【技术实现步骤摘要】
一种基于图论和机器学习的神经症特征提取方法
本专利技术针对神经症下的躯体维度及情感维度,提出一种基于图论构建EEG脑功能网络和机器学习方法相结合的神经症特征提取方法。
技术介绍
慢性病的发病率、死亡率及致残率居高不下,且趋于年轻化,其具有极强的隐匿性,早期症状并不明显,诸如焦虑症、抑郁症、神经衰弱等各种精神障碍均统称为神经症,属于慢性病的一种,寻求针对疾病且有效的标识物成为亟待解决的问题之一。人类大脑本身就是一个极为复杂的系统,神经元之间错综复杂的连接,基于图论[1]的脑功能网络[2]分析方法能够深入了解大脑的结构、各个功能区域的工作机制以及彼此之间是如何相互作用与协调的。目前,大多是基于功能磁共振成像[3]及磁共振成像[4]进行脑功能网络的研究。但无论是在设备的购买、维护,还是所需的检查费用方面都极为昂贵。脑电图[5](Electroencephalogram,EEG)不仅价格便宜、便携性强,而且时间分辨率极高,可提取不同频段的信息进行分析,为临床疾病的诊断提供多种衡量指标。传统的基于时域、频域或时频域进行独立通道或脑区的EEG特征提取,如信息熵[6]、功率谱[7]等仍被广泛研究,但疾病的产生通常并不是独立通道或脑区的功能损伤,而是不同功能脑区间的相互作用与协调产生了异常,且这些特征不能有效解决共同源问题。因此,需要研究人员提出一种基于EEG的神经症特征提取与识别方案。
技术实现思路
本专利技术的目的主要是针对现有研究的不足之处,将神经症细分为躯体维度及情感维度,设计了一种针对神经症的特征提取算 ...
【技术保护点】
1.一种基于图论和机器学习的神经症特征提取方法,其特征在于,包括以下步骤:/n(1)采集EEG数据,对其进行预处理;/n(2)针对步骤(1)预处理后的数据,使用傅里叶变换将时域信号转换成频域信号,以获取感兴趣的频段;/n(3)提取基于相位滞后指数(PLI)和加权相位滞后指数(WPLI)的特征矩阵;/n(4)根据步骤(3)所得的特征矩阵构建脑功能网络:以62个通道作为网络的节点,分别以步骤(3)所得的两种特征矩阵度量节点间边的连接程度,在稀疏度为15%-45%,步长为5%的阈值下分别构建对应的脑网络,脑网络需满足小世界性。/n
【技术特征摘要】
1.一种基于图论和机器学习的神经症特征提取方法,其特征在于,包括以下步骤:
(1)采集EEG数据,对其进行预处理;
(2)针对步骤(1)预处理后的数据,使用傅里叶变换将时域信号转换成频域信号,以获取感兴趣的频段;
(3)提取基于相位滞后指数(PLI)和加权相位滞后指数(WPLI)的特征矩阵;
(4)根据步骤(3)所得的特征矩阵构建脑功能网络:以62个通道作为网络的节点,分别以步骤(3)所得的两种特征矩阵度量节点间边的连接程度,在稀疏度为15%-45%,步长为5%的阈值下分别构建对应的脑网络,脑网络需满足小世界性。
2.根据权利要求1所述一种基于图论和机器学习的神经症特征提取方法,其特征在于:步骤(1)所述预处理包括剔除无用电极、重参考、滤波、剔除坏段、分段和基线校正、降低采样率以及基于独立成分分析的伪迹去除。
3.根据权利要求2所述一种基于图论和机器学习的神经症特征提取方法,其特征在于:所述基于独立成分分析的伪迹去除包括以下步骤:
以寻找一个能够使源信号S(k)从观测信号X(k)分离出来的分离矩阵W为目的,以联合熵H(y)作为目标函数,使H(y)最大:
H(y)=-E{lnpy(y)}
其中,py(y)是输出量y的概率密度函数,
其中,px(x)为输入量x的概率密度函数,ui为无限逼近于真实的源信号,n为源信号个数。
使用梯度下降法对H(y)进行优化,即:
其中,T表示转置,x为观测信号,且
其中,gi(·),i=1,2,···,n为单调且非线性映射函数;
因此:
其中,η为学习率;
引入了自然梯度法对其进行优化,得到分离矩阵W的迭代公式:
其中,I为单位矩阵,W(k)为迭代分离矩阵,
最终得到分离矩阵W,进而得到源信号u=Wx,从而对伪迹进行去除。
4.根据权利要求1所述一种基于图论和机器学习的神经症特征提取方法,其特征在于:所述感兴趣的频段包括delta:频率范围为1-3Hz和theta:频率范围为4-7Hz。
5.根据权利要求1所述一种基于图论和机器学习的神经症特征提取方法,其特征在于:所述提取基于相位滞后指数特征矩阵包括以下步骤:
两个EEG信号xi(t)和xj(t)在t时刻的相位差满足:
其中,n、m均为整数,φi(t)和φj(t)分别为两个时间序列i和j的相位,当相...
【专利技术属性】
技术研发人员:宁兆龙,孙兰芳,王小洁,胡希平,郭毅,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆;50
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。