CN111067514A - 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 - Google Patents
一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 Download PDFInfo
- Publication number
- CN111067514A CN111067514A CN202010018077.7A CN202010018077A CN111067514A CN 111067514 A CN111067514 A CN 111067514A CN 202010018077 A CN202010018077 A CN 202010018077A CN 111067514 A CN111067514 A CN 111067514A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- coupling
- scale
- channel
- transfer entropy
- 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
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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于多尺度多变量传递熵的多通道脑电耦合分析方法,属于非线性动力学因果系统及大脑感觉运动网络研究的技术领域,其包括以下步骤:一、采用32通道的Neuracle设备采集多通道脑电信号;二、采用matlab软件对采集到的脑电信号分别进行去除基线漂移、肌电干扰、眼动干扰和50Hz工频干扰的预处理;三、采用粗粒化分析方法对多通道脑电信号进行20个不同的尺度分解;四、采用多变量传递熵方法分析不同尺度下的脑电信号在不同时频间的耦合特性,定量刻画不同脑区间非线性耦合和信息传递特征。本发明具有能够描述大脑运动感觉皮层间的非线性特征,并深入探索大脑不同区域间的耦合强度及信息传递的效果。
Description
技术领域
本发明涉及一种基于多尺度多变量传递熵的多通道脑电耦合分析方法,属于非线性动力学因果系统及大脑感觉运动网络研究的技术领域。
背景技术
探索和量化复杂运动网络中不同脑区之间潜在的功能性皮质-皮质连接(functional corticocortical connectivity,FCCC)是一个重要的课题。对于一个简单的运动行为,存在多个脑区的相互协调作用,因此通过分析一个脑区对另一个脑区的贡献,可以得到复杂运动网络之间的交互作用。同时一些生理和生物系统在多个时间尺度上表现出复杂的运行机制,近年来,研究复杂脑网络中的直接信息交互引起了越来越多的关注。目前,基于相干分析法研究大脑左、右感觉运动区的FCCC获取频域耦合强度特性,但传统的相干分析并不能体现耦合方向特征。进而有研究基于多元随机过程中的线性向量自回归模型提出了格兰杰因果分析方法,可以有效地评估大脑颞叶皮层神经群之间信息传递特性,但大脑是一个具有高度复杂性和随机性的网络结构,基于既定模型的格兰杰因果分析方法不能有效描述大脑复杂的非线性耦合特征。因此,有研究基于信息论提出了一种有效连接两个系统的传递熵方法探究系统间的非线性耦合关系。综上所述,以上方法主要分析双变量系统的线性、非线性因果耦合关系,然而,对于复杂的脑网络系统,在不同的脑区之间是存在关联特性的,并且普通的二元方法在采集头皮脑电信号时无法避免同一参考电极引起的共源性;此外,在生物和生理系统中,多个时间尺度上的随机过程往往存在明显或潜在的复杂动力学,因此提出多尺度多变量传递熵(multiscale multivariate transfer entropy,MSMVTE)方法来研究复杂多变量系统在不同时间尺度下的直接动态耦合特性是非常有必要的。
发明内容
本发明的目的在于提供一种能够描述大脑运动感觉皮层间的非线性特征,并深入探索大脑不同区域间的耦合强度及信息传递的基于多尺度多变量传递熵的多通道脑电耦合分析方法。
为了实现上述目的,本发明采用的技术方案是:
一种基于多尺度多变量传递熵的多通道脑电耦合分析方法,包括以下步骤:
一、采用32通道的Neuracle设备采集多通道脑电信号;
二、采用matlab软件对采集到的脑电信号分别进行去除基线漂移、肌电干扰、眼动干扰和50Hz工频干扰的预处理;
三、采用粗粒化分析方法对多通道脑电信号进行20个不同的尺度分解;
四、采用多变量传递熵方法分析不同尺度下的脑电信号在不同时频间的耦合特性,定量刻画不同脑区间非线性耦合和信息传递特征。
本发明技术方案的进一步改进在于:步骤一中,32通道的Neuracle设备的脑电电极采用国际10-20系统标准来采集记录大脑对应的感觉运动区的脑电信号。
本发明技术方案的进一步改进在于:步骤三的具体方法如下:
将步骤二预处理后的脑电信号数据进行构建脑电信号X={x1,x2,…,xi,…,xN}和Y={y1,y2,…,yi,…,yN}两组时间序列;对脑电信号进行粗粒化分析,将粗粒化分析应用于尺度划分之中;
首先基于粗粒化对信号进行尺度化,公式如下:
本发明技术方案的进一步改进在于:步骤四的具体方法如下:
将步骤三中分解的不同时频尺度的时间序列,对在尺度s下的EEG信号进行多变量传递熵分析,公式如下:
MSMVTEs-X→Y|Ψ\X值越大,说明时间序列间耦合越强;反之亦然。
由于采用了上述技术方案,本发明取得的技术效果有:
本发明方法利用多尺度多变量传递熵分析不同脑区多通道EEG信号间信息传递特性,定量描述多变量间非线性的直接耦合及信息传递特征,有助于探索大脑感觉运动皮层间的功能耦合关系,研究大脑不同区域间的控制反馈机制及动态非线性的运动功能障碍病理机制,进而建立基于多通道脑电信号的卒中患者康复评价指标,可以获得可观的社会效益和经济效益。
附图说明
图1为本发明方法的工作流程图;
图2为本发明方法的实验流程图;
图3为时间序列的粗粒化分解图;
图4为健康被试在20个时间尺度上7个脑电通道间的耦合关系分析结果图;
图5为健康被试多通道脑电信号耦合的多尺度多变量传递熵分析后的平均MSMVTE值。
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细说明:
脑网络系统包含不同的脑区,脑区间的交互作用广泛而未知,具有非线性、非平稳性、时频尺度等动态特性。在生物、生理等多领域中,脑区间的交互作用机制可以通过多变量时间序列的同步耦合分析体现。粗粒化尺度分解能够提取出时间序列的在不同时间尺度上的特定时频数据段,而且多变量传递熵可以刻画脑电信号直接非线性耦合及信息传递特征,本发明通过研究大脑感觉运动区的多尺度多变量传递熵分析,获得不同时频尺度下多变量系统之间信息传递关系,进而探究复杂脑网络内在的动态特性,进而研究运动功能障碍产生的生理机制。
以下是本发明的具体实施方式:
如图1所示,方法步骤如下:
步骤1,采用32导的Neuracle设备采集多通道脑电信号。
脑电信号采集:脑电电极采用国际标准10-20电极放置标准。在手部20%静态握力输出运动下进行多通道电信号同步采集实验。从32导Neuracle脑电采集设备中FC3、FC4、C3、CZ、C4、CP3、CP4 7个通道脑电数据记录对应运动的脑电信号,进而分析皮层感觉运动区的连通性。
步骤2,基于matlab数据分析软件对采集到的脑电信号分别进行去除基线漂移、肌电干扰、眼动干扰和50Hz工频干扰;
步骤3,采用粗粒化分析方法对选取的7个通道的脑电信号进行尺度化分析,基于步骤2预处理后的多通道脑电信号构建X={x1,x2,…,xi,…,xN}和Y={y1,y2,…,yi,…,yN}两组时间序列;对信号进行粗粒化分析,将粗粒化分析应用于尺度划分之中。首先基于粗粒化对脑电信号进行尺度化,公式如下:
基于上式将多变量脑电时间序列分解到20个时间尺度上,基于多变量传递熵方法构造X到Y的多尺度多变量传递熵MSMVTEs-X→Y|Ψ\X,公式如下:
基于上述指标,计算手部静态握力输出运动下,不同耦合方向上、不同时频尺度间的MSMVTEs-X→Y|Ψ\X值,即能定量刻画不同脑电序列在不同时频尺度上直接的非线性同步耦合特征。
为验证本发明所述的多尺度多变量传递熵因果分析方法的可行性和有效性,募集8名健康的右利手受试者(平均年龄,24+3.46岁;3名男性和5名女性)没有任何神经、心理或精神疾病史。详细的实验方案得到了燕山大学伦理审查委员会的批准。实验开始前,所有参与者都签署了知情同意书。按照本发明所述的多通道脑电采集与分析过程,同步采集健康被试多个通道的脑电信号,并分析研究多变量系统中的耦合与信息传递机制。
图4为8名健康被试在20个不同的时间尺度上7个脑电通道(FC3、FC4、C3、CZ、C4、CP3、CP4)间的耦合关系结果,进一步将其分为三个区域,分析了左前运动/感觉运动(LSM:FC3、C3、CP3)、右前运动/感觉运动(RSM:FC4、C4、CP4)和中央运动区域(CM:CZ)之间的连通性。从中可以发现,右手稳态力输出过程中,LSM和CM被激活,RSM被抑制。
图5为8名健康被试多通道脑电信号耦合的多尺度多变量传递熵分析后的平均MSMVTE值。从中我们可以看出,在图5(b),(c)和(d)中,LSM→RSM的耦合强度明显高于LSM→LSM方向上;图5(f),(g)和(h)中,RSM→LSM的耦合强度明显高于RSM→RSM,后者的耦合强度(<0.01)趋于零。最后,在这些子图中,我们可以看到耦合关系在不同的时间尺度上,耦合强度在3-10的范围内达到最大值。从中可以看出,不同脑区各时频尺度上的耦合强度存在差异,为探究大脑皮层感觉运动区间动态特性提供了理论研究基础。
本具体实施方式的实施例均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理等所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (4)
1.一种基于多尺度多变量传递熵的多通道脑电耦合分析方法,其特征在于,包括以下步骤:
一、采用32通道的Neuracle设备采集多通道脑电信号;
二、采用matlab软件对采集到的脑电信号分别进行去除基线漂移、肌电干扰、眼动干扰和50Hz工频干扰的预处理;
三、采用粗粒化分析方法对多通道脑电信号进行20个不同的尺度分解;
四、采用多变量传递熵方法分析不同尺度下的脑电信号在不同时频间的耦合特性,定量刻画不同脑区间非线性耦合和信息传递特征。
2.根据权利要求1所述的一种基于多尺度多变量传递熵的多通道脑电耦合分析方法,其特征在于:步骤一中,32通道的Neuracle设备的脑电电极采用国际10-20系统标准来采集记录大脑对应的感觉运动区的脑电信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018077.7A CN111067514B (zh) | 2020-01-08 | 2020-01-08 | 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010018077.7A CN111067514B (zh) | 2020-01-08 | 2020-01-08 | 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111067514A true CN111067514A (zh) | 2020-04-28 |
CN111067514B CN111067514B (zh) | 2021-05-28 |
Family
ID=70322710
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010018077.7A Active CN111067514B (zh) | 2020-01-08 | 2020-01-08 | 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111067514B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112450947A (zh) * | 2020-11-20 | 2021-03-09 | 杭州电子科技大学 | 一种针对情绪唤醒度的动态脑网络分析方法 |
CN112826451A (zh) * | 2021-03-05 | 2021-05-25 | 中山大学 | 一种麻醉深度及睡眠深度的评估方法及装置 |
CN112932505A (zh) * | 2021-01-16 | 2021-06-11 | 北京工业大学 | 一种基于时频能量的符号传递熵及脑网络特征计算方法 |
CN113274011A (zh) * | 2021-05-10 | 2021-08-20 | 燕山大学 | 融合脑电与功能近红外光谱技术的脑功能监测管理方法 |
CN114176609A (zh) * | 2021-12-27 | 2022-03-15 | 杭州电子科技大学 | 基于脑电信号的卒中严重程度分类预测模型建立方法 |
CN114510966A (zh) * | 2022-01-14 | 2022-05-17 | 电子科技大学 | 一种基于图神经网络的端到端大脑因果网络构建方法 |
CN115317000A (zh) * | 2022-08-31 | 2022-11-11 | 燕山大学 | 一种基于同频和跨频信息交互的多层脑网络模型构建方法 |
CN116035597A (zh) * | 2023-02-03 | 2023-05-02 | 首都医科大学宣武医院 | 一种脑电信号耦合分析方法、装置和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106073702A (zh) * | 2016-05-27 | 2016-11-09 | 燕山大学 | 基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法 |
CN106473736A (zh) * | 2016-10-11 | 2017-03-08 | 天津大学 | 基于复杂网络的脑电信号分析方法及应用 |
US20170308505A1 (en) * | 2013-03-14 | 2017-10-26 | Hrl Laboratories, Llc | Predicting system trajectories toward critical transitions |
CN109144259A (zh) * | 2018-08-23 | 2019-01-04 | 杭州电子科技大学 | 一种基于多尺度排列传递熵的脑区间同步关系分析方法 |
-
2020
- 2020-01-08 CN CN202010018077.7A patent/CN111067514B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170308505A1 (en) * | 2013-03-14 | 2017-10-26 | Hrl Laboratories, Llc | Predicting system trajectories toward critical transitions |
CN106073702A (zh) * | 2016-05-27 | 2016-11-09 | 燕山大学 | 基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法 |
CN106473736A (zh) * | 2016-10-11 | 2017-03-08 | 天津大学 | 基于复杂网络的脑电信号分析方法及应用 |
CN109144259A (zh) * | 2018-08-23 | 2019-01-04 | 杭州电子科技大学 | 一种基于多尺度排列传递熵的脑区间同步关系分析方法 |
Non-Patent Citations (1)
Title |
---|
耿雪青等: "基于Copula 的多变量运动想象脑电信号因果分析方法", 《航天医学与医学工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112450947A (zh) * | 2020-11-20 | 2021-03-09 | 杭州电子科技大学 | 一种针对情绪唤醒度的动态脑网络分析方法 |
CN112932505A (zh) * | 2021-01-16 | 2021-06-11 | 北京工业大学 | 一种基于时频能量的符号传递熵及脑网络特征计算方法 |
CN112826451A (zh) * | 2021-03-05 | 2021-05-25 | 中山大学 | 一种麻醉深度及睡眠深度的评估方法及装置 |
CN113274011A (zh) * | 2021-05-10 | 2021-08-20 | 燕山大学 | 融合脑电与功能近红外光谱技术的脑功能监测管理方法 |
CN114176609A (zh) * | 2021-12-27 | 2022-03-15 | 杭州电子科技大学 | 基于脑电信号的卒中严重程度分类预测模型建立方法 |
CN114510966A (zh) * | 2022-01-14 | 2022-05-17 | 电子科技大学 | 一种基于图神经网络的端到端大脑因果网络构建方法 |
CN115317000A (zh) * | 2022-08-31 | 2022-11-11 | 燕山大学 | 一种基于同频和跨频信息交互的多层脑网络模型构建方法 |
CN116035597A (zh) * | 2023-02-03 | 2023-05-02 | 首都医科大学宣武医院 | 一种脑电信号耦合分析方法、装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111067514B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111067514B (zh) | 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 | |
Tang et al. | Motor imagery EEG recognition based on conditional optimization empirical mode decomposition and multi-scale convolutional neural network | |
Li et al. | FFT-based deep feature learning method for EEG classification | |
Hamad et al. | Feature extraction of epilepsy EEG using discrete wavelet transform | |
CN104809434B (zh) | 一种基于单通道脑电信号眼电伪迹去除的睡眠分期方法 | |
CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
Fang et al. | Extracting features from phase space of EEG signals in brain–computer interfaces | |
CN102835955B (zh) | 一种无需设定阈值的脑电信号中眼电伪迹自动去除的方法 | |
Al Omari et al. | Pattern recognition of eight hand motions using feature extraction of forearm EMG signal | |
CN108309290A (zh) | 单通道脑电信号中肌电伪迹的自动去除方法 | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
CN111227830B (zh) | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 | |
Huang et al. | A review of electroencephalogram signal processing methods for brain-controlled robots | |
Janapati et al. | Towards a more theory-driven BCI using source reconstructed dynamics of EEG time-series | |
Hou et al. | An improved artifacts removal method for high dimensional EEG | |
Niu et al. | A brain network analysis-based double way deep neural network for emotion recognition | |
Geng et al. | [Retracted] A Fusion Algorithm for EEG Signal Processing Based on Motor Imagery Brain‐Computer Interface | |
CN106073767B (zh) | Eeg信号的相位同步度量、耦合特征提取及信号识别方法 | |
CN111887811B (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
Costa-García et al. | Segmentation and averaging of sEMG muscle activations prior to synergy extraction | |
Zhao et al. | Adaptive Online Decomposition of Surface EMG Using Progressive FastICA Peel-Off | |
Torabi et al. | Semantic category-based classification using nonlinear features and wavelet coefficients of brain signals | |
Song et al. | A synchronous and multi-domain feature extraction method of EEG and sEMG in power-assist rehabilitation robot | |
CN116035597A (zh) | 一种脑电信号耦合分析方法、装置和系统 | |
Wei et al. | Mild cognitive impairment classification convolutional neural network with attention mechanism |
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 |