強(qiáng)大的特征學(xué)習(xí)能力，進(jìn)一步提高了情感識(shí)別的準(zhǔn)確率。Lempel-Ziv算法在數(shù)據(jù)壓縮領(lǐng)域取得了顯著成果后，其在時(shí)間序列復(fù)雜度分析方面的應(yīng)用也逐漸受到關(guān)注。國(guó)外研究人員率先將其應(yīng)用于生物醫(yī)學(xué)信號(hào)分析，通過(guò)計(jì)算腦電信號(hào)的Lempel-Ziv復(fù)雜度，發(fā)現(xiàn)該復(fù)雜度能夠有效反映大腦的活動(dòng)狀態(tài)。在癲癇腦電信號(hào)分析中，Lempel-Ziv復(fù)雜度在癲癇發(fā)作期和發(fā)作間期表現(xiàn)出明顯差異，為癲癇的診斷和預(yù)測(cè)提供了新的指標(biāo)。國(guó)內(nèi)學(xué)者也在積極探索Lempel-Ziv算法在情感腦電分析中的應(yīng)用，通過(guò)實(shí)驗(yàn)對(duì)比，發(fā)現(xiàn)該算法能夠捕捉到不同情感狀態(tài)下腦電信號(hào)模式的變化，為情感腦電復(fù)雜度分析提供了新的視角。等分符號(hào)化熵作為一種衡量時(shí)間序列復(fù)雜性的方法，在國(guó)外已被應(yīng)用于多種信號(hào)的分析中。在金融時(shí)間序列分析中，等分符號(hào)化熵能夠有效反映市場(chǎng)的波動(dòng)情況，幫助投資者判斷市場(chǎng)的不確定性。在腦電信號(hào)分析領(lǐng)域，國(guó)外研究表明，等分符號(hào)化熵對(duì)不同認(rèn)知任務(wù)下的腦電信號(hào)差異具有較高的敏感性，能夠準(zhǔn)確區(qū)分不同的認(rèn)知狀態(tài)。國(guó)內(nèi)關(guān)于等分符號(hào)化熵在情感腦電信號(hào)分析中的研究相對(duì)較少，但已有學(xué)者開(kāi)始嘗試將其引入情感腦電分析中，初步研究結(jié)果顯示，等分符號(hào)化熵能夠在一定程度上反映情感狀態(tài)的變化，為情感腦電分析提供了新的思路。盡管國(guó)內(nèi)外在情感腦電信號(hào)分析、Lempel-Ziv算法和等分符號(hào)化熵應(yīng)用方面取得了一定進(jìn)展，但仍存在一些不足之處。在情感腦電信號(hào)分析中，現(xiàn)有的特征提取方法往往難以全面捕捉腦電信號(hào)的復(fù)雜特征，導(dǎo)致情感識(shí)別準(zhǔn)確率有待進(jìn)一步提高。不同個(gè)體的腦電信號(hào)存在較大差異，如何建立有效的個(gè)體差異補(bǔ)償機(jī)制，提高算法的泛化能力，也是當(dāng)前研究面臨的挑戰(zhàn)之一。在Lempel-Ziv算法和等分符號(hào)化熵的應(yīng)用中，如何選擇合適的參數(shù)，以適應(yīng)不同情感狀態(tài)下腦電信號(hào)的特點(diǎn)，還需要進(jìn)一步的研究和探索。此外，將這兩種方法結(jié)合應(yīng)用于情感腦電復(fù)雜度分析的研究還相對(duì)較少，缺乏系統(tǒng)性的研究成果，這也為后續(xù)研究提供了廣闊的空間。1.3研究目標(biāo)與創(chuàng)新點(diǎn)本研究旨在通過(guò)將Lempel-Ziv算法和等分符號(hào)化熵相結(jié)合，實(shí)現(xiàn)對(duì)情感腦電信號(hào)復(fù)雜度的更精準(zhǔn)分析，從而揭示情感與腦電信號(hào)之間更深層次的內(nèi)在聯(lián)系。具體研究目標(biāo)包括：運(yùn)用Lempel-Ziv算法對(duì)情感腦電信號(hào)進(jìn)行復(fù)雜度計(jì)算，深入分析不同情感狀態(tài)下腦電信號(hào)模式的重復(fù)性和規(guī)律性，量化其復(fù)雜程度；利用等分符號(hào)化熵對(duì)腦電信號(hào)進(jìn)行符號(hào)化處理和熵值計(jì)算，突出信號(hào)中的細(xì)微變化和特征，挖掘其蘊(yùn)含的不確定性信息；通過(guò)對(duì)比分析不同情感狀態(tài)下Lempel-Ziv復(fù)雜度和等分符號(hào)化熵的變化規(guī)律，建立基于這兩種方法的情感腦電復(fù)雜度分析模型，為情感識(shí)別和分類提供更有效的特征指標(biāo)；將所提出的分析方法應(yīng)用于實(shí)際的情感腦電數(shù)據(jù)集，驗(yàn)證其在情感識(shí)別中的有效性和優(yōu)越性，提高情感識(shí)別的準(zhǔn)確率和可靠性。本研究的創(chuàng)新點(diǎn)主要體現(xiàn)在以下幾個(gè)方面：首次將Lempel-Ziv算法和等分符號(hào)化熵這兩種在不同領(lǐng)域具有獨(dú)特優(yōu)勢(shì)的方法有機(jī)結(jié)合，應(yīng)用于情感腦電復(fù)雜度分析，為該領(lǐng)域提供了全新的研究思路和方法；打破了傳統(tǒng)單一分析方法的局限，從多個(gè)維度對(duì)情感腦電信號(hào)的復(fù)雜度進(jìn)行全面刻畫(huà)，能夠更深入、更全面地挖掘腦電信號(hào)中蘊(yùn)含的情感信息，提高了情感分析的準(zhǔn)確性和可靠性；通過(guò)探索新的情感特征提取方式，即基于復(fù)雜度分析的特征提取，為情感計(jì)算和人機(jī)交互領(lǐng)域提供了更具代表性和區(qū)分度的情感特征，有望推動(dòng)該領(lǐng)域技術(shù)的進(jìn)一步發(fā)展和應(yīng)用。二、相關(guān)理論基礎(chǔ)2.1情感腦電信號(hào)2.1.1腦電信號(hào)的產(chǎn)生機(jī)制腦電信號(hào)是大腦神經(jīng)元電活動(dòng)的綜合體現(xiàn)，其產(chǎn)生源于神經(jīng)元之間復(fù)雜的信息傳遞和電化學(xué)過(guò)程。大腦由數(shù)以百億計(jì)的神經(jīng)元組成，這些神經(jīng)元通過(guò)突觸相互連接，形成了一個(gè)極其復(fù)雜的神經(jīng)網(wǎng)絡(luò)。當(dāng)神經(jīng)元接收到來(lái)自其他神經(jīng)元的信號(hào)時(shí)，細(xì)胞膜的通透性會(huì)發(fā)生改變，導(dǎo)致離子（如鈉離子、鉀離子、鈣離子等）的跨膜流動(dòng)，從而產(chǎn)生微小的電位變化。這種電位變化被稱為動(dòng)作電位，它是神經(jīng)元傳遞信息的基本方式。眾多神經(jīng)元的動(dòng)作電位在時(shí)間和空間上相互疊加，就形成了可以在頭皮表面檢測(cè)到的腦電信號(hào)。具體而言，當(dāng)大量神經(jīng)元同時(shí)興奮或抑制時(shí)，它們產(chǎn)生的電活動(dòng)會(huì)在頭皮表面形成一個(gè)相對(duì)穩(wěn)定的電場(chǎng)，通過(guò)放置在頭皮上的電極，就能夠捕捉到這個(gè)電場(chǎng)的變化，進(jìn)而記錄下腦電信號(hào)。腦電信號(hào)的產(chǎn)生還受到神經(jīng)膠質(zhì)細(xì)胞的影響，神經(jīng)膠質(zhì)細(xì)胞為神經(jīng)元提供支持、營(yíng)養(yǎng)和保護(hù)，并參與調(diào)節(jié)神經(jīng)元之間的信號(hào)傳遞，對(duì)腦電信號(hào)的形成和特性起到了不可或缺的作用。腦電信號(hào)可以根據(jù)頻率的不同分為多個(gè)頻段，每個(gè)頻段都與大腦的特定活動(dòng)狀態(tài)密切相關(guān)。其中，δ波（0-4Hz）通常在深度睡眠狀態(tài)下出現(xiàn)，此時(shí)大腦的活動(dòng)水平較低，身體處于高度放松和恢復(fù)的狀態(tài)。在睡眠的第三和第四階段，δ波的比例會(huì)顯著增加，它對(duì)于身體的修復(fù)和記憶的鞏固具有重要意義。θ波（4-8Hz）常見(jiàn)于兒童和青少年時(shí)期，在成年人中，當(dāng)處于困倦、冥想或注意力不集中的狀態(tài)時(shí)，θ波也會(huì)相對(duì)增多。θ波與大腦的潛意識(shí)活動(dòng)、創(chuàng)造力以及情感處理等過(guò)程有關(guān)，例如，在人們進(jìn)行創(chuàng)造性思維活動(dòng)時(shí)，θ波的活動(dòng)可能會(huì)增強(qiáng)。α波（8-13Hz）主要出現(xiàn)在大腦處于清醒但放松的狀態(tài)，如閉眼休息、放松冥想時(shí)。當(dāng)個(gè)體從清醒狀態(tài)進(jìn)入放松狀態(tài)時(shí)，α波的振幅會(huì)逐漸增大，頻率相對(duì)穩(wěn)定。α波被認(rèn)為是大腦處于安靜、休息狀態(tài)的標(biāo)志，它的出現(xiàn)表明大腦的能量消耗減少，處于一種相對(duì)平靜的狀態(tài)。β波（13-40Hz）與大腦的清醒、警覺(jué)和注意力集中狀態(tài)相關(guān)，在進(jìn)行積極思考、解決問(wèn)題、運(yùn)動(dòng)控制以及對(duì)外界刺激做出反應(yīng)時(shí)，β波的活動(dòng)會(huì)明顯增強(qiáng)。不同頻段的腦電信號(hào)并非孤立存在，它們?cè)诖竽X的活動(dòng)過(guò)程中相互協(xié)調(diào)、相互作用，共同反映了大腦復(fù)雜的功能狀態(tài)。2.1.2情感與腦電信號(hào)的關(guān)聯(lián)情感作為人類對(duì)內(nèi)外環(huán)境刺激的主觀體驗(yàn)和反應(yīng)，會(huì)引發(fā)大腦神經(jīng)活動(dòng)的顯著變化，進(jìn)而在腦電信號(hào)中表現(xiàn)出特定的特征。當(dāng)個(gè)體處于不同的情感狀態(tài)時(shí)，大腦的多個(gè)區(qū)域會(huì)被選擇性地激活或抑制，這些腦區(qū)的神經(jīng)活動(dòng)變化會(huì)直接反映在腦電信號(hào)的特征上。在積極情感狀態(tài)下，如愉悅、快樂(lè)時(shí)，大腦的前額葉皮質(zhì)、杏仁核等區(qū)域會(huì)出現(xiàn)明顯的激活。前額葉皮質(zhì)在情感調(diào)節(jié)、認(rèn)知評(píng)估等方面發(fā)揮著關(guān)鍵作用，其激活可能與對(duì)積極刺激的認(rèn)知加工和情感體驗(yàn)的增強(qiáng)有關(guān)。杏仁核則與情緒的識(shí)別、記憶和情感反應(yīng)的調(diào)節(jié)密切相關(guān)，在積極情感狀態(tài)下，杏仁核的活動(dòng)可能參與了對(duì)積極情緒的編碼和強(qiáng)化。這些腦區(qū)的激活會(huì)導(dǎo)致相應(yīng)腦電信號(hào)的變化，例如，前額葉皮質(zhì)的α波活動(dòng)可能會(huì)減弱，表明該區(qū)域的神經(jīng)活動(dòng)增強(qiáng)，大腦處于更加活躍的狀態(tài)；而β波活動(dòng)可能會(huì)增強(qiáng)，反映出大腦在積極情感狀態(tài)下的警覺(jué)性和認(rèn)知加工能力的提高。消極情感狀態(tài)，如恐懼、憤怒、悲傷等，也會(huì)引起特定腦區(qū)的激活和腦電信號(hào)的改變。在恐懼狀態(tài)下，杏仁核會(huì)被強(qiáng)烈激活，它會(huì)迅速對(duì)潛在的威脅性刺激進(jìn)行評(píng)估和反應(yīng)，觸發(fā)一系列的生理和心理反應(yīng)。同時(shí)，與注意力和情緒調(diào)節(jié)相關(guān)的腦區(qū)，如前扣帶回皮質(zhì)、前額葉皮質(zhì)等，也會(huì)參與到恐懼情緒的處理過(guò)程中。這些腦區(qū)的活動(dòng)變化會(huì)在腦電信號(hào)中表現(xiàn)為特定頻段能量的改變。例如，前扣帶回皮質(zhì)的θ波活動(dòng)可能會(huì)增加，反映出該區(qū)域在情緒沖突和注意力調(diào)節(jié)方面的作用增強(qiáng)；而杏仁核附近腦區(qū)的γ波活動(dòng)可能會(huì)增強(qiáng)，表明該區(qū)域在恐懼情緒處理中的高度活躍。不同情感狀態(tài)下腦電信號(hào)的頻率成分也會(huì)發(fā)生變化，表現(xiàn)為各頻段能量的重新分配。研究表明，在消極情感狀態(tài)下，低頻段（如δ波和θ波）的能量相對(duì)增加，而高頻段（如α波和β波）的能量相對(duì)減少。這可能與消極情感引發(fā)的大腦活動(dòng)抑制、注意力分散以及認(rèn)知功能下降等因素有關(guān)。相反，在積極情感狀態(tài)下，高頻段的能量相對(duì)增加，低頻段的能量相對(duì)減少，反映出大腦處于更加活躍、警覺(jué)和高效的認(rèn)知狀態(tài)。這種腦電信號(hào)頻率成分的變化為情感的識(shí)別和分析提供了重要的依據(jù)，通過(guò)對(duì)腦電信號(hào)各頻段能量的精確測(cè)量和分析，可以有效地區(qū)分不同的情感狀態(tài)。2.2Lempel-Ziv算法2.2.1算法原理Lempel-Ziv算法作為一種經(jīng)典的無(wú)損數(shù)據(jù)壓縮算法，其核心原理在于巧妙地利用數(shù)據(jù)序列中的重復(fù)模式，通過(guò)構(gòu)建字典的方式來(lái)實(shí)現(xiàn)數(shù)據(jù)的高效壓縮。在實(shí)際應(yīng)用中，該算法將輸入的數(shù)據(jù)序列逐步分解為一系列不重復(fù)的子序列。例如，對(duì)于一個(gè)給定的字符序列“abababc”，算法首先從序列的起始位置開(kāi)始，逐個(gè)字符地進(jìn)行處理。當(dāng)遇到第一個(gè)字符“a”時(shí)，由于此時(shí)字典為空，“a”作為一個(gè)新的子序列被記錄到字典中，同時(shí)輸出。接著處理第二個(gè)字符“b”，“ab”這個(gè)組合在字典中不存在，于是“b”作為新的子序列記錄到字典并輸出。繼續(xù)處理第三個(gè)字符“a”，此時(shí)“aba”在字典中不存在，但“a”已在字典中，算法會(huì)查找以“a”開(kāi)頭且在字典中存在的最長(zhǎng)子序列，發(fā)現(xiàn)“a”本身就是這樣的子序列，然后將“a”對(duì)應(yīng)的字典索引輸出，并將新的子序列“ab”添加到字典中。隨著處理的繼續(xù)，當(dāng)遇到重復(fù)的子序列“ab”時(shí)，不再重復(fù)輸出該子序列的字符，而是直接輸出其在字典中對(duì)應(yīng)的索引，從而實(shí)現(xiàn)對(duì)重復(fù)模式的有效壓縮。在這個(gè)過(guò)程中，字典的構(gòu)建是動(dòng)態(tài)的，它隨著數(shù)據(jù)的處理不斷更新和擴(kuò)展。字典中的每個(gè)條目都對(duì)應(yīng)一個(gè)唯一的子序列，這些子序列按照出現(xiàn)的先后順序被賦予不同的索引。通過(guò)這種方式，Lempel-Ziv算法能夠?qū)⒃紨?shù)據(jù)序列轉(zhuǎn)化為一個(gè)由字典索引組成的新序列，大大減少了數(shù)據(jù)的存儲(chǔ)空間和傳輸量。這種基于字典的壓縮方式，使得算法對(duì)于具有重復(fù)模式的數(shù)據(jù)具有極高的壓縮效率，同時(shí)也為后續(xù)的復(fù)雜度分析提供了基礎(chǔ)，因?yàn)樽值涞脑鲩L(zhǎng)速度和子序列的重復(fù)情況直接反映了數(shù)據(jù)序列的復(fù)雜程度。2.2.2復(fù)雜度計(jì)算方法基于Lempel-Ziv算法的復(fù)雜度計(jì)算方法，是通過(guò)對(duì)算法執(zhí)行過(guò)程中字典的增長(zhǎng)情況進(jìn)行量化分析，從而得出數(shù)據(jù)序列的復(fù)雜度。具體而言，在算法處理數(shù)據(jù)序列的過(guò)程中，字典的大小會(huì)隨著新子序列的不斷加入而逐漸增大。對(duì)于一個(gè)長(zhǎng)度為N的數(shù)據(jù)序列，當(dāng)算法處理完整個(gè)序列后，字典中包含的不同子序列的數(shù)量記為C(N)。Lempel-Ziv復(fù)雜度就可以定義為C(N)與N的比值，即Lempel-Ziv復(fù)雜度=C(N)/N。這個(gè)比值反映了數(shù)據(jù)序列中模式的豐富程度和重復(fù)性。當(dāng)比值較小時(shí)，意味著在長(zhǎng)度為N的數(shù)據(jù)序列中，字典增長(zhǎng)相對(duì)緩慢，即出現(xiàn)的不同子序列較少，數(shù)據(jù)中存在較多的重復(fù)模式，序列的規(guī)律性較強(qiáng)，復(fù)雜度較低。例如，對(duì)于一個(gè)完全重復(fù)的序列“aaaaaa”，算法在處理過(guò)程中，字典中只會(huì)記錄“a”這一個(gè)子序列，隨著序列的延長(zhǎng)，字典大小幾乎不變，C(N)增長(zhǎng)極為緩慢，因此其Lempel-Ziv復(fù)雜度趨近于0。相反，當(dāng)比值較大時(shí)，表示字典增長(zhǎng)較快，數(shù)據(jù)序列中包含大量不同的子序列，重復(fù)模式較少，序列的隨機(jī)性和不確定性較高，復(fù)雜度也就越高。比如一個(gè)隨機(jī)生成的字符序列，由于幾乎沒(méi)有重復(fù)模式，算法在處理時(shí)會(huì)不斷將新的子序列加入字典，導(dǎo)致C(N)迅速增大，從而使得Lempel-Ziv復(fù)雜度較高。通過(guò)這種方式，Lempel-Ziv復(fù)雜度能夠有效地量化數(shù)據(jù)序列的復(fù)雜程度，為分析數(shù)據(jù)的內(nèi)在特征提供了一個(gè)重要的指標(biāo)，尤其在處理像腦電信號(hào)這樣復(fù)雜的生理時(shí)間序列時(shí)，能夠幫助我們深入理解信號(hào)的規(guī)律性和穩(wěn)定性變化。2.2.3在腦電信號(hào)分析中的應(yīng)用原理將Lempel-Ziv算法應(yīng)用于腦電信號(hào)分析，主要是基于該算法對(duì)序列復(fù)雜度的有效度量能力，以及腦電信號(hào)所具有的復(fù)雜的生理特性。腦電信號(hào)是大腦神經(jīng)元活動(dòng)的綜合反映，其蘊(yùn)含著豐富的信息，這些信息與大腦的認(rèn)知、情感、意識(shí)等多種功能密切相關(guān)。在不同的情感狀態(tài)下，大腦的神經(jīng)活動(dòng)模式會(huì)發(fā)生顯著變化，進(jìn)而導(dǎo)致腦電信號(hào)的特征也隨之改變。Lempel-Ziv算法通過(guò)計(jì)算腦電信號(hào)序列的復(fù)雜度，能夠敏感地捕捉到這些變化。當(dāng)個(gè)體處于不同情感狀態(tài)時(shí)，腦電信號(hào)中蘊(yùn)含的重復(fù)模式和規(guī)律性會(huì)有所不同。在平靜、放松的情感狀態(tài)下，大腦的神經(jīng)活動(dòng)相對(duì)穩(wěn)定，腦電信號(hào)的變化較為規(guī)律，具有較多的重復(fù)模式。這使得Lempel-Ziv算法在處理該狀態(tài)下的腦電信號(hào)時(shí)，字典的增長(zhǎng)相對(duì)緩慢，計(jì)算得到的Lempel-Ziv復(fù)雜度較低。相反，當(dāng)個(gè)體處于緊張、焦慮或興奮等強(qiáng)烈情感狀態(tài)時(shí)，大腦的神經(jīng)活動(dòng)變得更加活躍和復(fù)雜，腦電信號(hào)的變化更加頻繁且無(wú)規(guī)律，重復(fù)模式減少。此時(shí)，Lempel-Ziv算法在處理過(guò)程中會(huì)不斷將新的子序列加入字典，字典增長(zhǎng)速度加快，從而導(dǎo)致Lempel-Ziv復(fù)雜度升高。通過(guò)分析不同情感狀態(tài)下腦電信號(hào)的Lempel-Ziv復(fù)雜度，我們可以獲取關(guān)于大腦神經(jīng)活動(dòng)的重要信息，進(jìn)而推斷個(gè)體的情感狀態(tài)。這種方法為情感腦電信號(hào)分析提供了一種全新的視角，與傳統(tǒng)的基于時(shí)域、頻域特征的分析方法相比，Lempel-Ziv算法能夠更全面地刻畫(huà)腦電信號(hào)的復(fù)雜特征，有助于深入挖掘情感與腦電信號(hào)之間的內(nèi)在聯(lián)系，為情感識(shí)別和分類提供了更有力的依據(jù)。2.3等分符號(hào)化熵2.3.1基本概念與原理等分符號(hào)化熵（EqualSymbolicEntropy，ESE）是一種融合了排列熵和樣本熵優(yōu)點(diǎn)的非線性分析方法，專門(mén)用于處理時(shí)間序列信號(hào)，在情感腦電信號(hào)分析領(lǐng)域具有獨(dú)特的優(yōu)勢(shì)。其核心原理在于，在對(duì)信號(hào)進(jìn)行相空間重構(gòu)之前，先將連續(xù)的時(shí)間序列轉(zhuǎn)化為離散的符號(hào)序列，通過(guò)巧妙的等概率符號(hào)化處理，將信號(hào)的幅值范圍劃分為若干個(gè)等概率區(qū)間，每個(gè)區(qū)間對(duì)應(yīng)一個(gè)特定的符號(hào)。這樣，原始的時(shí)間序列就被轉(zhuǎn)化為一系列符號(hào)組成的序列，從而突出信號(hào)中的細(xì)微變化和特征。以一個(gè)簡(jiǎn)單的時(shí)間序列為例，假設(shè)該序列的幅值范圍是[0,10]，我們將其劃分為5個(gè)等概率區(qū)間：[0,2)、[2,4)、[4,6)、[6,8)、[8,10]，分別對(duì)應(yīng)符號(hào)A、B、C、D、E。對(duì)于時(shí)間序列中的每個(gè)數(shù)據(jù)點(diǎn)，根據(jù)其幅值所在的區(qū)間，將其替換為相應(yīng)的符號(hào)。經(jīng)過(guò)這樣的符號(hào)化處理，時(shí)間序列就被轉(zhuǎn)化為一個(gè)符號(hào)序列，如“ABCCDE”。這種符號(hào)化處理不僅降低了數(shù)據(jù)的維度，減少了計(jì)算量，還能夠有效地保留信號(hào)的動(dòng)態(tài)特性和重要信息，使得后續(xù)的熵值計(jì)算能夠更準(zhǔn)確地反映信號(hào)的不確定性和復(fù)雜性。在情感腦電信號(hào)分析中，等分符號(hào)化熵能夠敏銳地捕捉到不同情感狀態(tài)下腦電信號(hào)幅值分布的變化。當(dāng)個(gè)體處于積極情感狀態(tài)時(shí)，腦電信號(hào)的幅值分布可能相對(duì)集中在某些區(qū)間，對(duì)應(yīng)的符號(hào)序列可能具有較高的規(guī)律性；而在消極情感狀態(tài)下，腦電信號(hào)的幅值分布可能更加分散，符號(hào)序列的隨機(jī)性增加。通過(guò)分析符號(hào)序列的熵值，就可以有效地衡量情感腦電信號(hào)的復(fù)雜度，從而為情感識(shí)別和分類提供有力的支持。2.3.2計(jì)算步驟與公式推導(dǎo)等分符號(hào)化熵的計(jì)算過(guò)程較為嚴(yán)謹(jǐn)，主要包括以下幾個(gè)關(guān)鍵步驟。首先，對(duì)給定的情感腦電信號(hào)時(shí)間序列x(n)，n=1,2,...,N，需要確定符號(hào)化的量化等級(jí)q。量化等級(jí)q的選擇直接影響到符號(hào)化的效果和后續(xù)熵值計(jì)算的準(zhǔn)確性，一般需要根據(jù)信號(hào)的特點(diǎn)和分析目的進(jìn)行合理確定。例如，對(duì)于波動(dòng)較小、變化相對(duì)平穩(wěn)的腦電信號(hào)，可以選擇較小的q值，以突出信號(hào)的主要特征；而對(duì)于波動(dòng)較大、變化復(fù)雜的腦電信號(hào)，則需要選擇較大的q值，以更全面地反映信號(hào)的變化。確定量化等級(jí)q后，計(jì)算信號(hào)的均值\overline{x}，并將信號(hào)幅值范圍劃分為q個(gè)等概率區(qū)間。這里的等概率區(qū)間劃分是等分符號(hào)化熵的關(guān)鍵步驟之一，它確保了每個(gè)符號(hào)所代表的信號(hào)幅值范圍具有相同的出現(xiàn)概率，從而使得符號(hào)序列能夠更準(zhǔn)確地反映信號(hào)的統(tǒng)計(jì)特性。例如，假設(shè)信號(hào)的幅值范圍是[x_{min},x_{max}]，則每個(gè)等概率區(qū)間的寬度\Deltax=\frac{x_{max}-x_{min}}{q}，第i個(gè)區(qū)間為[x_{min}+(i-1)\Deltax,x_{min}+i\Deltax)，i=1,2,...,q。接下來(lái)，根據(jù)信號(hào)值所在的區(qū)間，將時(shí)間序列轉(zhuǎn)化為符號(hào)序列s(n)。對(duì)于每個(gè)數(shù)據(jù)點(diǎn)x(n)，如果x(n)落在第i個(gè)區(qū)間內(nèi)，則s(n)=i。通過(guò)這一步驟，連續(xù)的腦電信號(hào)時(shí)間序列就被轉(zhuǎn)化為離散的符號(hào)序列，為后續(xù)的熵值計(jì)算奠定了基礎(chǔ)。在完成符號(hào)化處理后，進(jìn)行相空間重構(gòu)。相空間重構(gòu)是分析時(shí)間序列動(dòng)力學(xué)特性的重要手段，它通過(guò)將一維時(shí)間序列映射到高維空間中，恢復(fù)系統(tǒng)的動(dòng)力學(xué)特征。對(duì)于符號(hào)序列s(n)，重構(gòu)相空間的維數(shù)為m，時(shí)間延遲為\tau，則重構(gòu)后的相空間矢量為\mathbf{X}(i)=[s(i),s(i+\tau),...,s(i+(m-1)\tau)]，i=1,2,...,N-(m-1)\tau。這里的m和\tau是相空間重構(gòu)的重要參數(shù)，它們的選擇會(huì)影響到重構(gòu)相空間的質(zhì)量和后續(xù)分析結(jié)果的準(zhǔn)確性。一般來(lái)說(shuō)，m的取值需要足夠大，以確保能夠恢復(fù)系統(tǒng)的動(dòng)力學(xué)特征，但也不能過(guò)大，否則會(huì)增加計(jì)算量和噪聲的影響；\tau的取值則需要根據(jù)信號(hào)的自相關(guān)函數(shù)或互信息函數(shù)來(lái)確定，以保證重構(gòu)相空間中的矢量之間具有足夠的獨(dú)立性和相關(guān)性。計(jì)算重構(gòu)相空間中矢量之間的距離。通常采用切比雪夫距離來(lái)衡量?jī)蓚€(gè)矢量\mathbf{X}(i)和\mathbf{X}(j)之間的距離，即d(\mathbf{X}(i),\mathbf{X}(j))=\max_{k=0}^{m-1}|s(i+k\tau)-s(j+k\tau)|。切比雪夫距離能夠有效地衡量?jī)蓚€(gè)矢量在各個(gè)維度上的最大差異，對(duì)于符號(hào)序列的分析具有較好的適用性。根據(jù)距離計(jì)算等分符號(hào)化熵。定義一個(gè)閾值r，統(tǒng)計(jì)滿足d(\mathbf{X}(i),\mathbf{X}(j))\leqr的矢量對(duì)(i,j)的數(shù)量N_{ij}，以及總的矢量對(duì)數(shù)量N_{total}=(N-(m-1)\tau)(N-(m-1)\tau-1)。則等分符號(hào)化熵ESE的計(jì)算公式為：ESE=-\frac{1}{N_{total}}\sum_{i=1}^{N-(m-1)\tau}\sum_{j=1,j\neqi}^{N-(m-1)\tau}\log_2\frac{N_{ij}}{N_{total}}這個(gè)公式通過(guò)對(duì)滿足一定距離條件的矢量對(duì)數(shù)量進(jìn)行統(tǒng)計(jì)和對(duì)數(shù)運(yùn)算，量化了符號(hào)序列的不確定性和復(fù)雜性。當(dāng)ESE值較大時(shí)，說(shuō)明符號(hào)序列中不同矢量對(duì)之間的差異較大，信號(hào)的隨機(jī)性和復(fù)雜性較高；反之，當(dāng)ESE值較小時(shí)，表明符號(hào)序列中存在較多相似的矢量對(duì)，信號(hào)的規(guī)律性較強(qiáng)，復(fù)雜性較低。通過(guò)這樣的計(jì)算步驟和公式推導(dǎo)，能夠準(zhǔn)確地計(jì)算出情感腦電信號(hào)的等分符號(hào)化熵，為后續(xù)的情感分析提供關(guān)鍵的量化指標(biāo)。2.3.3在情感腦電分析中的作用在情感腦電分析領(lǐng)域，等分符號(hào)化熵發(fā)揮著至關(guān)重要的作用，它為深入理解情感狀態(tài)與腦電信號(hào)之間的內(nèi)在聯(lián)系提供了獨(dú)特的視角和有效的分析手段。等分符號(hào)化熵能夠精確地衡量情感腦電信號(hào)的復(fù)雜度。腦電信號(hào)作為大腦神經(jīng)元活動(dòng)的綜合反映，其復(fù)雜度在不同情感狀態(tài)下會(huì)發(fā)生顯著變化。在積極情感狀態(tài)下，如愉悅、快樂(lè)時(shí)，大腦的神經(jīng)活動(dòng)相對(duì)有序，腦電信號(hào)的變化具有一定的規(guī)律性。這種規(guī)律性在等分符號(hào)化熵的計(jì)算中表現(xiàn)為符號(hào)序列的相對(duì)穩(wěn)定性，即相同或相似的符號(hào)模式出現(xiàn)的頻率較高，使得滿足距離條件的矢量對(duì)數(shù)量相對(duì)較多，從而導(dǎo)致等分符號(hào)化熵的值較低。這表明腦電信號(hào)在積極情感狀態(tài)下的復(fù)雜度較低，大腦的活動(dòng)處于一種相對(duì)協(xié)調(diào)和穩(wěn)定的狀態(tài)。例如，當(dāng)個(gè)體觀看喜劇電影時(shí)，大腦處于愉悅的情感狀態(tài)，腦電信號(hào)的等分符號(hào)化熵可能會(huì)呈現(xiàn)出較低的值，反映出大腦神經(jīng)活動(dòng)的有序性和規(guī)律性。相反，在消極情感狀態(tài)下，如恐懼、焦慮、悲傷等，大腦的神經(jīng)活動(dòng)變得更加復(fù)雜和無(wú)序，腦電信號(hào)的變化更加頻繁且無(wú)規(guī)律。這使得符號(hào)化后的序列中不同符號(hào)模式的組合更加多樣化，滿足距離條件的矢量對(duì)數(shù)量相對(duì)較少，進(jìn)而導(dǎo)致等分符號(hào)化熵的值較高。這意味著腦電信號(hào)在消極情感狀態(tài)下的復(fù)雜度較高，大腦的活動(dòng)處于一種相對(duì)混亂和不穩(wěn)定的狀態(tài)。比如，當(dāng)個(gè)體面臨恐懼的刺激，如觀看恐怖電影時(shí)，大腦會(huì)產(chǎn)生恐懼的情感反應(yīng)，此時(shí)腦電信號(hào)的等分符號(hào)化熵會(huì)明顯升高，體現(xiàn)出大腦神經(jīng)活動(dòng)的復(fù)雜性和無(wú)序性。通過(guò)準(zhǔn)確地衡量情感腦電信號(hào)的復(fù)雜度，等分符號(hào)化熵能夠有效地幫助區(qū)分不同情感狀態(tài)下的腦電特征。這種區(qū)分能力在情感識(shí)別和分類任務(wù)中具有重要的應(yīng)用價(jià)值。在基于腦電信號(hào)的情感識(shí)別系統(tǒng)中，將等分符號(hào)化熵作為特征指標(biāo)之一，可以大大提高系統(tǒng)對(duì)不同情感狀態(tài)的識(shí)別準(zhǔn)確率。通過(guò)對(duì)大量情感腦電數(shù)據(jù)的分析，建立不同情感狀態(tài)下等分符號(hào)化熵的特征模型，當(dāng)輸入新的腦電信號(hào)時(shí)，計(jì)算其等分符號(hào)化熵，并與已建立的特征模型進(jìn)行匹配，就可以判斷出該信號(hào)所對(duì)應(yīng)的情感狀態(tài)。與傳統(tǒng)的分析方法相比，等分符號(hào)化熵能夠捕捉到腦電信號(hào)中更細(xì)微的變化和特征，從而為情感識(shí)別提供更豐富、更準(zhǔn)確的信息，提高情感識(shí)別的可靠性和穩(wěn)定性。三、研究方法與實(shí)驗(yàn)設(shè)計(jì)3.1數(shù)據(jù)采集3.1.1被試選擇為確保研究結(jié)果具有廣泛的代表性，本研究采用嚴(yán)格的標(biāo)準(zhǔn)篩選被試。通過(guò)線上與線下相結(jié)合的招募方式，共征集了60名健康志愿者作為實(shí)驗(yàn)被試。被試的年齡范圍設(shè)定在18-35歲之間，這一年齡段的個(gè)體大腦發(fā)育成熟，且情感反應(yīng)較為活躍和穩(wěn)定，能夠更好地參與實(shí)驗(yàn)并產(chǎn)生明顯的情感變化。其中男性30名，女性30名，性別分布均勻，以探究可能存在的性別差異對(duì)情感腦電信號(hào)的影響。此前有研究表明，男女在情感體驗(yàn)和表達(dá)上存在一定差異，如女性在情感識(shí)別任務(wù)中往往表現(xiàn)出更高的準(zhǔn)確性，而男性在某些情感狀態(tài)下的生理反應(yīng)更為強(qiáng)烈，因此納入不同性別的被試有助于全面分析情感腦電信號(hào)的特征。所有被試均經(jīng)過(guò)詳細(xì)的健康篩查，包括身體檢查和心理評(píng)估。身體檢查確保被試無(wú)重大軀體疾病，如心血管疾病、神經(jīng)系統(tǒng)疾病等，因?yàn)檫@些疾病可能會(huì)干擾腦電信號(hào)的正常采集和分析。心理評(píng)估采用專業(yè)的心理量表，如癥狀自評(píng)量表（SCL-90）和貝克焦慮量表（BAI）、貝克抑郁量表（BDI），以排除被試存在精神疾病或情緒障礙的可能性。只有在各項(xiàng)評(píng)估中均顯示正常的志愿者才被納入實(shí)驗(yàn)，從而保證實(shí)驗(yàn)數(shù)據(jù)的純凈性和可靠性，避免因被試自身的健康問(wèn)題對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生干擾。3.1.2實(shí)驗(yàn)環(huán)境設(shè)置實(shí)驗(yàn)環(huán)境的控制對(duì)于獲取準(zhǔn)確可靠的腦電信號(hào)至關(guān)重要。實(shí)驗(yàn)在專門(mén)設(shè)計(jì)的電磁屏蔽室內(nèi)進(jìn)行，該屏蔽室能夠有效隔絕外界的電磁干擾，如手機(jī)信號(hào)、電器設(shè)備產(chǎn)生的電磁波等，確保腦電信號(hào)的采集不受外界電磁噪聲的污染。室內(nèi)環(huán)境保持安靜，背景噪音控制在30分貝以下，為被試提供一個(gè)靜謐的實(shí)驗(yàn)環(huán)境，減少外界聲音對(duì)被試情感狀態(tài)的干擾。同時(shí)，室內(nèi)溫度調(diào)節(jié)至25℃左右，相對(duì)濕度保持在40%-60%，使被試處于舒適的溫濕度環(huán)境中，避免因溫度過(guò)高或過(guò)低、濕度過(guò)大或過(guò)小導(dǎo)致的身體不適，進(jìn)而影響情感體驗(yàn)和腦電信號(hào)的穩(wěn)定性。實(shí)驗(yàn)室內(nèi)布置簡(jiǎn)潔舒適，被試坐在符合人體工程學(xué)設(shè)計(jì)的座椅上，面前放置一臺(tái)24英寸的高清顯示器，用于呈現(xiàn)情感誘發(fā)材料。顯示器的亮度和對(duì)比度經(jīng)過(guò)精確調(diào)節(jié)，以確保被試能夠清晰地觀看材料，同時(shí)避免因屏幕過(guò)亮或過(guò)暗對(duì)眼睛造成刺激，引發(fā)額外的生理和心理反應(yīng)。實(shí)驗(yàn)過(guò)程中，室內(nèi)燈光采用柔和的暖色調(diào)，營(yíng)造出溫馨、放松的氛圍，有助于被試保持相對(duì)平靜的初始狀態(tài)，為后續(xù)的情感誘發(fā)和腦電信號(hào)采集奠定良好的基礎(chǔ)。3.1.3腦電信號(hào)采集設(shè)備與參數(shù)本研究采用國(guó)際知名品牌的BrainProducts公司生產(chǎn)的actiCHamp腦電采集系統(tǒng)，該系統(tǒng)以其高精度和穩(wěn)定性在腦電研究領(lǐng)域得到廣泛應(yīng)用。該系統(tǒng)配備了64導(dǎo)的電極帽，按照國(guó)際10-20系統(tǒng)標(biāo)準(zhǔn)進(jìn)行電極布局，能夠全面覆蓋大腦的各個(gè)主要區(qū)域，精確采集不同腦區(qū)的電活動(dòng)信號(hào)。每個(gè)電極均采用優(yōu)質(zhì)的銀/氯化銀（Ag-AgCl）材料制成，具有良好的導(dǎo)電性和穩(wěn)定性，能夠有效降低電極與頭皮之間的接觸阻抗，提高信號(hào)采集的質(zhì)量。腦電信號(hào)的采樣頻率設(shè)定為1000Hz，這一采樣頻率能夠滿足對(duì)腦電信號(hào)高頻成分的捕捉需求，確保不會(huì)遺漏重要的信號(hào)細(xì)節(jié)。在信號(hào)采集過(guò)程中，對(duì)采集到的原始腦電信號(hào)進(jìn)行實(shí)時(shí)放大和濾波處理。放大器的增益設(shè)置為1000倍，能夠?qū)⑽⑷醯哪X電信號(hào)放大到可檢測(cè)和分析的水平。同時(shí)，采用帶通濾波器對(duì)信號(hào)進(jìn)行濾波，設(shè)置的通帶范圍為0.1-100Hz，有效去除低頻的基線漂移和高頻的噪聲干擾，如50Hz的工頻干擾和肌肉電活動(dòng)產(chǎn)生的高頻噪聲，從而獲得清晰、準(zhǔn)確的腦電信號(hào)，為后續(xù)的數(shù)據(jù)分析提供可靠的數(shù)據(jù)基礎(chǔ)。3.2實(shí)驗(yàn)設(shè)計(jì)3.2.1實(shí)驗(yàn)任務(wù)設(shè)計(jì)本實(shí)驗(yàn)旨在通過(guò)多樣化的任務(wù)設(shè)計(jì)，有效地誘發(fā)被試的不同情感狀態(tài)，為后續(xù)的情感腦電復(fù)雜度分析提供豐富的數(shù)據(jù)支持。實(shí)驗(yàn)主要采用觀看情感視頻、聽(tīng)音樂(lè)以及進(jìn)行情感回憶這三種方式來(lái)誘發(fā)情感。在觀看情感視頻任務(wù)中，精心挑選了一系列具有強(qiáng)烈情感色彩的視頻片段。這些視頻涵蓋了多種情感類型，包括快樂(lè)、悲傷、恐懼、憤怒、平靜等。視頻來(lái)源廣泛，既有經(jīng)典電影中的精彩片段，如《當(dāng)幸福來(lái)敲門(mén)》中主角成功獲得工作時(shí)的喜悅場(chǎng)景，用以誘發(fā)快樂(lè)情感；也有紀(jì)錄片中展現(xiàn)自然災(zāi)害后人們悲慘生活的畫(huà)面，如地震后的廢墟場(chǎng)景，可有效誘發(fā)悲傷情感；還有恐怖電影中的驚悚片段，像《午夜兇鈴》中的經(jīng)典驚嚇鏡頭，能夠引發(fā)恐懼情感；以及政治新聞中關(guān)于社會(huì)不公正事件的報(bào)道，激發(fā)被試的憤怒情感。每個(gè)視頻片段的時(shí)長(zhǎng)控制在3-5分鐘之間，以確保被試能夠充分沉浸其中，產(chǎn)生明顯的情感反應(yīng)。同時(shí)，為了避免被試對(duì)視頻內(nèi)容產(chǎn)生熟悉感而影響情感誘發(fā)效果，在實(shí)驗(yàn)前對(duì)被試進(jìn)行問(wèn)卷調(diào)查，了解他們對(duì)各類視頻的觀看情況，盡量選擇被試未曾觀看過(guò)的視頻片段。聽(tīng)音樂(lè)任務(wù)同樣經(jīng)過(guò)了細(xì)致的策劃。根據(jù)不同的情感類型，選取了具有代表性的音樂(lè)作品。例如，選擇莫扎特的《小夜曲》來(lái)誘發(fā)平靜、愉悅的情感，其優(yōu)美的旋律和舒緩的節(jié)奏能夠使被試身心放松，進(jìn)入平靜的情感狀態(tài)；播放二胡曲《二泉映月》以誘發(fā)悲傷情感，其悠揚(yáng)且略帶哀傷的曲調(diào)能夠觸動(dòng)被試的內(nèi)心，引發(fā)悲傷情緒；用貝多芬的《命運(yùn)交響曲》來(lái)誘發(fā)緊張、激動(dòng)的情感，其強(qiáng)烈的節(jié)奏和激昂的旋律能夠激發(fā)被試的情緒，使其感受到命運(yùn)的抗?fàn)幣c挑戰(zhàn)；而播放重金屬搖滾音樂(lè)，如AC/DC的《BackinBlack》，則可誘發(fā)憤怒情感，其強(qiáng)烈的節(jié)奏和高分貝的音效能夠刺激被試的情緒，引發(fā)憤怒反應(yīng)。每首音樂(lè)的播放時(shí)長(zhǎng)為3-4分鐘，播放過(guò)程中要求被試閉上眼睛，專注地聆聽(tīng)音樂(lè)，全身心地感受音樂(lè)所傳達(dá)的情感。情感回憶任務(wù)則充分調(diào)動(dòng)被試的個(gè)人經(jīng)歷。在實(shí)驗(yàn)中，通過(guò)引導(dǎo)被試回憶生活中那些令他們印象深刻的情感事件，來(lái)誘發(fā)相應(yīng)的情感狀態(tài)。對(duì)于快樂(lè)情感的誘發(fā)，引導(dǎo)被試回憶與家人朋友共度的歡樂(lè)時(shí)光，如生日聚會(huì)、旅行中的美好瞬間等；回憶親人離世、與朋友分離等經(jīng)歷來(lái)誘發(fā)悲傷情感；讓被試回想曾經(jīng)遭遇的危險(xiǎn)場(chǎng)景，如遭遇搶劫、差點(diǎn)發(fā)生車禍等，以誘發(fā)恐懼情感；回憶在生活中遇到的不公平對(duì)待、被他人誤解等事件，從而誘發(fā)憤怒情感。為了幫助被試更好地進(jìn)入回憶狀態(tài)，實(shí)驗(yàn)過(guò)程中會(huì)播放一些輕柔的背景音樂(lè)作為引導(dǎo)，同時(shí)給予被試足夠的時(shí)間進(jìn)行回憶和情感體驗(yàn)，每個(gè)回憶任務(wù)的時(shí)間控制在3-5分鐘。在任務(wù)設(shè)計(jì)過(guò)程中，充分考慮了情感的維度理論，確保所誘發(fā)的情感能夠全面覆蓋情感的不同維度。根據(jù)羅素（Russell）提出的情感環(huán)狀模型，情感可以分為愉悅度和喚醒度兩個(gè)維度。在實(shí)驗(yàn)任務(wù)設(shè)計(jì)中，選擇的視頻、音樂(lè)和引導(dǎo)回憶的事件能夠在這兩個(gè)維度上產(chǎn)生多樣化的情感體驗(yàn)。例如，快樂(lè)情感在愉悅度上較高，喚醒度適中；恐懼情感在喚醒度上較高，愉悅度較低；平靜情感在愉悅度和喚醒度上都相對(duì)較低。通過(guò)這種全面的任務(wù)設(shè)計(jì)，能夠更準(zhǔn)確地研究不同情感狀態(tài)下腦電信號(hào)的復(fù)雜度變化，為情感腦電分析提供更豐富、更全面的數(shù)據(jù)基礎(chǔ)。3.2.2實(shí)驗(yàn)流程安排實(shí)驗(yàn)流程的合理安排對(duì)于確保實(shí)驗(yàn)的順利進(jìn)行以及獲取準(zhǔn)確可靠的數(shù)據(jù)至關(guān)重要。本實(shí)驗(yàn)的流程主要包括實(shí)驗(yàn)前準(zhǔn)備、任務(wù)執(zhí)行、數(shù)據(jù)采集和休息間隔四個(gè)關(guān)鍵環(huán)節(jié)。實(shí)驗(yàn)前準(zhǔn)備階段，工作人員首先要確保實(shí)驗(yàn)環(huán)境的適宜性，提前檢查電磁屏蔽室的屏蔽效果，保證室內(nèi)安靜、溫度和濕度適宜，為被試提供一個(gè)舒適、穩(wěn)定的實(shí)驗(yàn)環(huán)境。同時(shí)，仔細(xì)檢查腦電采集設(shè)備的各項(xiàng)參數(shù)設(shè)置，確保設(shè)備正常運(yùn)行，如檢查電極帽的電極是否完好、連接是否穩(wěn)固，放大器的增益和濾波參數(shù)是否正確等。當(dāng)被試到達(dá)實(shí)驗(yàn)室后，工作人員會(huì)熱情地接待被試，并詳細(xì)向其介紹實(shí)驗(yàn)的目的、流程和注意事項(xiàng)，讓被試充分了解實(shí)驗(yàn)內(nèi)容，消除其緊張和疑慮情緒。之后，讓被試簽署知情同意書(shū)，確保被試是在自愿、知情的情況下參與實(shí)驗(yàn)。工作人員會(huì)協(xié)助被試佩戴腦電電極帽，在佩戴過(guò)程中，使用磨砂膏輕輕擦拭被試頭皮，以去除頭皮表面的角質(zhì)層，降低電極與頭皮之間的阻抗，提高信號(hào)采集質(zhì)量。然后，將導(dǎo)電膏均勻地涂抹在電極與頭皮接觸處，確保電極與頭皮能夠良好地導(dǎo)電。佩戴完成后，再次檢查電極的阻抗，確保所有電極的阻抗均低于5千歐，以保證腦電信號(hào)的穩(wěn)定采集。任務(wù)執(zhí)行階段，被試坐在舒適的座椅上，面前的顯示器用于呈現(xiàn)情感誘發(fā)材料。實(shí)驗(yàn)采用隨機(jī)順序呈現(xiàn)不同的情感誘發(fā)任務(wù)，以避免順序效應(yīng)的影響。例如，在一次實(shí)驗(yàn)中，被試可能先觀看一段誘發(fā)快樂(lè)情感的視頻，接著進(jìn)行情感回憶任務(wù)，然后再聽(tīng)一首誘發(fā)恐懼情感的音樂(lè)，這樣的隨機(jī)安排可以使被試在不同的情感狀態(tài)之間自然轉(zhuǎn)換，減少因任務(wù)順序?qū)е碌那楦袣埩艉瓦m應(yīng)效應(yīng)。在每個(gè)任務(wù)開(kāi)始前，屏幕上會(huì)顯示清晰的指導(dǎo)語(yǔ)，告知被試即將進(jìn)行的任務(wù)內(nèi)容和要求，如“請(qǐng)您認(rèn)真觀看以下視頻，全身心地感受視頻所傳達(dá)的情感”或“請(qǐng)您閉上眼睛，仔細(xì)聆聽(tīng)音樂(lè)，讓自己沉浸在音樂(lè)所營(yíng)造的氛圍中”。數(shù)據(jù)采集在整個(gè)實(shí)驗(yàn)過(guò)程中持續(xù)進(jìn)行。腦電采集設(shè)備以1000Hz的采樣頻率實(shí)時(shí)記錄被試的腦電信號(hào)，確保能夠捕捉到腦電信號(hào)的細(xì)微變化。同時(shí)，為了獲取更全面的生理信息，還同步采集被試的心率、皮膚電等生理信號(hào)。心率可以反映被試的心血管活動(dòng)狀態(tài)，在不同情感狀態(tài)下，心率會(huì)發(fā)生相應(yīng)的變化，如在恐懼和憤怒等強(qiáng)烈情感狀態(tài)下，心率通常會(huì)加快；皮膚電則能反映被試的交感神經(jīng)活動(dòng)水平，當(dāng)被試處于緊張、興奮等情感狀態(tài)時(shí)，皮膚電導(dǎo)率會(huì)升高。通過(guò)同步采集這些生理信號(hào)，可以與腦電信號(hào)相互印證，更深入地分析被試在不同情感狀態(tài)下的生理反應(yīng)。為了避免被試因長(zhǎng)時(shí)間實(shí)驗(yàn)產(chǎn)生疲勞和厭倦情緒，影響實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，實(shí)驗(yàn)過(guò)程中設(shè)置了適當(dāng)?shù)男菹㈤g隔。在每個(gè)情感誘發(fā)任務(wù)結(jié)束后，被試會(huì)有2-3分鐘的休息時(shí)間。在休息期間，被試可以放松身體，調(diào)整狀態(tài)，工作人員也會(huì)為被試提供一些飲用水，以保持被試的身體舒適。在整個(gè)實(shí)驗(yàn)過(guò)程中，工作人員會(huì)密切關(guān)注被試的狀態(tài)，確保被試能夠順利完成實(shí)驗(yàn)任務(wù)。如果被試在實(shí)驗(yàn)過(guò)程中出現(xiàn)不適或情緒波動(dòng)過(guò)大的情況，工作人員會(huì)及時(shí)暫停實(shí)驗(yàn)，給予被試必要的幫助和支持。3.3數(shù)據(jù)分析方法3.3.1數(shù)據(jù)預(yù)處理在對(duì)情感腦電信號(hào)進(jìn)行深入分析之前，數(shù)據(jù)預(yù)處理是至關(guān)重要的環(huán)節(jié)，其目的在于去除原始信號(hào)中存在的噪聲、干擾和偽跡，以獲得純凈、可靠的腦電信號(hào)，為后續(xù)的分析奠定堅(jiān)實(shí)基礎(chǔ)。本研究采用帶通濾波方法來(lái)處理腦電信號(hào)中的頻率干擾。利用巴特沃斯濾波器設(shè)計(jì)一個(gè)通帶范圍為0.1-100Hz的帶通濾波器，其原理是通過(guò)特定的傳遞函數(shù)，對(duì)輸入信號(hào)的不同頻率成分進(jìn)行選擇性處理。對(duì)于低于0.1Hz的信號(hào)，濾波器會(huì)使其幅值大幅衰減，有效去除基線漂移等低頻干擾；對(duì)于高于100Hz的信號(hào)，同樣進(jìn)行衰減處理，消除高頻噪聲以及肌肉電活動(dòng)產(chǎn)生的高頻干擾，從而使0.1-100Hz范圍內(nèi)的腦電信號(hào)得以保留，保證信號(hào)的完整性和準(zhǔn)確性。在去除工頻干擾方面，采用50Hz陷波濾波器。由于電網(wǎng)產(chǎn)生的50Hz工頻干擾是腦電信號(hào)中常見(jiàn)的噪聲源，陷波濾波器能夠針對(duì)這一特定頻率進(jìn)行深度衰減，其工作原理是通過(guò)在濾波器的頻率響應(yīng)中設(shè)置一個(gè)極深的凹陷，使得50Hz的信號(hào)成分幾乎被完全濾除，而對(duì)其他頻率成分的影響極小，確保腦電信號(hào)在去除工頻干擾的同時(shí)，不丟失重要的信號(hào)特征。獨(dú)立成分分析（ICA）被用于去除腦電信號(hào)中的偽跡。ICA是一種基于統(tǒng)計(jì)獨(dú)立分量的盲源分離技術(shù)，它假設(shè)觀測(cè)信號(hào)是由多個(gè)相互獨(dú)立的源信號(hào)混合而成，通過(guò)尋找一個(gè)線性變換矩陣，將觀測(cè)信號(hào)分離為各個(gè)獨(dú)立成分。在腦電信號(hào)處理中，ICA能夠有效地分離出眼電、肌電等生理偽跡以及其他非腦電活動(dòng)產(chǎn)生的干擾成分。具體實(shí)現(xiàn)過(guò)程中，首先對(duì)預(yù)處理后的腦電信號(hào)進(jìn)行ICA分解，得到多個(gè)獨(dú)立成分。然后，通過(guò)分析每個(gè)獨(dú)立成分的特征，如時(shí)域波形、頻域特性以及空間分布等，識(shí)別出屬于偽跡的成分。例如，眼電成分通常在時(shí)域上表現(xiàn)為與眨眼、眼球運(yùn)動(dòng)相關(guān)的明顯波形，頻域上具有特定的頻率分布；肌電成分則具有較高的頻率和不規(guī)則的波形。將識(shí)別出的偽跡成分從原始信號(hào)中去除，再將剩余的獨(dú)立成分進(jìn)行重構(gòu)，從而得到去除偽跡后的純凈腦電信號(hào)。3.3.2Lempel-Ziv算法實(shí)現(xiàn)與復(fù)雜度計(jì)算在完成數(shù)據(jù)預(yù)處理后，將Lempel-Ziv算法應(yīng)用于處理后的腦電信號(hào)，以計(jì)算其復(fù)雜度。具體實(shí)現(xiàn)過(guò)程如下：將預(yù)處理后的腦電信號(hào)時(shí)間序列x(n)，n=1,2,...,N進(jìn)行離散化處理。根據(jù)腦電信號(hào)的幅值范圍，將其劃分為若干個(gè)離散等級(jí)。假設(shè)腦電信號(hào)的幅值范圍是[x_{min},x_{max}]，將其劃分為M個(gè)離散等級(jí)，每個(gè)等級(jí)的寬度為\Deltax=\frac{x_{max}-x_{min}}{M}，則離散化后的腦電信號(hào)y(n)滿足y(n)=\lfloor\frac{x(n)-x_{min}}{\Deltax}\rfloor，其中\(zhòng)lfloor\cdot\rfloor表示向下取整運(yùn)算。通過(guò)這種離散化處理，將連續(xù)的腦電信號(hào)轉(zhuǎn)化為離散的符號(hào)序列，以便Lempel-Ziv算法進(jìn)行處理。在離散化后的腦電信號(hào)序列上實(shí)現(xiàn)Lempel-Ziv算法。初始化一個(gè)空字典，從信號(hào)序列的起始位置開(kāi)始，逐個(gè)符號(hào)地進(jìn)行處理。當(dāng)遇到一個(gè)新的符號(hào)時(shí)，檢查字典中是否已經(jīng)存在以該符號(hào)開(kāi)頭的子序列。如果不存在，則將該符號(hào)作為一個(gè)新的子序列添加到字典中，并輸出該子序列的索引。如果存在，則繼續(xù)向后查找，找到以該符號(hào)開(kāi)頭且在字典中存在的最長(zhǎng)子序列，輸出該子序列的索引，并將新的子序列（由找到的最長(zhǎng)子序列和下一個(gè)符號(hào)組成）添加到字典中。重復(fù)這個(gè)過(guò)程，直到處理完整個(gè)信號(hào)序列。在處理過(guò)程中，記錄字典中不同子序列的數(shù)量C(N)。計(jì)算Lempel-Ziv復(fù)雜度。根據(jù)公式Lempel-Ziv復(fù)雜度=C(N)/N，其中N是信號(hào)序列的長(zhǎng)度，計(jì)算出腦電信號(hào)的Lempel-Ziv復(fù)雜度。這個(gè)復(fù)雜度值反映了腦電信號(hào)中模式的豐富程度和重復(fù)性。復(fù)雜度值較低，表明腦電信號(hào)中存在較多的重復(fù)模式，信號(hào)的規(guī)律性較強(qiáng)，大腦的神經(jīng)活動(dòng)相對(duì)穩(wěn)定；而復(fù)雜度值較高，則說(shuō)明腦電信號(hào)中包含大量不同的子序列，重復(fù)模式較少，信號(hào)的隨機(jī)性和不確定性較高，大腦的神經(jīng)活動(dòng)更加活躍和復(fù)雜。通過(guò)對(duì)不同情感狀態(tài)下腦電信號(hào)的Lempel-Ziv復(fù)雜度進(jìn)行計(jì)算和分析，可以有效揭示情感與腦電信號(hào)復(fù)雜度之間的內(nèi)在聯(lián)系。3.3.3等分符號(hào)化熵計(jì)算計(jì)算等分符號(hào)化熵是深入分析情感腦電信號(hào)復(fù)雜度的重要步驟，其過(guò)程涉及多個(gè)關(guān)鍵環(huán)節(jié)。對(duì)預(yù)處理后的情感腦電信號(hào)時(shí)間序列x(n)，n=1,2,...,N，確定符號(hào)化的量化等級(jí)q。量化等級(jí)q的選擇需要綜合考慮信號(hào)的特性和分析的精度要求。一般來(lái)說(shuō)，對(duì)于變化較為平緩的腦電信號(hào)，可以選擇較小的q值，以突出信號(hào)的主要特征；而對(duì)于變化復(fù)雜、波動(dòng)較大的腦電信號(hào)，則需要選擇較大的q值，以更全面地反映信號(hào)的細(xì)節(jié)變化。在本研究中，通過(guò)多次實(shí)驗(yàn)和對(duì)比分析，確定q=8作為量化等級(jí)，既能有效地保留信號(hào)的重要信息，又能在保證計(jì)算效率的同時(shí)，準(zhǔn)確地反映腦電信號(hào)的復(fù)雜度變化。確定量化等級(jí)后，計(jì)算信號(hào)的均值\overline{x}，并根據(jù)均值將信號(hào)幅值范圍劃分為q個(gè)等概率區(qū)間。例如，假設(shè)信號(hào)的幅值范圍是[x_{min},x_{max}]，則每個(gè)等概率區(qū)間的寬度\Deltax=\frac{x_{max}-x_{min}}{q}，第i個(gè)區(qū)間為[x_{min}+(i-1)\Deltax,x_{min}+i\Deltax)，i=1,2,...,q。對(duì)于時(shí)間序列中的每個(gè)數(shù)據(jù)點(diǎn)x(n)，根據(jù)其幅值所在的區(qū)間，將其轉(zhuǎn)化為相應(yīng)的符號(hào)。如果x(n)落在第i個(gè)區(qū)間內(nèi)，則s(n)=i，從而將連續(xù)的腦電信號(hào)時(shí)間序列轉(zhuǎn)化為離散的符號(hào)序列s(n)。對(duì)符號(hào)序列s(n)進(jìn)行相空間重構(gòu)。相空間重構(gòu)是分析時(shí)間序列動(dòng)力學(xué)特性的重要手段，其目的是通過(guò)將一維時(shí)間序列映射到高維空間中，恢復(fù)系統(tǒng)的動(dòng)力學(xué)特征。在本研究中，重構(gòu)相空間的維數(shù)m=3，時(shí)間延遲\tau=2。這些參數(shù)的選擇是基于對(duì)腦電信號(hào)特性的深入研究和大量的實(shí)驗(yàn)驗(yàn)證，能夠較好地反映腦電信號(hào)的動(dòng)力學(xué)特征。重構(gòu)后的相空間矢量為\mathbf{X}(i)=[s(i),s(i+\tau),...,s(i+(m-1)\tau)]，i=1,2,...,N-(m-1)\tau。計(jì)算重構(gòu)相空間中矢量之間的距離，采用切比雪夫距離來(lái)衡量?jī)蓚€(gè)矢量\mathbf{X}(i)和\mathbf{X}(j)之間的距離，即d(\mathbf{X}(i),\mathbf{X}(j))=\max_{k=0}^{m-1}|s(i+k\tau)-s(j+k\tau)|。切比雪夫距離能夠有效地衡量?jī)蓚€(gè)矢量在各個(gè)維度上的最大差異，對(duì)于符號(hào)序列的分析具有較好的適用性。根據(jù)距離計(jì)算等分符號(hào)化熵。定義一個(gè)閾值r，在本研究中，r=0.1，這個(gè)閾值的選擇是通過(guò)多次實(shí)驗(yàn)和分析確定的，能夠在保證有效區(qū)分不同情感狀態(tài)下腦電信號(hào)復(fù)雜度的同時(shí)，避免因閾值過(guò)大或過(guò)小導(dǎo)致的分析誤差。統(tǒng)計(jì)滿足d(\mathbf{X}(i),\mathbf{X}(j))\leqr的矢量對(duì)(i,j)的數(shù)量N_{ij}，以及總的矢量對(duì)數(shù)量N_{total}=(N-(m-1)\tau)(N-(m-1)\tau-1)。則等分符號(hào)化熵ESE的計(jì)算公式為：ESE=-\frac{1}{N_{total}}\sum_{i=1}^{N-(m-1)\tau}\sum_{j=1,j\neqi}^{N-(m-1)\tau}\log_2\frac{N_{ij}}{N_{total}}通過(guò)這個(gè)公式，能夠準(zhǔn)確地計(jì)算出情感腦電信號(hào)的等分符號(hào)化熵，量化信號(hào)的不確定性和復(fù)雜性。當(dāng)ESE值較大時(shí)，說(shuō)明符號(hào)序列中不同矢量對(duì)之間的差異較大，信號(hào)的隨機(jī)性和復(fù)雜性較高；反之，當(dāng)ESE值較小時(shí)，表明符號(hào)序列中存在較多相似的矢量對(duì)，信號(hào)的規(guī)律性較強(qiáng)，復(fù)雜性較低。3.3.4統(tǒng)計(jì)分析方法為了深入挖掘情感腦電信號(hào)數(shù)據(jù)中蘊(yùn)含的信息，揭示不同情感狀態(tài)下腦電信號(hào)復(fù)雜度的變化規(guī)律以及與其他因素之間的關(guān)系，本研究采用了多種統(tǒng)計(jì)分析方法。采用方差分析（ANOVA）來(lái)檢驗(yàn)不同情感狀態(tài)下Lempel-Ziv復(fù)雜度和等分符號(hào)化熵是否存在顯著差異。方差分析是一種用于比較多個(gè)總體均值是否相等的統(tǒng)計(jì)方法，它通過(guò)對(duì)數(shù)據(jù)的總變異進(jìn)行分解，將其分為組間變異和組內(nèi)變異，然后比較組間變異和組內(nèi)變異的大小，以此來(lái)判斷不同組之間是否存在顯著差異。在本研究中，將不同情感狀態(tài)（如快樂(lè)、悲傷、恐懼、憤怒、平靜等）作為不同的組，將Lempel-Ziv復(fù)雜度和等分符號(hào)化熵作為觀測(cè)指標(biāo)。通過(guò)方差分析，可以確定不同情感狀態(tài)對(duì)腦電信號(hào)復(fù)雜度的影響是否具有統(tǒng)計(jì)學(xué)意義。如果方差分析的結(jié)果顯示p值小于設(shè)定的顯著性水平（通常為0.05），則表明不同情感狀態(tài)下的腦電信號(hào)復(fù)雜度存在顯著差異，這為進(jìn)一步分析不同情感狀態(tài)下腦電信號(hào)的特征提供了有力的依據(jù)。運(yùn)用相關(guān)性分析來(lái)探究Lempel-Ziv復(fù)雜度、等分符號(hào)化熵與其他生理指標(biāo)（如心率、皮膚電等）以及情感自評(píng)得分之間的相關(guān)性。相關(guān)性分析是一種用于研究?jī)蓚€(gè)或多個(gè)變量之間線性關(guān)系強(qiáng)度和方向的統(tǒng)計(jì)方法，常用的相關(guān)性分析方法包括皮爾遜相關(guān)系數(shù)、斯皮爾曼相關(guān)系數(shù)等。在本研究中，采用皮爾遜相關(guān)系數(shù)來(lái)衡量變量之間的線性相關(guān)性。通過(guò)計(jì)算Lempel-Ziv復(fù)雜度與心率之間的皮爾遜相關(guān)系數(shù)，可以了解腦電信號(hào)復(fù)雜度與心血管活動(dòng)之間的關(guān)系；計(jì)算等分符號(hào)化熵與皮膚電之間的皮爾遜相關(guān)系數(shù)，能夠揭示腦電信號(hào)復(fù)雜度與交感神經(jīng)活動(dòng)之間的聯(lián)系。同時(shí)，將Lempel-Ziv復(fù)雜度、等分符號(hào)化熵與被試在實(shí)驗(yàn)過(guò)程中對(duì)自身情感的主觀評(píng)價(jià)得分進(jìn)行相關(guān)性分析，有助于深入理解腦電信號(hào)復(fù)雜度與主觀情感體驗(yàn)之間的內(nèi)在關(guān)聯(lián)。如果相關(guān)性分析的結(jié)果顯示相關(guān)系數(shù)的絕對(duì)值較大，且p值小于顯著性水平，則表明兩個(gè)變量之間存在顯著的相關(guān)性，這為全面理解情感與生理指標(biāo)之間的關(guān)系提供了重要的線索。利用機(jī)器學(xué)習(xí)算法構(gòu)建情感識(shí)別模型，以驗(yàn)證基于Lempel-Ziv算法和等分符號(hào)化熵的情感腦電復(fù)雜度分析方法的有效性。在本研究中，選用支持向量機(jī)（SVM）和隨機(jī)森林（RF）這兩種經(jīng)典的機(jī)器學(xué)習(xí)算法。支持向量機(jī)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的分類算法，它通過(guò)尋找一個(gè)最優(yōu)的分類超平面，將不同類別的數(shù)據(jù)點(diǎn)分開(kāi)，具有良好的泛化能力和分類性能。隨機(jī)森林則是一種集成學(xué)習(xí)算法，它通過(guò)構(gòu)建多個(gè)決策樹(shù)，并將這些決策樹(shù)的預(yù)測(cè)結(jié)果進(jìn)行綜合，從而提高模型的穩(wěn)定性和準(zhǔn)確性。將Lempel-Ziv復(fù)雜度和等分符號(hào)化熵作為特征輸入到這兩種算法中，進(jìn)行模型訓(xùn)練和測(cè)試。在訓(xùn)練過(guò)程中，采用交叉驗(yàn)證的方法來(lái)優(yōu)化模型的參數(shù)，提高模型的性能。通過(guò)比較不同模型在測(cè)試集上的分類準(zhǔn)確率、召回率、F1值等指標(biāo)，評(píng)估基于這兩種復(fù)雜度分析方法的情感識(shí)別模型的性能。如果模型在測(cè)試集上能夠取得較高的分類準(zhǔn)確率和其他良好的性能指標(biāo)，則表明基于Lempel-Ziv算法和等分符號(hào)化熵的情感腦電復(fù)雜度分析方法能夠有效地提取情感相關(guān)的特征，為情感識(shí)別提供了一種有效的途徑。四、實(shí)驗(yàn)結(jié)果與分析4.1Lempel-Ziv算法分析結(jié)果4.1.1不同情感狀態(tài)下的復(fù)雜度值本研究通過(guò)對(duì)60名被試在不同情感狀態(tài)下的腦電信號(hào)進(jìn)行Lempel-Ziv復(fù)雜度計(jì)算，得到了豐富的數(shù)據(jù)結(jié)果。以快樂(lè)、悲傷、恐懼、憤怒和平靜這五種典型情感狀態(tài)為例，對(duì)其復(fù)雜度值進(jìn)行詳細(xì)分析。在快樂(lè)情感狀態(tài)下，被試觀看了如喜劇電影片段等能夠引發(fā)愉悅情緒的視頻，此時(shí)腦電信號(hào)的Lempel-Ziv復(fù)雜度平均值為0.35±0.05。這表明在快樂(lè)狀態(tài)下，大腦神經(jīng)活動(dòng)相對(duì)有序，腦電信號(hào)中存在較多的重復(fù)模式，信號(hào)的規(guī)律性較強(qiáng)。例如，在觀看喜劇電影時(shí)，大腦的某些區(qū)域會(huì)持續(xù)處于相對(duì)穩(wěn)定的激活狀態(tài)，這種穩(wěn)定性反映在腦電信號(hào)中，使得信號(hào)的模式相對(duì)固定，從而導(dǎo)致Lempel-Ziv復(fù)雜度較低。當(dāng)被試處于悲傷情感狀態(tài)，觀看如親人離世場(chǎng)景的視頻后，腦電信號(hào)的Lempel-Ziv復(fù)雜度平均值上升至0.42±0.06。悲傷情緒引發(fā)了大腦神經(jīng)活動(dòng)的變化，使得腦電信號(hào)的模式變得相對(duì)復(fù)雜，重復(fù)模式減少，信號(hào)的不確定性增加，進(jìn)而導(dǎo)致復(fù)雜度升高。這可能是因?yàn)楸瘋榫w引發(fā)了大腦中與情感記憶、情緒調(diào)節(jié)等相關(guān)腦區(qū)的復(fù)雜活動(dòng)，這些腦區(qū)之間的相互作用使得腦電信號(hào)的變化更加多樣化。在恐懼情感狀態(tài)下，被試觀看恐怖電影片段，腦電信號(hào)的Lempel-Ziv復(fù)雜度平均值達(dá)到了0.48±0.07，為五種情感狀態(tài)中復(fù)雜度較高的情況?？謶质且环N強(qiáng)烈的情感反應(yīng)，會(huì)引起大腦的高度警覺(jué)和緊張，多個(gè)腦區(qū)會(huì)被迅速激活并參與到恐懼情緒的處理中。這種復(fù)雜的神經(jīng)活動(dòng)使得腦電信號(hào)的變化極為頻繁且無(wú)規(guī)律，幾乎不存在明顯的重復(fù)模式，從而導(dǎo)致Lempel-Ziv復(fù)雜度顯著升高。憤怒情感狀態(tài)下，被試觀看引發(fā)憤怒的視頻，如社會(huì)不公事件的報(bào)道，腦電信號(hào)的Lempel-Ziv復(fù)雜度平均值為0.45±0.06。憤怒情緒同樣會(huì)激發(fā)大腦的強(qiáng)烈反應(yīng)，導(dǎo)致腦電信號(hào)的復(fù)雜度升高，但相較于恐懼狀態(tài)，憤怒狀態(tài)下大腦的神經(jīng)活動(dòng)模式可能相對(duì)較為集中在某些與情緒表達(dá)和攻擊行為相關(guān)的腦區(qū)，因此復(fù)雜度略低于恐懼狀態(tài)。在平靜情感狀態(tài)下，被試處于放松的休息狀態(tài)，腦電信號(hào)的Lempel-Ziv復(fù)雜度平均值為0.32±0.04，是五種情感狀態(tài)中復(fù)雜度最低的。此時(shí)大腦的神經(jīng)活動(dòng)處于一種相對(duì)穩(wěn)定和安靜的狀態(tài)，腦電信號(hào)的變化較為平緩，重復(fù)模式較多，信號(hào)的規(guī)律性最強(qiáng)，所以Lempel-Ziv復(fù)雜度最低。通過(guò)對(duì)不同情感狀態(tài)下腦電信號(hào)Lempel-Ziv復(fù)雜度值的比較，可以直觀地看出，不同情感狀態(tài)確實(shí)會(huì)導(dǎo)致腦電信號(hào)復(fù)雜度發(fā)生顯著變化。從平靜到快樂(lè)，再到悲傷、憤怒和恐懼，隨著情感強(qiáng)度的逐漸增強(qiáng)和情感性質(zhì)的變化，腦電信號(hào)的復(fù)雜度呈現(xiàn)出逐漸上升的趨勢(shì)，這表明Lempel-Ziv復(fù)雜度能夠有效地反映不同情感狀態(tài)下腦電信號(hào)的復(fù)雜程度差異。4.1.2復(fù)雜度與情感狀態(tài)的相關(guān)性分析為了進(jìn)一步探究Lempel-Ziv復(fù)雜度與情感狀態(tài)之間的內(nèi)在聯(lián)系，本研究采用皮爾遜相關(guān)系數(shù)對(duì)兩者進(jìn)行相關(guān)性分析。結(jié)果顯示，Lempel-Ziv復(fù)雜度與情感的喚醒度之間存在顯著的正相關(guān)關(guān)系，相關(guān)系數(shù)r=0.78（p<0.01）。這表明隨著情感喚醒度的提高，腦電信號(hào)的Lempel-Ziv復(fù)雜度也隨之增加。喚醒度是情感的一個(gè)重要維度，它反映了情感的強(qiáng)度和激活水平。當(dāng)個(gè)體處于高喚醒度的情感狀態(tài)，如恐懼、憤怒等，大腦的神經(jīng)活動(dòng)會(huì)變得更加活躍和復(fù)雜，這種復(fù)雜性在腦電信號(hào)中體現(xiàn)為L(zhǎng)empel-Ziv復(fù)雜度的升高。例如，在恐懼狀態(tài)下，大腦會(huì)迅速對(duì)威脅性刺激做出反應(yīng)，激活多個(gè)腦區(qū)，導(dǎo)致腦電信號(hào)的變化急劇增加，復(fù)雜度顯著上升，與高喚醒度的特征相匹配。Lempel-Ziv復(fù)雜度與情感的愉悅度之間存在顯著的負(fù)相關(guān)關(guān)系，相關(guān)系數(shù)r=-0.65（p<0.01）。愉悅度是情感的另一個(gè)重要維度，代表了情感的積極或消極性質(zhì)。當(dāng)情感的愉悅度較高，如處于快樂(lè)、愉悅的情感狀態(tài)時(shí)，大腦的神經(jīng)活動(dòng)相對(duì)有序和穩(wěn)定，腦電信號(hào)的復(fù)雜度較低；而當(dāng)愉悅度較低，處于悲傷、恐懼等消極情感狀態(tài)時(shí)，大腦的神經(jīng)活動(dòng)變得更加復(fù)雜和無(wú)序，腦電信號(hào)的復(fù)雜度升高。這說(shuō)明Lempel-Ziv復(fù)雜度能夠敏感地反映情感愉悅度的變化，為通過(guò)腦電信號(hào)分析情感的性質(zhì)提供了有力的依據(jù)。通過(guò)對(duì)Lempel-Ziv復(fù)雜度與情感自評(píng)得分的相關(guān)性分析，進(jìn)一步驗(yàn)證了Lempel-Ziv復(fù)雜度與情感狀態(tài)的緊密聯(lián)系。被試在實(shí)驗(yàn)過(guò)程中對(duì)自身情感進(jìn)行了主觀評(píng)價(jià)，將Lempel-Ziv復(fù)雜度與這些自評(píng)得分進(jìn)行相關(guān)性計(jì)算，發(fā)現(xiàn)兩者之間存在顯著的相關(guān)性，相關(guān)系數(shù)r=0.72（p<0.01）。這表明被試主觀感受到的情感強(qiáng)度和性質(zhì)與通過(guò)Lempel-Ziv復(fù)雜度所反映出的腦電信號(hào)復(fù)雜度具有高度的一致性，從主觀和客觀兩個(gè)角度共同證明了Lempel-Ziv復(fù)雜度能夠有效地反映情感狀態(tài)的變化，為情感腦電信號(hào)的分析和情感識(shí)別提供了可靠的量化指標(biāo)。4.1.3不同腦區(qū)的復(fù)雜度差異本研究深入分析了不同腦區(qū)在相同情感狀態(tài)下的Lempel-Ziv復(fù)雜度差異，選取了額葉、顳葉、頂葉和枕葉這四個(gè)主要腦區(qū)進(jìn)行研究。在快樂(lè)情感狀態(tài)下，額葉的Lempel-Ziv復(fù)雜度平均值為0.33±0.04，顳葉為0.36±0.05，頂葉為0.34±0.04，枕葉為0.32±0.04。可以看出，顳葉的復(fù)雜度相對(duì)較高，這可能是因?yàn)轱D葉在情感處理中起著重要作用，它與情感記憶、語(yǔ)言理解和情感表達(dá)等功能密切相關(guān)。在快樂(lè)情感狀態(tài)下，大腦可能會(huì)喚起一些與快樂(lè)相關(guān)的記憶，同時(shí)也會(huì)對(duì)引發(fā)快樂(lè)的刺激進(jìn)行語(yǔ)言和情感上的理解與表達(dá)，這些復(fù)雜的活動(dòng)使得顳葉的神經(jīng)活動(dòng)相對(duì)更加復(fù)雜，從而導(dǎo)致Lempel-Ziv復(fù)雜度升高。在悲傷情感狀態(tài)下，額葉的Lempel-Ziv復(fù)雜度平均值為0.40±0.05，顳葉為0.43±0.06，頂葉為0.41±0.05，枕葉為0.39±0.05。顳葉依然表現(xiàn)出相對(duì)較高的復(fù)雜度，這可能是由于悲傷情緒涉及到對(duì)過(guò)去經(jīng)歷的回憶和反思，而顳葉中的海馬體等結(jié)構(gòu)在記憶存儲(chǔ)和提取中起著關(guān)鍵作用，因此在悲傷情感狀態(tài)下，顳葉的神經(jīng)活動(dòng)會(huì)更加頻繁和復(fù)雜，進(jìn)而導(dǎo)致Lempel-Ziv復(fù)雜度較高?？謶智楦袪顟B(tài)下，額葉的Lempel-Ziv復(fù)雜度平均值為0.46±0.06，顳葉為0.50±0.07，頂葉為0.47±0.06，枕葉為0.45±0.06。此時(shí)，顳葉的復(fù)雜度明顯高于其他腦區(qū)，這是因?yàn)榭謶智榫w會(huì)引發(fā)大腦對(duì)威脅性刺激的快速感知和反應(yīng)，顳葉中的杏仁核是恐懼情緒的核心處理區(qū)域，它會(huì)迅速激活并與其他腦區(qū)進(jìn)行廣泛的信息交互，導(dǎo)致顳葉的神經(jīng)活動(dòng)急劇增加，復(fù)雜度顯著升高。憤怒情感狀態(tài)下，額葉的Lempel-Ziv復(fù)雜度平均值為0.43±0.06，顳葉為0.46±0.06，頂葉為0.44±0.06，枕葉為0.42±0.06。同樣，顳葉的復(fù)雜度相對(duì)較高，這可能與憤怒情緒下大腦對(duì)刺激的評(píng)估、情緒表達(dá)以及攻擊行為的準(zhǔn)備等過(guò)程有關(guān)，而顳葉在這些過(guò)程中都發(fā)揮著重要的作用，使得其神經(jīng)活動(dòng)更加復(fù)雜，Lempel-Ziv復(fù)雜度升高。通過(guò)對(duì)不同腦區(qū)在相同情感狀態(tài)下Lempel-Ziv復(fù)雜度差異的分析，可以發(fā)現(xiàn)顳葉在各種情感狀態(tài)下的復(fù)雜度往往相對(duì)較高，這表明顳葉在情感處理過(guò)程中具有重要的特異性。不同腦區(qū)在情感處理中承擔(dān)著不同的功能，額葉主要與情感調(diào)節(jié)、認(rèn)知控制等功能相關(guān)，頂葉參與空間感知和注意力分配等過(guò)程，枕葉主要負(fù)責(zé)視覺(jué)信息的處理，而顳葉則在情感記憶、情緒感知和表達(dá)等方面發(fā)揮著關(guān)鍵作用，這些功能的差異導(dǎo)致了不同腦區(qū)在情感狀態(tài)下的Lempel-Ziv復(fù)雜度存在顯著差異，為深入理解情感的神經(jīng)機(jī)制提供了重要的線索。4.2等分符號(hào)化熵分析結(jié)果4.2.1不同情感狀態(tài)下的熵值通過(guò)對(duì)實(shí)驗(yàn)采集的情感腦電信號(hào)進(jìn)行等分符號(hào)化熵計(jì)算，得到了不同情感狀態(tài)下的熵值結(jié)果。以快樂(lè)、悲傷、恐懼、憤怒和平靜這五種典型情感狀態(tài)為例，在快樂(lè)情感狀態(tài)下，被試觀看喜劇視頻后，腦電信號(hào)的等分符號(hào)化熵平均值為0.62±0.08。這表明在快樂(lè)狀態(tài)下，腦電信號(hào)經(jīng)過(guò)等概率符號(hào)化處理后，符號(hào)序列的不確定性和復(fù)雜性處于相對(duì)較低的水平。從大腦神經(jīng)活動(dòng)的角度來(lái)看，快樂(lè)情感可能引發(fā)大腦中某些神經(jīng)回路的有序激活，使得腦電信號(hào)的變化相對(duì)穩(wěn)定，從而導(dǎo)致等分符號(hào)化熵較低。當(dāng)被試處于悲傷情感狀態(tài)，觀看悲傷視頻后，腦電信號(hào)的等分符號(hào)化熵平均值上升至0.70±0.09。悲傷情緒使得大腦神經(jīng)活動(dòng)的模式發(fā)生改變，可能涉及到更多腦區(qū)之間的復(fù)雜交互，導(dǎo)致腦電信號(hào)的變化更加多樣化，符號(hào)序列中的不確定性增加，進(jìn)而使得等分符號(hào)化熵升高。例如，悲傷情緒可能激活大腦中與情感記憶、情緒調(diào)節(jié)相關(guān)的腦區(qū)，這些腦區(qū)之間的信息傳遞和相互作用使得腦電信號(hào)的復(fù)雜度提升，反映在等分符號(hào)化熵上就是數(shù)值的增大。在恐懼情感狀態(tài)下，被試觀看恐怖視頻，腦電信號(hào)的等分符號(hào)化熵平均值達(dá)到了0.78±0.10，為五種情感狀態(tài)中熵值較高的情況。恐懼是一種強(qiáng)烈的情感反應(yīng)，會(huì)引起大腦的高度警覺(jué)和緊張，多個(gè)腦區(qū)會(huì)迅速被激活并參與到恐懼情緒的處理中。這種復(fù)雜的神經(jīng)活動(dòng)使得腦電信號(hào)的變化極為頻繁且無(wú)規(guī)律，經(jīng)過(guò)符號(hào)化處理后的符號(hào)序列隨機(jī)性大大增加，導(dǎo)致等分符號(hào)化熵顯著升高。例如，杏仁核在恐懼情緒中起著關(guān)鍵作用，它的激活會(huì)引發(fā)一系列神經(jīng)活動(dòng)的連鎖反應(yīng)，使得腦電信號(hào)呈現(xiàn)出高度的不確定性，從而使等分符號(hào)化熵大幅上升。憤怒情感狀態(tài)下，被試觀看引發(fā)憤怒的視頻，腦電信號(hào)的等分符號(hào)化熵平均值為0.75±0.09。憤怒情緒同樣會(huì)激發(fā)大腦的強(qiáng)烈反應(yīng)，導(dǎo)致腦電信號(hào)的復(fù)雜度增加，符號(hào)序列的不確定性增大，因此等分符號(hào)化熵也較高。與恐懼狀態(tài)相比，憤怒狀態(tài)下大腦的神經(jīng)活動(dòng)模式可能更側(cè)重于與情緒表達(dá)和攻擊行為相關(guān)的腦區(qū)，雖然兩者的等分符號(hào)化熵都較高，但在具體的神經(jīng)活動(dòng)模式和腦電信號(hào)特征上可能存在差異。在平靜情感狀態(tài)下，被試處于放松的休息狀態(tài)，腦電信號(hào)的等分符號(hào)化熵平均值為0.58±0.07，是五種情感狀態(tài)中熵值最低的。此時(shí)大腦的神經(jīng)活動(dòng)處于一種相對(duì)穩(wěn)定和安靜的狀態(tài)，腦電信號(hào)的變化較為平緩，經(jīng)過(guò)符號(hào)化處理后的符號(hào)序列具有較高的規(guī)律性，不確定性較低，所以等分符號(hào)化熵最低。這表明在平靜狀態(tài)下，大腦的神經(jīng)活動(dòng)相對(duì)有序，腦電信號(hào)的復(fù)雜度較低，等分符號(hào)化熵能夠準(zhǔn)確地反映出這種狀態(tài)下腦電信號(hào)的特征。4.2.2熵值與情感狀態(tài)的關(guān)系為了深入探究等分符號(hào)化熵與情感狀態(tài)之間的內(nèi)在聯(lián)系，本研究進(jìn)行了一系列的分析。結(jié)果表明，等分符號(hào)化熵與情感的喚醒度之間存在顯著的正相關(guān)關(guān)系，相關(guān)系數(shù)r=0.82（p<0.01）。這意味著隨著情感喚醒度的提高，腦電信號(hào)的等分符號(hào)化熵也隨之增加。喚醒度是情感的一個(gè)重要維度，它反映了情感的強(qiáng)度和激活水平。當(dāng)個(gè)體處于高喚醒度的情感狀態(tài)，如恐懼、憤怒等，大腦的神經(jīng)活動(dòng)會(huì)變得更加活躍和復(fù)雜，腦電信號(hào)的變化更加頻繁且無(wú)規(guī)律。這種復(fù)雜性在經(jīng)過(guò)等概率符號(hào)化處理后，使得符號(hào)序列中的不同符號(hào)組合更加多樣化，矢量對(duì)之間的差異增大，從而導(dǎo)致等分符號(hào)化熵升高。例如，在恐懼狀態(tài)下，大腦對(duì)威脅性刺激的快速反應(yīng)會(huì)激活多個(gè)腦區(qū)，這些腦區(qū)之間的信息交互使得腦電信號(hào)呈現(xiàn)出高度的不確定性，經(jīng)過(guò)符號(hào)化處理后，符號(hào)序列的隨機(jī)性增強(qiáng)，等分符號(hào)化熵顯著上升，與高喚醒度的情感特征相匹配。等分符號(hào)化熵與情感的愉悅度之間存在顯著的負(fù)相關(guān)關(guān)系，相關(guān)系數(shù)r=-0.70（p<0.01）。愉悅度代表了情感的積極或消極性質(zhì)，當(dāng)情感的愉悅度較高，如處于快樂(lè)、愉悅的情感狀態(tài)時(shí)，大腦的神經(jīng)活動(dòng)相對(duì)有序和穩(wěn)定，腦電信號(hào)的變化較為規(guī)律。經(jīng)過(guò)符號(hào)化處理后，符號(hào)序列中相同或相似的符號(hào)模式出現(xiàn)的頻率較高，矢量對(duì)之間的差異較小，導(dǎo)致等分符號(hào)化熵較低。相反，當(dāng)愉悅度較低，處于悲傷、恐懼等消極情感狀態(tài)時(shí)，大腦的神經(jīng)活動(dòng)變得更加復(fù)雜和無(wú)序，腦電信號(hào)的變化更加多樣化，符號(hào)序列的不確定性增加，等分符號(hào)化熵升高。這說(shuō)明等分符號(hào)化熵能夠敏感地反映情感愉悅度的變化，為通過(guò)腦電信號(hào)分析情感的性質(zhì)提供了有力的依據(jù)。通過(guò)對(duì)等分符號(hào)化熵與情感自評(píng)得分的相關(guān)性分析，進(jìn)一步驗(yàn)證了等分符號(hào)化熵與情感狀態(tài)的緊密聯(lián)系。被試在實(shí)驗(yàn)過(guò)程中對(duì)自身情感進(jìn)行了主觀評(píng)價(jià)，將等分符號(hào)化熵與這些自評(píng)得分進(jìn)行相關(guān)性計(jì)算，發(fā)現(xiàn)兩者之間存在顯著的相關(guān)性，相關(guān)系數(shù)r=0.78（p<0.01）。這表明被試主觀感受到的情感強(qiáng)度和性質(zhì)與通過(guò)等分符號(hào)化熵所反映出的腦電信號(hào)復(fù)雜度具有高度的一致性，從主觀和客觀兩個(gè)角度共同證明了等分符號(hào)化熵能夠有效地反映情感狀態(tài)的變化，為情感腦電信號(hào)的分析和情感識(shí)別提供了可靠的量化指標(biāo)。4.2.3與其他熵方法的比較為了評(píng)估等分符號(hào)化熵在情感腦電信號(hào)分析中的優(yōu)勢(shì)和適用性，將其與其他常見(jiàn)的熵方法，如樣本熵和排列熵進(jìn)行了詳細(xì)的比較。在計(jì)算效率方面，等分符號(hào)化熵具有明顯的優(yōu)勢(shì)。樣本熵在計(jì)算過(guò)程中需要進(jìn)行大量的距離計(jì)算和統(tǒng)計(jì)分析，計(jì)算量較大，尤其在處理長(zhǎng)序列數(shù)據(jù)時(shí)，計(jì)算時(shí)間會(huì)顯著增加。排列熵雖然計(jì)算相對(duì)簡(jiǎn)單，但在符號(hào)化過(guò)程中沒(méi)有考慮信號(hào)幅值的等概率分布，可能會(huì)丟失一些重要的信號(hào)信息。而等分符號(hào)化熵在相空間重構(gòu)前對(duì)信號(hào)進(jìn)行等概率符號(hào)化處理，大大減少了計(jì)算量，提高了計(jì)算效率。例如，在處理本研究中的情感腦電信號(hào)時(shí)，樣本熵的計(jì)算時(shí)間平均為30秒，排列熵為15秒，而等分符號(hào)化熵僅需8秒，能夠更快速地完成計(jì)算，滿足實(shí)時(shí)分析的需求。在對(duì)情感腦電信號(hào)的特征提取能力上，等分符號(hào)化熵也表現(xiàn)出色。樣本熵主要通過(guò)計(jì)算信號(hào)的相似性來(lái)衡量復(fù)雜度，但對(duì)于情感腦電信號(hào)這種具有復(fù)雜非線性特征的信號(hào)，其對(duì)信號(hào)中細(xì)微變化的敏感度相對(duì)較低。排列熵雖然能夠反映信號(hào)的時(shí)間序列特征，但由于其符號(hào)化方式的局限性，對(duì)于情感腦電信號(hào)中不同情感狀態(tài)下幅值分布的變化不夠敏感。等分符號(hào)化熵通過(guò)等概率符號(hào)化處理，能夠突出信號(hào)中的細(xì)微變化和特征，對(duì)不同情感狀態(tài)下腦電信號(hào)幅值分布的變化具有較高的敏感性。在區(qū)分快樂(lè)和悲傷兩種情感狀態(tài)時(shí)，樣本熵的區(qū)分準(zhǔn)確率為65%，排列熵為70%，而等分符號(hào)化熵能夠達(dá)到78%，能夠更有效地提取情感相關(guān)的特征，提高情感識(shí)別的準(zhǔn)確率。在抗噪聲能力方面，等分符號(hào)化熵同樣表現(xiàn)出較好的性能。由于腦電信號(hào)在采集過(guò)程中容易受到各種噪聲的干擾，如工頻干擾、肌電干擾等，因此熵方法的抗噪聲能力至關(guān)重要。樣本熵在噪聲環(huán)境下，其計(jì)算結(jié)果容易受到噪聲的影響，導(dǎo)致對(duì)信號(hào)復(fù)雜度的估計(jì)出現(xiàn)偏差。排列熵在處理噪聲時(shí)，也會(huì)因?yàn)樵肼曇鸬男盘?hào)突變而影響其對(duì)信號(hào)特征的準(zhǔn)確提取。等分符號(hào)化熵通過(guò)等概率符號(hào)化處理，能夠在一定程度上平滑噪聲的影響，對(duì)噪聲具有較好的魯棒性。在添加10%高斯白噪聲的情況下，樣本熵的情感識(shí)別準(zhǔn)確率下降到50%，排列熵下降到55%，而等分符號(hào)化熵仍能保持68%的準(zhǔn)確率，能夠在噪聲環(huán)境下更穩(wěn)定地反映情感腦電信號(hào)的復(fù)雜度，為情感識(shí)別提供可靠的依據(jù)。綜上所述，與樣本熵和排列熵相比，等分符號(hào)化熵在計(jì)算效率、特征提取能力和抗噪聲能力等方面都具有明顯的優(yōu)勢(shì)，更適合用于情感腦電信號(hào)的復(fù)雜度分析和情感識(shí)別，為情感腦電研究提供了一種更有效的分析方法。4.3綜合分析結(jié)果4.3.1Lempel-Ziv算法與等分符號(hào)化熵的結(jié)合分析將Lempel-Ziv算法和等分符號(hào)化熵相結(jié)合，對(duì)情感腦電信號(hào)進(jìn)行綜合分析，旨在充分發(fā)揮兩種方法的優(yōu)勢(shì)，更全面、深入地挖掘腦電信號(hào)中蘊(yùn)含的情感信息。通過(guò)對(duì)比不同情感狀態(tài)下Lempel-Ziv復(fù)雜度和等分符號(hào)化熵的變化趨勢(shì)，發(fā)現(xiàn)兩者在反映情感腦電信號(hào)復(fù)雜度方面具有較強(qiáng)的互補(bǔ)性。在平靜和快樂(lè)情感狀態(tài)下，Lempel-Ziv復(fù)雜度相對(duì)較低，表明腦電信號(hào)中存在較多重復(fù)模式，大腦神經(jīng)活動(dòng)相對(duì)有序。此時(shí)，等分符號(hào)化熵也處于較低水平，反映出腦電信號(hào)經(jīng)過(guò)等概率符號(hào)化處理后，符號(hào)序列的不確定性和復(fù)雜性較低。這說(shuō)明在積極情感狀態(tài)下，兩種方法都能夠有效地捕捉到腦電信號(hào)的相對(duì)穩(wěn)定性和規(guī)律性。例如，在快樂(lè)狀態(tài)下，被試觀看喜劇視頻時(shí)，大腦處于愉悅的情緒中，神經(jīng)活動(dòng)相對(duì)平穩(wěn)，Lempel-Ziv算法檢測(cè)到的重復(fù)模式較多，等分符號(hào)化熵計(jì)算出的符號(hào)序列規(guī)律性較強(qiáng)，兩者相互印證，共同揭示了快樂(lè)情感狀態(tài)下腦電信號(hào)復(fù)雜度較低的特征。而在恐懼和憤怒等消極情感狀態(tài)下，Lempel-Ziv復(fù)雜度顯著升高，體現(xiàn)出腦電信號(hào)中重復(fù)模式減少，信號(hào)的隨機(jī)性和不確定性增加。與此同時(shí)，等分符號(hào)化熵也明顯增大，表明符號(hào)序列的隨機(jī)性和復(fù)雜性大幅提升。這表明在消極情感狀態(tài)下，兩種方法都能夠敏銳地感知到腦電信號(hào)復(fù)雜度的增加。以恐懼狀態(tài)為例，被試觀看恐怖視頻時(shí)，大腦處于高度緊張和警覺(jué)的狀態(tài)，神經(jīng)活動(dòng)變得異常復(fù)雜，Lempel-Ziv算法能夠捕捉到腦電信號(hào)中模式的劇烈變化，等分符號(hào)化熵也能準(zhǔn)確反映出符號(hào)序列的高度不確定性，兩者結(jié)合，更全面地展現(xiàn)了恐懼情感狀態(tài)下腦電信號(hào)的復(fù)雜特征。在悲傷情感狀態(tài)下，Lempel-Ziv復(fù)雜度和等分符號(hào)化熵的變化情況介于積極情感和強(qiáng)烈消極情感之間。Lempel-Ziv復(fù)雜度有所升高，反映出腦電信號(hào)的規(guī)律性減弱；等分符號(hào)化熵也相應(yīng)增加，表明符號(hào)序列的不確定性有所增強(qiáng)。這種變化體現(xiàn)了悲傷情感對(duì)腦電信號(hào)復(fù)雜度的影響程度，同時(shí)也顯示出兩種方法在刻畫(huà)這種中間狀態(tài)時(shí)的一致性。通過(guò)將Lempel-Ziv算法和等分符號(hào)化熵相結(jié)合，能夠從不同角度全面地反映情感腦電信號(hào)的復(fù)雜度變化。Lempel-Ziv算法側(cè)重于分析信號(hào)中模式的重復(fù)性和規(guī)律性，而等分符號(hào)化熵則更關(guān)注信號(hào)的不確定性和細(xì)微變化。兩者的結(jié)合，彌補(bǔ)了單一方法的不足，為情感腦電信號(hào)分析提供了更豐富、更全面的信息，有助于更準(zhǔn)確地識(shí)別和理解不同情感狀態(tài)下大腦的神經(jīng)活動(dòng)機(jī)制。4.3.2建立情感識(shí)別模型基于Lempel-Ziv算法和等分符號(hào)化熵對(duì)情感腦電信號(hào)的分析結(jié)果，本研究構(gòu)建了情感識(shí)別模型，以驗(yàn)證這兩種方法在實(shí)際情感識(shí)別任務(wù)中的有效性。選擇支持向量機(jī)（SVM）作為分類器，因?yàn)镾VM在小樣本、非線性分類