基于稳态视觉诱发电位的情绪脑网络研究

The neural mechanism of emotion processing has always been a hotspot in cognitive neuroscience. Since emotion is a constantly changing psychological and physiology phenomenon, emotion processing is also a dynamic procedure that changes at every time. However, in the current researches, there is little investigation into the dynamic patterns of emotion brain network and the causal relationships between the involved brain regions. And this dynamic and causal information is of great importance in understanding the neural mechanism of emotion processing. Hence, this project aims to construct the emotion brain networks based on steady-state visual evoked potential (SSVEP) tagging and electroencephalography (EEG) network analysis methods, explore the dynamic patterns of emotion brain network and the information interaction mechanism between multiple brain regions involved in different phases of emotion processing from the hierarchy of milliseconds. This research will deeply depict the neural mechanism of emotion processing from the dynamic and causal network view, and promote applications of emotion in cognitive neuroscience, neural engineering, artificial intelligence and other fields, thus has great significance to the theoretical research and practical applications.

情绪加工的神经机制的研究一直以来都是认知神经科学关注的热点问题。由于情绪是瞬息万变的心理与生理现象，因而情绪加工也是一个时刻变化的动态过程。然而现有的研究尚缺少对情绪脑网络动态变化模式和特定情绪状态所涉及的多脑区间的因果关系的深入探索，而这些动态信息和因果信息对于理解和认识情绪加工的神经机制将具有重要的理论意义。本项目将借助稳态视觉诱发电位时间分辨率和信噪比高等特点，利用脑电网络分析方法，从动态性和因果性两方面在毫秒级精度下探究情绪加工不同阶段涉及的多脑区间连接模式的动态变化规律以及信息传递交互的因果关系，为揭示和阐明情绪加工的神经机制提供可靠科学依据，促进情绪在认知神经科学、神经工程、人工智能等领域的应用，具有重要的科学意义和应用价值。

本项目通过SSVEP频率标记技术，从动态性和因果性两方面构建情绪脑网络，对情绪相关多脑区间信息传递处理的动态变化规律和因果关系展开了深入而系统的研究，具体包括以下三个方面：.1、在基于SSVEP诱发的情绪相关脑区标记方面：设计了基于SSVEP的情绪实验，采集并构建了40人次的情绪脑电样本集；利用事件相关电位（Event-related Potential，ERP）的高时间分辨率特点，将情绪加工过程细划分为四个时间段，并借助SSVEP的高信噪比优势分析了不同情绪状态下的脑区激活差异，发现前额叶，颞叶以及枕叶脑区在情绪活动中发挥重要作用。.2、在皮层脑网络构建和分析方面：针对不同效价的情绪加工过程中信息处理速度与信息流向问题，利用具有良好锁相特性的SSVEP，通过源成像方法，重建了具有高时空分辨率的大脑皮层时间序列，在脑皮层空间从局部和整体两个层面，通过相位分析、震荡活动分析和因果连接分析三种方法，对情绪加工涉及的多脑区的信息处理速度与信息流向进行了深入探究。研究结果发现：（1）情绪与语义的处理会引起包括枕中回、颞中回的腹侧通路的信息处理速度的加快，而且负性情绪在腹侧通路的信息处理速度最快，并右半球的处理速度快于左半球；（2）正性情绪表现出明显的左半球偏侧化效应，左侧额上回为正性情绪区别于中性和负性的关键脑区；（3）正性、中性和负性情绪在颞中回、顶中回、额中回、额上回的高频频段震荡活动存在显著差异。.3、在基于脑电的情绪识别方面：提出了一种融合high gamma频带局部和全局特征的情绪识别方法；以渐进直推式支持向量机(Progressive Transductive Support Vector Machine，PTSVM)为基本模型提出了一种自适应时间迁移条件下的情绪识别算法；借助域适应神经网络适用于解决数据不匹配分类问题的优势，提出了基于两层域适应网络的情绪脑电迁移模型，将源域和目标域的分布充分混淆，降低不同域间数据的差异，进而提高了目标域下情绪识别的准确率。