CN108814593B - 一种基于复杂网络的脑电信号特征提取方法 - Google Patents

一种基于复杂网络的脑电信号特征提取方法 Download PDF

Info

Publication number
CN108814593B
CN108814593B CN201810637789.XA CN201810637789A CN108814593B CN 108814593 B CN108814593 B CN 108814593B CN 201810637789 A CN201810637789 A CN 201810637789A CN 108814593 B CN108814593 B CN 108814593B
Authority
CN
China
Prior art keywords
frequency
matrix
network
cross
synchronization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810637789.XA
Other languages
English (en)
Other versions
CN108814593A (zh
Inventor
于海涛
武欣昱
王江
邓斌
魏熙乐
刘晨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201810637789.XA priority Critical patent/CN108814593B/zh
Publication of CN108814593A publication Critical patent/CN108814593A/zh
Application granted granted Critical
Publication of CN108814593B publication Critical patent/CN108814593B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes

Abstract

本发明涉及一种基于复杂网络的脑电信号特征提取方法，包括有以下步骤：小波包分解；计算脑电信号的频率交叉同步性；构建频率交叉网络；提取用以揭示脑电信号频率交叉耦合特性的网络特征参数。本发明量化脑电信号的频带交叉同步关系，构建一个综合频域与空间域的频率交叉网络，通过网络参数的提取和分析，揭示脑电信号频率交叉耦合的特征。

Description

一种基于复杂网络的脑电信号特征提取方法
技术领域
本发明属于基于脑电信号的网络构建方法，特别是一种脑电信号特征提取方法。
背景技术
脑电图(EEG)是一种测量由于大脑中神经元内离子电流引起的电压波动的非侵入式方法，直接反映为脑神经细胞在大脑皮层的电生理活动。脑电信号是脑电图的一种非线性时域的表示方式，通过放置在头皮上的多个电极来进行记录并包含大量的生理与病理信息。脑电信号是大脑组织中大量的神经元集群突触后电流在大脑皮层或头皮表面的综合表现，它可以看作是不同时间尺度上不同振荡频率成分叠加的结果。作为脑功能的客观评价指标，脑电信号具有非常高的时间精度，可以动态得观察大脑的状态变化，为脑疾病提供实时诊断和治疗的依据。而且其蕴藏着包括情感、思维、精神以及心理活动的丰富内容，使其成为人脑学习、记忆、理解等高级功能的重要研究方法。
频率交叉耦合是研究脑电相关事件电位的重要方法，它能用来研究不同频率信号间的相互联系。同步相位的频率交叉耦合描述了低频信号与高频信号的相位独立性，其对认得认知处理机制例如语言、记忆等存在某种联系。脑疾病例如阿尔兹海默、癫痫以及帕金森，会导致对人脑的认知功能造成损害。因此研究脑电信号相位交叉频的非线性特征对脑疾病的研究和检测有着重要意义。
而现有非线性同步性算法仅围绕某一特定频率下脑电信号相位同步性，忽略了频率间的相位同步耦合特性，若用于构建脑电信号的频率交叉同步网络，计算的相位耦合会存在误差，无法得到准确的相位同步性关系。
发明内容
本发明的目的是提供一种考虑频率间的相位同步耦合特性可以得到准确的相位同步性关系的脑电信号特征提取方法。技术方案如下：
一种基于复杂网络的脑电信号特征提取方法，包括有以下步骤：
(1)小波包分解
通过脑电图机采集X导脑电信号，对每导脑电信号进行八级小波包分解，第一级分解是把信号分解成低频和高频两部分，第二级分解将分解出的低频部分分解成低频和高频两部分，高频部分分解成低频和高频两部分，如此类推，通过第八级小波包分解，将原始信号频率平均分成28个频带成分，每导脑电信号分解成Q个子频带脑电信号。
(2)计算脑电信号的频率交叉同步性
定义两个系数n和m，
Figure BDA0001701991490000011
其中fx，fy分别是脑电信号x和y所处子频带的中心频率，n和m分别取满足比例关系的最小正整数，由此计算任意两个子频带的脑电信号间的相位差Δφ＝nφx-mφy，利用得到的相位差Δφ计算两个脑电信号同步性指数，同步性指数范围在0和1之间且数值越大代表相位同步性越高，得到一个包含同一子频带内和不同子频带频率交叉相位同步程度的加权矩阵M。
(3)构建频率交叉网络
对步骤2得到的加权矩阵M，对该矩阵进行阈值为T,0＜T＜10,比例阈值处理，T代表保留矩阵中前T*10/100最大值的元素，由此得到一个阈值化处理的矩阵，矩阵中的每个元素表示两个导联之间的同步性，导联表示网络中的节点；根据所得到的阈值化的矩阵构建频率交叉网络。
(4)网络特征参数提取
对步骤3得到的频率交叉网络提取特征参数，对于有N个结点的网络，设所有结点集合为G，网络的结点最短路径长度定义为：
Figure BDA0001701991490000021
lij定义为连接两个节点i和j的最短路径上的边数。
网络的局部效率定义为：
Figure BDA0001701991490000022
全局效率为所有结点局部效率和的平均值：
Figure BDA0001701991490000023
将步骤3得到的频率交叉网络，按照公式(2)，公式(3)和公式(4)计算得到相
应的网络参数特征，用以揭示脑电信号频率交叉耦合特性。
本发明的效果是量化脑电信号的频带交叉同步关系，构建一个综合频域与空间域的频率交叉网络，通过网络参数的提取和分析，揭示脑电信号频率交叉耦合的特征。
附图说明
图1为本发明的特征提取算法原理框图；
图2为小波包分解示意图；
图3为利用本发明方法构建的频率交叉邻接矩阵图；
图4为利用本发明方法构建的δ-α频带的频率交叉网络图；
图5为利用本发明方法提取的AD脑电信号对应的局部效率；
图6为利用本发明方法提取的AD脑电信号对应的全局效率；
具体实施方式
如图1所示，本发明的一种脑电信号特征提取方法，该方法包括有以下步骤：
1、小波包分解
采集原始脑电数据，本例对20名阿尔兹海默症病人以及20名同龄正常人进行了16导脑电信号的采集。所有实验者都安静地躺在脑电采集专用床上，全程眼睛紧闭。
利用一维小波包分解器(Waveletpacketdecomposition 1-D)对脑电信号进行小波包分解重构，提取出4个子频带生理节律。数据分析使用的MATLAB 2015b中的wpdec函数，对原始信号进行8级小波包分解，实现对子频带：δ(0.5-4Hz),θ(4-8Hz),α(8-16Hz), β(16-30Hz)节律的提取。小波重构原理如图2所示。
1、计算脑电信号的频率交叉同步性
对于提取出来的子频带多导脑电时序信号(4个子频带，每个频带下有16导脑电数据)。首先通过Hilbert变化计算出每导时序信号的相位φi,i＝1,2,3...,64。计算脑电信号间的相位差Δφ＝nφx-mφy,x,y＝1,2,3...,64且x≠y，其中
Figure BDA0001701991490000024
fx，fy是脑电信号x和 y所处子频带的中心频率。接着通过公式(1)将两个脑电信号间相位差转换为相位同步性指数，由此得到频率交叉邻接矩阵M，如图3所示。该矩阵包括以下部分： {Mij,i,j＝1,2,3...,16}表示δ频带内邻接矩阵；{Mij,i,j＝17,18,19...,32}表示θ频带内同步性矩阵；{Mij,i,j＝33,34,35...,48}表示α频带内同步性矩阵；{Mij,i,j＝49,50,51...,64}表示β频带内同步性矩阵； {Mij,i＝1,2,3...,16,j＝17,18,19...,32}表示δ-θ的频率交叉同步矩阵； {Mij,i＝1,2,3...,16,j＝33,34,35...,48}表示δ-α的频率交叉同步矩阵； {Mij,i＝1,2,3...,16,j＝49,50,51...,64}表示δ-β的频率交叉同步矩阵； {Mij,i＝17,18,19...,32,j＝33,34,35...,48}表示θ-α的频率交叉同步矩阵； {Mij,i＝17,18,19...,32,j＝49,50,51...,64}表示θ-β的频率交叉同步矩阵； {Mij,i＝33,34,35...,48,j＝49,50,51...,64}表示α-β的频率交叉同步矩阵；
3、构建频率交叉网络
对步骤2得到的频率交叉邻接矩阵M，取0.2比例阈值得到二维阈值矩阵。运用该矩阵构建出频率交叉网络，如图4所示。
4、网络特征参数提取
对步骤3得到的频率交叉网络提取特征参数，设所有结点集合为G。
网络的结点最短路径长度定义为：
Figure BDA0001701991490000031
lij定义为连接两个节点i和j的最短路径上的边数。
网络的局部效率定义为为：
Figure BDA0001701991490000032
全局效率为所有结点局部效率和的平均值：
Figure BDA0001701991490000033
根据公式(2)，公式(3)和公式(4)计算频率交叉网络的局部效率和全局效率，完成对脑电信号的特征提取。提取结果如图5和图6所示。图4纵坐标为网络的局部效率Ei，横坐标是频率交叉网络对应的两个子频带，δ频带与其他频带交叉的网络在阿尔兹海默的影响下局部效率较正常对照组有明显的增加。图5纵坐标是网络的全局效率Eg，横坐标是频率交叉网络对应的两个子频带，在阿尔兹海默组，所有频率交叉网络的全局效率相对于正常对照组都增加。在阿尔兹海默的影响下，提取出的局部效率和全局效率都有明显提高，因此该特征值可以用于阿尔兹海默病人与健康人的区分。

Claims (1)

1.一种基于复杂网络的脑电信号特征提取方法，包括有以下步骤：
(1)小波包分解
通过脑电图机采集X导脑电信号，对每导脑电信号进行八级小波包分解，第一级分解是把信号分解成低频和高频两部分，第二级分解将分解出的低频部分分解成低频和高频两部分，高频部分分解成低频和高频两部分，如此类推，通过第八级小波包分解，将原始信号频率平均分成28个频带成分，每导脑电信号分解成Q个子频带脑电信号；
(2)计算脑电信号的频率交叉同步性
定义两个系数n和m，
Figure FDA0002950979420000011
其中fx，fy分别是脑电信号x和y所处子频带的中心频率，n和m分别取满足比例关系的最小正整数，由此计算任意两个子频带的脑电信号间的相位差Δφ＝nφx-mφy，利用得到的相位差Δφ计算两个脑电信号同步性指数，同步性指数范围在0和1之间且数值越大代表相位同步性越高，得到一个包含同一子频带内和不同子频带频率交叉相位同步程度的加权矩阵M；该矩阵包括：该矩阵包括以下部分：{Mij，i，j＝1，2，3…，16}表示δ频带内邻接矩阵；{Mij，i，j＝17，18，19…，32}表示θ频带内同步性矩阵；{Mij，i，j＝33，34，35…，48}表示α频带内同步性矩阵；{Mij，i，j＝49，50，51…，64}表示β频带内同步性矩阵；{Mij，i＝1，2，3…，16，j＝17，18，19…，32}表示δ-θ的频率交叉同步矩阵；{Mij，i＝1，2，3…，16，j＝33，34，35…，48}表示δ-α的频率交叉同步矩阵；{Mij，i＝1，2，3…，16，j＝49，50，51…，64}表示δ-β的频率交叉同步矩阵；{Mij，i＝17，18，19…，32，j＝33，34，35…，48}表示θ-α的频率交叉同步矩阵；{Mij，i＝17，18，19…，32，j＝49，50，51…，64}表示θ-β的频率交叉同步矩阵；{Mij，i＝33，34，35…，48，j＝49，50，51…，64}表示α-β的频率交叉同步矩阵；
(3)构建频率交叉网络
对步骤2得到的加权矩阵M，对该矩阵进行阈值为T，0＜T＜10，比例阈值处理，T代表保留矩阵中前T*10/100最大值的元素，由此得到一个阈值化处理的矩阵，矩阵中的每个元素表示两个导联之间的同步性，导联表示网络中的节点；根据所得到的阈值化的矩阵构建频率交叉网络；
(4)网络特征参数提取
对步骤3得到的频率交叉网络提取特征参数，对于有N个结点的网络，设所有结点集合为G，网络的结点最短路径长度定义为：
Figure FDA0002950979420000012
lij定义为连接两个节点i和j的最短路径上的边数；
网络的局部效率定义为：
Figure FDA0002950979420000013
全局效率为所有结点局部效率和的平均值：
Figure FDA0002950979420000014
将步骤3得到的频率交叉网络，按照公式(2)，公式(3)和公式(4)计算得到相应的网络参数特征，用以揭示脑电信号频率交叉耦合特性。
CN201810637789.XA 2018-06-20 2018-06-20 一种基于复杂网络的脑电信号特征提取方法 Active CN108814593B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810637789.XA CN108814593B (zh) 2018-06-20 2018-06-20 一种基于复杂网络的脑电信号特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810637789.XA CN108814593B (zh) 2018-06-20 2018-06-20 一种基于复杂网络的脑电信号特征提取方法

Publications (2)

Publication Number Publication Date
CN108814593A CN108814593A (zh) 2018-11-16
CN108814593B true CN108814593B (zh) 2021-06-08

Family

ID=64142925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810637789.XA Active CN108814593B (zh) 2018-06-20 2018-06-20 一种基于复杂网络的脑电信号特征提取方法

Country Status (1)

Country Link
CN (1) CN108814593B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110101384B (zh) * 2019-04-22 2022-01-28 自然资源部第一海洋研究所 用于复杂网络的功能性网络分析系统及分析方法
CN113576494B (zh) * 2021-07-28 2022-07-29 生物岛实验室 一种脑电信号处理方法、装置以及计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102715903A (zh) * 2012-07-09 2012-10-10 天津市人民医院 基于定量脑电图的脑电特征提取方法
CN103425983A (zh) * 2013-07-25 2013-12-04 电子科技大学 一种基于网络同步性的脑网络拓扑差异的快速提取方法
CN104883100A (zh) * 2009-07-17 2015-09-02 依必安-派特穆尔芬根股份有限两合公司 控制无刷电机的方法及控制系统
WO2016146265A1 (en) * 2015-03-17 2016-09-22 Zynaptiq Gmbh Methods for extending frequency transforms to resolve features in the spatio-temporal domain
CN106963370A (zh) * 2017-03-27 2017-07-21 广州视源电子科技股份有限公司 一种基于支持向量机的脑电放松度识别方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1179704C (zh) * 2001-07-13 2004-12-15 天津大学 大脑头皮电位信息图形的生成方法
CN103110418B (zh) * 2013-01-24 2015-04-08 天津大学 一种脑电信号特征提取方法
US10363420B2 (en) * 2014-06-09 2019-07-30 The Regents Of The University Of California Systems and methods for restoring cognitive function
WO2016074103A1 (en) * 2014-11-14 2016-05-19 Neurochip Corporation Method and apparatus for processing electroencephalogram (eeg) signals
CN105242784B (zh) * 2015-10-12 2018-02-09 中国医学科学院生物医学工程研究所 基于交叉调制频率的稳态视觉诱发电位脑‑机接口方法
US10264996B2 (en) * 2015-10-19 2019-04-23 Sayfe Kiaei Method and apparatus for wirelessly monitoring repetitive bodily movements
US10426364B2 (en) * 2015-10-27 2019-10-01 Cardiologs Technologies Sas Automatic method to delineate or categorize an electrocardiogram

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104883100A (zh) * 2009-07-17 2015-09-02 依必安-派特穆尔芬根股份有限两合公司 控制无刷电机的方法及控制系统
CN102715903A (zh) * 2012-07-09 2012-10-10 天津市人民医院 基于定量脑电图的脑电特征提取方法
CN103425983A (zh) * 2013-07-25 2013-12-04 电子科技大学 一种基于网络同步性的脑网络拓扑差异的快速提取方法
WO2016146265A1 (en) * 2015-03-17 2016-09-22 Zynaptiq Gmbh Methods for extending frequency transforms to resolve features in the spatio-temporal domain
CN106963370A (zh) * 2017-03-27 2017-07-21 广州视源电子科技股份有限公司 一种基于支持向量机的脑电放松度识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Epileptic seizure detection from EEG signals with phase-amplitude cross-frequency coupling and support vector machine;Liu, Yang; Wang, Jiang; Cai, Lihui; 等.;《INTERNATIONAL JOURNAL OF MODERN PHYSICS B 》;20180330;第32卷(第8期);1850086 1-13 *
Intranasal oxytocin decreases cross-frequency coupling of neural oscillations at rest;Rutherford, Helena J. V.; Guo, Xiaoyue M.; Wu, Jia; 等.;《INTERNATIONAL JOURNAL OF PSYCHOPHYSIOLOGY》;20180131;第123卷;第143-151页 *

Also Published As

Publication number Publication date
CN108814593A (zh) 2018-11-16

Similar Documents

Publication Publication Date Title
Ahmad et al. EEG-based epileptic seizure detection via machine/deep learning approaches: a systematic review
Gandhi et al. A comparative study of wavelet families for EEG signal classification
CN110969108B (zh) 一种基于自主运动想象脑电的肢体动作识别方法
Bhardwaj et al. A novel genetic programming approach for epileptic seizure detection
Guerrero-Mosquera et al. EEG signal processing for epilepsy
CN113017627B (zh) 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法
CN112741638A (zh) 一种基于eeg信号的医疗诊断辅助系统
CN113274037B (zh) 一种动态脑功能网络的生成方法、系统及设备
CN112806994A (zh) 一种基于生理信号预测个体压力应对方式的系统和方法
Li et al. Distinguishing epileptiform discharges from normal electroencephalograms using adaptive fractal and network analysis: A clinical perspective
CN108814593B (zh) 一种基于复杂网络的脑电信号特征提取方法
Asanza et al. EEG signal clustering for motor and imaginary motor tasks on hands and feet
CN113723557A (zh) 一种基于多频带时空卷积网络的抑郁脑电分类系统
Miranda et al. Classification of EEG signals using genetic programming for feature construction
Hasan et al. Fine-grained emotion recognition from eeg signal using fast fourier transformation and cnn
Sharma et al. Novel eeg based schizophrenia detection with iomt framework for smart healthcare
CN111931578B (zh) 一种基于最小生成树和区域双层网络的脑电识别方法
CN116531661A (zh) 基于脑电网络引导的闭环电刺激系统
Behzadfar A brief overview on analysis and feature extraction of electroencephalogram signals
Chen et al. EEG-based seizure detection using discrete wavelet transform through full-level decomposition
CN113558637B (zh) 一种基于相位传递熵的音乐感知下脑网络构建方法
Wei et al. Automatic recognition of chewing noises in epileptic EEG based on period segmentation
Wei et al. Mild cognitive impairment classification convolutional neural network with attention mechanism
Lilienthal et al. Extraction of motion artifacts from the measurements of a wireless electrocardiogram using tensor decomposition
Fabietti et al. ABOT: an open-source online benchmarking tool for machine learning-based artefact detection and removal methods from neuronal signals

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant