基于网络熵的脑认知状态识别方法技术

本发明专利技术涉及一种基于网络熵的脑认知状态识别方法，包括以下步骤：S1、构建基于脑电时间序列的复杂网络；S2、判定所述复杂网络的连通性，计算所述复杂网络中任意子节点的网络最短距离；S3、对任意子节点的网络最短距离的计算结果进行数学统计；S4、根据所述数学统计的结果，计算基于多尺度网络空间距离的网络熵参数；S5、将所述网络熵参数作为特征向量输入模式分类器，进行脑复杂网络认知状态的模式分类。本发明专利技术构建一种新的网络熵参数，该网络熵参数可以有效地表征各种网络状态，基于该网络熵参数，能够有效识别人类大脑认知活动状态。能够有效识别人类大脑认知活动状态。能够有效识别人类大脑认知活动状态。

【技术实现步骤摘要】
基于网络熵的脑认知状态识别方法


[0001]本专利技术涉及复杂网络数据分析领域，具体而言，涉及基于网络熵的脑认知状态识别方法。

技术介绍

[0002]网络是一个由特定实体和它们之间的交互所组成的系统。许多复杂物理系统大都可以表示成一个复杂网络。通过建模复杂物理系统所得到的网络，节点(顶点)之间通过边(连接或者弧)呈现出复杂的交互关系。复杂网络可以被描述为一个图G＝{V，E，W}，其中V代表顶点或节点集合，E代表边集合，W是一个权重矩阵，W主要用于描述与边相关的一些属性。
[0003]近年来，随着复杂网络理论与信息科学的飞速发展，网络熵被越来越多地用于理解网络属性以及刻画不同类型的网络。在信息论中，熵可用来描述信源的不确定度，直接度量消息中所包含的平均信息量。网络熵主要是利用网络中的节点和链路等参数来构建的一种概率测度，这种概率测度能够对网络状态进行量化计算并度量。
[0004]在实际应用中，人们通过对网络所有状态展开量化计算，从而获得一个平均数量的信息来理解整个网络的行为。
[0005]传统的网络熵参数在计算及识别人类脑认知状态时的特征表征能力一般是有限的，通常其网络熵参数只是建立一种局部或者全局的网路结构特性基础之上，同时，由于人类脑认知状态的模型复杂且动态变化，计算和识别的难度大，现有的网络熵参数计算量大且无法满足实时性的需求，识别精度也偏低。

技术实现思路

[0006]本专利技术的目的在于提供一种基于网络熵的脑认知状态识别方法，根据复杂网络的任意子节点的网络最短距离的统计，构建一种新的网络熵参数，该网络熵参数可以有效地表征各种网络状态，基于该网络熵参数，能够有效识别人类大脑认知活动状态。
[0007]一种基于网络熵的脑认知状态识别方法，包括以下步骤：
[0008]S1、构建基于脑电时间序列的复杂网络；
[0009]S2、判定所述复杂网络的连通性，计算所述复杂网络中任意子节点的网络最短距离；
[0010]S3、对任意子节点的网络最短距离的计算结果进行数学统计；
[0011]S4、根据所述数学统计的结果，计算基于多尺度网络空间距离的网络熵参数；
[0012]S5、将所述网络熵参数作为特征向量输入模式分类器，进行脑复杂网络认知状态的模式分类。
[0013]进一步的，步骤S1具体包括：
[0014]S11、生成权重矩阵：
[0015][0016]S12、生成邻接矩阵：
[0017][0018]S13、根据权重矩阵和邻接矩阵，生成所述复杂网络任意节点对之间的邻接距离矩阵：
[0019][0020]其中，v为所述复杂网络的节点，ξ表示复杂网络的E条边的集合，W(i，j)为节点v
i
和节点v
j
的边的权重。
[0021]进一步的，若任意节点对v
i
与v
j
存在网络的边连接，则该节点对的邻接距离D0(i，j)与相应的边的权重W(i，j)相等；
[0022]若任意节点对v
i
与v
j
不存在网络的边连接，则该节点对的邻接距离D0(i，j)赋值为无穷大。
[0023]进一步的，对于无权图的复杂网络，邻接距离矩阵为：
[0024][0025]进一步的，步骤S2还包括：定义复杂网络中m个子节点的网络最短距离，对于任意m＝2个节点v
i
和v
j
的网络最短距离，定义为复杂网络中节点v
i
与v
j
的最短路径长度；对于任意m>2节点v
k1
，v
k2
，...，v
km
的网络最短距离，定义为复杂网络中节点所对应的两两节点对之间的网络最短距离之和的最小值。
[0026]进一步的，判定所述复杂网络的连通性包括：识别网络中的孤立节点或者孤立子网络，当网络中存在孤立节点，则定义该孤立节点与复杂网络中其他节点所组成的任意子节点的网络最短距离为无穷大。
[0027]进一步的，计算所述复杂网络中任意子节点的网络最短距离包括步骤：
[0028]S21、计算任意子节点m＝2的网络最短距离D
(m)
(i，j)，定义N
×
N矩阵M
‑1并赋初值为邻接距离矩阵D0，其中D0为步骤S1中复杂网络的构建时所生成的任意节点对的邻接距离矩阵；利用Floyd算法，通过N次迭代运算，由矩阵M
‑1生成矩阵M
N－1
，得到子节点m＝2的网络最短距离D
(2)
＝M
N－1
；
[0029]S22、计算任意子节点m＝3的网络最短距离D
(3)
(i，j，k)：
[0030]Dsum＝D
(2)
(i，j)+D
(2)
(i，k)+D
(2)
(j，k)，
[0031]D
(3)
(i，j，k)＝Dsum
‑
max(D
(2)
(i，j)+D
(2)
(i，k)+D
(2)
(j，k))；
[0032]S23、计算任意子节点m＝4，5，
····
，N的网络最短距离D
(m)
，设定子节点m
‑
1的网络最短距离的结果计算为D
(m
‑
1)
，根据D
(m
‑
1)
的计算结果，迭代得出子节点m的网络最短距离D
(m)
。
[0033]进一步的，步骤S3包括：节点数为N的复杂网络，形成m个子节点的网络最短距离的结果总数为根据共计个网络最短距离D
(m)
的数值结果统计分布，设有t个网络距离计算结果h
i
，其中i＝1，2，3，
····
，t，且每个h
i
的网络距离结果的统计数量分别为n
i
，有，有
[0034]进一步的，步骤S4包括：
[0035]每个h
i
的网络距离结果的统计数量分别为n
i
，则每个网络距离计算结果h
i
频率为：
[0036][0037]根据香农熵的定义，网络熵参数为：
[0038][0039]其中，子节点数m取值为2，3，4
····
，N，依次得到多尺度网络空间距离的网络熵参数S2，S3，
····
，S
N
。
[0040]进一步的，所述模式分类器基于机器学习模型，包括神经网络模型、支持向量机、以及线性判决分类器。
[0041]与现有技术相比，本专利技术的有益效果是：本专利技术根据复杂网络的任意子节点的网络最短距离的概率统计，定义一种新的网络熵参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于网络熵的脑认知状态识别方法，其特征在于，包括以下步骤：S1、构建基于脑电时间序列的复杂网络；S2、判定所述复杂网络的连通性，计算所述复杂网络中任意子节点的网络最短距离；S3、对任意子节点的网络最短距离的计算结果进行数学统计；S4、根据所述数学统计的结果，计算基于多尺度网络空间距离的网络熵参数；S5、将所述网络熵参数作为特征向量输入模式分类器，进行脑复杂网络认知状态的模式分类。2.根据权利要求1所述的基于网络熵的脑认知状态识别方法，其特征在于，步骤S1具体包括：S11、生成权重矩阵：S12、生成邻接矩阵：S13、根据权重矩阵和邻接矩阵，生成所述复杂网络任意节点对之间的邻接距离矩阵：其中，v为所述复杂网络的节点，ξ表示复杂网络的E条边的集合，W(i，j)为节点v
i
和节点v
j
的边的权重。3.根据权利要求2所述的基于网络熵的脑认知状态识别方法，其特征在于，若任意节点对v
i
与v
j
存在网络的边连接，则该节点对的邻接距离D0(i，j)与相应的边的权重W(i，j)相等；若任意节点对v
i
与v
j
不存在网络的边连接，则该节点对的邻接距离D0(i，j)赋值为无穷大。4.根据权利要求2所述的基于网络熵的脑认知状态识别方法，其特征在于，对于无权图的复杂网络，邻接距离矩阵为：5.根据权利要求1所述的基于网络熵的脑认知状态识别方法，其特征在于，步骤S2还包括：定义复杂网络中m个子节点的网络最短距离，对于任意m＝2个节点v
i
和v
j
的网络最短距离，定义为复杂网络中节点v
i
与v
j
的最短路径长度；对于任意m>2节点v
k1
，v
k2
，....，v
km
的网
络最短距离，定义为复杂网络中节点所对应的两两节点对之间的网络最短距离之和的最小值。6.根据权利要求5所述的基于网络熵的脑认知状态识别方法，其特征在于，判定所述复杂网络的连通性包括：识别网络中的孤立节点或者孤立子网络，当网络中存在孤立节点，则定义该孤立节点与复杂网络中其他节点所组成的任意子节点的网络最短距离为无穷大。7.根据权利要求6所述的基于网络熵的脑认知状态识别方法，其特征在于，计算所述复杂网络中任意子节点的网络最短距离包括步骤：S21、计算任意子节点m＝2的网络最短距离D
(m)

【专利技术属性】
技术研发人员：陆云，陈东骏，张磊，吕德亮，
申请(专利权)人：惠州学院，
类型：发明
国别省市：