CN105069285A - 一种基于小波相干性多元神经信号关联性分析方法 - Google Patents

Abstract

本发明公开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：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；计算所述神经信号数据X的小波能量W_X；计算所述神经信号数据Y的小波能量W_Y；根据所述小波能量W_X和所述小波能量W_Y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根据所述交叉功率谱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(c^w(s,τ))²，其中，(c^w(s,τ))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。上述基于小波相干性多元神经信号关联性分析方法，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。

Description

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

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

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。

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。

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

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。

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：

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；

计算所述神经信号数据X的小波能量W_X；

计算所述神经信号数据Y的小波能量W_Y；

根据所述小波能量W_X和所述小波能量W_Y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

根据所述交叉功率谱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(c^w(s,τ))²，计算公式为：

${\left(c^w\right(s,\mathrm{\τ}\left)\right)}^2=\frac{{\left|s_{XY}^{\mathrm{\ω}}(s,\mathrm{\τ})\right|}^2}{s_{XX}^{\mathrm{\ω}}(s,\mathrm{\τ})s_{YY}^{\mathrm{\ω}}(s,\mathrm{\τ})}$

其中，(c^w(s,τ))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。

优选地，所述计算所述神经信号数据X的小波能量W_X，具体包括：

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M×N的数据矩阵。

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，计算公式为其中，*表述复数共轭，s和τ表示所述神经信号数据X的尺度因子和转化因子，x(t)是一个时间序列信号， $\mathrm{\ψ}\left(t\right)={\mathrm{\π}}^{-1/4}{e}^{i{\mathrm{\ω}}_{0}t}{e}^{-1/{2t}^2},$ w₀是中心角频率；

根据公式W_X＝|W_X(s,τ)|²，计算出所述神经信号数据X的小波能量值W_X。

优选地，所述计算所述神经信号数据Y的小波能量W_Y，具体为：

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M×N的数据矩阵。

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，计算公式为其中，*表述复数共轭，s和τ表示所述神经信号数据Y的尺度因子和转化因子，x(t)是一个时间序列信号， $\mathrm{\ψ}\left(t\right)={\mathrm{\π}}^{-1/4}{e}^{{\mathrm{i\ω}}_{0}t}{e}^{-1/2t^2},$ w0是中心角频率；

根据公式W_Y＝|W_Y(s,τ)|²，计算出所述神经信号数据Y的小波能量值W_Y。

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：

前向傅里叶变换；

时域到频域转换；

对转换到频率域后的数据和选取小波进行累积操作；

逆向傅立叶变换。

优选地，所述根据所述小波能量W_X和所述小波能量W_Y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 $s_{YY}^{\mathrm{\ω}}(s,\mathrm{\τ}),$ 具体为：

所述交叉功率谱的计算公式为：

$s_{XY}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_X{W}_Y^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

所述自功率谱和计算公式为：

$s_{XX}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_X{W}_X^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

$s_{YY}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_Y{W}_Y^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

本申请有益效果如下：

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

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。

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；

图2为图1中的方法的小波变换的流程图；

图3为图1中的方法傅里叶变换的示意图。

具体实施方式

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。

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：

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：

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；

计算所述神经信号数据X的小波能量W_X；

计算所述神经信号数据Y的小波能量W_Y；

根据所述小波能量W_X和所述小波能量W_Y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

根据所述交叉功率谱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(c^w(s,τ))²，计算公式为：

${\left(c^w\right(s,\mathrm{\τ}\left)\right)}^2=\frac{{\left|s_{XY}^{\mathrm{\ω}}(s,\mathrm{\τ})\right|}^2}{s_{XX}^{\mathrm{\ω}}(s,\mathrm{\τ})s_{YY}^{\mathrm{\ω}}(s,\mathrm{\τ})}$

其中，(c^w(s,τ))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。

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。

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。

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：

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；

步骤S102，计算所述神经信号数据X的小波能量。

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M×N的数据矩阵。

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，计算公式为其中，*表述复数共轭，s和τ表示所述神经信号数据X的尺度因子和转化因子，x(t)是一个时间序列信号， $\mathrm{\ψ}\left(t\right)={\mathrm{\π}}^{-1/4}{e}^{{\mathrm{i\ω}}_{0}t}{e}^{-1/2t^2},$ w₀是中心角频率；

最后，根据公式W_X＝|W_X(s,τ)|²，计算出所述神经信号数据X的小波能量值W_X。

步骤S103，计算所述神经信号数据Y的小波能量。

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M×N的数据矩阵。

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，计算公式为其中，*表述复数共轭，s和τ表示所述神经信号数据Y的尺度因子和转化因子，x(t)是一个时间序列信号， $\mathrm{\ψ}\left(t\right)={\mathrm{\π}}^{-1/4}{e}^{{\mathrm{i\ω}}_{0}t}{e}^{-1/2t^2},$ w0是中心角频率；

最后，根据公式W_Y＝|W_Y(s,τ)|²，计算出所述神经信号数据Y的小波能量值W_Y。

上述步骤S102和步骤S103的顺序可以交换，也可以同时进行。

步骤S104，根据所述小波能量W_X和所述小波能量W_Y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；

交叉功率谱的计算公式为：

$s_{XY}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_X{W}_Y^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

自功率谱和计算公式为：

$s_{XX}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_X{W}_X^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

$s_{YY}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_Y{W}_Y^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

步骤S105，根据所述交叉功率谱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(c^w(s,τ))²，计算公式为：

${\left(c^w\right(s,\mathrm{\τ}\left)\right)}^2=\frac{{\left|s_{XY}^{\mathrm{\ω}}(s,\mathrm{\τ})\right|}^2}{s_{XX}^{\mathrm{\ω}}(s,\mathrm{\τ})s_{YY}^{\mathrm{\ω}}(s,\mathrm{\τ})}$

其中，(c^w(s,τ))²的值越大，代表两个信号的相关性越强，即越相关。

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。

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：

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(M×N)，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M×L个中间数据集，每个数据集包含N个元素；

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。

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。

步骤2.4：逆向傅立叶变换；进过内积操作后，生成的M×L个中间数据集被分为M组，每组数据包含L×N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M×L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。

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：

步骤2.2.1：在基2-FFT(快速傅立叶变换)方法中，1组M个元素的快速傅立叶变换主要包含10个子步骤，每一个蝶形运算器可以计算2个元素的傅立叶变换，因此M个元素需要M/2个蝶形运算器，把每次运算的M/2个蝶形运算器映射到M/2个不同的线程当中；

步骤2.2.2：经过这M/2个线程的计算后，运算输出的数据会作为到下一步计算中的输入数据，如此反复计算直到10个步骤完成，傅里叶变换操作完成。

与现有的传统的基于小波相干性的神经信号关联性分析方法相比，本发明具有以下优点和有益效果：

(1)本发明利用傅立叶变换的独立性对输入数据的并行化处理，使得数据处理的速度大幅提升；

(2)本发明通过引入一种改进的并行化快速傅立叶变换方法，使得方法的运算效率大幅提升。

(3)本发明通过将传统的基于CPU小波相干性方法引入到GPGPU的平台上，使得算法在实际的神经信号分析中能够得到推广使用。

为了便于本领域普通技术人员理解和实施本发明，下面结合具体示例对本申请作进一步的详细描述。

本申请针对传统的小波相干性方法无法处理大规模的神经信号关联性分析的问题，引入一种改进的小波相干性方法来进行处理和分析。本申请通过在GPGPU(通用计算图形处理器)平台上对大规模输入的神经信号进行并行化处理来提高方法的效率。主要的并行化处理包含两步：第一步，利用傅立叶变换的独立性对输入数据的并行化处理；第二步，利用蝶形运算的独立性对快速傅立叶变换(FFT)进行并行化处理。实验证明，本发明的方法在实际的神经信号分析中具有更高的效率和可用性。

请见图2、图3，本实施例采用的是CUDA4.2(统一计算设备架构)，而传统的小波相干性方法是基于C语言实现的。实验的硬件环境是NVIDIAGeForceGTX680显卡，处理器是Intel(R)Core(TM)i7-2600。所采用的数据是患有老年痴呆症的患者不同大脑区域的信号数据。

本申请的具体流程为：

步骤1：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；

步骤2：计算所述神经信号数据X的小波能量。

步骤2.1：假设接收到的是一个在脑部5个不同的区域采集的32通道的神经信号，信号的长度被设置为600，一个尺度因子被设置为8。为了进行傅立叶变换(Fouriertransform)，本发明对输入数据进行归一化处理，使得每个通道的数据变成1024维。处理之后，原始输入的信号就变成了32×1024的数据矩阵。

步骤2.2：对32个通道数据进行小波变换，其计算公式如下：

$W(s,\mathrm{\τ})=\frac{1}{\sqrt{s}}\∫x\left(t\right){\mathrm{\ψ}}^{*}\left(\frac{t-\mathrm{\τ}}{s}\right)dt$

其中，*表述复数共轭，s和τ表示尺度因子和转化因子，x(t)是一个时间序列信号，w₀是中心角频率。

步骤2.2.1：前向傅里叶变换；其具体步骤如下：对于一个多通道神经信号(32×1024)，将初始化生成32个CUDA(统一计算设备架构)模块，每个模块启动512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8个不同的尺度，因此在进行前向傅立叶变换后，得到32×8个中间数据集，每个数据集包含1024个元素；

步骤2.2.1.1:在基2-FFT(快速傅立叶变换)方法中，1组1024(210)个元素的快速傅立叶变换主要包含10个子步骤，每一个蝶形运算器可以计算2个元素的傅立叶变换，因此1024个元素需要512个蝶形运算器，把每次运算的512个蝶形运算器映射到512个不同的线程当中；

步骤2.2.1.1：经过这512个线程的计算后，运算输出的数据会作为到下一步计算中的输入数据，如此反复计算直到10个步骤完成，傅里叶变换操作完成。

步骤2.2.2：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。

步骤2.2.3：对转换到频率域后的数据和选取小波进行内积操作。

步骤2.2.4：逆向傅立叶变换；进过内积操作后，生成的32×8个中间数据集被分为32组，每组数据包含8×1024个元素，每1024个元素被一个模块处理，逆向傅立叶变换初始化32×8个模块，每个模块包含512个线程。所有的这些模块都用于计算32组数据的逆向傅立叶变换。

步骤2.3：计算小波能量，其计算公式如下：

W_X＝|W(s，τ)|²

步骤3：采用与步骤2相同的方法，计算另一个神经信号数据Y的小波能量。

步骤4：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；

交叉功率谱的计算公式为：

$s_{XY}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_X{W}_Y^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

自功率谱和计算公式为：

$s_{XX}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_X{W}_X^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

$s_{YY}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_Y{W}_Y^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

步骤5：计算两个信号序列进行小波相干性，计算方法如下：

${\left(c^w\right(s,\mathrm{\τ}\left)\right)}^2=\frac{{\left|s_{XY}^{\mathrm{\ω}}(s,\mathrm{\τ})\right|}^2}{s_{XX}^{\mathrm{\ω}}(s,\mathrm{\τ})s_{YY}^{\mathrm{\ω}}(s,\mathrm{\τ})}$

其中，(c^w(s,τ))²的值越大，代表两个信号的相关性越强，即越相关。

如果一个信号序列包含n次重复的序列，本申请将它们的平均值作为信号的功率。

本实施例所采取的老年痴呆症不同大脑区域的信号，通过实验结果分析，在信号频率为1-20Hz的时候，大脑的前半部分区域和左边区域有很强的关联性。而通过分析正常人的相应的两个区域之前信号的关联度可以发现，在信号频率为1-60Hz的时候，两个区域的信号有很强的关联性。因此本发明可以推断老年痴呆症的两个区域信号的频率都是集中在比较低的频率域。

本实例通过比较不同数据大小下，运算速度时间的对比来展示本发明的方法的效率。从表1中本发明可以看出，在数据量加大的时候，本发明的方法运行时间只是有少量的提升，例如当数据量从2*6000提升到88*6000时，本发明的方法时间仅从3.5ms上升到65.4ms；而传统的基于CPU的方法则在数据量增大的时候运行速度下降非常剧烈，例如同样的数据量大小变化下，时间从35ms上升到了1461ms。同时在同样的数据大小下，本发明方法的速度也明显优于传统的方法。由此可以看出本发明的方法更适合于在实际的大规模神经信号中使用。

表1：在不同数据大小的处理时间(ms)

数据大小(*6000)	2	26	44	58	72	88
							传统的方法	35	455	775	967	1269	1461
本发明的方法	3.5	21.3	35	37.4	45.1	65.4

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种基于小波相干性多元神经信号关联性分析方法，其特征在于，所述方法包括：

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；

计算所述神经信号数据X的小波能量W_X；

计算所述神经信号数据Y的小波能量W_Y；

根据所述小波能量W_X和所述小波能量W_Y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

根据所述交叉功率谱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(c^w(s,τ))²，计算公式为：

${\left(c^w\right(s,\mathrm{\τ}\left)\right)}^2=\frac{{\left|s_{XY}^{\mathrm{\ω}}(s,\mathrm{\τ})\right|}^2}{s_{XX}^{\mathrm{\ω}}(s,\mathrm{\τ})s_{YY}^{\mathrm{\ω}}(s,\mathrm{\τ})}$

其中，(c^w(s,τ))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。

2.如权利要求1所述的方法，其特征在于，所述计算所述神经信号数据X的小波能量W_X，具体包括：

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M×N的数据矩阵；

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，计算公式为其中，*表述复数共轭，s和τ表示所述神经信号数据X的尺度因子和转化因子，x(t)是一个时间序列信号， $\mathrm{\ψ}\left(t\right)={\mathrm{\π}}^{-1/4}{e}^{{\mathrm{i\ω}}_{0}t}{e}^{-1/2t^2},$ w₀是中心角频率；

根据公式W_X＝|W_X(s,τ)|²，计算出所述神经信号数据X的小波能量值W_X。

3.如权利要求1所述的方法，其特征在于，所述计算所述神经信号数据Y的小波能量W_Y，具体为：

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M×N的数据矩阵；

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，计算公式为其中，*表述复数共轭，s和τ表示所述神经信号数据Y的尺度因子和转化因子，x(t)是一个时间序列信号， $\mathrm{\ψ}\left(t\right)={\mathrm{\π}}^{-1/4}{e}^{{\mathrm{i\ω}}_{0}t}{e}^{-1/2t^2},$ w0是中心角频率；

根据公式W_Y＝|W_Y(s,τ)|²，计算出所述神经信号数据Y的小波能量值W_Y。

4.如权利要求2或3所述的方法，其特征在于，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：

前向傅里叶变换；

时域到频域转换；

对转换到频率域后的数据和选取小波进行累积操作；

逆向傅立叶变换。

5.如权利要求1所述的方法，其特征在于，所述根据所述小波能量W_X和所述小波能量W_Y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具体为：

所述交叉功率谱的计算公式为：

$s_{XY}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_X{W}_Y^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

所述自功率谱和计算公式为：

$s_{XX}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_X{W}_X^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\]$

$s_{YY}^{\mathrm{\ω}}(s,\mathrm{\τ})=\frac{1}{s{\∫}_T{W}_Y{W}_Y^{*}d\mathrm{\τ}},T=\[\mathrm{\τ}-\mathrm{\Δ}\mathrm{\τ},\mathrm{\τ}+\mathrm{\Δ}\mathrm{\τ}\].$