一种多尺度时间序列生理信号的因果网络分析方法技术

本发明专利技术公开了一种多尺度时间序列生理信号的因果网络分析方法，包括以下步骤：S1.利用NA

【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，由于因果关系以某些方式从感官输入中编码：即，候选因果与结果之间的共变量可以定义为在候选原因存在时效果概率与在候选原因不存在的情况下，该概率之间的差值。Kantian的因果强度表示解释了因果信息的先验知识的存在。与通用的基于HHT的因果分解方法相比，经验模式分解(EMD)不能保证跨多个时间序列的IMF数相等，并导致模式(比例)对齐(跨通道相互依赖)，从而导致多元时间序列中时间尺度的延伸。例如，在大脑-生理网络中，从信号采集设备收集到的振荡分量通常以不同的频段采样。另外，EMD方法还容易受到导致模式混合问题(单通道独立性)的噪声影响，导致不足以识别分解的固有因果分量(ICCs)。
[0006]到目前为止，多时间尺度的因果关系分析已基本应用于时间序列的ICC评估。多尺度格兰杰因果关系通过过滤和下采样步骤来解决，以获得双变量过程的再缩放表示。基于转移熵的多尺度分析主要基于傅里叶和小波变换得到的固定的基函数。但是，当应用于自然继承的非线性和非固定属性的复杂过程时，这些分解过程不会捕获不同时间尺度上的重要特征。

技术实现思路

[0007]本专利技术的目的在于克服现有技术的不足，提供一种多尺度时间序列生理信号的因果网络分析方法，能够有效分析出生理信号的因果网络，为生理信号的应用提供了便利。
[0008]本专利技术的目的是通过以下技术方案来实现的：一种多尺度时间序列生理信号的因果网络分析方法，包括以下步骤：
[0009]S1.输入待分析的生理信号：
[0010]u1＝{u
1,1
,u
1,2
,...,u
1,t
}
[0011]u2＝{u
2,1
,u
2,2
,...,u
2,t
}
[0012]......
[0013]u
m
＝{u
m,1
,u
m,2
,...,u
m,t
}
[0014]利用NA-MEMD算法对待分析的生理信号u1,u2,...,u
m
进行分解：
[0015][0016]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，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；
[0017]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：
[0018]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：
[0019](IMF
i,1
,IMF
j,1
),(IMF
i,2
,IMF
j,2
),....,(IMF
i,n
,IMF
j,n
)；
[0020]每个IMF对中，两个IMF信号的时间长度相等；
[0021]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：
[0022][0023]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；
[0024]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；
[0025]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；
[0026]表示ICC集中的IMF对个数；
[0027]S204.分别计算ICC集中每一个IMF对的相位相关性；
[0028][0029]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...

【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：