情感分析
Parent: ai_keywords
核心定义
情感分析（Sentiment Analysis）是计算情感科学与自然语言处理的交叉领域，旨在通过算法自动识别、量化和解释文本、语音、面部表情乃至生理信号中的主观情感倾向（如积极/消极/中性）及细粒度类别（如喜悦、愤怒、悲伤）。在临床神经科学中，情感分析已突破纯文本约束，发展为融合多模态信号（如语音韵律、脑电图、肌电）的情感计算范式，用以客观评估神经疾病患者的情感知觉与表达能力。
关键技术点
-
基于词典与规则的方法
利用情感词典（如LIWC、SentiWordNet）匹配情感词，结合否定词、程度副词等语法规则推断整体倾向，适用于小样本领域但缺乏泛化性。 -
深度神经网络（如RNN、Transformer）
以LSTM/BiLSTM捕获文本时序依赖，或采用BERT等预训练模型进行上下文情感编码，显著提升复杂语义（如讽刺、隐含情感）的识别精度。 -
多模态情感融合
协同处理语音（声调、语速）、面部动作单元（AU）、脑电图（EEG频段能量）等多通道信号，通过注意力机制或张量融合实现跨模态情感判别，弥补单模态在神经疾病中的信息缺失。 -
迁移学习与领域自适应
针对临床数据稀缺问题，将通用情感模型迁移至神经疾病领域，并通过对抗训练减少域偏移（如从健康被试到帕金森病患者的语音情感模型微调）。 -
可解释性分析
结合注意力权重、Shapley值等工具，定位影响情感判决的关键特征（如特定脑区功率谱改变、面部肌肉微动模式），增强临床决策的可信度。
医学/神经科学应用场景
案例：帕金森病（PD）快感缺失的多模态情感评估
首都医科大学神经病学团队在临床实践中发现：PD患者常伴快感缺失（情感体验能力下降），但传统量表主观性强，易受运动症状（如面部僵硬）干扰。基于此，团队构建了“EEG-语音-面部表情”三模态情感分析系统：
- 采集患者观看正性/负性影视片段时的64导联EEG（提取前额叶α不对称性、γ带能量）、语音信号（基频扰动、语速变异）及面部视频（Active Appearance Model提取AU 6+12微笑动作）。
- 采用跨模态Transformer融合特征，经对抗域适应训练（健康被试→PD患者）后，模型对PD患者快感缺失的判别AUC达0.89，显著高于单模态方法。
- 进一步通过EEG源定位发现，模型高权重区集中于腹侧纹状体与前扣带回——与PD快感缺失的神经病理基础吻合（多巴胺能通路损伤）。
该应用不仅早期识别了非运动症状，还为闭环深部脑刺激（DBS）的情感环路调控提供了生物标记。类似方法已拓展至卒中后淡漠、颞叶癫痫发作间期情感识别障碍的评估，体现了情感分析从“计算工具”向“神经表型解码器”的跃迁。
