CN110101384A - 用于复杂网络的功能性网络分析系统及分析方法 - Google Patents
用于复杂网络的功能性网络分析系统及分析方法 Download PDFInfo
- Publication number
- CN110101384A CN110101384A CN201910322863.3A CN201910322863A CN110101384A CN 110101384 A CN110101384 A CN 110101384A CN 201910322863 A CN201910322863 A CN 201910322863A CN 110101384 A CN110101384 A CN 110101384A
- Authority
- CN
- China
- Prior art keywords
- signal source
- functional
- unit
- network
- signal
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 238000003012 network analysis Methods 0.000 title claims abstract description 33
- 230000008878 coupling Effects 0.000 claims abstract description 39
- 238000010168 coupling process Methods 0.000 claims abstract description 39
- 238000005859 coupling reaction Methods 0.000 claims abstract description 39
- 238000005259 measurement Methods 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 77
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000003993 interaction Effects 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 239000004744 fabric Substances 0.000 claims 2
- 238000012545 processing Methods 0.000 abstract description 3
- 210000004556 brain Anatomy 0.000 description 17
- 230000003044 adaptive effect Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 8
- 238000009792 diffusion process Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002597 diffusion-weighted imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000027382 Mental deterioration Diseases 0.000 description 1
- 206010027374 Mental impairment Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008344 brain blood flow Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 208000027061 mild cognitive impairment Diseases 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- 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
- A61B5/24—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]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
-
- 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
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Psychology (AREA)
- Neurology (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Data Mining & Analysis (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Neurosurgery (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measurement Of Resistance Or Impedance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种用于复杂网络的功能性网络分析系统及分析方法,包括多重信号源量测单元、自适应信号拆解功能单元及跨频耦合分析单元,其中,所述多重信号源量测单元、所述自适应信号拆解功能单元及所述跨频耦合分析单元依次连接;还包括功能性网络分析单元,所述功能性网络分析单元与所述跨频耦合分析单元连接,本发明的用于复杂网络的功能性网络分析系统及分析方法采用经验模态分解法作为本发明数据处理的基础,适用于复杂网络中非线性非稳态数据的分解,可以反应复杂系统中之不同频段间功能性网络链结的动态特性。
Description
技术领域
本发明属于数据处理与分析技术领域,尤其涉及一种用于复杂网络的功能性网络分析系统及分析方法。
背景技术
目前运用于表现大脑功能性网络链结的技术首推功能性核磁共振之临床显影系统(a clinical imaging system using functional magnetic resonance imaging,fMRI),此系统运用脑血流中血液函氧度(blood oxygenation level dependent,BOLD)或水分子的扩散浓度权重后的核磁共振显影(the Diffusion-weighted magneticresonance imaging,DWI or DW-MRI)或是扩散张量影像(Diffusion Tensor Images,DTI)来表现大脑中的功能性活动。然而,不论BOLD或者DTI都是低时间分辨率的讯号无法精确得反应实际事件刺激的所产生的脑部功能性的心智活动。再者,核磁共振的检查价格昂贵。相较于核磁共振造影技术,脑电波技术是一个具备方便性、非侵入式并可以量测全脑高频动态脑电波活动的技术。低造价与高时间分辨率是脑电波系统的两大优势;同时,跨频相位与振幅耦合分析(Cross-frequency phase-amplitude coupling,CF-PAC)是一个新的数据工具,应用于量化信号中低频成分之相位与高频成份之振幅两者间的耦合关系,可以表现到脑中功能反应的动态特征。原CF-PAC通常采用带通滤波器组(Band-pass filter bank)来撷取不同设定频段的信号成分;然而带通滤波器是一个线性的技术,并不那么适用于复杂网络中非线性非稳态数据的分解。
鉴于此,有必要提供一种用于复杂网络的功能性网络分析系统及分析方法。
发明内容
本发明针对上述技术问题,提出一种能够用于复杂网络的功能性网络分析系统及分析方法以解决上述技术问题。
为了达到上述目的,本发明采用的技术方案为:
一种用于复杂网络的功能性网络分析系统,包括:多重信号源量测单元、自适应信号拆解功能单元及跨频耦合分析单元,其中,所述多重信号源量测单元、所述自适应信号拆解功能单元及所述跨频耦合分析单元依次连接;
所述多重信号源量测单元,用于对复杂网络中的信号源进行量测,并将量测的各信号源数据发送至所述自适应信号拆解功能单元;
所述自适应信号拆解功能单元,用于接受所述多重信号源量测单元发送的所述各信号源数据,通过经验模态分解算法将各信号源数据分解出若干阶固有模态函数并将分解结果发送至所述跨频耦合分析单元;
所述跨频耦合分析单元,用于接受所述自适应信号拆解功能单元发送的各信号源数据分解出的若干阶固有模态函数,并根据分解的所述若干阶固有模态函数来度量任意信号源之间低频相位与高频幅值的耦合关系进而计算得到相应的相关系数矩阵。
作为优选,还包括功能性网络分析单元,所述功能性网络分析单元与所述跨频耦合分析单元连接;
所述功能性网络分析单元,用于接受所述跨频耦合分析单元发送的相关系数矩阵,并以相关系数矩阵为基础通过功能性网络的属性指标以图论的形式表现各信号源之间的功能性网络连接关系;其中,所述功能性网络的属性指标包括聚类系数、特征路径长度及节点的度。
作为优选,还包括人机交互设备,所述人机交互设备与功能性网络分析单元连接;
所述人机交互设备,用于向用户显示人机交互界面,并接受所述功能性网络分析单元发送的所述功能性网络连接关系,并将以图论的形式表现各信号源之间的功能性网络连接关系显示在所述人机交互界面上。
作为优选,所述人机交互设备还与所述多重信号源量测单元连接,用于获取用户在所述人机交互界面输入的信号源量测指令,并将所述信号源量测指令发送给所述多重信号源量测单元;其中,所述信号源量测指令包括信号源数目及信号源种类。
作为优选,所述跨频耦合分析单元包括固有模态函数选定模块及相关系数矩阵生成模块;
所述固有模态函数选定模块,用于从若干阶固有模态函数中选定前n阶固有模态函数;
所述相关系数矩阵生成模块,用于根据所述固有模态函数选定模块选定的前n阶固有模态函数之间两两组合,而生成C(n,2)个m×m阶相关系数矩阵以度量任意信号源之间低频相位与高频幅值的耦合关系;
其中,C(n,2)为排列组合,即C(n,2)=n*(n-1)/2;m为信号源个数;所述相关系数矩阵的元素被定义为第i阶固有模态函数的幅值与第i+j阶固有模态函数的频率的概率密度分布和均匀密度分布之间的差异,并作为信号源之间低频相位与高频幅值的耦合关系的度量指标,其中,1≤i≤n-1,i+j≤n,j为大于或等于1的整数。
一种用于复杂网络的功能性网络分析方法,采用前述的用于复杂网络的功能性网络分析系统,其特征在于:所述方法依次包括:
步骤S1:多重信号源量测单元对复杂网络中的信号源进行量测,并将量测的各信号源数据发送至自适应信号拆解功能单元;
步骤S2:所述自适应信号拆解功能单元接受所述多重信号源量测单元发送的所述各信号源数据,并通过经验模态分解算法将各信号源数据分解出若干阶固有模态函数并将分解结果发送至跨频耦合分析单元;
步骤S3:所述跨频耦合分析单元接受所述自适应信号拆解功能单元发送的各信号源数据分解出的若干阶固有模态函数,并根据分解的所述若干阶固有模态函数来度量任意信号源之间低频相位与高频幅值的耦合关系进而计算得到相应的相关系数矩阵。
作为优选,还包括步骤S4:功能性网络分析单元接受所述跨频耦合分析单元发送的相关系数矩阵,并以相关系数矩阵为基础通过功能性网络的属性指标以图论的形式表现各信号源之间的功能性网络连接关系。
作为优选,还包括步骤S0:所述人机交互设备向用户显示人机交互界面,并获取用户在所述人机交互界面输入的信号源量测指令,并将所述信号源量测指令发送给所述多重信号源量测单元,其中,所述信号源量测指令包括信号源数目及信号源种类。
作为优选,还包括步骤S5:所述人机交互界面接受所述功能性网络分析单元发送的所述功能性网络连接关系,并将以图论的形式表现各信号源之间的功能性网络连接关系显示在所述人机交互界面上。
作为优选,所述步骤S3还包括以下步骤:
步骤S31:固有模态函数选定模块从若干阶固有模态函数中选定前n阶固有模态函数;
步骤S32:相关系数矩阵生成模块根据所述固有模态函数选定模块选定的前n阶固有模态函数之间两两组合,而生成C(n,2)个m×m阶相关系数矩阵以度量任意信号源之间低频相位与高频幅值的耦合关系;
其中,C(n,2)为排列组合,即C(n,2)=n*(n-1)/2;m为信号源个数;所述相关系数矩阵的元素被定义为第i阶固有模态函数的幅值与第i+j阶固有模态函数的频率的概率密度分布和均匀密度分布之间的差异,并作为信号源之间低频相位与高频幅值的耦合关系的度量指标,其中,1≤i≤n-1,i+j≤n,j为大于或等于1的整数。
本发明的优点和积极效果在于:
1、本发明的用于复杂网络的功能性网络分析系统及分析方法采用了适用于非线性数据自适性分解的技术(经验模态分解法,EMD)作为本发明数据处理的基础,本发明采自适性数据分解技术可以满足非线性非稳态数据分解的四个必要条件:完整性(complete)、正交性(orthogonal)、局部性(local)以及自适性(adaptive),适用于复杂网络中非线性非稳态数据的分解。
2、本发明中的所述用于复杂网络的功能性网络分析系统及分析方法其信号源的耦合关系可以是不同位置相同种类信号源的耦合关系,亦可拓展到相同或不同位置之不同种类信号源间的耦合关系,其多个讯号源间的耦合关系,反应复杂系统中之不同频段间功能性网络链结的动态特性。
3、本发明的所述用于复杂网络的功能性网络分析系统及分析方法采用自适性的数据分解后,各频段间的耦合关系可以系统化自动的分析,通过相关系数矩阵(correlation matrix)来表现个信号源之间的功能性连接关系,本发明所谓的自动(automatically)指的是个频段成分的拆解是依据数据本身的特性,而非事先设定的频段以线性带通滤波人工设定的方式进行数据分解。
4、本发明的所述用于复杂网络的功能性网络分析系统及分析方法以图论中不同的属性参数,如代表特征路径长度、聚类系数以及节点的度等,这些参数可以分别表现系统整体或个别单一信号源与其他信号源间的功能性网络的动态特性。
附图说明
图1为本发明用于复杂网络的功能性网络分析系统的结构示意图;
图2为本发明用于复杂网络的功能性网络分析的工作流程图;
图3为具体实施例之年长健康受测者在闭眼休息状态下的21导极脑电波信号;
图4为具体实施例之年长健康受测者在闭眼状态下FP1脑电波经过经验模态分解法得到的10阶固有模态函数;
图5为具体实施例之单一信号源前六阶固有模态函数的15个频段组合的低频相位与高频幅值的概率密度分布图;
图6为具体实施例之21个信号源(即21个脑电波导极)之前六阶固有模态函数间15个频段组合的相关系数矩阵;
图7为具体实施例之以图论来表现大脑功能性网络连接关系的地形图;
其中,1、多重信号源量测单元;2、自适应信号拆解功能单元;3、跨频耦合分析单元;4、功能性网络分析单元;5、人机交互设备。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
在本发明的描述中,需要说明的是,术语“设置”、“连接”、“相连”应做广义理解,例如,可以是直接连接,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的含义。
一种用于复杂网络的功能性网络分析系统,包括:多重信号源量测单元1、自适应信号拆解功能单元2及跨频耦合分析单元3,其中,所述多重信号源量测单元1、所述自适应信号拆解功能单元2及所述跨频耦合分析单元3依次连接;
所述多重信号源量测单元1,用于对复杂网络中的信号源进行量测,并将量测的各信号源数据发送至所述自适应信号拆解功能单元2;其中,所述多重信号源量测单元1设置有感测元件阵列,以量测复杂网络中来自不同位置或者元件的相同种类的信号源,也可以是相同位置或者元件的不同种类的信号源;
所述自适应信号拆解功能单元2,用于接受所述多重信号源量测单元1发送的所述各信号源数据,通过经验模态分解算法将各信号源数据分解出若干阶固有模态函数并将分解结果发送至所述跨频耦合分析单元3;
所述跨频耦合分析单元3,用于接受所述自适应信号拆解功能单元2发送的各信号源数据分解出的若干阶固有模态函数,并根据分解的所述若干阶固有模态函数来度量任意信号源之间低频相位与高频幅值的耦合关系进而计算得到相应的相关系数矩阵;
特别地,所述跨频耦合分析单元3包括固有模态函数选定模块及相关系数矩阵生成模块;所述固有模态函数选定模块,用于从若干阶固有模态函数中选定前n阶固有模态函数;所述相关系数矩阵生成模块,用于根据所述固有模态函数选定模块选定的前n阶固有模态函数之间两两组合,而生成C(n,2)个m×m阶相关系数矩阵以度量任意信号源之间低频相位与高频幅值的耦合关系;
其中,C(n,2)为排列组合,即C(n,2)=n*(n-1)/2;m为信号源个数;所述相关系数矩阵的元素被定义为第i阶固有模态函数的幅值与第i+j阶固有模态函数的频率的概率密度分布和均匀密度分布之间的差异,并作为信号源之间低频相位与高频幅值的耦合关系的度量指标,其中,1≤i≤n-1,i+j≤n,j为大于或等于1的整数;低频相位与高频幅值概率密度分布可以利用单一统计的相关系数来表现其耦合特性,如代表相对熵的KL距离(Kullback–Leibler KL distance);KL距离表现的是相位与幅值概率密度分布与均匀的概率分布间之差异;差异越大(KL距离越大)则代表幅值的概率密度集中在特定的相位,显示低频相位与高频幅值存在耦合关系;反之,若相位与幅值概率密度分布近似于均匀的概率分布,则显示低频相位与高频幅值间的耦合关系薄弱(KL距离则小);特别地,特定频段间的低频相位与高频幅值间的耦合关系可呈现为二维全息谱形式,二维全息谱所呈现的跨频相位与振幅耦合分析的量化指标所包含的两个维度跨频耦合关系,第一维度是低频相位的固有模态函数的阶数,第二维度是高频幅值的固有模态函数的阶数。
进一步地,所述用于复杂网络的功能性网络分析系统还包括功能性网络分析单元4,所述功能性网络分析单元4与所述跨频耦合分析单元3连接;
所述功能性网络分析单元4,用于接受所述跨频耦合分析单元3发送的相关系数矩阵,并以相关系数矩阵为基础通过功能性网络的属性指标以图论的形式表现各信号源之间的功能性网络连接关系;图论是离散数学的一个分支,它的研究对象是从实际问题中抽象出来的,用节点(顶点)和支路(边)构成的线图,简称为图,其中,所述功能性网络的属性指标最主要最基本的包括聚类系数、特征路径长度及节点的度;所述聚集系数是表示一个图形中节点聚集程度的系数,用于衡量复杂网络的聚集程度;特征路径长度:在网络中,任选两个节点,连通这两个节点的最少边数,定义为这两个节点的路径长度,网络中所有节点对的路径长度的平均值,定义为网络的特征路径长度,表征网络的全局特征;节点的度包括节点的点度及节点的强度,节点的点度度是指和该节点相关联的边的条数,又称关联度;节点的强度是指在加权复杂网络中和该节点相连的边的权重和。
进一步地,所述用于复杂网络的功能性网络分析系统还包括人机交互设备5,所述人机交互设备5与所述多重信号源量测单元1及功能性网络分析单元4连接;
所述人机交互设备5,用于向用户显示人机交互界面,并获取用户在所述人机交互界面输入的信号源量测指令,其中,所述信号源量测指令包括信号源数目及信号源种类,并将所述信号源量测指令发送给所述多重信号源量测单元1;
所述人机交互设备5,还用于接受所述功能性网络分析单元4发送的所述功能性网络连接关系,并将以图论的形式表现各信号源之间的功能性网络连接关系显示在所述人机交互界面上;
所述人机交互设备5还可以与所述自适应信号拆解功能单元2及所述跨频耦合分析单元3连接,可以使用户设定各单元设定参数与输出选项设置,如可以设定所述跨频耦合分析单元3中所述固有模态函数选定模块的固有模态函数选定前n阶的阶数。
本发明通过设置所述人机机交互设备,提供一个友善的图像化人机交互界面,使用户设定信号源数目、种类以及各单元的设定参数与输出选项的设定。
一种用于复杂网络的功能性网络分析方法,采用前述的用于复杂网络的功能性网络分析系统,所述方法依次包括:
步骤S0:所述人机交互设备5向用户显示人机交互界面,并获取用户在所述人机交互界面输入的信号源量测指令,并将所述信号源量测指令发送给所述多重信号源量测单元1,其中,所述信号源量测指令包括信号源数目及信号源种类。
步骤S1:所述多重信号源量测单元1对复杂网络中的信号源进行量测,并将量测的各信号源数据发送至所述自适应信号拆解功能单元2;
步骤S2:所述自适应信号拆解功能单元2接受所述多重信号源量测单元1发送的所述各信号源数据,并通过经验模态分解算法将各信号源数据分解出若干阶固有模态函数并将分解结果发送至所述跨频耦合分析单元3;
步骤S3:所述跨频耦合分析单元3接受所述自适应信号拆解功能单元2发送的各信号源数据分解出的若干阶固有模态函数,并根据分解的所述若干阶固有模态函数来度量任意信号源之间低频相位与高频幅值的耦合关系进而计算得到相应的相关系数矩阵。
进一步地,所述步骤S3还包括以下步骤:
步骤S31:固有模态函数选定模块从若干阶固有模态函数中选定前n阶固有模态函数;
步骤S32:相关系数矩阵生成模块根据所述固有模态函数选定模块选定的前n阶固有模态函数之间两两组合,而生成C(n,2)个m×m阶相关系数矩阵以度量任意信号源之间低频相位与高频幅值的耦合关系;
其中,C(n,2)为排列组合,即C(n,2)=n*(n-1)/2;m为信号源个数;所述相关系数矩阵的元素被定义为第i阶固有模态函数的幅值与第i+j阶固有模态函数的频率的概率密度分布和均匀密度分布之间的差异,并作为信号源之间低频相位与高频幅值的耦合关系的度量指标,其中,1≤i≤n-1,i+j≤n,j为大于或等于1的整数。
步骤S4:功能性网络分析单元4接受所述跨频耦合分析单元3发送的相关系数矩阵,并以相关系数矩阵为基础通过功能性网络的属性指标以图论的形式表现各信号源之间的功能性网络连接关系。
步骤S5:所述人机交互界面接受所述功能性网络分析单元4发送的所述功能性网络连接关系,并将以图论的形式表现各信号源之间的功能性网络连接关系显示在所述人机交互界面上。
具体实施例1
这里以阿兹汉默症(Alzheimer’s disease,AD)之21导极的脑电波数据数据库分析作为应用范例。数据库中依照年龄与退化程度将受测者区分成五个群组:年轻健康的对照组、年长健康对照组、轻度心智退化(mild cognitive impairment,MCI)、中度阿兹汉默症患者(AD2)以及重度阿兹罕默症患者(AD3)。受测样本在闭眼休息状态下以脑波仪量测量测21导极脑电波,取样频率为200Hz。其中,图3为一个年长健康对照组受测在的闭眼休息状态下的脑电波量测数据。
每个导极量测的脑电波数据用自适性数据分解方法(经验模态分解算法),拆解出多个固有模态函数,如图四所示为一个年长健康受测者在闭眼休息状态下,FP1脑电极所量测脑波经过自适性信号拆解(经验模态分解法)得到之十个固有模态函数;
对任一个单一信号源的前六阶固有模态函数,可以自动的排列组合出15个不同跨频段组合,定义出低频相位相对应之高频幅值的概率密度函数(probability densityfunction,PDF);如图5所示,显示单一信号源前六阶固有模态函数之15个频段组合之低频相位与高频幅值的概率密度分布图。以KL距离来定义任一个相位与振幅机率密度分布与均匀的概率分布的差异,便可以产生一个代表耦合程度的量化指标作为量化指标。多个讯号源之每个跨频组合,可以得到量化指标的矩阵,称之为相关系数矩阵如图6所示。图6所表现的是21个信号源(即21个脑电波导极)之前六阶固有模态函数间15个频段组合的相关系数矩阵,每个相关系数矩阵皆为21*21的矩阵,图中以颜色来表示相关系数矩阵的耦合指标。
相关系数矩阵可以表现不同信号源之间的功能性网络连接(functionalconnectivity)关系;透过图论可以简化复杂的功能性的网络连接的关系,图论量化的属性指标包括特征路径长度、聚类参数以及节点的强度等,这些属性指标可以表现系统整体的特征也可以凸显单一个导极的特征。如图7所示的即是以显示个别导极连接数目的图论属性,不同的导极相对功能性的连接数目与强度不同,因此,便可以地形图(topography)来表现个导极在设定的测试条件下,复杂的脑部功能性连接特征。
以上实施例仅用以说明本发明的技术方案,而非对其限制;本发明采用了适用于非线性数据自适性分解的技术(经验模态分解法,EMD)作为自适性非线性数据分解法的代表,但也不排除引用其延伸改进或不同的自适性数据分解法作为本发明数据处理的基础。特别地,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于复杂网络的功能性网络分析系统,其特征在于:包括:多重信号源量测单元、自适应信号拆解功能单元及跨频耦合分析单元,其中,所述多重信号源量测单元、所述自适应信号拆解功能单元及所述跨频耦合分析单元依次连接;
所述多重信号源量测单元,用于对复杂网络中的信号源进行量测,并将量测的各信号源数据发送至所述自适应信号拆解功能单元;
所述自适应信号拆解功能单元,用于接受所述多重信号源量测单元发送的所述各信号源数据,通过经验模态分解算法将各信号源数据分解出若干阶固有模态函数并将分解结果发送至所述跨频耦合分析单元;
所述跨频耦合分析单元,用于接受所述自适应信号拆解功能单元发送的各信号源数据分解出的若干阶固有模态函数,并根据分解的所述若干阶固有模态函数来度量任意信号源之间低频相位与高频幅值的耦合关系进而计算得到相应的相关系数矩阵。
2.根据权利要求1所述的用于复杂网络的功能性网络分析系统,其特征在于:还包括功能性网络分析单元,所述功能性网络分析单元与所述跨频耦合分析单元连接;
所述功能性网络分析单元,用于接受所述跨频耦合分析单元发送的相关系数矩阵,并以相关系数矩阵为基础通过功能性网络的属性指标以图论的形式表现各信号源之间的功能性网络连接关系;其中,所述功能性网络的属性指标包括聚类系数、特征路径长度及节点的度。
3.根据权利要求2所述的用于复杂网络的功能性网络分析系统,其特征在于:还包括人机交互设备,所述人机交互设备与功能性网络分析单元连接;
所述人机交互设备,用于向用户显示人机交互界面,并接受所述功能性网络分析单元发送的所述功能性网络连接关系,并将以图论的形式表现各信号源之间的功能性网络连接关系显示在所述人机交互界面上。
4.根据权利要求3所述的用于复杂网络的功能性网络分析系统,其特征在于:所述人机交互设备还与所述多重信号源量测单元连接,用于获取用户在所述人机交互界面输入的信号源量测指令,并将所述信号源量测指令发送给所述多重信号源量测单元;其中,所述信号源量测指令包括信号源数目及信号源种类。
5.根据权利要求1所述的用于复杂网络的功能性网络分析系统,其特征在于:所述跨频耦合分析单元包括固有模态函数选定模块及相关系数矩阵生成模块;
所述固有模态函数选定模块,用于从若干阶固有模态函数中选定前n阶固有模态函数;
所述相关系数矩阵生成模块,用于根据所述固有模态函数选定模块选定的前n阶固有模态函数之间两两组合,而生成C(n,2)个m×m阶相关系数矩阵以度量任意信号源之间低频相位与高频幅值的耦合关系;
其中,C(n,2)为排列组合,即C(n,2)=n*(n-1)/2;m为信号源个数;所述相关系数矩阵的元素被定义为第i阶固有模态函数的幅值与第i+j阶固有模态函数的频率的概率密度分布和均匀密度分布之间的差异,并作为信号源之间低频相位与高频幅值的耦合关系的度量指标,其中,1≤i≤n-1,i+j≤n,j为大于或等于1的整数。
6.一种用于复杂网络的功能性网络分析方法,采用如权利要求1-5任一项所述的用于复杂网络的功能性网络分析系统,其特征在于:所述方法依次包括:
步骤S1:多重信号源量测单元对复杂网络中的信号源进行量测,并将量测的各信号源数据发送至自适应信号拆解功能单元;
步骤S2:所述自适应信号拆解功能单元接受所述多重信号源量测单元发送的所述各信号源数据,并通过经验模态分解算法将各信号源数据分解出若干阶固有模态函数并将分解结果发送至跨频耦合分析单元;
步骤S3:所述跨频耦合分析单元接受所述自适应信号拆解功能单元发送的各信号源数据分解出的若干阶固有模态函数,并根据分解的所述若干阶固有模态函数来度量任意信号源之间低频相位与高频幅值的耦合关系进而计算得到相应的相关系数矩阵。
7.根据权利要求6所述的用于复杂网络的功能性网络分析方法,其特征在于:还包括步骤S4:功能性网络分析单元接受所述跨频耦合分析单元发送的相关系数矩阵,并以相关系数矩阵为基础通过功能性网络的属性指标以图论的形式表现各信号源之间的功能性网络连接关系。
8.根据权利要求7所述的用于复杂网络的功能性网络分析方法,其特征在于:还包括步骤S0:所述人机交互设备向用户显示人机交互界面,并获取用户在所述人机交互界面输入的信号源量测指令,并将所述信号源量测指令发送给所述多重信号源量测单元,其中,所述信号源量测指令包括信号源数目及信号源种类。
9.根据权利要求7所述的用于复杂网络的功能性网络分析方法,其特征在于:还包括步骤S5:所述人机交互界面接受所述功能性网络分析单元发送的所述功能性网络连接关系,并将以图论的形式表现各信号源之间的功能性网络连接关系显示在所述人机交互界面上。
10.根据权利要求6所述的用于复杂网络的功能性网络分析方法,其特征在于:所述步骤S3还包括以下步骤:
步骤S31:固有模态函数选定模块从若干阶固有模态函数中选定前n阶固有模态函数;
步骤S32:相关系数矩阵生成模块根据所述固有模态函数选定模块选定的前n阶固有模态函数之间两两组合,而生成C(n,2)个m×m阶相关系数矩阵以度量任意信号源之间低频相位与高频幅值的耦合关系;
其中,C(n,2)为排列组合,即C(n,2)=n*(n-1)/2;m为信号源个数;所述相关系数矩阵的元素被定义为第i阶固有模态函数的幅值与第i+j阶固有模态函数的频率的概率密度分布和均匀密度分布之间的差异,并作为信号源之间低频相位与高频幅值的耦合关系的度量指标,其中,1≤i≤n-1,i+j≤n,j为大于或等于1的整数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322863.3A CN110101384B (zh) | 2019-04-22 | 2019-04-22 | 用于复杂网络的功能性网络分析系统及分析方法 |
US16/851,109 US20200329988A1 (en) | 2019-04-22 | 2020-04-17 | Functional network analysis systems and analysis method for complex networks |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910322863.3A CN110101384B (zh) | 2019-04-22 | 2019-04-22 | 用于复杂网络的功能性网络分析系统及分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110101384A true CN110101384A (zh) | 2019-08-09 |
CN110101384B CN110101384B (zh) | 2022-01-28 |
Family
ID=67486102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910322863.3A Active CN110101384B (zh) | 2019-04-22 | 2019-04-22 | 用于复杂网络的功能性网络分析系统及分析方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200329988A1 (zh) |
CN (1) | CN110101384B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110584684A (zh) * | 2019-09-11 | 2019-12-20 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232301A (zh) * | 2020-11-16 | 2021-01-15 | 杭州电子科技大学 | 基于多尺度Copula互信息的肌间耦合网络分析方法 |
CN112641450B (zh) * | 2020-12-28 | 2023-05-23 | 中国人民解放军战略支援部队信息工程大学 | 面向动态视频目标检测的时变脑网络重构方法 |
CN113255541B (zh) * | 2021-06-01 | 2023-08-29 | 东北大学 | 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 |
CN115736950B (zh) * | 2022-11-07 | 2024-02-09 | 北京理工大学 | 一种基于多脑区协同相幅传递的睡眠动力学分析方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110300847A1 (en) * | 2010-06-02 | 2011-12-08 | Q-Tec Systems Llc | Method and apparatus for monitoring emotion in an interactive network |
CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
CN105678047A (zh) * | 2015-11-25 | 2016-06-15 | 天津大学 | 融合经验模态分解降噪和复杂网络分析的风场表征方法 |
US20160258991A1 (en) * | 2015-03-02 | 2016-09-08 | Hangzhou Shekedi Biotech Co., Ltd | Method and System of Signal Processing for Phase-Amplitude Coupling and Amplitude-Amplitude coupling |
CN106073767A (zh) * | 2016-05-26 | 2016-11-09 | 东南大学 | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 |
CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
US20170091567A1 (en) * | 2015-09-29 | 2017-03-30 | Huami Inc. | Method, apparatus and system for biometric identification |
CN106610918A (zh) * | 2015-10-22 | 2017-05-03 | 中央大学 | 自适应性二进、共轭屏蔽网格之经验模态分解方法及其系统 |
WO2017143319A1 (en) * | 2016-02-19 | 2017-08-24 | The Regents Of The University Of California | Systems and methods for artifact reduction in recordings of neural activity |
CN107126193A (zh) * | 2017-04-20 | 2017-09-05 | 杭州电子科技大学 | 基于滞后阶数自适应选择的多变量因果关系分析方法 |
CN107405480A (zh) * | 2015-01-14 | 2017-11-28 | 纽罗特里克斯有限责任公司 | 用于确定对脑刺激的神经血管反应性的系统和方法 |
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控系统 |
CN108338787A (zh) * | 2018-01-26 | 2018-07-31 | 北京工业大学 | 一种多时段多元多尺度锁相值的相位特征提取方法 |
CN108814593A (zh) * | 2018-06-20 | 2018-11-16 | 天津大学 | 一种基于复杂网络的脑电信号特征提取方法 |
CN108888264A (zh) * | 2018-05-03 | 2018-11-27 | 南京邮电大学 | Emd和csp融合功率谱密度脑电特征提取方法 |
CN109632577A (zh) * | 2019-02-20 | 2019-04-16 | 自然资源部第海洋研究所 | 一种防渗墙缺陷位置检测装置及检测方法 |
-
2019
- 2019-04-22 CN CN201910322863.3A patent/CN110101384B/zh active Active
-
2020
- 2020-04-17 US US16/851,109 patent/US20200329988A1/en not_active Abandoned
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110300847A1 (en) * | 2010-06-02 | 2011-12-08 | Q-Tec Systems Llc | Method and apparatus for monitoring emotion in an interactive network |
CN103110418A (zh) * | 2013-01-24 | 2013-05-22 | 天津大学 | 一种脑电信号特征提取方法 |
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控系统 |
CN107405480A (zh) * | 2015-01-14 | 2017-11-28 | 纽罗特里克斯有限责任公司 | 用于确定对脑刺激的神经血管反应性的系统和方法 |
US20160258991A1 (en) * | 2015-03-02 | 2016-09-08 | Hangzhou Shekedi Biotech Co., Ltd | Method and System of Signal Processing for Phase-Amplitude Coupling and Amplitude-Amplitude coupling |
US20170091567A1 (en) * | 2015-09-29 | 2017-03-30 | Huami Inc. | Method, apparatus and system for biometric identification |
CN106610918A (zh) * | 2015-10-22 | 2017-05-03 | 中央大学 | 自适应性二进、共轭屏蔽网格之经验模态分解方法及其系统 |
CN105678047A (zh) * | 2015-11-25 | 2016-06-15 | 天津大学 | 融合经验模态分解降噪和复杂网络分析的风场表征方法 |
WO2017143319A1 (en) * | 2016-02-19 | 2017-08-24 | The Regents Of The University Of California | Systems and methods for artifact reduction in recordings of neural activity |
CN106073767A (zh) * | 2016-05-26 | 2016-11-09 | 东南大学 | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 |
CN106127769A (zh) * | 2016-06-22 | 2016-11-16 | 南京航空航天大学 | 一种基于脑连接网络的脑龄预测方法 |
CN107126193A (zh) * | 2017-04-20 | 2017-09-05 | 杭州电子科技大学 | 基于滞后阶数自适应选择的多变量因果关系分析方法 |
CN108338787A (zh) * | 2018-01-26 | 2018-07-31 | 北京工业大学 | 一种多时段多元多尺度锁相值的相位特征提取方法 |
CN108888264A (zh) * | 2018-05-03 | 2018-11-27 | 南京邮电大学 | Emd和csp融合功率谱密度脑电特征提取方法 |
CN108814593A (zh) * | 2018-06-20 | 2018-11-16 | 天津大学 | 一种基于复杂网络的脑电信号特征提取方法 |
CN109632577A (zh) * | 2019-02-20 | 2019-04-16 | 自然资源部第海洋研究所 | 一种防渗墙缺陷位置检测装置及检测方法 |
Non-Patent Citations (2)
Title |
---|
BENJAMIN PITTMAN-POLLETTA: "Detecting phase-amplitude coupling with high frequency resolution using adaptive decompositions", 《JOURNAL OF NEUROSCIENCE METHODS》 * |
张婷琳: "从局部到全局脑电感知模式的研究", 《中国优秀博硕士学位论文全文数据库(博士)医药卫生科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110584684A (zh) * | 2019-09-11 | 2019-12-20 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
CN110584684B (zh) * | 2019-09-11 | 2021-08-10 | 五邑大学 | 一种驾驶疲劳相关的eeg功能连接动态特性的分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110101384B (zh) | 2022-01-28 |
US20200329988A1 (en) | 2020-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110101384A (zh) | 用于复杂网络的功能性网络分析系统及分析方法 | |
Puce et al. | A review of issues related to data acquisition and analysis in EEG/MEG studies | |
Angrisani et al. | A wearable brain–computer interface instrument for augmented reality-based inspection in industry 4.0 | |
JP6884344B2 (ja) | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル | |
Acharjee et al. | Independent vector analysis for gradient artifact removal in concurrent EEG-fMRI data | |
Knock et al. | The effects of physiologically plausible connectivity structure on local and global dynamics in large scale brain models | |
Wang et al. | Functional integration and separation of brain network based on phase locking value during emotion processing | |
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 | |
Catrambone et al. | Functional linear and nonlinear brain–heart interplay during emotional video elicitation: A maximum information coefficient study | |
Jafarian et al. | Structure learning in coupled dynamical systems and dynamic causal modelling | |
Taya et al. | Comparison method for community detection on brain networks from neuroimaging data | |
Huang et al. | Overlapping community detection in multi-view brain network | |
CN109815855A (zh) | 一种基于机器学习的电子设备自动测试方法及系统 | |
CN114366103B (zh) | 注意力评估方法、装置及电子设备 | |
Huang et al. | oComm: Overlapping community detection in multi-view brain network | |
CN116244633A (zh) | 一种运动想象脑电信号分类方法及系统 | |
Sorrentino et al. | Dynamical interactions reconfigure the gradient of cortical timescales | |
Wan et al. | EEGformer: A transformer–based brain activity classification method using EEG signal | |
Dattola et al. | Testing graph robustness indexes for EEG analysis in Alzheimer’s disease diagnosis | |
de Ridder et al. | A review and outlook on visual analytics for uncertainties in functional magnetic resonance imaging | |
Betzel et al. | System-level high-amplitude co-fluctuations | |
Griffa et al. | Evidence for increased parallel information transmission in human brain networks compared to macaques and mice | |
Chen et al. | Global Functional Connectivity at Rest Is Associated with Attention: An Arterial Spin Labeling Study | |
Li et al. | Hearing loss detection in complex setting by stationary wavelet Renyi entropy and three-segment biogeography-based optimization | |
Ali et al. | ConVnet BiLSTM for ASD Classification on EEG Brain Signal. |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Huang E Inventor before: Ye Jiarong Inventor before: Huang E |
|
CB03 | Change of inventor or designer information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |