一种基于图论和机器学习的神经症特征提取方法技术

本发明专利技术公开了一种基于图论和机器学习的神经症特征提取方法，首先基于EEG数据构建神经症下躯体维度和情感维度的脑功能网络，以62通道作为网络的节点，分别选取相位滞后指数和加权相位滞后指数作为网络中边的度量。提取两指标对应的网络拓扑属性——全局效率，进行融合后作为识别躯体维度和情感维度的特征向量，并利用机器学习分类模型进行分类，且该特征相应的脑功能网络映射到3D脑模型上可定位两个维度的网络异常连接位置。本发明专利技术可进一步用于为神经症的识别提供了标识物，并进一步研究疾病的靶点。

【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法，将基于图论的EEG脑功能网络构建与机器学习算法相结合提取神经症特征。为了实现上述目的，本专利技术采用的技术方案是：一种基于图论和机器学习的神经症特征提取方法，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。其中，经过预处理的EEG信号，能够按照通道规则分布且没有明显伪迹，这利于后续的分析。相位滞后指数能够有效最小化共同源问题(容积传导或活跃参考电极)，而加权相位滞后指数在相位滞后指数的基础上引入了权重的概念，从而减少对其他无关噪声的敏感性，同时，能够提高其检测相位同步性变化的能力。二者相结合能够很好的对神经症下的两个维度作出区分。人的大脑实际上是由多个功能脑区相互连接形成的复杂网络，基于图论方法构建脑功能网络，是研究脑疾病网络异常拓扑结构的重要手段之一。附图说明图1为EEG数据的采集和预处理流程；图2为基于EEG的脑功能网络构建、特征提取流程；图3为基于PLI的躯体维度和情感维度脑功能网络属性显著性差异结果；图4为基于WPLI的躯体维度和情感维度脑功能网络属性显著性差异结果；图5为基于PLI所得特征，并利用三种分类器进行分类的AUC面积；图6为基于WPLI所得特征，并利用三种分类器进行分类的AUC面积；图7为基于不同组合特征的三种分类器的分类结果，证明了本方法提取特征的有效性；图8、图9为基于不同度量指标所得特征，躯体维度和情感维度映射于3D脑模型的脑功能网络连接情况；其中，图8基于PLI，图9基于WPLI；且(a)为躯体维度组脑功能网络连接；(b)为情感维度组脑功能网络连接；且与躯体维度组相比，(c)为情感维度组连接增强的部分，(d)为情感维度组连接减弱的部分。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将对本专利技术的具体实施方式作进一步的详细描述。本专利技术实例提供了一种基于图论和机器学习的神经症特征提取方法，参见图2和图2，该方法包括基于EEG数据的脑功能网络构建、拓扑特征提取和识别，以及神经症下躯体维度和情感维度的脑功能网络连接定位。步骤1：EEG数据的采集EEG数据的采集均在一间室内噪声小于20dB，能够隔绝电磁波和交流传导干扰/AM/FM电波干扰的电声屏蔽室内完成。在采集信号时以REF为默认参考电极，GND为地电极，其余62个电极按照国际标准10-20系统的位置安放。一些参数设置如表1所示。表1参数设置确定各项参数后，开始EEG记录。整个记录过程共持续19分钟，包括闭眼状态8分钟，睁眼状态8分钟以及深呼吸3分钟。步骤2：EEG数据的预处理EEG数据的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，最终得到高质量EEG数据。Step1：剔除无用电极：以REF作为参考电极，所有其他电极与REF的电位差作为该电极的记录数值。由于REF和GND的信息不会用于后续的分析，将其剔除掉。Step2：重参考：以双侧乳突作为重参考的位置，该部位不易受头部运动的影响，对应的电极是TP9和TP10。Step3：滤波：采集数据时是在0.1Hz-50Hz间进行带通滤波，但一般是使用0.1Hz-45Hz，在此基础上，分别提取不同节律对应的频段进行分析。Step4：剔除坏段：手动对每个数据进行检查，剔除掉明显的肌电以及其他因素造成的伪迹。Step5：分段和基线校正：使用2s的时间窗对数据进行分段。Step6：降低采样率：利用EEGLab工具包中的pop_resample方法将采样率降为100Hz，即1s内记录100个数据点。Step7：独立成分分析：通过传感器获得的N个观测信号xi(k),i＝1,2,···,N构成向量X(k)＝[x1(k),x2(k),···xN(k)]T，每个观测信号又由M个独立未知源信号si(k),i＝1,2,···M线性混合，且其构成向量S(k)＝[s1(k),s2(k),···sM(k)]T，则：X(k)＝AS(k)，N≥M其中，A为一N×M维的混合矩阵，为保证该问题有解，观测信号个数N必须大于或等于源信号个数M。最终是希望寻找到一个能够使源信号S(k)从观测信号X(k)分离出来的分离矩阵W，即：Y(k)＝WX(k)＝WAS(k)＝CS(k)C＝WA其中，Y为问题求解后的成分信号，C为分离-混合的复合矩阵，不断优化W使得Y以最大程度去逼近S。以联合熵H(y)作为目标函数：H(y)＝H(y1)+H(y2)+···H(yn)其中，yn为非线性输出，使H(y)最大，除各输出分量相互独立外。同时边缘熵H(yi)的值也要达到最大，H(y)＝-E{lnpy(y)}其中，py(y)是输出量y的概率密度函数。又由于y＝g(u)＝g(Wx),因此：本文档来自技高网...

【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