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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。