【技术实现步骤摘要】
一种多尺度时间序列生理信号的因果网络分析方法
[0001]本专利技术涉及生理信号处理,特别是涉及一种多尺度时间序列生理信号的因果网络分析方法。
技术介绍
[0002]多尺度时间序列生理信号的因果网络分析方法可在脑机接口技术、脑功能和结构机制研究、脑器交互技术(大脑与眼、心、肺、肌等人体器官构成的生理网络)中得以应用和推广。
[0003]基于Gall提出的神经科学功能分离和功能整合表明,不同的大脑功能在专门的皮质区域是存在局部局限性的,因此通过功能连接(FC)来评估大脑感知、认知和行为的科学标准一直由格兰杰因果关系分析主导。FC被用作为一种视觉工具,以显示大脑区域之间空间距离的时间相关性。
[0004]在大多数真实情况下,因果关系可能是依赖时间的、同时的和相互的。然而,现有的时间序列因果关系分析方法大多基于预测的概念,可能无法描述瞬时事件之间的相互因果关系运动。在这种情况下,格兰杰因果关系是基于以下假设:因果关系是可分离的,这在许多线性随机系统中很有用,但可能不适用于复杂的动态过程(例如与大脑相关的生理网络)。此外,还开发了收敛交叉映射(CCM)方法,以适应因果效应的不可分离性。在大脑网络的因果建模中,动态因果建模和转移熵也很普遍,但基本上基于贝叶斯预测。杨等人提出了一种通过希尔伯特-黄变换(HHT)评估因果相互作用的方法。然而,它的理论框架不能直接在大脑相关的复杂信息系统上进行推广应用,而且在先验因果相互作用方面也缺乏充分必要的实践。
[0005]协变量方法所依据的是伽利略和休谟的因果归纳,由
【技术保护点】
【技术特征摘要】
1.一种多尺度时间序列生理信号的因果网络分析方法,其特征在于:包括以下步骤:S1.输入待分析的生理信号:u1={u
1,1
,u
1,2
,...,u
1,t
}u2={u
2,1
,u
2,2
,...,u
2,t
}......u
m
={u
m,1
,u
m,2
,...,u
m,t
}利用NA-MEMD算法对待分析的生理信号u1,u2,...,u
m
进行分解:进行分解:........................其中,表示利用NA-MEMD算法对信号进行分解,NA-MEMD算法是指基于噪声辅助的多元经验模式分解算法,m表示输入的生理信号数目,并且满足m≥2,t∈N
+
,N
+
表示正整数;表示NA-MEMD算法选择的辅助噪声,互不相关且均为随机高斯噪声,为选择的辅助噪声数目,n表示每个输入的生理信号分解后得到的IMF信号个数;S2.对于两个不同的生理信号u
i
,u
j
,进行因果分析,i=1,2,...m,j=1,2...,m,且i≠j,分析过程如下:S201.将生理信号u
i
分解得到的信号{IMF
i,1
,IMF
i,2
,...,IMF
i,n
}与生理信号u
j
分解得到的信号{IMF
j,1
,IMF
j,2
,...,IMF
j,n
}进行配对,得到n个IMF对:(IMF
i,1
,IMF
j,1
),(IMF
i,2
,IMF
j,2
),....,(IMF
i,n
,IMF
j,n
);每个IMF对中,两个IMF信号的时间长度相等;S202.计算每一个IMF对的平均瞬时相位差,并将计算得到的平均瞬时相位差与预设的阈值进行比较,筛选出平均瞬时相位差小于预设阈值的IMF对,生成ICC集:其中,中k1的表示为{IMF
i,1
,IMF
i,2
,...,IMF
i,n
}中的第k1个信号,中k1的表示为{IMF
j,1
,IMF
j,2
,...,IMF
j,n
}中的第k1个信号;中k2的表示为{IMF
i,1
,IMF
i,2
,...,IMF
i,n
}中的第k2个信号,中k2的表示为{IMF
j,1
,IMF
j,2
,...,IMF
j,n
}中的第k2个信号;同理,中的表示为{IMF
i,1
,IMF
i,2
,...,IMF
i,n
}中的第个信号,中的表示为{IMF
j,1
,IMF
j,2
,...,IMF
j,n
}中的第个信号;
表示ICC集中的IMF对个数;S204.分别计算ICC集中每一个IMF对的相位相关性;其中,T表示IMF
i,k
和IMF
j,k
的时间长度,φ
i,k
(t)表示IMF
i,k
在时刻t的瞬时相位,φ
j,k
(t)表示IMF
j,k
在时刻t的瞬时相位;S204.信号重分解:从ICC集中各序号对应的IMF对中,筛选出频率最大的IMF对:由于NA-MEMD算法分解出来的IMF信号频率是由大到小排列的,故筛选出频率...
【专利技术属性】
技术研发人员:张羿,杨琴,张力夫,王冠,冉宇,斯蒂芬,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:
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。