文摘
在当今社会,心智能力不好的人容易神经精神疾病,如焦虑,多动症,由于长期的负面情绪和抑郁。虽然传统西医有一定的疗效,这些药物有显著的抗胆碱能中央毒性副作用以及心血管和胃肠道副作用,限制他们的应用程序在老年人中。目前,一些抗抑郁药物用于临床有一定的局限性。根据抑郁症的症状,本文提出一种反馈情绪调节的脑机接口的音乐治疗方法。这种方法使用特别的音乐刺激调节抑制体内性激素的释放,减少消极情绪的影响在身体的内部环境,并保持身体的稳定状态。在这种方法中,脑电图作为抑郁症患者的情绪控制信号,这生物信号转化为抑郁症患者能理解的音乐,以澄清他们的生理和心理状态,实现情感自我反馈。
1。介绍
审查,检查音乐疗法作为治疗的证据。探讨音乐疗法对行为的影响,社会、认知、和情绪问题在老年痴呆症患者,随机对照试验报告进行音乐治疗的临床结果的行为,社会、认知和情绪问题在老年痴呆症患者1]。音乐,作为一种特定的刺激,结合运动和刺激通过不同感觉通道获得运动和情感反应。在这项研究中,一次前瞻性随机控制,单盲法研究音乐治疗的效果在帕金森患者的运动和情感功能。太是有效的电机、情感和行为的功能。我们建议积极太作为一种新的方法被包括在PD康复计划(2]。许多研究表明,听音乐激活大脑结构涉及认知、感觉运动和情感处理。本文简要总结了音乐疗法的效果影响因素。然后,神经科学研究使用音乐来调查情绪,perceptual-action中介机构,在这些领域和社会认知,包括演示相关的音乐疗法(3]。有证据表明,音乐疗法可以改善抑郁症患者的心理健康。因此,这个复杂干预的可能机制进行了研究,认为音乐疗法是部分有效的,因为患者治疗中活跃的音乐制作框架提供了新的审美的机会,物理,和关系的经验4]。音乐疗法是一个潜在的造成治疗痴呆的行为和心理症状,虽然一些研究发现它有用,大多数是小和不可控的。音乐疗法是一种安全有效的方法来治疗焦虑和不安在中度和重度阿尔茨海默氏症患者。这是一致的结果一些无控研究音乐治疗痴呆(5]。脑机接口领域的代表一个更有趣的神经生理学研究领域,因为它研究机器的发展,大脑的“想法”转换成特定的预定义的行为。脑电图数据的研究表明,在复杂动态视觉测量运动任务携带足够的信息对当前的运动,可以通过适当的信号处理和识别方法成功提取(6]。脑机接口基于脑电图的想法是帮助那些无法交流思想由于神经肌肉疾病,从而影响运动障碍。小波变换和其他技术用于预处理数据,和线性预测编码用于确定自回归系数作为特征向量,并为分类神经网络训练。然后,140个随机实验测试的数据训练网络,并确定该方法的效率为71.5% (7]。应用稳态视觉诱发电位(SSVEP)在脑机接口(BCI)系统吸引了越来越多的关注。网上多通道脑机接口系统提出了基于SSVEP,利用典型相关分析(CCA)提取频率SSVEP的相关信息。实验结果表明,BCI系统具有较高的性能,平均精度为95.3%8]。人们可以学会控制感觉运动节奏的脑电图特征由振幅和可以使用该控制在屏幕上移动光标到目标在一个或两个维度。结果表明,订单BCI的自回归模型的选择是一个重要的决定因素的性能,应根据标准反映系统性能(9]。时频(TF)方法从脑电图(EEG)的图像中提取特征的左、右手运动进行了研究。特征提取过程(聚全氟乙丙烯)提取频域信息,形成特色,同时,时频分辨率是通过本地化信号的快速傅里叶变换(fft算法)到一个特定的窗口时间定位。该方法量化分类精度(CA),信息传输速率(IT)和互信息(MI)和达到良好的性能10]。公共空间模式(CSP)是使用最广泛的方法之一,脑机接口(BCI),它可以提高多通道脑电图(EEG)的可分性和其他大脑信号。本文提出了将每个类分成许多子类并描述了这个问题在一个重新设计的图嵌入框架与顶点集群中心。我们也重新定义了传统FLDA图嵌入框架,有助于发展和理解该方法。实验结果表明该方法的优越性11]。抗抑郁药治疗是否成功与psycho-behavioral策略用于调节情绪的变化还不清楚。我们检查了抑郁症状和情绪调节策略前后的抗抑郁药。因为我们评估急性的结果,目前尚不清楚是否抗抑郁药对情绪调节的影响将随着时间的推移持续12]。众所周知,5 -羟色胺可以调节情绪,睡眠,相关系统和食欲,所以许多行为和生理功能的控制。综述该领域的最新进展,讨论了抗抑郁作用于这一目标的机制及其可能的交互与其他组件的含血清素的神经传递(13]。情绪调节和冲动的核心方面边缘型人格障碍(BPD)病理变化。尽管这两个问题可能特别在桶,到目前为止,很少有研究在桶学习冲动情绪调节。这项研究的结果是一致的认为障碍amygdala-prefrontal BPD患者的神经网络补偿的皮层下循环涉及丘脑核,导致这些患者的正常行为的抑制14]。有大量的证据表明,应激反应和压力适应障碍在人类抑郁症的病理生理机制(MDD)。内源性阿片神经传递激活mu-opioid受体参与压力和情绪调节和MDD进一步相关15]。
2。音乐疗法
2.1。音乐疗法的机理
音乐疗法是一个伤口愈合的过程,调节人的情绪和生理功能通过使用旋律,节奏,独特的音乐语言和动作。边缘系统,杏仁核的中央枢纽神经电路,深入参与发起,生成、检测、维护、监管、和终止的情感。其中,血液等级相关fMRI信号相对增强在腹侧纹状体和前岛叶,而杏仁核、海马、海马旁回、颞极地区相对增强,音乐家的音乐刺激快乐。fMRI-dependent信号的杏仁核,海马,海马旁回、颞极地比例提高了随机播放不和谐的音乐刺激。这些发现表明,中心附近海马体在声学粗糙度的处理起着重要的作用。
Balli et al的音乐研究首次显示,不同地区的人类杏仁核具有不同的功能特性,以应对音乐刺激。在这项研究中,谐波钢琴音乐和锋利的钢琴音乐被用作积极和消极刺激,分别和两种类型的音乐的影响依赖强度杏仁核检查的血液样本。结果表明,在两种不同类型的音乐刺激,血液样本的相关信号基底外侧区域增加,而扁桃体表面血液样本的等级相关信号降低。样品被削弱和等级相关信号从血液样本在杏仁核的表面区域放大。大脑结构之间的功能性网络参与情绪加工如图1。
2.2。音乐的社会功能
社会是一个生活空间,人们可以保持彼此生活在一起的很长一段时间。人们不断参与各种社会功能,和音乐活动的一个综合功能,包括各种社会功能。
早期形式的音乐是通过声音来表达个人通信信息水平和体积。随着人类社会的发展,音乐活动极大地丰富了表达情绪的方法和手段,而且人们也将民族文化和社会环境集成到音乐。音乐可以从简单的思维发展的原因表达当代音乐的功能,比如音乐会,独奏会,和戏剧音乐和社会之间的相互作用的结果。音乐创作对社会个体的影响的例子包括以下:
思想和情感的密切沟通加强社交技巧,建立互信,并有效防止社会隔离。与传统的医疗方法相比,它更有利于治疗精神疾病。因此,抑郁症患者参与制作音乐通常是比听音乐更有利于治疗抑郁症,因为它可以提高表达和沟通能力,改善社会关系,防止抑郁症患者的社会隔离。此外,制作音乐包括社会认知能力的变化。社会认知是一个过程的分析和理解外部环境。
总之,不同的音乐活动往往伴随着不同的社会活动的变化。这些社会活动会影响抑郁症患者的外部表现,例如,提高社交能力,改善情绪状态,提高认知水平。这提供了理论支持,后续使用的音乐活动作为一种手段来调节抑郁。
2.3。音乐疗法的反馈调节抑郁的方法
根据上面的理论知识,提出了一种脑机接口音乐治疗抑郁情绪调节方法的反馈分析。流图所示2。
长期的抑郁症是抑郁症的主要症状。当抑郁症患者受到外部压力的刺激,他们将处理刺激通过边缘系统的结构和产生相应的负面情绪。通过音乐反馈调节抑郁的一个方法是使用EEG信号来监测病人的情绪,这个信号转换成音乐信号,病人能理解。
3所示。CNN的EEG信号处理算法
3.1。卷积神经网络的基本网络
CNN网络深度学习算法研究的一个重要组成部分。其实质可以被视为一个人工神经网络,传输反馈,灵感来自于人类视觉的抽象流程。每个神经元在CNN网络可以看作一种神经元对应人类的视野,这是模拟的,不需要太多的手动处理培训。CNN模型不像以前一样受欢迎,在电影的脑电图分类任务。一个非常重要的原因是,直到现在,很难找到一个有效的转换方法来表示EEG信号,以便EEG信号的形状能够更好地匹配CNN处理数据的方式。图3显示了CNN网络的基本结构。
如图3CNN网络的基本结构主要由输入层、卷积层、汇聚层、FC层,和其他网络结构层。
下面解释的重要网络层。
3.1.1。褶积层
卷积层与整个网络的性能,当组装和分解数据。卷积计算上一层的输入数据通过卷积调整本质上是一个权重矩阵,和卷积的特征层可以抵消后最终确定值是由某种触发处理函数。
卷积传输可以用数学表达
通过这种方式,卷积的卷积编辑过程层可以表示为 在哪里代表了功能的地图th卷积层,代表了层,上一层的地图的特性,它的输入th层,的功能层吗层。
应该注意的是,不同神经元之间的连接权值在同一层是普遍的,所以这种设计有利于模型的收敛性。为了提高网络体系结构的性能,功能,比如ReLU、乙状结肠和双曲正切经常使用。公式(3),(4)和(5),分别表达不同上述联合激活函数的数学表达式:
3.1.2。汇聚层
神经元在池层是一样的卷积的层。一般来说,有两种常用的池方法:最大池和平均池。相比之下,选择最大价值作为输出的范围,和合并过程可以简化 在哪里代表了功能的地图th汇聚层,乘数的偏差池的核心th层,是相应的额外的偏差,然后呢代表不同的集合。
一般来说,卷积层和池层交替出现。如图4数据集由卷积表示层与卷积的大小 与的大小和汇聚层 。池平均和最大池的例子。
3.1.3。完整的连接层
一般来说,整个CNN网络具有一个或多个FC层次。目前,FC层的激活函数常用ReLU和乙状结肠。
3.2。根据CNN网络脑电图分类模型
3.2.1之上。网络拓扑结构
在本节中,我们建立一个多层网络模型来分析数据。整个识别过程如图5。
(1)构建一个CNN模型ECoG数据。CNN模型结构如图6。
输入层:在输入层,每个原始信号是一个张量矩阵和样本数据转换成一个张量矩阵的维度 ,所以脑电图数据可以视为灰色图像,这是 在表示的数据的采样点th电极通道, 。
Conv1层:根据卷积层的特点,ECoG数据处理 在哪里卷积层的数量,卷积卷积有四层,每一层是紧随其后的是一个汇聚层。
池1层:它可以加快算法的处理速度,而不丢失数据,并显示了计算公式 在哪里汇聚层的数量,有四个汇聚层,的值呢2、4、6和8。是偏见和系数是额外的偏见。
FC1: FC1是第一个完全连接层适当增加网络深度。
输出层输出层:可以使用softmax函数分类之前高级数据提取,并计算表达式所示
softmax的表达式所示
最后,一个向量 是输出,属于一个虚构的任务,代表的概率代表的概率不属于一个虚构的任务。
(2)构建CNN从脑电图数据模型。CNN网络拓扑基于EEG数据类似于网络拓扑基于ECoGEEG信号。所不同的是,网络层使用的数量是不同的。
应该注意的是,为了提高算法的效率,辍学和L1调整也尽可能用于防止过度拟合。为了促进复杂的神经元之间的合作,提高模型的学习能力,神经元的权重与一定概率随机重置。上述两种方法广泛应用于神经网络训练,以减少过度拟合。本文也是基于CNN机制来抑制过度拟合的影响。
3.2.2。网络参数训练
CNN模型基于ECoG和EEG-EEG数据。从前面的小节中,您可以看到使用输入数据向量 ,模型的输出 ,在哪里代表了每个类的预测概率,给一个新的结果。如果实际样本的标题 ,当样品被教导,损失函数所示
公式计算的重量和偏差梯度网络所示
一旦获得梯度,根据梯度下降法参数更新,如图所示
高速为模型意味着它花费更少的时间达到收敛点。在高速度、跳跃模型太多,找不到最优的重心。
3.2.3。分类算法
机器学习算法,GB分类器是用来得到一个强分类器分类。它的基本思想是不断优化模型的损失函数以获得更强的预测或分类的能力。模型的力量正在不断地增加。根据数学理论,当其数据的损失函数遵循方向梯度,它可以实现最佳和最快下降。
如果函数执行的CNN网络数据 ,所示的数学表示 所示的对数回归模型的定义是
对数回归模型的初始值是预设 。
以普通最小二乘回归为最低损失函数,基于OLS回归GB算法可以表示为以下过程:(1)的梯度计算损失函数的梯度下降方向,如图所示 (2)基于OLS,选择适当的梯度,如所示
弱分类器的结果是向量EKoG样本的投射到回归系数在时间 ,如图所示,
当误差最小化,然后选为弱者的参数分类,如图所示 (3)然后,计算它的重量,所示 (4)用少量在每个步骤中,减少的价值 ,然后通过迭代获得一个强大的分类,可以提高算法的泛化能力所示 (5)最后,获得一个新的对数回归的价值,如所示
其中,为了找到最优迭代时间和实现快速分类,我们使用对数回归模型,它不局限于模型的预测价值。
4所示。实验研究和分析
4.1。选择EEG信号的预处理算法
在EEG信号的预处理,有短时傅里叶变换,小波变换,炮手分布,EMD和其他方法。为了处理信号更直观和高效,我们比较这些算法在自适应,高效的深部开采数据和分解信号的能力。五进行比较实验,结果如图7,8,9。
看着上面的图中,我们可以看到,在自适应方面,数据的性能高效的深部开采能力和信号分解能力比较。EMD算法具有更多的优势,因此我们可以得出,EMD算法直观,高效,自适应,事后看来,和其他的优势。
4.2。最优预处理方法的选择
本节描述SNIR、平均能量和日军来测量系统的抑制噪声的能力。见公式(26为SNIR)计算公式: 在哪里系统输出的信噪比和吗是输入系统的信噪比。信噪比信号噪声的平均功率比。计算公式所示
在分贝(dB),如所示
能量平均值的计算公式所示 在哪里后脑电图信号的离散幅度噪声抑制和采样点的数量。
显示了日军的计算公式
其中,日军越小,误差越小。
SNIR、平均能量和日军后原始脑电图信号计算上述“减少10倍”三种去噪方法,结果如表所示1。
表2显示Deap数据集的比较结果和镇定的数据集,其中包括1152 EEG信号的数据集,已由三种降噪方法进行处理。由于大量的数据,这项研究的结果发表在数据集的形式。
在表1结果表明EMD + FastICA算法SNIR最高,最低的日军,EEG信号的平均能量最低价值。表2也清楚地表明,可以获得更好的结果通过沉默的计算三大股指的脑电图信号数据通过EMD + FastICA算法。
4.3。主题
所有的科目中选择这个实验是研究生。4、8和4个研究生被选为正常对照组,抑郁组,和反馈培训组。评价和反馈培训每周进行一次总共六个星期。最初的分组标准如表所示3。
4.4。实验流程
为了使实验结果更加准确,我们的测试地点选择在一个相对安静的房间。测试时间是严格控制在45分钟。具体的实验过程如下:(1)评级规模阶段:在每个测试之前,用户要求受试者完成三个尺度,sci - 90, SDS和phq - 9,所以,受试者可以评估测试前的抑郁程度。这一步需要大约10分钟(2)实验准备阶段:首先,确定是否可以完成测试。之后,操作员解释系统的工作原理,反馈测试过程,测试过程中的注意事项,等。最后,操作员棒电极贴纸的位置FP1, FP2, FPZ电极的额头,确保正常脑电图信号的采集。这一步需要大约3分钟
反馈练习阶段包括一个呼吸练习和两个反馈练习。反馈训练之前,运营商组织研究对象为3分钟练习呼吸。的目的是帮助受试者放松和集中注意力,以便受试者能迅速适应反馈训练。之后,老师引导受试者通过一系列两个反馈练习,每13分钟。这一步需要大约29分钟。(3)训练阶段:在前一篇文章中,我们设计了两种反馈训练方法:呼吸和音乐。具体反馈训练过程如图10(4)交流阶段:在这个阶段,实验者与测试人员理解音乐的反馈是否有效,检查对象是否能熟练管理他们的身体状况。同时,鼓励受试者听清醒的和令人兴奋的音乐时抑郁和调整自己的情绪通过反馈培训
4.5。统计分析
4.5.1。得分规模分析
三个尺度,sci - 90、SDS和phq - 9,选择测量程度的症状。病人健康问卷用于研究。见表4抑郁症患者的标准。在六周的后续测试中,我们选择的数据以第一次作为基线数据。
sci - 90、SDS和phq - 9是平均在三组中,并且独立 - - - - - -测试执行。结果如表所示5,6,7。从表中可以看出,在反馈训练之前,几乎没有差异量表分数之间的反馈培训组和抑郁的对照组。培训的进展反馈,反馈培训组和抑郁症之间的区别对照组变得越来越大。在第六测试评估通过SDS和phq - 9,发现有显著差异之间的反馈培训组和正常对照组之间的相关性。显然,本文设计方法可以有效改善轻度抑郁患者的状况。
数据11,12,13显示相对应的分数的变化这三个sci - 90, SDS和phq - 9尺度在六个多星期的时间。可以观察到的规模评估分数反馈培训组表现出下降的趋势,表明音乐对情绪调节反馈有积极的影响。当两对照组没有参与反馈培训,个别科目的分数不同,没有明显的趋势总体规模的分数。此外,随着时间的推移,评价反馈培训组的分数下降越来越明显,尤其是在第三到第六测试。这表明情绪调节方法与音乐的反馈提出了总是有效地调节轻度抑郁患者的抑郁。与此同时,在前三个音乐反馈实验,负面情绪是改进,性能进一步加强与帮助。音乐调节自己。在随访期间,情绪调节和抑郁症状改善。
此外,由于本研究的对象是受过教育的研究生,在实验中,受试者或多或少意识到治疗抑郁症并接受某种程度的认知行为疗法。这可能也是为什么受试者可以快速适应音乐疗法和调整自己的实验。
4.5.2。数量分析的情感片段
本文还分析了情感的碎片EEG信号的变化在音乐实验。EEG字符序列通过我们分为三种类型:活跃状态,被动状态和正常状态。每种类型的脑电图字符序列的长度是0.5秒。对于每一个音乐反馈测试,我们进行了两次培训的反馈。对于每一个音乐反馈的测试,我们需要计算在6秒内的情绪状态。在实验中,系统需要将399段,约4788脑电图标记。其中,字符串的数量在每一个脑电图信号太多,不直观。音乐片段,因此,本节选择反馈改变在实验中反映受试者的情绪的变化。
反馈的数量变化趋势的音乐片段的反馈培训组如图14。观察表明,反馈音乐代表积极的情绪正在增加。其中,变化的反馈音乐片段从一审到第三个试验显然是不同于从第三审判第六审判。其原因可能是在第一和第三个实验,受试者从负面的情绪状态正常,由于音乐培训的反馈。因此,音乐片段的数量代表消极情绪首先下降,然后缓慢增加,而音乐片段代表积极情绪首先增加缓慢,然后迅速增加。
实验的脑电波转换成音乐,EEG信号的信号序列获得的音乐刺激会影响抑郁症患者的特点。严格测试屏幕抑郁症患者的特点,如年龄、教育水平、和病史,所以获得的EEG信号的特性集的应用范围在测试是有限的。此外,在脑电图转换音乐实验中,只有三种音乐刺激(积极、介质和负),这是更少的情感反馈。未来的研究应考虑不同目标群体的差异和个人知识和增加音乐刺激实验的类型,所以,系统可以应用于更广泛的精神健康障碍患者的治疗。
5。结束语
抑郁症已成为一个非常常见的疾病在人们的日常生活。现代生活中人们面临越来越大的压力,工作,学习。矛盾和挫折使人筋疲力尽。音乐疗法是一种新的边缘学科,它结合了音乐的本质,医学和心理学。它是一个过程,音乐治疗师帮助病人突破心理障碍,恢复他们的身体和心理健康通过专门设计的音乐模式。音乐疗法主要是基于心理治疗的理论和方法,这使得使用音乐的独特的心理和生理效应。这项研究的结果表明,抑郁症患者的生活质量和焦虑症状得到改善音乐疗法后,尤其是音乐疗法结合脑电图反馈训练。如果它可以推广在抑郁症患者的治疗,将患者的一大福音。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突的这方面的工作。