System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于脑电与功能性近红外光谱,特别涉及一种基于eeg-fnirs的跨模态因果关系分析方法。
技术介绍
1、大脑中的神经元激活通常伴随着一系列复杂的血管、细胞、代谢中的生理过程,神经血管耦合(neurovascular coupling,nvc)是其中的重要生理机制,描述了神经元的电活动和激活区域的血氧代谢之间的关联。该耦合过程由神经元、神经胶质和血管细胞共同参与。nvc分析有助于揭示脑功能机制,可作为识别脑活动的可靠标志物。近年来,nvc分析成为许多学者研究的热点,为揭示大脑神经活动与血液动力学之间的关联提供了理论依据。
2、采用多模态脑成像技术是nvc研究领域的重要方向之一。脑电(electroencephalography,eeg)和功能近红外光谱(functional near-infraredspectroscopy,fnirs)是常用的神经成像技术。eeg通过测量头皮电位的变化来捕捉神经元的电活动,具有较高的时间分辨率,但空间分辨率有限,不能捕获皮层深部的数据。fnirs利用红外光的吸收和散射来测量脑组织中氧合血红蛋白和脱氧血红蛋白浓度的变化。它无创、便携,与eeg相比具有更高的空间分辨率。这两种神经成像技术的独特优势及其互补的时间和空间特征使其成为研究nvc机制的宝贵工具。然而,目前尚缺乏系统可靠的分析方法来研究eeg与fnirs之间的因果关系。
3、收敛交叉映射(convergent cross-mapping,ccm)理论是一种经典的因果推断方法。该方法认为,在动力系统理论中,系统
技术实现思路
1、传统eeg-fnirs神经血管耦合分析缺乏对耦合方向的定性定量分析,为解决上述不足,准确定量描述eeg-fnirs多模态中的耦合强度,本专利技术提出一种基于eeg-fnirs的跨模态因果关系分析方法,提出了基于协同多维高斯过程的改进ccm,并结合变分模态分解,构建神经血管耦合分析模型,是一种可得到不同特征频段的神经血管耦合特性的因果关系分析方法。
2、为实现上述目的,提供以下具体步骤:
3、步骤1、多通道脑电信号和近红外信号的同步采集及预处理。
4、具体为:用脑电和功能性近红外光谱信号采集设备同步采集受试者的多通道信号,并对采集到的信号进行预处理。
5、步骤2、对预处理后的脑电和近红外信号进行变分模态分解,提取脑电信号在不同频段的子带信号。
6、具体为:通过变分模态分解获得脑电信号在delta、theta、alpha、beta、gamma频段的子带信号,并对近红外信号进行去噪。
7、步骤3、对不同频段的脑电信号进行短时傅里叶变换。
8、具体为:通过固定窗口和步长的短时傅里叶变换获得与近红外信号相同采样频率的脑电信号。
9、步骤4、按照空间位置信息跨模态计算基于协同多维高斯过程的改进ccm(thecollaborative multi-output variational gaussian process convergent cross-mapping,cmvgp-ccm)的值,即因果强度值。
10、具体为:分别计算五个频段的脑电信号对近红外信号的因果驱动强度。
11、假设步骤3中得到脑电信号的五个经典频段其中一个频段的信号的时间序列为x={x1,x2,...,xn},变分模态分解后的近红外信号的时间序列为y={y1,y2,...,yn},n为时间序列的采样点数量。协同多维高斯过程和收敛交叉映射存在以下关系:
12、
13、其中,和表示非耦合过程的零分布,θx和θy表示高斯过程对应的核参数,和为多元高斯分布下的条件概率,m(θx)、m(θx)为基于平均场近似的p(θx|x)、p(θy|y)。当脑电信号对近红外信号有驱动作用时,cmvgp-ccmx-y大于0,反之小于0。当cmvgp-ccmx-y等于0时,认为脑电信号与近红外信号间不存在明显的驱动作用。
14、根据贝叶斯优化找到使每个时间序列的边际对数似然最大的核函数参数,然后根据贝叶斯模型比较对从后验概率中获得的因果方向及强度进行检验。经显著性检验后的cmvgp-ccmx-y值可表示信号x和y之间的因果关系及因果方向。
15、步骤5、基于步骤4计算所得的因果强度值进行不同特征频段上的神经血管耦合分析。
16、具体为:比较不同实验条件、不同特征频段下的因果强度是否具有明显差异,并对变化趋势进行分析。对所有受试者的实验结果进行统计学分析,采用kruskal-wallis非参数检验,并进行多重比较检验,得到不同条件下因果强度的显著性差异。
17、本专利技术的有益效果:
18、传统的神经血管耦合研究并不能有效地描述eeg-fnirs信号在不同频段下的定向因果驱动强度,缺乏标准化的可靠框架。针对该问题,本专利技术提出了一种基于eeg-fnirs的跨模态因果关系分析方法,减少了信息损失,提高了因果方向推断的灵敏度。同时,建立基于变分模态分解-协同多维高斯过程ccm的神经血管耦合分析模型,定向定量描述神经血管耦合强度,为揭示神经血管耦合机制和神经元功能障碍病理机制提供了理论依据。
本文档来自技高网...【技术保护点】
1.一种基于EEG-fNIRS的跨模态因果关系分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于EEG-fNIRS的跨模态因果关系分析方法,其特征在于,步骤2具体过程为:通过变分模态分解获得脑电信号在delta、theta、alpha、beta、gamma频段的子带信号,并对近红外信号进行去噪。
3.根据权利要求2所述的基于EEG-fNIRS的跨模态因果关系分析方法,其特征在于,步骤3所述进行短时傅里叶变换时固定窗口和步长。
4.根据权利要求3所述的基于EEG-fNIRS的跨模态因果关系分析方法,其特征在于,步骤4具体过程如下:
5.根据权利要求4所述的基于EEG-fNIRS的跨模态因果关系分析方法,其特征在于,步骤5具体过程为:比较不同实验条件、不同特征频段下的因果强度是否具有明显差异,并对变化趋势进行分析;对所有受试者的实验结果进行统计学分析,采用Kruskal-Wallis非参数检验,并进行多重比较检验,得到不同条件下因果强度的显著性差异。
【技术特征摘要】
1.一种基于eeg-fnirs的跨模态因果关系分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于eeg-fnirs的跨模态因果关系分析方法,其特征在于,步骤2具体过程为:通过变分模态分解获得脑电信号在delta、theta、alpha、beta、gamma频段的子带信号,并对近红外信号进行去噪。
3.根据权利要求2所述的基于eeg-fnirs的跨模态因果关系分析方法,其特征在于,步骤3所述进行短时傅里叶变换时固定窗口和...
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。