一种基于小波相干性多元神经信号关联性分析方法
【技术领域】
[0001] 本发明涉及信号分析技术领域,尤其涉及一种基于小波相干性多元神经信号关联 性分析方法。
【背景技术】
[0002] 在理解大脑工作机制中,神经元的信号关联性分析发挥了重要的作用。同时,不同 大脑区域的神经信号的关联性是表征不同大脑区域的动态反应的重要特征,在对分析大脑 工作机制中发挥了重要的作用。由于小波变换能够很好的揭示信号的瞬时性和渐变性,因 此在神经信号分析中通常采用小波变换来进行信号分析。在近年的研究中,针对神经信号 的非平稳性,研究者们引入连续的小波变换(CWT)来进行分析处理,而连续的小波变换是 小波相干性方法的基础。
[0003] 现有的基于小波相干性信号分析方法主要有以下几种:第一是一种基于2-D离散 小波包变换的信号分析方法,它能通过高维空间分辨率回复信号的连贯性信息;第二是一 种线性时间-尺度域的相干性频谱的方法来量化信号间的线性关系。第三是在2007年提 出了一种基于GPU平台的卷积离散小波变换,他们对小波的几何形状进行了并行的离散小 波变换。
[0004] 上述方法虽然能够对信号关联性分析取得不错的效果,但不适合对神经信号进行 分析。
【发明内容】
[0005] 本申请提供一种基于小波相干性多元神经信号关联性分析方法,解决了现有技术 中的信号分析方法不适合对神经信号进行分析的技术问题。
[0006] 本申请提供一种基于小波相干性多元神经信号关联性分析方法,所述方法包括:
[0007] 获得两个需要计算相关性的M个通道的神经信号数据X和Y;
[0008] 计算所述神经信号数据X的小波能量Wx;
[0009] 计算所述神经信号数据Y的小波能量Wy;
[0010] 根据所述小波能量1和所述小波能量WY计算所述神经信号数据X和所述神经信 号数据Y的交叉功率谱40,r)和自功率谱《仏r)、〇,r)
[0011] 根据所述交叉功率谱仏(S:,T)和自功率谱、〇,r)计算所述神经信号数 据X和所述神经信号数据Y的小波相干性值(cw (s,T))2,计算公式为:
[0013] 其中,(cw(s,T))2的值越大,代表所述神经信号数据X和所述神经信号数据Y的 相关性越强。
[0014] 优选地,所述计算所述神经信号数据X的小波能量Wx,具体包括:
[0015] 对所述神经信号数据X进行归一化处理,使得所述神经信号数据X变成N维数据, 获得MXN的数据矩阵。
[0016] 对所述神经信号数据X的M个通道中的每个通道进行小波变换,计算公式为
[0017] 根据公式^= |Wx(s,T) |2,计算出所述神经信号数据X的小波能量值Wx。
[0018] 优选地,所述计算所述神经信号数据Y的小波能量WY,具体为:
[0019] 对所述神经信号数据Y进行归一化处理,使得所述神经信号数据Y变成N维数据, 获得MXN的数据矩阵。
[0020] 对所述神经信号数据Y的M个通道中的每个通道进行小波变换,计算公式为
[0021] 根据公式Wy= |WY(s,T) |2,计算出所述神经信号数据Y的小波能量值WY。
[0022] 优选地,所述对所述神经信号数据X的M个通道中的每个通道进行小波变换,或所 述对所述神经信号数据Y的M个通道中的每个通道进行小波变换,具体包括:
[0023] 前向傅里叶变换;
[0024] 时域到频域转换;
[0025] 对转换到频率域后的数据和选取小波进行累积操作;
[0026] 逆向傅立叶变换。
[0027] 优选地,所述根据所述小波能量^和所述小波能量WY计算所述神经信号数据X和 所述神经信号数据Y的交叉功率谱冷(W)和自功率谱^Q,r)、具体为:
[0028] 所述交叉功率谱r)的计算公式为:
[0033] 本申请有益效果如下:
[0034] 上述基于小波相干性多元神经信号关联性分析方法,通过先分别计算计算所述神 经信号数据X和Y的小波能量,然后根据所述神经信号数据X和Y的小波能量计算所述神 经信号数据X和Y的小波能量交叉功率谱和自功率谱,在根据交叉功率谱和自功率谱计算 出所述神经信号数据X和Y相干性值,从而实现了对神经信号的相关性进行分析,解决了现 有技术中的信号分析方法不适合对神经信号进行分析的技术问题。
【附图说明】
[0035] 为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例描述 中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些 实施例。
[0036] 图1为本申请较佳实施方式一种基于小波相干性多元神经信号关联性分析方法 的流程图;
[0037] 图2为图1中的方法的小波变换的流程图;
[0038] 图3为图1中的方法傅里叶变换的示意图。
【具体实施方式】
[0039] 本申请实施例通过提供一种基于小波相干性多元神经信号关联性分析方法,解决 了现有技术中的信号分析方法不适合对神经信号进行分析的技术问题。
[0040] 本申请实施例中的技术方案为解决现有技术中的技术问题,总体思路如下:
[0041] -种基于小波相干性多元神经信号关联性分析方法,所述方法包括:
[0042] 获得两个需要计算相关性的M个通道的神经信号数据X和Y;
[0043] 计算所述神经信号数据X的小波能量Wx;
[0044] 计算所述神经信号数据Y的小波能量Wy;
[0045] 根据所述小波能量^和所述小波能量WY计算所述神经信号数据X和所述神经信 号数据Y的交叉功率谱'以,r)和自功率谱4(a\r)、4(?,r):
[0046] 根据所述交叉功率谱Akr)和自功率谱仏T)、r)计算所述神经信号数 据X和所述神经信号数据Y的小波相干性值(cw (s,T))2,计算公式为:
[0048] 其中,(cw(s,T))2的值越大,代表所述神经信号数据X和所述神经信号数据Y的 相关性越强。
[0049] 上述基于小波相干性多元神经信号关联性分析方法,通过先分别计算计算所述神 经信号数据X和Y的小波能量,然后根据所述神经信号数据X和Y的小波能量计算所述神 经信号数据X和Y的小波能量交叉功率谱和自功率谱,在根据交叉功率谱和自功率谱计算 出所述神经信号数据X和Y相干性值,从而实现了对神经信号的相关性进行分析,解决了现 有技术中的信号分析方法不适合对神经信号进行分析的技术问题。
[0050] 为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上 述技术方案进行详细的说明。
[0051] 为了解决了现有技术中的信号分析方法不适合对神经信号进行分析的技术问题, 本申请提供一种基于小波相干性多元神经信号关联性分析方法。如图1所示,所述基于小 波相干性多元神经信号关联性分析方法包括以下步骤:
[0052] 步骤S101,获得两个需要计算相关性的M个通道的神经信号数据X和Y;
[0053] 步骤S102,计算所述神经信号数据X的小波能量。
[0054] 首先,对所述神经信号数据X进行归一化处理,使得所述神经信号数据X变成N维 数据,获得MXN的数据矩阵。
[0055] 然后,对所述神经信号数据X的M个通道中的每个通道进行小波变换,计算公式为
[0056] 最后,根据公式Wx= |Wx(s,T) |2,计算出所述神经信号数据X的小波能量值Wx。
[0057] 步骤S103,计算所述神经信号数据Y的小波能量。
[0058] 首先,对所述神经信号数据Y进行归一化处理,使得所述神经信号数据Y变成N维 数据,获得MXN的数据矩阵。
[0059] 然后,对所述神经信号数据Y的M个通道中的每个通道进行小波变换,计算公式为
[0060] 最后,根据公式Wy= |WY(s,T) |2,计算出所述神经信号数据Y的小波能量值WY。
[0061] 上述步骤S102和步骤S103的顺序可以交换,也可以同时进行。
[0062] 步骤S104,根据所述小波能量^和所述小波能量WY计算所述神经信号数据X和 所述神经信号数据Y的交叉功率谱和自功率谱;
[0063] 交叉功率谱(y)的计算公式为:
[0068] 步骤S105,根据所述交叉功率谱drhr)和自功率谱计算所述神 经信号数据X和所述神经信号数据Y的小波相干性值(cw (s,T))2,计算公式为:
[0070] 其中,(cw(s,T))2的值越大,代表两个信号的相关性越强,即越相关。
[0071] 上述基于小波相干性多元神经信号关联性分析方法,通过先分别计算计算所述神 经信号数据X和Y的小波能量,然后根据所述神经信号数据X和Y的小波能量计算所述神 经信号数据X和Y的小波能量交叉功率谱和自功率谱,在根据交叉功率谱和自功率谱计算 出所述神经信号数据X和Y相干性值,从而实现了对神经信号的相关性进行分析,解决了现 有技术中的信号分析方法不适合对神经信号进行分析的技术问题。
[0072] 进一步地,步骤S102和步骤S103中对所述神经信号数据X和Y的M个通道中的 每个通道进行小波变换,具体包括以下子步骤:
[0073] 步骤2. 1 :前向傅里叶变换。其具体实现如下:对于一个多通道神经信号(MXN), 将初始化生成M个CUDA(统一计算设备架构)模块,每个模块启动K个线程来对这些数据 进行前向傅立叶变换;让每两个块来对一个通道的信号进行一次完整的并行化傅立叶变换 计算,每个线程计算两个变量;前向傅里叶变换的结果能拓展到L个不同的尺度,因此在进 行前向傅立叶变换后,得到MXL个中间数据集,每个数据集包含N个元素;
[0074] 步骤2. 2 :时域到频域转换。经过前向傅里叶变换后,初始的时间域信号数据就通 过转换变换到了频率域。
[0075] 步骤2. 3 :对转换到频率域后的数据和选取小波进行累积操作。
[0076] 步骤2.4 :逆向傅立叶变换;进过内积操作后,生成的MXL个中间数据集被分为M 组,每组数据包含LXN个元素,每N个元素被一个模块处理,逆向傅立叶变换初始化MXL 个模块,每个模块包含K个线程;所有的这些模块都用于计算M组数据的逆向傅立叶变换。
[0077] 作为优选,步骤2. 2和步骤2. 4中的傅里叶变换包含以下并行化处理:
[0078] 步骤2. 2