论文部分内容阅读
焦虑是大脑的高级功能之一,过度或病态的焦虑会导致大脑执行功能受损,进而影响人们对复杂信息的理解和判断能力。目前临床医学和心理普查等领域主要依靠焦虑量表测试得分结合面谈咨询等主观认知行为手段来界定焦虑症状。为了客观地从神经电生理学角度获取特异性脑电ERP指标对焦虑人群和健康人群进行区分,本文研究了高、低特质焦虑人群在行为抑制三种认知任务（反应抑制、延迟满足和逆向学习）状态下的脑电ERP信号获取与特征提取。基于三种认知任务状态下利用BrainVision Recorder在线采集行为抑制过程中的脑电EEG信号。离线情况下在BrainVision Analyzer 2.1环境中利用事件相关电位技术从脑电EEG信号中获取脑电ERP信号,信号处理步骤依次为:（1）由左乳突电位变更为左、右乳突平均电位作为各通道脑电EEG信号的参考电位;（2）Extend Infomax ICA剔除眼电伪迹并重构脑电EEG信号;（3）梯度检验和峰峰值检验去除实验者动作幅度带来的伪迹信号;（4）巴特沃斯零相移IIR带通滤波去除随机噪声和50Hz工频干扰;（5）根据不同的实验条件对脑电信号进行分段;（6）基线校正去除低频段基线漂移噪声;（7）叠加平均获取单个实验者的脑电ERP信号;（8）分别对高、低特质焦虑组所有实验者脑电ERP信号进行组间总叠加平均,获取高、低特质焦虑组各自的总平均脑电ERP信号。提取出两组脑电ERP信号之后,第一步利用BrainVision Analyzer 2.1分别获取了三种任务态下高、低特质焦虑组各自诱发的脑电ERP信号在特定时窗内的平均电压峰值或平均电压波幅等信号参数样本;第二步,利用SPSS20.0分别对这些信号参数样本进行多因素重复度量方差分析、简单效应分析、独立样本t检验和单样本t检验,进而识别出具有统计学差异的脑电ERP信号参数样本;第三步,利用这些脑电ERP信号参数样本作为自变量,特质焦虑得分作为因变量进行回归分析,考察这些参数样本是否能作为有效预测特质焦虑水平变化的特征参数;第四步,利用SVM设计脑电ERP信号模式分类器。最后,汇总这些信号处理结果,本文有如下发现:（1）在特质焦虑影响反应抑制的任务中获取两个具有统计学差异的脑电ERP信号参数样本（Nogo-N2和Nogo-P3）。第一,相对于低特质焦虑人群（-2.70±0.31μV）,高特质焦虑人群（-1.35±0.34μV）在Nogo任务中头皮前额区诱发出显著更低的Nogo-N2平均电压峰值（p=0.005）;第二,相对于低特质焦虑人群（5.04±0.33μV）,高特质焦虑人群（6.63±0.33μV）在Nogo任务中头皮中后部诱发出显著更高的Nogo-P3平均电压峰值（p=0.001）;第三,以Nogo-N2平均电压峰值（X1）和Nogo-P3平均电压峰值（X2）作为自变量,特质焦虑分数作为因变量（Y）的回归方程Ye3.495 0.0307X120.08183X2能预测特质焦虑得分变异性的75.75%（R20.7575）,预测分数与实际分数之间的平均偏差为6.1392分。第四,选用基于径向基函数（C=100,g=0.1）的SVM对脑电ERP信号特征参数样本进行模式识别二分类（高特质焦虑者vs.低特质焦虑者）。每次从56个特征参数样本中随机选取46个信号特征参数样本组成训练集,剩余的10个特征参数样本组成验证集,重复做10次。反应抑制脑电ERP特征参数样本分类器10次平均的二分类正确率为82.00%,灵敏度为80.07%,特异度为84.14%。（2）在特质焦虑影响延迟满足的任务中获取三个具有统计学差异的脑电ERP信号参数样本（N1、RewP和P3）。第一,相对于低特质焦虑人群（-1.30±0.33μV）,高特质焦虑人群（-2.23±0.33μV）选择早期奖赏时在头皮双侧颞枕区所诱发的N1平均电压波幅更高（p=0.053;边缘显著）;第二,相对于低特质焦虑人群（1.24±0.41μV）,高特质焦虑人群（3.12±0.41μV）选择早期奖赏时在头皮前额区所诱发的RewP平均电压波幅显著更高（p=0.002）;第三,相对于低特质焦虑人群（3.43±0.27μV）,高特质焦虑人群（2.26±0.27μV）选择晚期奖赏时在头皮中后部所诱发的P3平均电压波幅显著更低（p=0.003）。第四,以N1平均电压波幅（X1）、RewP平均电压波幅（X2）和P3平均电压波幅（X3）作为自变量,特质焦虑分数作为因变量（Y）的回归方程Y43.591.949X13.409X23.813X3能预测特质焦虑得分变异性的65.2%（R20.652）,预测分数与实际分数之间的平均偏差为7.808分。第五,选用基于径向基函数（C=100,g=0.01）的SVM对脑电ERP信号特征参数样本进行模式识别二分类（高特质焦虑者vs.低特质焦虑者）。每次从52个特征参数样本中随机选取42个信号特征参数样本组成训练集,剩余的10个特征参数样本组成验证集,重复做10次。延迟满足脑电ERP特征参数样本分类器10次平均的二分类正确率为82.00%,灵敏度为78.57%,特异度为85.67%。（3）在特质焦虑影响逆向学习的任务中获取两个具有统计学差异的脑电ERP信号参数样本（FRN和P3）。第一,相对于低特质焦虑人群（-4.01±0.19μV）,高特质焦虑人群（-2.53±0.22μV）在“loss-gain”模式下头皮前额区所诱发的FRN差异波平均电压波幅显著更低（p<0.001）;第二,相对于低特质焦虑人群（8.74±0.27μV）,高特质焦虑人群（7.29±0.28μV）在“loss-switch”模式下头皮中后部所诱发的P3平均电压波幅显著更低（p=0.001）。第三,以FRN差异波平均电压波幅（X1）和“loss-switch”模式下的P3平均电压波幅（X2）作为自变量,特质焦虑分数作为因变量（Y）的回归方程Y47.7245.97 X12.497X2能预测特质焦虑得分变异性的77.42%（R20.7742）,预测分数与实际分数之间的平均偏差为6.515分。第五,选用基于径向基函数（C=500,g=0.01）的SVM对脑电ERP信号特征参数样本进行模式识别二分类（高特质焦虑者vs.低特质焦虑者）。每次从70个特征参数样本中随机选取60个特征参数样本组成训练集,剩余的10个特征参数样本组成验证集,重复做10次。逆向学习脑电ERP特征参数样本分类器10次平均的二分类正确率为87.00%,灵敏度为82.31%,特异度为90.50%。综上所述,本文结合事件相关电位技术、重复度量方差分析、回归分析和模式识别等方法研究了高、低特质焦虑人群在大脑行为抑制中的认知信息加工机制,得到了客观的脑电ERP特征参数样本,给出了特质焦虑阻碍大脑行为抑制的研究结论。这些研究结果既印证了特质焦虑人群脑抑制信息处理机制存在着不同于常人之处,又对现有的大脑行为抑制理论起到了一定的补充和完善作用,其中还蕴涵着一定的拓展空间,有待作者在未来继续探索。