一种微状态EEG时域特征的复杂网络构建及分析方法技术

本发明专利技术涉及脑电信号时间序列复杂网络研究技术领域领域，更具体而言，涉及一种微状态EEG时域特征的复杂网络构建及分析方法，从微状态EEG时域特征的复杂网络构建角度出发，通过采用微状态技术将多通道EEG信号进行分段，并在每段提取特征代表本段的特征降低了噪声的干扰，减少了数据中的冗余，还降低了后续构建网络时的时间开销。将每段提取的特征向量作为复杂网络的一个节点，特征向量之间的皮尔逊相关系数作为网络的边构建网络。通过构建通道时间序列复杂网络，分析构建的通道网络的特征，证明本发明专利技术能够很好的分析出正常人与病人时间序列的特点及差异。

A Complex Network Construction and Analysis Method for Time Domain Characteristics of Micro-state EEG

The invention relates to the field of EEG time series complex network research technology. More specifically, it relates to a complex network construction and analysis method of micro-state EEG time domain characteristics. From the point of view of complex network construction of micro-state EEG time domain characteristics, multi-channel EEG signals are segmented by using micro-state technology, and feature extraction in each segment represents the feature reduction of this segment. The noise interference is reduced, the redundancy of data is reduced, and the time cost of subsequent network construction is also reduced. The feature vectors extracted from each segment are regarded as a node of the complex network, and Pearson correlation coefficients between the feature vectors are used as the edges of the network to construct the network. By constructing a complex network of channel time series and analyzing the characteristics of the channel network, it is proved that the present invention can well analyze the characteristics and differences of the time series between normal people and patients.

【技术实现步骤摘要】
一种微状态EEG时域特征的复杂网络构建及分析方法
本专利技术涉及脑电信号时间序列复杂网络研究
领域，更具体而言，涉及一种微状态EEG时域特征的复杂网络构建及分析方法。
技术介绍
脑电图(EEG)信号是诊断不同神经障碍和疾病的重要工具。它们通过使用放置在被试头皮上的电极的电压波动来记录大脑的电信号，具有很高的时间分辨率。Bhardwajet等人研究表明，神经元中的任何不规则活动都会在脑电信号上留下特征，所以在脑疾病的研究中，使用复杂网络为脑疾病的诊断和治疗提供了新的思路。复杂网络能够反映数据的动态特征，从而能够反映出信号中隐藏的模式，并且复杂网络对噪声有很好的鲁棒性，通过构建网络能够降低噪声对分析的影响。对于脑疾病EEG复杂网络研究大多数人侧重在空间中的研究，以电极作为网络的节点，没有很好的利用脑电信号的高时间分辨率特性。
技术实现思路
本专利技术的目的在于提供一种微状态EEG时域特征的复杂网络构建及分析方法，从时域提取特征构建复杂网络，充分利用EEG信号的高时间分辨率，结合复杂网络对噪声的鲁棒性，分析出正常人与病人时间序列的特点及差异。为达到上述目的，本专利技术提供的技术方案为：一种微状态EEG时域特征的复杂网络构建方法，包括以下步骤：S1、使用微状态分割技术对脑电信号进行分割，包括：1)计算总体场功率，每个被试60个通道在t时刻的GFP值为：其中，v(t)＝(v1(t),v2(t),…,vn(t))为在t时刻电极电压向量；n为电极数量；vi(t)为第i个电极电压；2)根据步骤1)所得的60通道的GFP值，求取GFP值极大值对应的时间点，并根据这些GFP极大值点通过K-means聚类得到四种不同的微状态类别，再根据四种不同的微状态类别映射会原始数据，得到不同的微状态序列；3)根据步骤2)微状态时间序列的划分将原始EEG脑电信号划分成不同长度的准稳定状态子时间序列；S2、对S1中子时间序列进行特征提取，从提取的特征集中选择最有效的特征子集构成有效特征向量；S3、构建以通道子序列特征向量为网络节点的通道网络，复杂网络不仅能够反映信号中的隐藏模式，还可以反映数据的动态特征，并且对噪声有很高的鲁棒性，所以通过构建以通道子序列特征向量为网络节点的通道网络来很好的反映通道特征。包括：1)将每个通道所划分的微状态对应一个特征向量Xj，以Xj作为网络节点，网络节点个数为微状态个数N；2)特征向量Xj(j＝1,2，…，N，N为微状态个数)间的皮尔逊相关系数为网络节点的边，皮尔逊相关系数公式为：其中Xi，Xj为一个通道中的第i和第j个子序列的特征向量，Xik为第i个向量的第k个特征值，表示第i个向量的平均值；通过计算每个通道的子序列间的皮尔逊相关系数得到各子序列的皮尔逊相关系数矩阵，该矩阵就是通道网络的邻接矩阵；3)将步骤2)获得的网络邻接矩阵按一定的稀疏度划分，得到相应稀疏度下的二值矩阵。优选地，所述S2中所的提取特征包括中位数、最大值、最小值、均值、方差、赫斯特系数、偏度、峰度、过零点个数、近似熵、模糊熵、样本熵、第一四分位数、第二四分位数、第三四分位数、Petrosian分形维数、排列熵、Lempel-Ziv复杂度。特征提取不仅能减少每个子序列中的数据点数。还能减少后续提出的构建网络方法的计算时间。可以除去信号中的冗余和不相关信息，能更好的表示出每个子段的特征。优选地，所述S2中根据提取的特征进行特征选择的具体方法为：1)将S1中提取的每种特种单独放入SVM分类器中，按分类准确率将18个特征降序排序；2)按步骤1)中特征排序顺序逐个向SVM分类器中添加，直到分类准确率达到最高则停止向分类器中添加特征；3)将步骤2)中添加到SVM分类器中的特征构成有效特征向量一种微状态EEG时域特征的复杂网络分析方法，包括网络属性分析和网络相似性分析。优选地，所述网络属性分析具体为：对二值矩阵进行平均聚类系数分析、全局效率分析、平均局部效率分析、模块值分析及平均路径长度分析。帮助人们揭示原系统的微观动力学机制和统计性质意义，深入了解每个人每个电极构建的时间序列的网络特征。优选地，同一个被试不同通道通过微状态分段构建的时间序列网络的节点数是相同的，通过计算不同通道网络值间的相似性来分析不同通道之间构建的网络的相似性，所述网络相似性分析具体为：1)计算网络中第i个节点的相似性其中，Γi(x)示网路x的第i个节点的邻居节点集，Γi(y)表示网络y第i个节点的邻居节点集；2)计算整个网络的拓扑相似性：其中，为局部相似性，n为网络节点个数。与现有技术相比，本专利技术所具有的有益效果为：本专利技术提供了一种微状态EEG时域特征的复杂网络构建及分析方法，从时间序列到复杂网络的构建的角度出发，讨论了时间序列构建复杂网络的特点和优势。基于多通道EEG信号及复杂网络的特点，提出了一种多通道EEG信号时间序列网络构建方法，并验证了这种方法的可行性。将时间序列映射到复杂网络时需利用微状态技术将原始序列划分成不等长的子段，为了降低噪声及不相关数据对后续构建网络的影响，对每个子段提取特征并选择有效特征，将选择的有效特征作为本段的特征，这样不仅可以减少噪声的干扰，还能减少数据点数，为构建通道网络减少时间。将每段的特征向量作为复杂网络的一个节点，节点之间的相关系数为边构建复杂网络，通过复杂网络属性和相似性分析验证方法的可行性和鲁棒性。本实验使用精神分裂症工作记忆数据进行实验，分析正常人与病人通道网络之间的差异及通道网络之间相似性的差异。实验结果表明：正常人与病人构建的网络有明显的差异，并且正常人与病人通道网络之间的相似性也具有明显的差异，这对研究神经精神类疾病的病灶及发病机制具有重要意义。附图说明图1为微状态划分；图2为正常人与病人构建的通道网络；图3为正常人与病人通道网络属性比较；图4为正常人与病人通道相似性分析图5为正常人与病人通道网络相似性平均值；图6为正常人与病人相似性较高节点位置分布。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。一种微状态EEG时域特征的复杂网络构建方法，由于脑电信号的非平稳和非周期性，使用微状态分割技术对脑电信号进行分割，将每个通道的时间序列划分成不同长度的准稳定状态子时间序列。包括以下步骤：S1、使用微状态分割技术对脑电信号进行分割，包括：1)计算总体场功率，每个被试60个通道在t时刻的GFP值为：其中，v(t)＝(v1(t),v2(t),…,vn(t))为在t时刻电极电压向量；n为电极数量；vi(t)为第i个电极电压；2)根据步骤1)所得的60通道的GFP值，求取GFP值极大值对应的时间点，并根据这些GFP极大值点通过K-means聚类得到四种不同的微状态类别，再根据四种不同的微状态类别映射会原始数据，得到不同的微状态序列；3)根据步骤2)微状态时间序列的划分将原始EEG脑电信号划分成不同长度的时间段，每段表示一个准稳定状态。结果如图1所示。S2、对S1中子时间序列进行特征提取，从提取的特征集中选择最有效的特征子本文档来自技高网...

【技术保护点】
1.一种微状态EEG时域特征的复杂网络构建方法，其特征在于，包括以下步骤：S1、使用微状态分割技术对脑电信号进行分割，包括：1)计算总体场功率，每个被试60个通道在t时刻的GFP值为：

【技术特征摘要】
1.一种微状态EEG时域特征的复杂网络构建方法，其特征在于，包括以下步骤：S1、使用微状态分割技术对脑电信号进行分割，包括：1)计算总体场功率，每个被试60个通道在t时刻的GFP值为：其中，v(t)＝(v1(t),v2(t),…,vn(t))为在t时刻电极电压向量；n为电极数量；vi(t)为第i个电极电压；2)根据步骤1)所得的60通道的GFP值，求取GFP值极大值对应的时间点，并根据这些GFP极大值点通过K-means聚类得到四种不同的微状态类别，再根据四种不同的微状态类别映射会原始数据，得到不同的微状态序列；3)根据步骤2)微状态时间序列的划分将原始EEG脑电信号划分成不同长度的准稳定状态子时间序列；S2、对S1中子时间序列进行特征提取，从提取的特征集中选择最有效的特征子集构成有效特征向量；S3、构建以通道子序列特征向量为网络节点的通道网络，包括：1)将每个通道所划分的微状态对应一个特征向量Xj，以Xj作为网络节点，网络节点个数为微状态个数N；2)特征向量Xj(j＝1,2，…，N，N为微状态个数)间的皮尔逊相关系数为网络节点的边，皮尔逊相关系数公式为：其中Xi，Xj为一个通道中的第i和第j个子序列的特征向量，Xik为第i个向量的第k个特征值，表示第i个向量的平均值；通过计算每个通道的子序列间的皮尔逊相关系数得到各子序列的皮尔逊相关系数矩阵，该矩阵就是通道网络的邻接矩阵；3)将步骤2)获得的网络邻接矩阵按一定的稀疏度划分，得到相应稀疏度下的二值矩阵。2.根据权利...

【专利技术属性】
技术研发人员：李海芳，杨雄，邓红霞，姚蓉，相洁，郭浩，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14