利手是指人惯用一只手的偏向,偏向右手称之为右利手,反之称为左利手。左利手人群相比于右利手人群更容易出现焦虑、抑郁等心理问题,而且左利手人群更易得孤独症、精神分裂症、情绪障碍等疾病。因此及时识别出左利手人群的情绪对预防这些心理和生理问题有着重要意义。左利手人群和右利手人群的大脑结构和功能有所不同,且在受到相同的情绪刺激时,大脑的反应机制有所差异。然而查阅文献发现,基于脑电信号(EEG,Electroencephalogram)的情绪识别研究大多是针对右利手人群的,很少有研究者分析左右利手人群在情绪识别上脑电信号是否有差异。因此基于上述理由,论文创新性地提出了基于左右利手人群情绪识别的脑电差异研究。本研究采集了多名学生被试在图片刺激下的脑电信号,并以情绪识别为工具分析了左右利手被试脑电信号的差异。论文具体开展了如下工作:(1)采集了42名被试(21名右利手被试,21名左利手被试)的脑电数据。论文的实验设计任务是让两组被试分别观看40张正性图片和40张负性图片,诱发出其正性情绪和负性情绪,并全程采集脑电信号。在实验开始之前要招募被试,通过状态-特质焦虑问卷(STAI,State-Trait Anxiety Inventory)和左右利手评定问卷筛选符合条件的被试并对其分组。在实验中被试依次观看正性图片和负性图片,每观看完一张图片被试要根据当时的情绪感受对效价和唤醒度进行评分。在完成脑电信号的采集之后,需要对采集的原始脑电信号进行一系列的预处理操作,主要包括降采样、通道定位、重参考电极的设置、去眼电、滤波和数据分段。本研究通过独立成分分析法(ICA,Independent Component Analysis)对原始脑电信号去眼电伪迹,并用带通滤波器对脑电信号进行滤波,过滤出研究需要的四种目标波段,它们分别是:theta波段(4–8 Hz)、alpha波段(8–12 Hz)、beta波段(12–30 Hz)和gamma波段(30–47 Hz)。(2)提取情绪相关的脑电信号特征,建立左右利手被试情绪识别模型。本文提取了脑电信号的两种频域特征:功率谱密度和总能量。使用后向序列选择算法进行特征降维,采用K近邻(KNN,K-Nearest Neighbor)分类器、决策树分类器及“留一被试法”交叉验证的方法分别对左右利手被试建立情绪识别模型,用建立的情绪识别模型对正负性情绪进行分类,并计算F1分数(F1-Score)来衡量情绪识别模型的性能。(3)对左右利手被试情绪识别结果和F1分数进行分析并综合讨论。在提取的四种波段中,右利手被试在gamma波段获得了最好的情绪识别率为69.33%,左利手被试情绪识别率最好的波段也在gamma波段为65.30%。对于F1分数,右利手被试和左利手被试均在gamma波段获得了最高的F1分数,分别为71.53%和65.96%。结果发现右利手被试和左利手被试在脑电信号的高频率段(beta和gamma波段)的情绪识别性能要好于低频率段(theta和alpha波段),这和前人发现的基于右利手人群情绪研究结果是一致的。但是从结果可以看出,右利手被试的最好的情绪识别结果和F1分数均比左利手被试高约4%-6%。因此使用脑电信号进行情绪识别时,右利手人群的情绪识别性能可能要优于左利手人群,而左利手人群在情绪脑电反应方面可能要处于劣势;右利手人群的情绪被诱发时,其脑电图的模式可能具有更大的相似性,而左利手人群在脑电图模式上可能具有更多的个体差异,意味着右利手人群和左利手人群的脑电信号模式在情绪脑电反应上应该有着惯用手的差异。论文基于左右利手人群情绪识别的脑电差异研究,发现左右利手人群的脑电模式在情绪脑电反应上可能存在差异。本研究有利于促进不同利手人群在情绪识别上的相关研究,可以帮助研究者更好地理解大脑中情绪的处理方式。