fNIRs技术用于情绪状态识别：唤醒度、愉悦度及情绪种类的分类研究

"该研究利用功能性近红外光谱(fNIRs)技术分析情绪状态，通过监测15名受试者在观看不同情绪类别的图片时的大脑活动，结合唤醒度和愉悦度的主观评价，使用支持向量机(SVM)和SVM-RFE算法进行特征选择与情绪分类。结果显示，fNIRs可以有效识别情绪状态，平均分类正确率分别达到81%（唤醒度）、78.78%（愉悦度）和68%（情绪种类）。关键的情绪相关特征出现在眶额叶皮层和背外侧皮层，而近似熵被证明是衡量情绪变化的有效指标。" 本文探讨了基于医用光学技术，特别是功能性近红外光谱(fNIRs)，在识别和理解人类情绪状态中的应用。fNIRs是一种无创的神经成像技术，能探测到大脑皮层的血流量和氧合水平变化，从而推断出大脑的活动模式。在这项研究中，15位受试者被暴露于六种不同情绪类别图片的刺激下，同时记录他们的fNIRs信号和自我报告的唤醒度与愉悦度。 为了构建有效的情绪分类模型，研究人员采用了支持向量机(SVM)这一强大的机器学习工具。SVM是一种监督学习模型，常用于分类任务，尤其是处理小样本数据集。在此基础上，他们还应用了SVM-RFE（支持向量机的递归特征消除）算法，这是一种特征选择方法，通过反复训练和剔除最不重要的特征，以优化模型性能。 实验结果显示，fNIRs技术在区分不同情绪状态方面表现出较高的准确率。对于唤醒度、愉悦度和情绪种类三个分类任务，平均分类正确率分别为81%、78.78%和68%，表明fNIRs能够有效地捕捉到大脑活动与情绪状态的关联。值得注意的是，受试者大脑中眶额叶皮层和背外侧皮层的活动变化尤其显著，这两个区域与情绪调节紧密相关。此外，近似熵作为衡量系统复杂性和混沌程度的指标，在此研究中被发现是反映情绪状态变化的有效工具。 这些发现不仅加深了我们对大脑情绪处理机制的理解，也为非侵入性的情绪识别技术提供了新的可能，具有潜在的应用价值，如在心理咨询、心理疾病诊断和治疗，以及人机交互等领域。通过持续的研究和改进，fNIRs有望成为未来情绪识别和大脑功能研究的重要工具。