一种基于持续同调的脑电信号持续特征提取方法技术

本发明专利技术公开一种基于持续同调的脑电信号持续特征提取方法，包括以下步骤：S1、获取大脑成像数据并进行预处理，得到EEG时间序列信号，确定大脑的网络节点；S2、将网络节点映射到有限度量空间构造邻接矩阵，度量空间采用皮尔逊相关性度量，将各网络节点间皮尔逊相关系数的倒数作为网络节点间连接的权重；本发明专利技术基于持续同调性的全尺度脑网络分析模型，并对模型中的每一数据处理步骤涉及到的算法和参数做了分析，将模型应用于精神分裂症WM持续拓扑特征分析中，在获取持续拓扑特征的基础上，本发明专利技术提出的模型具有稳定性和对抗噪性，可以为精神类疾病医学影像分析提供稳定生物参考指标。

【技术实现步骤摘要】
一种基于持续同调的脑电信号持续特征提取方法
本专利技术属于脑电
，尤其涉及一种基于持续同调的脑电信号持续特征提取方法。
技术介绍
宇航员面临着我们大多数人永远都不会经历的精神和心理挑战，自从美国女宇航员莉萨·诺瓦克事件后，NASA一直致力于减少太空飞行期间任何精神健康问题的风险问题的研究。因为在载人航天面临的重大挑战中，航天员需面临的心理学和精神病学的挑战是最大的制约因素。为此，本专利技术将从宇航员的视角，运用拓扑数据分析中的持续同调理论，以精神分裂症数据为例，分析其复杂脑网络的持续性特征，以便能够为提前预防和检测宇航员精神疾病提供有效的脑网络指标。
技术实现思路
本专利技术提供一种基于持续同调的脑电信号持续特征提取方法，旨在解决上述存在的问题。本专利技术是这样实现的，一种基于持续同调的脑电信号持续特征提取方法，包括以下步骤：S1、获取大脑成像数据并进行预处理，得到EEG时间序列信号，确定大脑的网络节点；S2、将网络节点映射到有限度量空间构造邻接矩阵，度量空间采用皮尔逊相关性度量，将各网络节点间皮尔逊相关系数的倒数作为网络节点间连接的权重；S3、通过邻接矩阵构造边权矩阵，选择过滤阈值和过滤算法对边权矩阵进行过滤，构造脑网络复形；S4、可视化表示过滤过程中脑网络的拓扑特征变化，并获取持续拓扑特征；S5、分析持续拓扑特征的稳定性，并输出脑网络的持续不变特征。进一步的，在步骤S4中，通过条形码或者持续性图可视化表示过滤过程中脑网络的拓扑特征变化。r>进一步的，在过滤过程中，计算p维贝蒂数间隔[εbirth，εdeath]；其中，εbirth为单纯复形中p维孔开始的时间，εdeath为单纯复形中p维孔消失的时间。进一步的，当通过持续性图可视化表示过滤过程中脑网络的拓扑特征变化时，持续性图中横坐标表示持续特征出现的时间εbirth，纵坐标表示持续特征消失的的时间εdeath，将过滤过程中求得的间隔集合[εbirth，εdeath]作为持续性图中点的坐标，将集合中所有的间隔对表示在坐标中。进一步的，当通过条形码可视化表示过滤过程中脑网络的拓扑特征变化时，条形码中横坐标表示过滤阈值ε，条形码的长度表示[εbirth，εdeath]的长度。进一步的，在步骤S5中，采用Bottleneck距离和Wasserstein距离来分析持续拓扑特征的稳定性。进一步的，两个图X和Y之间的p阶Wassertein距离定义为：其中，p∈|1，∞)，是从X到Y的映射；当p＝∞时，距离d是二维空间的度量，以上公式表示为：其中，Bottleneck距离为W∞[d∞]。拓扑数据分析(TDA)是一个数据分析、代数拓扑、计算几何、计算机科学、统计等多领域相关的一个领域。TDA的主要目标是利用几何学和拓扑学的思想和成果来开发研究数据的定性特征一个工具。为了达到这个目标，TDA需要精确的定义定性特性，还有在具体实践应用中的计算工具，以及保证这些特性稳定、健壮性的理论。解决这三个问题的一种方法就是TDA中的持久同源性(PH)。对大脑成像数据进行处理和分析时，通过生成表示节点之间连接强度的矩阵来构建脑网络。对于解剖学连通性数据，连通性矩阵可以表示大脑区域之间纤维束的概率，而在功能连通性数据中，连通性矩阵可以只是来自不同体素/传感器的时程之间的相关矩阵。然后通常将阈值应用于此矩阵以生成邻接矩阵，阈值的选择在网络构建中起着重要作用，因为它影响连接的密度并影响网络拓扑。同样，在比较网络时，阈值设置也很重要。与现有技术相比，本专利技术的有益效果是：本专利技术基于持续同调性的全尺度脑网络分析模型，并对模型中的每一数据处理步骤涉及到的算法和参数做了分析，研究了全尺度脑网络构造中的节点、边权矩阵构造、过滤阈值的选择等关键性问题。将模型应用于精神分裂症WM持续拓扑特征分析中，在获取持续拓扑特征的基础上，实验结果还表明本文提出的模型具有稳定性和对抗噪性，可以为精神类疾病医学影像分析提供稳定生物参考指标。本专利技术不但可以解决构建复杂脑网络时黄金阈值选择难的问题，而且根据尺度的变化可动态观测每一个有效尺度下网络拓扑结构的变化。附图说明图1为本专利技术中基于PH的全尺度脑网络分析模型框架；图2为本专利技术编码阶段不同连接密度下邻接矩阵，(a)为健康被试，(b)为精分病人；图3为本专利技术编码阶段不同频段及全频段邻接矩阵，(a)为健康被试，(b)为精分病人；图4为健康被试编码阶段持续图(Fs＝20)；图5为健康被试编码阶段持续图(Fs＝100)；图6为健康被试编码阶段持续图(Fs＝1000)；图7为健康被试编码阶段条形码；图8为精分病人编码阶段条形码；图9为精分病人编码阶段持续图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。在本专利技术的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。实施例根据持续同源数据分析流程，结合脑电信号处理设计的全尺度脑网络分析模型如图1所示。模型的输入是脑电时间序列信号，选取合适的度量空间后，脑电时序信号中的点就称为点云，在该空间构建点云的邻接矩阵，然后通过计算持续同调性获取持续拓扑特征，最后通过持续特征的稳定性分析确定网络的持续不变特征。模型的输入是经过预处理的EEG时间序列信号。在一定的有限度量空间下，为EEG信号各通道数据(即点云)构造连接矩阵，度量空间可以选择距离度量，相关性度量或者同步性度量。连接矩阵可以是无向无权，也可以是无向加权网。由于依赖的技术背景和系统稳定性问题，基于持续同调的复杂脑网络分析不讨论有向加权网。如果输入的数据是数值型的，一般采用欧拉距离，当然也有其他距离如闵科夫斯基距离作为度量空间。对于本模型数据模型，因为输入主要是脑电信号，所以根据以往的研究可以采用相关性或者同步性度量节点间的距离。选择确定的度量空间后，就可以构造网络节点间的邻接矩阵。如果构造的是无向无权网，网络节点可以直接作为一维的单纯形，而如果是无向加权网，则需要通过增加或者减少权重进行过滤构造一维单纯复形。构造大脑网络嵌套复形的过程也就是计算持续同调的过程。持续同调分两部分，即同源性和持续性。同源在群论称作同调，它是拓扑集合分类的工具，可以度量一个单纯复形的特定结构；持续性是指给定一个，在所有可能的值下本文档来自技高网...

【技术保护点】
1.一种基于持续同调的脑电信号持续特征提取方法，其特征在于，包括以下步骤：/nS1、获取大脑成像数据并进行预处理，得到EEG时间序列信号，确定大脑的网络节点；/nS2、将网络节点映射到有限度量空间构造邻接矩阵，度量空间采用皮尔逊相关性度量，将各网络节点间皮尔逊相关系数的倒数作为网络节点间连接的权重；/nS3、通过邻接矩阵构造边权矩阵，选择过滤阈值和过滤算法对边权矩阵进行过滤，构造脑网络复形；/nS4、可视化表示过滤过程中脑网络的拓扑特征变化，并获取持续拓扑特征；/nS5、分析持续拓扑特征的稳定性，并输出脑网络的持续拓扑特征。/n

【技术特征摘要】
1.一种基于持续同调的脑电信号持续特征提取方法，其特征在于，包括以下步骤：
S1、获取大脑成像数据并进行预处理，得到EEG时间序列信号，确定大脑的网络节点；
S2、将网络节点映射到有限度量空间构造邻接矩阵，度量空间采用皮尔逊相关性度量，将各网络节点间皮尔逊相关系数的倒数作为网络节点间连接的权重；
S3、通过邻接矩阵构造边权矩阵，选择过滤阈值和过滤算法对边权矩阵进行过滤，构造脑网络复形；
S4、可视化表示过滤过程中脑网络的拓扑特征变化，并获取持续拓扑特征；
S5、分析持续拓扑特征的稳定性，并输出脑网络的持续拓扑特征。


2.根据权利要求1所述的提取方法，其特征在于：在步骤S4中，通过条形码或者持续性图可视化表示过滤过程中脑网络的拓扑特征变化。


3.根据权利要求2所述的提取方法，其特征在于：在过滤过程中，计算p维贝蒂数间隔[εbirth，εdeath]；其中，εbirth为单纯复形中p维孔开始的时间，εdeath为单纯复形中p维孔消失的时间。


4.根据权利要求3所述的提取方法，其特征在于：...

【专利技术属性】
技术研发人员：郭广行，
申请(专利权)人：太原师范学院，
类型：发明
国别省市：山西;14