本发明专利技术涉及基于H无穷滤波方式构建因效脑网络的方法和装置，方法包括基于预先选取的脑网络节点，确定所述脑网络节点的节点信号时间序列，借助于MVAR模型建模方法，对所述节点信号时间序列进行建模，生成所述节点信号时间序列的MVAR模型；利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵；基于所述MVAR模型系数矩阵，采用预先构建的格兰杰因果方法确定所述脑网络节点之间的因果关系值；基于所述因果关系值，构建度量大脑功能信息流向的因效脑网络。本方法提高了网络连接动态性能，增加了MVAR模型系数的计算精度，降低了脑网络构建误差。网络构建误差。网络构建误差。
【技术实现步骤摘要】
基于H无穷滤波方式构建因效脑网络的方法和装置
[0001]本专利技术涉及大脑功能信号网络构建
，尤其涉及一种基于H无穷滤波方式构建因效脑网络的方法和装置。
技术介绍
[0002]大脑信息传递是动态时变的过程，脑网络是大脑不同空间位置的皮层区域通过结构或功能联系整合起来形成的网络模式。因效脑网络以有向网络的视角度量了大脑功能信息的因果关系和信息流向，因其更接近真实的大脑功能机制，已应用于认知、语言理解、神经精神类疾病等方面的研究。
[0003]基于多元线性自回归模型（multivariate autoregressive modeling，MVAR模型）的格兰杰因果分析是构建因效脑网络的常用算法，算法要求数据具有平稳性。然而脑电、脑磁、近红外脑功能成像、功能核磁共振等检测方式得到的大脑功能信号是动态非平稳的，随时间变化具有较大波动。为使用格兰杰因果分析方法构建动态因效脑网络，在现有技术中，使用滑动时间窗法分析信号动态时变的性能，认为在选定的时间窗口下，脑磁信号是平稳的，再使用最小二乘法估计MVAR模型系数，从而进行格兰杰因效脑网络构建。
[0004]由于滑动时间窗法存在窗口的长度没有明确选择方法，存在选择较大的窗口影响时间精度，动态性差，选择较小的窗口不能正确计算网络连接关系的缺点。此外，自然界的噪声均为有色噪声，现有技术中，为了计算方便，均将噪声假设为高斯白噪声，存在无法全面考虑模型中存在的有色噪声的问题，再者最小二乘法对噪声较敏感，估计模型系数时，会将信噪比不高的信号中的噪声进行放大，导致获取的MVAR模型系数存在误差，产生伪连接，导致构建的脑网络存在较大的误差。
技术实现思路
[0005]（一）要解决的技术问题鉴于现有技术的上述缺点、不足，本专利技术提供一种基于H无穷滤波方式构建因效脑网络的方法，其解决了计算网络连接动态性能差、获取MVAR模型系数精度低和脑网络构建误差大的技术问题。
[0006]（二）技术方案为了达到上述目的，第一方面，本专利技术实施例提供一种基于H无穷滤波方式构建因效脑网络的方法，包括：S10、基于预先选取的脑网络节点，确定所述脑网络节点的节点信号时间序列，借助于MVAR模型建模方法，对所述节点信号时间序列进行建模，生成所述节点信号时间序列的MVAR模型；S20、利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵；可选地，所述步骤S20具体为：
S201、基于所述脑网络节点的节点信号噪声特性，确定所述H无穷滤波方式的噪声模型；S202、基于MVAR模型系数矩阵和节点信号时间序列，建立H无穷滤波估计模型系数滤波方程，基于噪声模型和H无穷滤波估计模型系数滤波方程，进行H无穷滤波估计模型系数滤波方程的初始化；可选地，步骤S202中，所述H无穷滤波估计模型系数滤波方程，具体为：可选地，步骤S202中，所述H无穷滤波估计模型系数滤波方程，具体为：为状态向量，为所述节点信号时间序列的量测值，为量测矩阵，为系统噪声，为量测噪声。
[0007]S203、基于所述H无穷滤波估计模型系数滤波方程，进行迭代计算，确定每时刻所述MVAR模型的系数矩阵的值。
[0008]可选地，基于预先构建的精度等级划分方式和模糊算法，自适应的确定衰减因子，基于所述衰减因子，改进所述H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵。
[0009]可选地，通过预先构建的精度等级划分方式和模糊算法自适应的确定衰减因子，具体步骤为：通过所述精度等级划分方式，依据所述量测数据的噪声方差的范围，将所述量测数据划分为d个精度等级；为第k个等级精度；通过所述模糊算法，依据所述量测数据的量测残差序列，确定所述量测数据每时刻的等级精度；基于所述等级精度，自适应的确定衰减因子；所述量测数据为节点信号时间序列在t
‑
1至t
‑
p时刻的量测值。
[0010]S30、基于所述MVAR模型系数矩阵，采用预先构建的格兰杰因果方法确定所述脑网络节点之间的因果关系值；可选地，步骤S30中，依据预先构建的格兰杰因果方法确定所述MVAR模型中脑网络节点之间的因果关系值，具体包括：所述格兰杰因果方法，包括经典格兰杰算法、偏格兰杰算法、定向传递函数和部分有向相干方法；采用所述经典格兰杰算法、偏格兰杰算法、定向传递函数和/或部分有向相干方法，获取所述MVAR模型中脑网络节点之间的因果关系值。
[0011]S40、基于所述因果关系值，构建度量大脑功能信息流向的因效脑网络。
[0012]可选地，S50、基于预先设定的因果关系阈值和/或预先构建的统计检验方法，优化所述因效脑网络的构建。
[0013]可选地，步骤S50中，具体包括：S501、将所述因果关系值与预先设定的因果关系阈值进行比较：
若所述因果关系值大于所述因果关系阈值，则判断所述两个节点之间存在网络连接关系；否则，则判断所述两个节点之间不存在网络连接关系；S502、借助于预先构建的统计检验方法，基于所述脑网络节点间的因果关系值，确认脑网络节点间统计显著的时频区域；存在统计显著的时频区域，判断所述脑网络节点间存在网络连接关系；否则，则判断所述两个节点之间不存在网络连接关系；基于所述网络连接关系，优化所述因效脑网络的构建。
[0014]第二方面，本申请还提供了一种基于H无穷滤波方式构建因效脑网络的装置，包括：第一确认单元，用于基于预先选取的脑网络节点，确定所述脑网络节点的节点信号时间序列，借助于MVAR模型建模方法，对所述节点信号时间序列进行建模，生成所述节点信号时间序列的MVAR模型；第二确认单元，用于利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵；第三确认单元，用于基于所述MVAR模型系数矩阵，采用预先构建的格兰杰因果方法确定所述脑网络节点之间的因果关系值；构建单元，用于基于所述因果关系值，构建度量大脑功能信息流向的因效脑网络。
[0015]第三方面，本申请还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述存储器中存储的计算机程序，实现上述第一方面任一所述的基于H无穷滤波方式构建因效脑网络的方法的步骤。
[0016]（三）有益效果本专利技术提供的一种基于H无穷滤波方式构建因效脑网络的方法，使用H无穷滤波方式估计MVAR模型的模型系数，H无穷滤波方式不要求量测数据的平稳性，滤波具有明显的鲁棒性，对于非平稳、波动性大的脑网络节点信号适用，提高了量测数据的利用率。
[0017]本专利技术使用H无穷滤波方式估计得到每时刻MVAR模型的模型系数用以构建因效脑网络，提高了时间精度，增强了计算网络连接的动态性能。
[0018]本专利技术使用H无穷滤波方式，噪声模型的选取可为更符合实际情况的非高斯噪声模型，利用期望最大化算法进行噪声参数估计，减小了噪声对模型的干扰，提本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于H无穷滤波方式构建因效脑网络的方法，其特征在于，包括以下步骤：S10、基于预先选取的脑网络节点，确定所述脑网络节点的节点信号时间序列，借助于MVAR模型建模方法，对所述节点信号时间序列进行建模，生成所述节点信号时间序列的MVAR模型；S20、利用H无穷滤波方式，建立H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵；S30、基于所述MVAR模型系数矩阵，采用预先构建的格兰杰因果方法确定所述脑网络节点之间的因果关系值；S40、基于所述因果关系值，构建度量大脑功能信息流向的因效脑网络。2.根据权利要求1所述的方法，其特征在于，还包括：S50、基于预先设定的因果关系阈值和/或预先构建的统计检验方法，优化所述因效脑网络的构建。3.根据权利要求1所述的方法，其特征在于，还包括：通过预先构建的精度等级划分方式和模糊算法，自适应的确定衰减因子，基于所述衰减因子，改进所述H无穷滤波估计模型系数滤波方程，基于所述H无穷滤波估计模型系数滤波方程，确定所述MVAR模型系数矩阵。4.根据权利要求1所述的方法，其特征在于，所述步骤S20具体为：S201、基于所述脑网络节点的节点信号噪声特性，确定所述H无穷滤波方式的噪声模型；S202、基于MVAR模型系数矩阵和节点信号时间序列，建立H无穷滤波估计模型系数滤波方程，基于所述噪声模型和H无穷滤波估计模型系数滤波方程，进行H无穷滤波估计模型系数滤波方程的初始化；S203、基于所述H无穷滤波估计模型系数滤波方程，进行迭代计算，确定每时刻所述MVAR模型的系数矩阵的值。5.根据权利要求3所述的方法，其特征在于，通过预先构建的精度等级划分方式和模糊算法自适应的确定衰减因子，具体步骤为：通过所述精度等级划分方式，依据预先获取的量测数据的噪声方差的范围，将所述量测数据划分为d个精度等级；为第k个等级精度；通过所述模糊算法，依据所述量测数据的量测残差序列，确定所述量测数据每时刻的等级精度；基于所述等级精度，自适应的确定衰减因子；所述量测数据为节点信号时间序列在t
‑
1至t
‑
p时刻的量测值。6.根据权利要求1所述的方法，其特征在于，...
【专利技术属性】
技术研发人员：高阳，马宇宇，宁晓琳，房建成，
申请(专利权)人：北京航空航天大学杭州创新研究院，
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。