晚正成分(LPP)作為事件相關電位(ERP)的一個重要成分,是研究情緒調節重評進程的理想成分。本研究主要對采集的情緒認知重評腦電信號的LPP進行處理分析。基于EGI64導腦電采集系統采集16名被試的情緒認知重評腦電數據,首先采用獨立成分分析(ICA)算法去除腦電信號中的眼電、肌電等噪聲;然后用一對多-公共空間模式(OVR-CSP)算法對Pz電極的腦電信號進行特征提取;最后對提取的LPP成分進行時域及空域分析。結果表明:①從波幅的角度來比較:認知重評誘發的波幅顯著大于觀看中性誘發的波幅,而小于觀看負性誘發的波幅。②從時間進程的角度來比較:經過OVR-CSP特征提取處理后,認知重評與自由觀看組的差異發生在0.3~1.5 s;而經過疊加平均方法處理后,認知重評與自由觀看組的差異發生在0.3~1.25 s。以上結果說明OVR-CSP算法不僅能以較少的試驗次數準確提取LPP,為后續研究認知重評策略調節LPP提供較好的方法,同時也能為認知重評在情緒調節方面提供神經生理學依據。
引用本文： 張義, 潘賽虎, 鄒凌, 周仁來. 基于OVR-CSP的情緒認知重評腦電信號晚正成分研究. 生物醫學工程學雜志, 2014, 31(6): 1212-1217. doi: 10.7507/1001-5515.20140230 復制
引言
情緒是指人對認知內容的一種特殊態度，也是以個體需要和愿望為中介的一種心理活動。情緒包括情緒行為、對刺激物的認知情緒喚醒和情緒體驗等復雜成分。而情緒調節在認知控制的影響力上比情緒反應優。目前，關于情緒調節，不同的人給出了不同的定義，還存在很多分歧。但是，以Gross和Thompson給出的情緒調節定義成為當前的主流。Gross認為，情緒調節就是情緒個體對產生的情緒的類型、情緒發生的時間和怎樣領會與表達情緒進行影響的過程。具體點說，就是指個體對情緒的產生、領會與如何表達進行影響的過程。Thompson等則認為，它是個體為了達到某個目標對情緒反應進行的監視、評價估計和修正的過程[1-2]。充分理解情緒調節對那些無法很好調節情緒反應的人特別對那些情感性精神障礙和大多數人格障礙患者起著非常重要的作用[3]。
根據Gross的情緒調節理論，情緒調節策略大致可以分為兩大類：反應關注情緒調節策略和先行關注情緒調節策略。其中前者指情緒調節發生在該情緒產生的后期甚至是晚期，并且主要是抑制將要產生或者是正在發生的情緒表達行為，例如表達抑制。而后者可理解為對情緒進行調節發生在情緒產生的早期，例如認知重評，它是降低情緒反應的過程，在該過程中需要改變個體對情緒事件的認識，換句話說就是要改變個體對情緒事件發生的理解。相比表達抑制而言，認知重評是一種更為有效的調節策略，目前，只有認知重評被表明能使自身負性情緒體驗降低[4]。認知重評降低負性情緒體驗的概念類似于認知能對情緒產生顯著影響的認知療法的基礎想法[5]。
近期研究已表明了情緒調節與神經之間的關聯。Ochsner等[6]通過功能性核磁共振成像(functional magnetic resonance imaging,fMRI)方法發現前額皮層的激活程度增大和杏仁核激活程度降低都與對負性刺激的認知重評有關。在被試對情緒刺激抑制反應的影響中也有類似的結論。因此，該結果與前額皮質的特定區域可以促進認知控制的過程，降低杏仁核與交感神經系統的激活水平的結論相一致。
與Thompson指出的相同，有關情緒調節方面的一個非常重大問題是情緒的反應是隨著時間變化的。與情緒有關的關于大腦的活動，認知重評可能在情緒的早期對情緒產生影響并且抑制與負性刺激反應相關的所有情感。但是，還存在另外一種可能性，那就是負性刺激先引起一個自發的情緒反應，然后認知重評影響了相關調制的初始反應。雖然fMRI對觀察與情緒相關神經結構方面有很大優勢和重要性，但是它的時間分辨率非常低，不適合研究誘導型神經調節認知重評的時間進程。
研究認知重評相關進程的時間序列特征，使用腦電圖的方法也許更有效[7]。通過對腦電圖的研究，表明事件相關電位(event related potential,ERP)的一個重要成分--晚正成分(late positive potential,LPP)--反映了動機相關的刺激加工，知覺過程的異化和注意資源的增加。而相對中性刺激而言，情緒刺激能得到較多的注意資源，再進行認知加工，因而LPP在對刺激的情緒強度方面有非常高的敏感性。LPP波幅在刺激呈現后的300~800 ms處達到了最大值，并可持續數百毫秒[8]。研究表明由正性或負性刺激誘發的LPP波幅顯著高于中性刺激誘發的波幅。由此可以初步推斷LPP是研究情緒調節進程的理想成分。
到目前為止，已有少量研究選用ERP來研究情緒調節，而且得出了一些相關結論。使用認知重評策略后，LPP的波幅在負性刺激呈現200 ms后出現減小的情況，并且會持續一段時間，并且LPP波幅減小程度與被試自我報告的情緒強度的減少正相關[9]。此外，在負性刺激呈現前，聽覺通道的重評描述也可以達到調節LPP的效果，即聽覺的認知重評策略也可以降低LPP的波幅，從而降低負性情緒對被試的影響。
本文采用與Moser等[10]相類似的實驗范式，選取能夠使被試產生負性情緒的圖片，然后具體并標準化情緒調節策略的指導語，最后對認知重評對情緒反應的電生理學特征進行考察，研究其時間進程的特征和其差異性。根據以往的研究經驗[11]，我們選取Pz電極[11]采集的情緒認知重評腦電信號用于LPP研究。首先，采用獨立成分分析(indepaendent component analysis,ICA)[12]算法去除腦電信號噪聲；然后，用一對多-公共空間模式(one versus the rest common spatial patterns,OVR-CSP)[13]算法對Pz電極的腦電信號進行特征提取，最后對提取的特征信號LPP進行統計學分析。
1 方法
1.1 被試
16 名本科生和研究生，19~24歲，平均年齡為21.6歲，其中14名男性。被試身心健康，右利手，視力或矯正視力正常。完成試驗后，每個被試給予了相應的報酬。
1.2 實驗材料和試驗范式
本實驗的120張圖片刺激均選自國際情緒圖片庫(International Affective Picture System,IAPS)，包含40張中性圖片(如中性面孔，家庭日用品等)和80張負性圖片(悲傷的表情，暴力圖片等)。這兩種類別的圖片依據效價值規范區分開(中性圖片：M=5.05，SD=1.21；負性圖片：M=2.82，SD=1.64)。另外，情緒圖片的喚醒度(中性圖片：M=2.91，SD=1.93；負性圖片：M=5.71，SD=2.61)。
對被試簡單描述試驗后，給被試戴上腦電帽。然后讓被試坐在離電腦顯示器0.5 m左右的舒適的椅子上并且給被試詳細的任務指令。告知被試認真觀看圖片，然后根據任務指令給圖片的效價值和喚醒度評級。悲傷到愉悅的效價值被劃分為“1”~“9”個等級(“1”代表悲傷度最大；“5”代表既不悲傷也不愉悅；“9”代表愉悅度最高；“1”~“9”愉悅度依次增強)。喚醒度也被劃分為“1”~“9”個等級，并且喚醒度的強度從“1”~“9”依次增大。
每次試驗時間序列如圖 1所示。在每次試驗開始時，被試首先屏幕中間呈現了一個提示詞(“降低”或“觀看”：4 s)，接著出現一個黑色的空屏2 s，接著呈現一張圖片6 s(如果是觀看提示詞，后面呈現中性或者負性圖片；如果是降低提示詞，后面只呈現負性圖片)，緊接著對圖片的愉悅度和喚醒度進行評價，接下來提示詞“放松”呈現4 s(提示被試讓大腦放松，準備開始下一次試驗)。
圖1
單次試驗過程時序圖
Figure1.
Timing scheme of single trail
實驗總共由4個循環，共120次試驗組成。每個循環有30次試驗：觀看中性10次試驗，觀看負性10 次試驗和降低負性10次試驗。每個循環的每次試驗隨機呈現。
在正式試驗開始前，首先對被試進行6次試驗的訓練以便被試更好的了解實驗任務和理解情緒調節指導語。當遇到觀看的提示詞時，被試只需正常觀看圖片并自然反應；而當遇到降低提示詞時，被試則要采取相應的調節策略降低負性圖片刺激所帶來的負性影響(如以不帶個人情感的第三者的身份觀看圖片；或者想圖片是假的/來自于電影場景等)。
1.3 腦電數據采集
實驗設備是美國EGI公司的64導腦電采集系統，參考電極為Cz電極，采集軟件是NetStation，采樣頻率為250 Hz，每個電極處的頭皮電阻抗低于50 kΩ。
1.4 OVR-CSP算法
CSP算法的目的是尋找一個空間濾波器，使待分類的兩類信號經過空間濾波后，最大限度的被區分，算法是基于兩個協方差矩陣同時對角化，并應用主成分分析方法排除兩種任務的共同部分，提取不同部分。進而，再通過空間因子和相應的空間濾波器將特定信號成分提取出來。CSP是用來對兩類任務進行分類的。因此，為了拓展為對多類任務進行處理，提出了OVR-CSP算法。在這個算法中，每一類模式相對于其它模式，都會計算出一個相應的空間濾波器，三類任務即有三個空間濾波器。
N×M維的矩陣E∈1×425表示單次任務試驗的腦電數據，N是測量腦電數據所采用腦電帽的導聯數，M是采樣點數，則歸一化后的腦電數據的協方差矩陣為
| $C=E{{E}^{T}}$ |
式中T代表轉置矩陣。通過分別計算觀看中性、觀看負性、降低負性三種試驗條件下的平均協方差矩陣，可獲得該三個條件下的空間協方差矩陣C1、C2和C3。因此合成的空間協方差為
| ${{C}_{c}}={{C}_{1}}+{{C}_{2}}+{{C}_{3}}$ |
而Cc=UcλcUcT，Uc是矩陣Cc的特征向量，λc是相應的特征值。在此過程中，將特征值進行降序排列，特征向量也被重新排列。然后，采用主成分分析方法，計算出白化值矩陣：
| $P={{\lambda }^{-\frac{1}{2}}}{{U}^{T}}_{c}~,$ |
為了更好地闡述OVR算法，先考慮如何得到類別1的空間濾波器。設：C′1-C2+C3，令
| ${{S}_{1}}={{P}_{1}}{{C}_{1}}{{P}^{T}}_{1}~,$ |
| $S{{\prime }_{1}}={{P}_{1}}C\prime 1{{P}^{T}}_{1}$ |
其中P1為類別1的空間濾波器對應的白化值矩陣，同時可以證明，如果S1可以分解成
| ${{S}_{1}}={{U}_{1}}{{\lambda }_{1}}{{U}^{T}}_{1}~,$ |
則S′1可被分解為
| $S{{\prime }_{1}}={{U}_{1}}\lambda \prime 1{{U}^{T}}_{1}~,$ |
且有
| ${{\lambda }_{1}}+\lambda {{\prime }_{1}}=I$ |
將式(4)~(7)綜合，即
| ${{({{P}^{T}}_{1}{{U}_{1}})}^{T}}{{C}_{1}}({{P}^{T}}_{1}{{U}_{1}})+{{({{P}^{T}}_{1}{{U}_{1}})}^{T}}C\prime 1({{P}^{T}}_{1}{{U}_{1}})=I,$ |
這里的U1列向量是矩陣的特征向量，也可稱為共同主分量λ′1=λ2+λ3。由此可看出，信號經過變換后，其協方差矩陣的特征向量對應的特征值的和等于1，因此對第一類信號而言其在最大方向的方差值，反而對其它的信號的方差值卻最小。
所以選取U1中最大特征值所對應的特征向量U1iT，關于第一類信號的空間濾波器，也就是信號的投影方向如式(9)所示：
| ${{F}_{1}}={{U}_{1i}}^{T}{{P}_{1}}$ |
在相對應模式下的投影如式(10)所示：
| ${{Z}_{1}}=S{{F}_{1}}{{C}_{1}}$ |
按相同方法可獲得第二類和第三類的空間濾波器，它們分別表示為
| $S{{F}_{2}}={{U}_{2i}}^{T}{{P}_{2}},S{{F}_{3}}={{U}_{3i}}^{T}{{P}_{3}}$ |
2 結果
2.1 腦電數據的預處理
對采集到的情緒認知重評腦電數據，首先用NetStation軟件對其進行濾波(0.01~40 Hz)和分段(－200~1 500 ms)處理。再利用ICA方法對分段后腦電數據進行去噪預處理。
2.2 特征提取結果
2.2.1 時域特征提取結果
對16名被試去噪后的25次試驗腦電信號用OVR-CSP算法進行特征提取，然后對所有被試特征提取后的特征信號進行疊加平均，得到如圖 2所示的特征曲線。另外，本文將所有被試的所有40次試驗腦電信號直接疊加平均得到如圖 3所示的特征曲線，用做對比分析。對比圖 2與圖 3可以看出，經過OVR-CSP算法特征提取后的腦電誘發電位特征與直接疊加平均后的特征基本相似，但是經過OVR-CSP特征提取處理后，認知重評與自由觀看組的差異更明顯。另外，OVR-CSP方法所需要的試驗次數比疊加平均方法相對更少。本文所得結果與文獻[8]、[9]所述結果基本吻合。
圖2
基于OVR-CSP算法所有被試特征信號疊加平均
Figure2.
Outcome of averaging all of the subjects EEG signal after feature extraction using OVR-CSP algorithm
圖3
所有被試直接疊加平均后的結果
Figure3.
Outcome of averaging all of the subjects EEG signal
最后對16名被試Pz電極腦電信號基于OVR-CSP算法特征提取后，并對特征信號疊加平均后信號的LPP成分200~1 500 ms用SPSS統計包進行方差分析，得到觀看負性的波幅為(1.48±0.42) μV，降低負性為(－0.03±0.32) μV，觀看中性為(－0.94±0.22) μV，三者間有明顯差異(P＜0.05)。對一步行多重檢驗得到：降低負性組與觀看負性組均差值為－1.51 μV，標準誤差為0.026 μV(P＜0.05)；降低負性組與觀看中性組均差值為0.91 μV，標準誤差為0.026 μV(P＜0.05)。結合圖 2統計結果的結果可以得出：① 從波幅的角度來比較，認知重評誘發的波幅顯著大于觀看中性誘發的波幅，而小于觀看負性誘發的波幅。② 從時間進程的角度來比較：經過OVR-CSP特征提取處理后，認知重評與自由觀看組的差異發生在0.3~1.5 s。
2.2.2 空域特征提取結果
為了研究情緒認知重評中不同LPP對應的大腦區域變化，本文對三種不同刺激條件下LPP的早成分(200 ms)、中成分(500 ms)、晚成分(800 ms)，分別畫出對應的地形圖，如圖 4所示。從圖 4可以看出，LPP產生的區域主要集中在枕區，與文中選取的Pz電極位置相吻合。
圖4
三種不同條件刺激下的不同時間點的LPP地形圖
A:觀看負性; B:降低負性; C:觀看中性
Figure4. LPP topographies map of different time points under three different condition stimulusA: under watching negative; B: under decreasing negative: C: under watching neural
3 討論
修正情緒反應是情緒調節的主要目的，目前大部分研究表明，認知重評會使情緒的行為表達、心理體驗和生理反應降低。關注認知重評策略對LPP的影響是采用ERP技術進行情緒的認知重評的研究重點。同時，也有研究發現，被試在觀看消極和積極圖片的過程中，被試的LPP波幅會增加，而認知重評策略的使用會使LPP波幅在刺激呈現200 ms之后降低[14]。
本研究在前人研究的基礎上，采用OVR-CSP算法對Pz電極的腦電信號進行特征提取處理，探索LPP波幅特征及波幅變化的時間差異。結果表明，采用OVR-CSP算法可以很好的區分開在不同刺激下的LPP。在刺激呈現后的0.3~1.5 s，自由觀看條件下，負性刺激誘發的LPP波幅明顯高于中性刺激下的LPP波幅，而認知重評策略的使用則導致了LPP波幅降低。因此，OVR-CSP算法對提取LPP有明顯的效果和準確性，這也為后續研究認知重評策略調節LPP打下了一個好的基礎。
總之，本研究采用事件相關電位法為情緒調節中認知重評策略提供了電生理學上的證據。將OVR-CSP算法應用到分析LPP成分，為后續研究認知重評策略調節LPP提供了一個好的研究方法。到目前為止，有關認知重評策略的實驗都還局限在采用指導語的形式來指導被試進行策略上的區分，還沒有將這個過程體現在外顯的實驗任務上。此外，認知重評策略對情緒反應的調節比較好，我們可以將認知重評過程進行分解，發展為一套完善的情緒調節培訓方案，這對具有情緒障礙的個體也具有一定的臨床指導意義。
引言
情緒是指人對認知內容的一種特殊態度，也是以個體需要和愿望為中介的一種心理活動。情緒包括情緒行為、對刺激物的認知情緒喚醒和情緒體驗等復雜成分。而情緒調節在認知控制的影響力上比情緒反應優。目前，關于情緒調節，不同的人給出了不同的定義，還存在很多分歧。但是，以Gross和Thompson給出的情緒調節定義成為當前的主流。Gross認為，情緒調節就是情緒個體對產生的情緒的類型、情緒發生的時間和怎樣領會與表達情緒進行影響的過程。具體點說，就是指個體對情緒的產生、領會與如何表達進行影響的過程。Thompson等則認為，它是個體為了達到某個目標對情緒反應進行的監視、評價估計和修正的過程[1-2]。充分理解情緒調節對那些無法很好調節情緒反應的人特別對那些情感性精神障礙和大多數人格障礙患者起著非常重要的作用[3]。
根據Gross的情緒調節理論，情緒調節策略大致可以分為兩大類：反應關注情緒調節策略和先行關注情緒調節策略。其中前者指情緒調節發生在該情緒產生的后期甚至是晚期，并且主要是抑制將要產生或者是正在發生的情緒表達行為，例如表達抑制。而后者可理解為對情緒進行調節發生在情緒產生的早期，例如認知重評，它是降低情緒反應的過程，在該過程中需要改變個體對情緒事件的認識，換句話說就是要改變個體對情緒事件發生的理解。相比表達抑制而言，認知重評是一種更為有效的調節策略，目前，只有認知重評被表明能使自身負性情緒體驗降低[4]。認知重評降低負性情緒體驗的概念類似于認知能對情緒產生顯著影響的認知療法的基礎想法[5]。
近期研究已表明了情緒調節與神經之間的關聯。Ochsner等[6]通過功能性核磁共振成像(functional magnetic resonance imaging,fMRI)方法發現前額皮層的激活程度增大和杏仁核激活程度降低都與對負性刺激的認知重評有關。在被試對情緒刺激抑制反應的影響中也有類似的結論。因此，該結果與前額皮質的特定區域可以促進認知控制的過程，降低杏仁核與交感神經系統的激活水平的結論相一致。
與Thompson指出的相同，有關情緒調節方面的一個非常重大問題是情緒的反應是隨著時間變化的。與情緒有關的關于大腦的活動，認知重評可能在情緒的早期對情緒產生影響并且抑制與負性刺激反應相關的所有情感。但是，還存在另外一種可能性，那就是負性刺激先引起一個自發的情緒反應，然后認知重評影響了相關調制的初始反應。雖然fMRI對觀察與情緒相關神經結構方面有很大優勢和重要性，但是它的時間分辨率非常低，不適合研究誘導型神經調節認知重評的時間進程。
研究認知重評相關進程的時間序列特征，使用腦電圖的方法也許更有效[7]。通過對腦電圖的研究，表明事件相關電位(event related potential,ERP)的一個重要成分--晚正成分(late positive potential,LPP)--反映了動機相關的刺激加工，知覺過程的異化和注意資源的增加。而相對中性刺激而言，情緒刺激能得到較多的注意資源，再進行認知加工，因而LPP在對刺激的情緒強度方面有非常高的敏感性。LPP波幅在刺激呈現后的300~800 ms處達到了最大值，并可持續數百毫秒[8]。研究表明由正性或負性刺激誘發的LPP波幅顯著高于中性刺激誘發的波幅。由此可以初步推斷LPP是研究情緒調節進程的理想成分。
到目前為止，已有少量研究選用ERP來研究情緒調節，而且得出了一些相關結論。使用認知重評策略后，LPP的波幅在負性刺激呈現200 ms后出現減小的情況，并且會持續一段時間，并且LPP波幅減小程度與被試自我報告的情緒強度的減少正相關[9]。此外，在負性刺激呈現前，聽覺通道的重評描述也可以達到調節LPP的效果，即聽覺的認知重評策略也可以降低LPP的波幅，從而降低負性情緒對被試的影響。
本文采用與Moser等[10]相類似的實驗范式，選取能夠使被試產生負性情緒的圖片，然后具體并標準化情緒調節策略的指導語，最后對認知重評對情緒反應的電生理學特征進行考察，研究其時間進程的特征和其差異性。根據以往的研究經驗[11]，我們選取Pz電極[11]采集的情緒認知重評腦電信號用于LPP研究。首先，采用獨立成分分析(indepaendent component analysis,ICA)[12]算法去除腦電信號噪聲；然后，用一對多-公共空間模式(one versus the rest common spatial patterns,OVR-CSP)[13]算法對Pz電極的腦電信號進行特征提取，最后對提取的特征信號LPP進行統計學分析。
1 方法
1.1 被試
16 名本科生和研究生，19~24歲，平均年齡為21.6歲，其中14名男性。被試身心健康，右利手，視力或矯正視力正常。完成試驗后，每個被試給予了相應的報酬。
1.2 實驗材料和試驗范式
本實驗的120張圖片刺激均選自國際情緒圖片庫(International Affective Picture System,IAPS)，包含40張中性圖片(如中性面孔，家庭日用品等)和80張負性圖片(悲傷的表情，暴力圖片等)。這兩種類別的圖片依據效價值規范區分開(中性圖片：M=5.05，SD=1.21；負性圖片：M=2.82，SD=1.64)。另外，情緒圖片的喚醒度(中性圖片：M=2.91，SD=1.93；負性圖片：M=5.71，SD=2.61)。
對被試簡單描述試驗后，給被試戴上腦電帽。然后讓被試坐在離電腦顯示器0.5 m左右的舒適的椅子上并且給被試詳細的任務指令。告知被試認真觀看圖片，然后根據任務指令給圖片的效價值和喚醒度評級。悲傷到愉悅的效價值被劃分為“1”~“9”個等級(“1”代表悲傷度最大；“5”代表既不悲傷也不愉悅；“9”代表愉悅度最高；“1”~“9”愉悅度依次增強)。喚醒度也被劃分為“1”~“9”個等級，并且喚醒度的強度從“1”~“9”依次增大。
每次試驗時間序列如圖 1所示。在每次試驗開始時，被試首先屏幕中間呈現了一個提示詞(“降低”或“觀看”：4 s)，接著出現一個黑色的空屏2 s，接著呈現一張圖片6 s(如果是觀看提示詞，后面呈現中性或者負性圖片；如果是降低提示詞，后面只呈現負性圖片)，緊接著對圖片的愉悅度和喚醒度進行評價，接下來提示詞“放松”呈現4 s(提示被試讓大腦放松，準備開始下一次試驗)。
圖1
單次試驗過程時序圖
Figure1.
Timing scheme of single trail
實驗總共由4個循環，共120次試驗組成。每個循環有30次試驗：觀看中性10次試驗，觀看負性10 次試驗和降低負性10次試驗。每個循環的每次試驗隨機呈現。
在正式試驗開始前，首先對被試進行6次試驗的訓練以便被試更好的了解實驗任務和理解情緒調節指導語。當遇到觀看的提示詞時，被試只需正常觀看圖片并自然反應；而當遇到降低提示詞時，被試則要采取相應的調節策略降低負性圖片刺激所帶來的負性影響(如以不帶個人情感的第三者的身份觀看圖片；或者想圖片是假的/來自于電影場景等)。
1.3 腦電數據采集
實驗設備是美國EGI公司的64導腦電采集系統，參考電極為Cz電極，采集軟件是NetStation，采樣頻率為250 Hz，每個電極處的頭皮電阻抗低于50 kΩ。
1.4 OVR-CSP算法
CSP算法的目的是尋找一個空間濾波器，使待分類的兩類信號經過空間濾波后，最大限度的被區分，算法是基于兩個協方差矩陣同時對角化，并應用主成分分析方法排除兩種任務的共同部分，提取不同部分。進而，再通過空間因子和相應的空間濾波器將特定信號成分提取出來。CSP是用來對兩類任務進行分類的。因此，為了拓展為對多類任務進行處理，提出了OVR-CSP算法。在這個算法中，每一類模式相對于其它模式，都會計算出一個相應的空間濾波器，三類任務即有三個空間濾波器。
N×M維的矩陣E∈1×425表示單次任務試驗的腦電數據，N是測量腦電數據所采用腦電帽的導聯數，M是采樣點數，則歸一化后的腦電數據的協方差矩陣為
| $C=E{{E}^{T}}$ |
式中T代表轉置矩陣。通過分別計算觀看中性、觀看負性、降低負性三種試驗條件下的平均協方差矩陣，可獲得該三個條件下的空間協方差矩陣C1、C2和C3。因此合成的空間協方差為
| ${{C}_{c}}={{C}_{1}}+{{C}_{2}}+{{C}_{3}}$ |
而Cc=UcλcUcT，Uc是矩陣Cc的特征向量，λc是相應的特征值。在此過程中，將特征值進行降序排列，特征向量也被重新排列。然后，采用主成分分析方法，計算出白化值矩陣：
| $P={{\lambda }^{-\frac{1}{2}}}{{U}^{T}}_{c}~,$ |
為了更好地闡述OVR算法，先考慮如何得到類別1的空間濾波器。設：C′1-C2+C3，令
| ${{S}_{1}}={{P}_{1}}{{C}_{1}}{{P}^{T}}_{1}~,$ |
| $S{{\prime }_{1}}={{P}_{1}}C\prime 1{{P}^{T}}_{1}$ |
其中P1為類別1的空間濾波器對應的白化值矩陣，同時可以證明，如果S1可以分解成
| ${{S}_{1}}={{U}_{1}}{{\lambda }_{1}}{{U}^{T}}_{1}~,$ |
則S′1可被分解為
| $S{{\prime }_{1}}={{U}_{1}}\lambda \prime 1{{U}^{T}}_{1}~,$ |
且有
| ${{\lambda }_{1}}+\lambda {{\prime }_{1}}=I$ |
將式(4)~(7)綜合，即
| ${{({{P}^{T}}_{1}{{U}_{1}})}^{T}}{{C}_{1}}({{P}^{T}}_{1}{{U}_{1}})+{{({{P}^{T}}_{1}{{U}_{1}})}^{T}}C\prime 1({{P}^{T}}_{1}{{U}_{1}})=I,$ |
這里的U1列向量是矩陣的特征向量，也可稱為共同主分量λ′1=λ2+λ3。由此可看出，信號經過變換后，其協方差矩陣的特征向量對應的特征值的和等于1，因此對第一類信號而言其在最大方向的方差值，反而對其它的信號的方差值卻最小。
所以選取U1中最大特征值所對應的特征向量U1iT，關于第一類信號的空間濾波器，也就是信號的投影方向如式(9)所示：
| ${{F}_{1}}={{U}_{1i}}^{T}{{P}_{1}}$ |
在相對應模式下的投影如式(10)所示：
| ${{Z}_{1}}=S{{F}_{1}}{{C}_{1}}$ |
按相同方法可獲得第二類和第三類的空間濾波器，它們分別表示為
| $S{{F}_{2}}={{U}_{2i}}^{T}{{P}_{2}},S{{F}_{3}}={{U}_{3i}}^{T}{{P}_{3}}$ |
2 結果
2.1 腦電數據的預處理
對采集到的情緒認知重評腦電數據，首先用NetStation軟件對其進行濾波(0.01~40 Hz)和分段(－200~1 500 ms)處理。再利用ICA方法對分段后腦電數據進行去噪預處理。
2.2 特征提取結果
2.2.1 時域特征提取結果
對16名被試去噪后的25次試驗腦電信號用OVR-CSP算法進行特征提取，然后對所有被試特征提取后的特征信號進行疊加平均，得到如圖 2所示的特征曲線。另外，本文將所有被試的所有40次試驗腦電信號直接疊加平均得到如圖 3所示的特征曲線，用做對比分析。對比圖 2與圖 3可以看出，經過OVR-CSP算法特征提取后的腦電誘發電位特征與直接疊加平均后的特征基本相似，但是經過OVR-CSP特征提取處理后，認知重評與自由觀看組的差異更明顯。另外，OVR-CSP方法所需要的試驗次數比疊加平均方法相對更少。本文所得結果與文獻[8]、[9]所述結果基本吻合。
圖2
基于OVR-CSP算法所有被試特征信號疊加平均
Figure2.
Outcome of averaging all of the subjects EEG signal after feature extraction using OVR-CSP algorithm
圖3
所有被試直接疊加平均后的結果
Figure3.
Outcome of averaging all of the subjects EEG signal
最后對16名被試Pz電極腦電信號基于OVR-CSP算法特征提取后，并對特征信號疊加平均后信號的LPP成分200~1 500 ms用SPSS統計包進行方差分析，得到觀看負性的波幅為(1.48±0.42) μV，降低負性為(－0.03±0.32) μV，觀看中性為(－0.94±0.22) μV，三者間有明顯差異(P＜0.05)。對一步行多重檢驗得到：降低負性組與觀看負性組均差值為－1.51 μV，標準誤差為0.026 μV(P＜0.05)；降低負性組與觀看中性組均差值為0.91 μV，標準誤差為0.026 μV(P＜0.05)。結合圖 2統計結果的結果可以得出：① 從波幅的角度來比較，認知重評誘發的波幅顯著大于觀看中性誘發的波幅，而小于觀看負性誘發的波幅。② 從時間進程的角度來比較：經過OVR-CSP特征提取處理后，認知重評與自由觀看組的差異發生在0.3~1.5 s。
2.2.2 空域特征提取結果
為了研究情緒認知重評中不同LPP對應的大腦區域變化，本文對三種不同刺激條件下LPP的早成分(200 ms)、中成分(500 ms)、晚成分(800 ms)，分別畫出對應的地形圖，如圖 4所示。從圖 4可以看出，LPP產生的區域主要集中在枕區，與文中選取的Pz電極位置相吻合。
圖4
三種不同條件刺激下的不同時間點的LPP地形圖
A:觀看負性; B:降低負性; C:觀看中性
Figure4. LPP topographies map of different time points under three different condition stimulusA: under watching negative; B: under decreasing negative: C: under watching neural
3 討論
修正情緒反應是情緒調節的主要目的，目前大部分研究表明，認知重評會使情緒的行為表達、心理體驗和生理反應降低。關注認知重評策略對LPP的影響是采用ERP技術進行情緒的認知重評的研究重點。同時，也有研究發現，被試在觀看消極和積極圖片的過程中，被試的LPP波幅會增加，而認知重評策略的使用會使LPP波幅在刺激呈現200 ms之后降低[14]。
本研究在前人研究的基礎上，采用OVR-CSP算法對Pz電極的腦電信號進行特征提取處理，探索LPP波幅特征及波幅變化的時間差異。結果表明，采用OVR-CSP算法可以很好的區分開在不同刺激下的LPP。在刺激呈現后的0.3~1.5 s，自由觀看條件下，負性刺激誘發的LPP波幅明顯高于中性刺激下的LPP波幅，而認知重評策略的使用則導致了LPP波幅降低。因此，OVR-CSP算法對提取LPP有明顯的效果和準確性，這也為后續研究認知重評策略調節LPP打下了一個好的基礎。
總之，本研究采用事件相關電位法為情緒調節中認知重評策略提供了電生理學上的證據。將OVR-CSP算法應用到分析LPP成分，為后續研究認知重評策略調節LPP提供了一個好的研究方法。到目前為止，有關認知重評策略的實驗都還局限在采用指導語的形式來指導被試進行策略上的區分，還沒有將這個過程體現在外顯的實驗任務上。此外，認知重評策略對情緒反應的調節比較好，我們可以將認知重評過程進行分解，發展為一套完善的情緒調節培訓方案，這對具有情緒障礙的個體也具有一定的臨床指導意義。
