一种微状态EEG时域特征的复杂网络构建及分析方法与流程

本发明涉及脑电信号时间序列复杂网络研究技术领域领域，更具体而言，涉及一种微状态eeg时域特征的复杂网络构建及分析方法。

背景技术：

脑电图(eeg)信号是诊断不同神经障碍和疾病的重要工具。它们通过使用放置在被试头皮上的电极的电压波动来记录大脑的电信号，具有很高的时间分辨率。bhardwajet等人研究表明，神经元中的任何不规则活动都会在脑电信号上留下特征，所以在脑疾病的研究中，使用复杂网络为脑疾病的诊断和治疗提供了新的思路。复杂网络能够反映数据的动态特征，从而能够反映出信号中隐藏的模式，并且复杂网络对噪声有很好的鲁棒性，通过构建网络能够降低噪声对分析的影响。对于脑疾病eeg复杂网络研究大多数人侧重在空间中的研究，以电极作为网络的节点，没有很好的利用脑电信号的高时间分辨率特性。

技术实现要素：

本发明的目的在于提供一种微状态eeg时域特征的复杂网络构建及分析方法，从时域提取特征构建复杂网络，充分利用eeg信号的高时间分辨率，结合复杂网络对噪声的鲁棒性，分析出正常人与病人时间序列的特点及差异。

为达到上述目的，本发明提供的技术方案为：

一种微状态eeg时域特征的复杂网络构建方法，包括以下步骤：

s1、使用微状态分割技术对脑电信号进行分割，包括：

1)计算总体场功率，每个被试60个通道在t时刻的gfp值为：

其中，v(t)＝(v1(t),v2(t),…,vn(t))为在t时刻电极电压向量；n为电极数量；vi(t)为第i个电极电压；

2)根据步骤1)所得的60通道的gfp值，求取gfp值极大值对应的时间点，并根据这些gfp极大值点通过k-means聚类得到四种不同的微状态类别，再根据四种不同的微状态类别映射会原始数据，得到不同的微状态序列；

3)根据步骤2)微状态时间序列的划分将原始eeg脑电信号划分成不同长度的准稳定状态子时间序列；

s2、对s1中子时间序列进行特征提取，从提取的特征集中选择最有效的特征子集构成有效特征向量；

s3、构建以通道子序列特征向量为网络节点的通道网络，复杂网络不仅能够反映信号中的隐藏模式，还可以反映数据的动态特征，并且对噪声有很高的鲁棒性，所以通过构建以通道子序列特征向量为网络节点的通道网络来很好的反映通道特征。包括：

1)将每个通道所划分的微状态对应一个特征向量xj，以xj作为网络节点，网络节点个数为微状态个数n；

2)特征向量xj(j＝1,2，…，n，n为微状态个数)间的皮尔逊相关系数为网络节点的边，皮尔逊相关系数公式为：

其中xi，xj为一个通道中的第i和第j个子序列的特征向量，xik为第i个向量的第k个特征值，表示第i个向量的平均值；

通过计算每个通道的子序列间的皮尔逊相关系数得到各子序列的皮尔逊相关系数矩阵，该矩阵就是通道网络的邻接矩阵；

3)将步骤2)获得的网络邻接矩阵按一定的稀疏度划分，得到相应稀疏度下的二值矩阵。

优选地，所述s2中所的提取特征包括中位数、最大值、最小值、均值、方差、赫斯特系数、偏度、峰度、过零点个数、近似熵、模糊熵、样本熵、第一四分位数、第二四分位数、第三四分位数、petrosian分形维数、排列熵、lempel-ziv复杂度。特征提取不仅能减少每个子序列中的数据点数。还能减少后续提出的构建网络方法的计算时间。可以除去信号中的冗余和不相关信息，能更好的表示出每个子段的特征。

优选地，所述s2中根据提取的特征进行特征选择的具体方法为：

1)将s1中提取的每种特种单独放入svm分类器中，按分类准确率将18个特征降序排序；

2)按步骤1)中特征排序顺序逐个向svm分类器中添加，直到分类准确率达到最高则停止向分类器中添加特征；

3)将步骤2)中添加到svm分类器中的特征构成有效特征向量

一种微状态eeg时域特征的复杂网络分析方法，包括网络属性分析和网络相似性分析。

优选地，所述网络属性分析具体为：对二值矩阵进行平均聚类系数分析、全局效率分析、平均局部效率分析、模块值分析及平均路径长度分析。帮助人们揭示原系统的微观动力学机制和统计性质意义，深入了解每个人每个电极构建的时间序列的网络特征。

优选地，同一个被试不同通道通过微状态分段构建的时间序列网络的节点数是相同的，通过计算不同通道网络值间的相似性来分析不同通道之间构建的网络的相似性，所述网络相似性分析具体为：

1)计算网络中第i个节点的相似性

其中，γi(x)示网路x的第i个节点的邻居节点集，γi(y)表示网络y第i个节点的邻居节点集；

2)计算整个网络的拓扑相似性：

其中，为局部相似性，n为网络节点个数。

与现有技术相比，本发明所具有的有益效果为：

本发明提供了一种微状态eeg时域特征的复杂网络构建及分析方法，从时间序列到复杂网络的构建的角度出发，讨论了时间序列构建复杂网络的特点和优势。基于多通道eeg信号及复杂网络的特点，提出了一种多通道eeg信号时间序列网络构建方法，并验证了这种方法的可行性。将时间序列映射到复杂网络时需利用微状态技术将原始序列划分成不等长的子段，为了降低噪声及不相关数据对后续构建网络的影响，对每个子段提取特征并选择有效特征，将选择的有效特征作为本段的特征，这样不仅可以减少噪声的干扰，还能减少数据点数，为构建通道网络减少时间。将每段的特征向量作为复杂网络的一个节点，节点之间的相关系数为边构建复杂网络，通过复杂网络属性和相似性分析验证方法的可行性和鲁棒性。本实验使用精神分裂症工作记忆数据进行实验，分析正常人与病人通道网络之间的差异及通道网络之间相似性的差异。实验结果表明：正常人与病人构建的网络有明显的差异，并且正常人与病人通道网络之间的相似性也具有明显的差异，这对研究神经精神类疾病的病灶及发病机制具有重要意义。

附图说明

图1为微状态划分；

图2为正常人与病人构建的通道网络；

图3为正常人与病人通道网络属性比较；

图4为正常人与病人通道相似性分析

图5为正常人与病人通道网络相似性平均值；

图6为正常人与病人相似性较高节点位置分布。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种微状态eeg时域特征的复杂网络构建方法，由于脑电信号的非平稳和非周期性，使用微状态分割技术对脑电信号进行分割，将每个通道的时间序列划分成不同长度的准稳定状态子时间序列。包括以下步骤：

s1、使用微状态分割技术对脑电信号进行分割，包括：

1)计算总体场功率，每个被试60个通道在t时刻的gfp值为：

其中，v(t)＝(v1(t),v2(t),…,vn(t))为在t时刻电极电压向量；n为电极数量；vi(t)为第i个电极电压；

2)根据步骤1)所得的60通道的gfp值，求取gfp值极大值对应的时间点，并根据这些gfp极大值点通过k-means聚类得到四种不同的微状态类别，再根据四种不同的微状态类别映射会原始数据，得到不同的微状态序列；

3)根据步骤2)微状态时间序列的划分将原始eeg脑电信号划分成不同长度的时间段，每段表示一个准稳定状态。结果如图1所示。

s2、对s1中子时间序列进行特征提取，从提取的特征集中选择最有效的特征子集构成有效特征向量；

特征提取不仅能减少每个子序列中的数据点数。还能减少后续提出的构建网络方法的计算时间。可以除去信号中的冗余和不相关信息，能更好的表示出每个子段的特征。提取特征包括中位数、最大值、最小值、均值、方差、赫斯特系数、偏度、峰度、过零点个数、近似熵、模糊熵、样本熵、第一四分位数、第二四分位数、第三四分位数、petrosian分形维数、排列熵、lempel-ziv复杂度。

根据提取的特征进行特征选择的具体方法为：

1)将s1中提取的每种特种单独放入svm分类器中，按分类准确率将18个特征降序排序；

2)按步骤1)中特征排序顺序逐个向svm分类器中添加，直到分类准确率达到最高则停止向分类器中添加特征；

3)将步骤2)中添加到svm分类器中的特征构成有效特征向量

s3、构建以通道子序列特征向量为网络节点的通道网络，包括：

1)将每个通道所划分的微状态对应一个特征向量xj，以xj作为网络节点，网络节点个数为微状态个数n；

2)特征向量xj(j＝1,2，…，n，n为微状态个数)间的皮尔逊相关系数为网络节点的边，皮尔逊相关系数公式为：

其中xi，xj为一个通道中的第i和第j个子序列的特征向量，xik为第i个向量的第k个特征值，表示第i个向量的平均值；

通过计算每个通道的子序列间的皮尔逊相关系数得到各子序列的皮尔逊相关系数矩阵，该矩阵就是通道网络的邻接矩阵；

3)将步骤2)获得的网络邻接矩阵按一定的稀疏度划分，得到相应稀疏度下的二值矩阵。构建的网络如图2所示，图中(a)为通道fp2稀疏度为32％正常人网络，(b)为通道fp2稀疏度为32％病人网络。

一种微状态eeg时域特征的复杂网络分析方法，包括网络属性分析和网络相似性分析。

所述网络属性分析具体为：对二值矩阵进行平均聚类系数分析、全局效率分析、平均局部效率分析、模块值分析及平均路径长度分析。

所述网络相似性分析具体为：

1)计算网络中第i个节点的相似性

其中，γi(x)示网路x的第i个节点的邻居节点集，γi(y)表示网络y第i个节点的邻居节点集；

2)计算整个网络的拓扑相似性：

其中，为局部相似性，n为网络节点个数。

实施例：

采用某精神类疾病工作记忆的eeg数据，选取20例某精神类病人和20例正常人数据进行仿真实验，分别使用eeg原始时间序列和微状态时间序列对工作记忆数据分为encoding，maintenance，retrieval三个阶段，每个阶段持续时间分别为5s，3s，2.5s。并对每个阶段eeg数据分为alpha，theta频段，选取12％-40％的稀疏度，步长为2％的网络稀疏度范围内构建每个被试的每个通道复杂网络。计算网络的属性值和网络间的拓扑相似性。

(1)特征选择结果

svm是一种基于统计学习理论的机器学习方法。常用于做分类和回归，可以在内核函数的帮助下轻松对较难的数据集(线性和非线性)进行分类。由于它具有很强的理论基础，因此最近被广泛使用；它可以与大型数据集一起使用，它具有灵活的算法以及内核函数，并且可以在结果中提高准确率。本发明使用svm对特征进行选择，最后得到有效的特征共8个，{方差，lz值，模糊熵，偏度，峰度，样本熵，排列熵，均值}认为是能够很好的表征脑电信号的有效特征。

(2)网络属性分析

通过计算正常人通道网络的网络属性和病人的通道网络属性，并对不同稀疏度下的网络属性进行t检验，找出网络属性差异性指标并找出不同人通道构建网络的特点。通过检验发现网络稀疏度为30％-36％时网络属性差异性显著，为方便说明，本研究将稀疏度为32％的网络属性进行比较说明，发现正常人电极fp2、af4、po3、poz所构建的网络的平均路径长度、平均聚类系数和平均局部效率与病人相比有明显差异，其中病人相较于正常人的网络平均聚类系数和平均局部效率变小，而病人的平均路径长度相较于正常人变大，结果如图3所示，图中(a)为32％网络稀疏度下正常人与病人通道fp2网络属性值，(b)为32％网络稀疏度下正常人与病人通道af4网络属性值，(c)为32％网络稀疏度下正常人与病人通道po3网络属性值，(d)为32％网络稀疏度下正常人与病人通道poz网络属性值，图中相同颜色的盒图表示相同的网络属性，每个相同颜色的盒图中第一个为正常人网络属性盒图，第二个为病人网络属性盒图。整体来说，时间构建的通道网络病人相较于正常人的小世界属性较差。说明通过本发明方法在时间上构建的网络是有明显差异的。

(3)网络间相似性分析

图4中(a)为正常人通道网络相似性矩阵，(b)为病人通道网络相似性矩阵，可以看出无论是正常人还是病人，其相似性较高的节点都位于矩阵的左上角和右下角，说明正常人与病人在整体上相似性较高的节点的位置是一致的，但从整体来看相似性矩阵时，正常人相似性矩阵比病人相似性矩阵颜色更深一些，说明正常人各节点之间的相似性比病人更高些，从局部来看，正常人右上角及右下角的节点相似性相较于病人来说更高，也更集中，说明正常人相较于病人来说，在记忆过程中电极之间能更好的协同工作，表现出更高的相似性。

通过计算每个人的相似性矩阵的平均值得到如图5所示结果，从图5中可以看出正常人相较于病人相似性矩阵平均值高很多，并且将计算所得到的平均相似性进行t(p<0.05)检验及ks(p<0.05)检验，表明正常人与病人之间的平均相似性是有显著性差异的。

将相似性高的节点之间认为有连边，并把这些节点和边画出，如图6所示，图中(a)为正常人相似性较高节点分布，(b)为病人相似性较高节点分布，从总体可以看出正常人与病人相似性较大的节点主要位于前额和枕区，而有研究表明，额叶是大脑的中央执行单元，在大脑信息保持方面起到重要的作用，而枕叶皮质与视觉注意有关，而本实验中被试要通过观察数字来记忆数字，与对应的工作区域相一致。但是病人相对于正常人而言，相似性高的节点部分发生了转移，由前额和枕叶向顶叶发生转移，核心节点的分布由额叶区转移到非额叶区。并且病人在枕区和前额相似性高的节点相似性较正常人小，表明枕叶和前额神经活动病人较正常人低。这说明通道构建的网络通过计算网络之间的相似性不仅能够识别出在工作记忆中大脑活跃的位置还能识别正常人与病人的差异。

分析正常人及病人的前额叶，发现正常人前额叶右侧脑区连边多于左侧脑区，病人的前额叶也同样右侧连边多于左侧连边。从复杂网络的角度来看，正常人的前额右侧脑区的节点通道网络的网络相似性更高，进一步说明右侧脑区的各通道之间联系更加密切，可以推断前额叶右侧在工作中起关键作用。而病人相对于正常人来说前额连边相对较少，前额叶右侧连边明显少于正常人。

上面仅对本发明的较佳实施例作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化，各种变化均应包含在本发明的保护范围之内。