基于脑网络和正则化判别分析的脑电分析方法技术

本发明专利技术提出一种基于脑网络和正则化判别分析的脑电分析方法，该方法使用脑网络方法，进行脑电信号的特征提取，根据得到的邻接矩阵来对脑网络进行构建，通过将每个节点的度信息绘制在脑地形图中，令大脑的活动状态变得可视化，可以更直观的观察到大脑活动的神经机制，再通过正则化判别分析最终得到分类结果，具有更高的分类识别率。

EEG analysis method based on brain network and regularized discriminant analysis

【技术实现步骤摘要】
基于脑网络和正则化判别分析的脑电分析方法
本专利技术涉及脑电信号分析技术，具体涉及一种基于脑网络和正则化判别分析的脑电分析方法。
技术介绍
在自然界中人类大脑是一个非常复杂的系统，人类所有的认知活动都需要有大脑来完成，因此对大脑进行研究十分具有意义。脑电信号是一种通过头皮电极记录大脑神经元的同步生理信号，它具有较高的时间分辨率，在这种信号中包含了大量的生理信息，可以作为脑功能评价的一个敏感指标。在工程应用方面，经常用于实现脑机接口，根据人对不同感觉、运动和认知活动的脑电的相异性，通过对信号进行提取和分类做到某些控制目的。脑网络方法是一种可以直观形象的展现大脑内部脑区之间动态交互情况的分析方法。当肢体运动或者大脑运动想象时，通过构建大脑功能拓扑网络，以各个脑区为节点，脑区之间的关系作为节点间的关系，反映大脑各个区域的活跃度，为运动想象分类提供了可信度。在传统的功能性脑网络分析过程中，根据原始信号构建的网络较为复杂，每一个节点之间都存在很多的连接，为了可以更好地体现不同的运动想象类别的网络差异，要通过阈值设定对网络进行稀疏化，然而阈值选取会直接对网络造成影响，过高的阈值可能会影响网络连接过少，进而对网络连通性造成影响，过低的阈值会令网络中的虚假连接增多，使得差异不显著，正则化判别分析方法是一协方差矩阵估计方法，相比于其他判别分析方法如LDA、DLDA等，它通过引入的两个参数克服了高维数据或者小样本奇异性数据造成的影响。
技术实现思路
本专利技术需要解决的技术问题是提出一种采用动态调节阈值的方法，根据平均度以及网络密度来对阈值进行动态调节，以最大程度保留网络的信息，再根据优化后的网络，提取网络参数作为分类特征。为了解决上述技术问题，本专利技术提出一种基于脑网络和正则化判别分析的脑电分析方法，可以在神经机制方面展现大脑的活动状态，并可以提供较好的分类识别率。该方法包括以下具体步骤：步骤1：实验数据的采集：对现实生活中的任务场景进行模拟，采集受试者脑电信号并对所述脑电信号进行预处理；步骤2：计算所述脑电信号数据中每两个时间序列的相位滞后系数，构建邻接矩阵，所述邻接矩阵即为原始脑网络；步骤3：对所述步骤2构建的原始脑网络进行动态阈值优化；步骤4：依据所述步骤3中得到的优化后的阈值对所述邻接矩阵进行二值化，构建稀疏化的功能性脑网络；步骤5：计算所述步骤4所构建的所述脑网络的度，并作为特征；以及步骤6：对所述步骤5中的特征使用正则化判别分析，并根据评价指标进行参数优化，最终得到分别识别率。优选的，在所述步骤1中，使用具有动态能量约束的虚拟碗球系统作为实验范式，以做到对现实生活中试验任务的模拟；使用数字带通陷波滤波器对采集到的脑电信号进行预处理。优选的，在所述在步骤3中，根据设定的网络平均度、网络连接密度两个指标对步骤2所得的数据矩阵进行行动态阈值优化。优选的，在所述在步骤3中，所述阈值的初始值为1；当所述邻接矩阵同时满足所述脑网络平均度大于2lnN，N为所述脑网络节点个数，以及所述脑网络连接密度小于50％时，所述阈值减小0.001，重复所述步骤3；否则执行步骤4。优选的，在所述在步骤6中，使用正则化判别分析对原数据提取出的特征进行解码，根据评价指标完成参数优化。与现有技术相比，本专利技术有以下有益效果：本专利技术使用了新的脑网络方法，完成了脑电信号的特征提取，在提取过程中，根据得到的邻接矩阵来对脑网络进行构建，通过将每个节点的度信息绘制在脑地形图中，令大脑的活动状态变得可视化，可以更直观的观察到大脑活动的神经机制，再通过正则化判别分析最终得到分类结果，具有更高的分类识别率。附图说明图1是本专利技术实施例的整体系统结构图；图2是所述脑电信号采集过程的电极分布图；图3是本专利技术实施例的碗球实验示意图；图4是本专利技术实施例中功能性脑网络构建的算法流程图；图5a是本专利技术实施例中受试者1的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5b是本专利技术实施例中受试者2的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5c是本专利技术实施例中受试者3的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5d是本专利技术实施例中受试者4的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5e是本专利技术实施例中受试者5的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5f是本专利技术实施例中受试者6的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5g是本专利技术实施例中受试者7的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5h是本专利技术实施例中受试者8的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5i是本专利技术实施例中受试者9的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5j是本专利技术实施例中受试者10的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5k是本专利技术实施例中受试者11的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5l是本专利技术实施例中受试者12的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5m是本专利技术实施例中受试者13的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5n是本专利技术实施例中受试者14的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5o是本专利技术实施例中受试者15的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5p是本专利技术实施例中受试者16的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5q是本专利技术实施例中受试者17的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5r是本专利技术实施例中受试者18的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5s是本专利技术实施例中受试者19的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图5t是本专利技术实施例中受试者20的所有可能参数相对应的AUC地形图以及最佳参数对应的AUC值；图6a是本专利技术实施例经过脑网络分析后得到的所有受试者使用左手时左右脑区度的值；图6b是本专利技术实施例对于所有受试者使用左手时的度取均值后绘制的度分布地形图；图7a是本专利技术实施例经过脑网络分析后得到的所有受试者使用右手时左右脑区度的值；以及图7b是本专利技术实施例对于所有受试者使用右手时的度取均值后绘制的度分布地形图。具体实施方式以下，参照附图对本专利技术的实施方式进行说明。本专利技术实施例的整体系统结构图如图1所示，包含三个组成部分，分别是具有视觉反馈的键盘控制、大脑决策以及获取高维的脑电数据；第一部分主要用来完成脑电数据的采集，第本文档来自技高网...

【技术保护点】
1.一种基于脑网络和正则化判别分析的脑电分析方法，其特征在于，该方法包括以下步骤：/n步骤1：实验数据的采集：对现实生活中的任务场景进行模拟，采集受试者脑电信号并对所述脑电信号进行预处理；/n步骤2：计算所述脑电信号数据中每两个时间序列的相位滞后系数，构建邻接矩阵，所述邻接矩阵即为原始脑网络；/n步骤3：对所述步骤2构建的原始脑网络进行动态阈值优化；/n步骤4：依据所述步骤3中得到的优化后的阈值对所述邻接矩阵进行二值化，构建稀疏化的功能性脑网络；/n步骤5：计算所述步骤4所构建的所述脑网络的度，并作为特征；以及/n步骤6：对所述步骤5中的特征使用正则化判别分析，并根据评价指标进行参数优化，最终得到分别识别率。/n

【技术特征摘要】
1.一种基于脑网络和正则化判别分析的脑电分析方法，其特征在于，该方法包括以下步骤：
步骤1：实验数据的采集：对现实生活中的任务场景进行模拟，采集受试者脑电信号并对所述脑电信号进行预处理；
步骤2：计算所述脑电信号数据中每两个时间序列的相位滞后系数，构建邻接矩阵，所述邻接矩阵即为原始脑网络；
步骤3：对所述步骤2构建的原始脑网络进行动态阈值优化；
步骤4：依据所述步骤3中得到的优化后的阈值对所述邻接矩阵进行二值化，构建稀疏化的功能性脑网络；
步骤5：计算所述步骤4所构建的所述脑网络的度，并作为特征；以及
步骤6：对所述步骤5中的特征使用正则化判别分析，并根据评价指标进行参数优化，最终得到分别识别率。


2.根据权利要求1所述的基于脑网络和正则化判别分析的脑电分析方法，其特征在于，在所述步骤1中，使用具有动态能量约束的虚拟碗球系统作为实验...

【专利技术属性】
技术研发人员：付荣荣，王涵，王世伟，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13