CN111528836B - 基于动态定向传递函数的脑功能网络特征提取方法 - Google Patents
基于动态定向传递函数的脑功能网络特征提取方法 Download PDFInfo
- Publication number
- CN111528836B CN111528836B CN202010375284.8A CN202010375284A CN111528836B CN 111528836 B CN111528836 B CN 111528836B CN 202010375284 A CN202010375284 A CN 202010375284A CN 111528836 B CN111528836 B CN 111528836B
- Authority
- CN
- China
- Prior art keywords
- lead
- beta
- information
- brain
- alpha
- 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
Links
- 230000003925 brain function Effects 0.000 title claims abstract description 33
- 238000012546 transfer Methods 0.000 title claims abstract description 25
- 230000006870 function Effects 0.000 title claims abstract description 17
- 238000000605 extraction Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 28
- 210000004556 brain Anatomy 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims abstract description 12
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 3
- 238000001914 filtration Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 230000001747 exhibiting effect Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims 2
- 230000001360 synchronised effect Effects 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004070 electrodeposition Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- A61B5/72—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
-
- 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
-
- 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
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了基于动态定向传递函数的脑功能网络特征提取方法，该方法主要包括：首先对原始运动想象脑电信号进行共平均参考、导联优选等预处理；接着采用提出的DDTF算法对经过预处理的脑电信号计算网络连接边并分别构建不同频段脑功能网络；进而根据脑功能网络计算得到网络特征参数流出信息及信息流增益，将两种特征参数串行融合作为特征向量送入支持向量机进行特征评估；最后根据识别率闭环确定最优参数及最优频段，得到最终分类结果。本发明将其用于构建运动想象脑功能网络，计算得到网络参数用于MI‑EEG特征提取，该方法不仅能够精确刻画MI‑EEG在频域的变化特性，而且准确反映了BFN的动态演化过程，对MI‑EEG分类准确率的提升有很大帮助。
Description
技术领域
本发明属于基于脑功能网络(brain functional networks，BFN)的运动想象脑电信号(Motor Imagery Electroencephalogram,MI-EEG)特征提取领域，具体涉及：对定向传递函数(directed transfer function,DTF)进行改进，提出了一种变阶次及变频带的动态定向传递函数(dynamic directed transfer function,DDTF)方法，DDTF被进一步用于构建脑功能网络，计算其流出信息(outflows)及信息流增益(information flows)作为特征，并采用支持向量机(support vector machine,SVM)进行MI-EEG特征分类。
背景技术
脑机接口(Brain-computer interface，BCI)技术利用计算机在大脑和外部设备之间建立了对外信息交流和控制的新途径，MI-EEG常被用于BCI系统中。MI-EEG是一种具有空间分布特性的多导联时频信号，复杂运动想象可以激活大脑弥漫性的区域，且不同运动想象任务大脑激活情况也并不相同。研究表明，大脑是一个由空间分布不同、但功能上相互联系的大量脑区所组成的复杂网络。即使大脑进行最简单的运动想象任务，不同脑功能区间也会进行信息的交流与传递。因此，有效地挖掘并利用多导联脑电信号间的信息传递及流动是改进MI-EEG特征提取的一项重要举措。
近些年来，图论理论被广泛应用于脑功能网络的构建中。在图论中，一个复杂的网络是由一系列节点及连接节点的边构成。在EEG脑功能网络中，节点通常是EEG电极或感兴趣区域(ROI)，边则是节点之间的功能连接。定向传递函数(directed transferfunction,DTF)能够从整个脑功能网络层面上刻画任意两导联间的功能连接关系，为区分不同的运动想象任务提供信息，是构建脑功能网络的重要方法之一。然而DTF对于运动想象激活的α及β频带(8-30Hz)仅仅采用一个MVAR模型进行拟合，且直接对时域模型进行傅里叶变换转换至频域，得到的频域模型与时域模型阶次相同。事实上，MI-EEG信号的变化是一个动态演化过程，由时域转换至频域后，非平稳性更强，模型阶次将会减小。并且由于MI-EEG具有个体性差异，对于不同的受试者，α频带(8-13Hz)及β频带(13-30Hz,包括β1(13-21Hz)及β2(21-30Hz))的激活强度也有很大差异。
发明内容
针对DTF用于MI-EEG脑功能网络构建进行特征提取的不足之处，并进一步精确刻画MI-EEG在频域的变化特性，本发明对DTF进行改进，通过自适应地选取最优频带及模型阶次得到DDTF，提出了一种基于DDTF的脑功能网络特征提取方法。该方法不仅能够准确反映BFN的动态演化过程，而且采用一至两阶模型并且选取最优频段来计算DDTF，更加吻合MI-EEG的自适应及动态特性，有效提高了脑电信号的分类正确率。
本发明技术方案为：基于动态定向传递函数的脑功能网络特征提取方法。首先对MI-EEG信号进行预处理，包括共平均参考、选取最优时间段、将信号分别滤波至α(8-13Hz)及β频段(13-30Hz)并进行导联优选；接着基于本发明提出的DDTF算法对经过预处理的脑电信号分别构建α和β频段的脑功能网络；进而根据α和β频段脑功能网络计算得到两频段网络特征参数，即流出信息及信息流增益(information flow，IF)；将流出信息与信息流增益串行融合分别得到α和β频段特征向量；最后采用支持向量机(SVM)对两频段特征向量进行特征评估，根据分类正确率闭环确定最优参数及最优频段。若最优频段为β，则对原始MI-EEG信号继续滤波至β1(13-21Hz)及β2(21-30Hz)，并重复上述步骤，得到最终分类结果。
基于上述分析，本发明的具体实现包括以下步骤：
S1 MI-EEG信号预处理
假设
为原始脑电信号，其中N0及K0分别代表导联数及采样点数,R表示实数域，
分别表示第1导，第2导，…，第N0导脑电信号，T为转置符号。
S1.1共平均参考(Common average removal,CAR)
x0(t)经CAR空间滤波后的信号为
S1.2最优时间段的选取
选取事件相关去同步(event-related desynchronization，ERD)/事件相关同步(event-related synchronization,ERS)生理学现象最为明显的采样间隔[a，b]，该时间段内MI-EEG信号表示为：
其中K＝b-a+1。a为选取采样间隔的第一个采样点对应时刻，b为最后一个采样点对应时刻，K表示选取采样间隔共包含的采样点数。
S1.3带通滤波
与运动想象最为相关的频带为8-30Hz，研究表明，包含β1(13-21Hz)及β2(21-30Hz)的β频带包含有更加丰富的信息，且不同频带的信号有其独特的生理学作用。基于上述分析，将x2(t)分别滤波至α及β频带(若有必要的话，再将其滤波至β1及β2频带)，经过滤波后的信号记为：
S1.4导联优选
考虑到计算复杂度及特征冗余影响，在保证导联对称性的前提下选取尽可能多的导联覆盖大脑区域，经过导联优选后的N导信号为
将其重新记作：
其中
表示经过导联优选后重新编号的第1导，第2导，…，第N导脑电信号，N表示经过导联选择后的导联数量。
S2动态定向传递函数的定义
本发明对DTF进行改进，模型阶次及最优频段由识别率闭环确定，改进后的方法记为DDTF。下面以α频带为例对DDTF方法进行详细介绍。
S2.1首先对上述经过预处理的MI-EEG信号进行MVAR模型拟合，如下式所示：
式中eα(t)为多变量零均值白噪声序列，Aα(1)，Aα(2)，…，Aα(r)表示N×N系数矩阵，例如，Aα(r)代表xα(t-r)对xα(t)的时间延迟影响。假设Aα(r)的矩阵元素为
那么系数矩阵可写为
非对角线元素
展示了不同信号
间的时间延迟影响。令真实值和预测值之间的误差达到最小，即可得到模型系数。pα即模型阶次，由施瓦茨贝叶斯准则(SBC)确定。
S2.2 MVAR模型建立完成之后，基于傅里叶变换(Fourier transform)对其进行动态频域分析，拥有可变阶次mα的
定义如下：
式中B0(f)＝-I(I为单位矩阵).Δt为两采样点间时间间隔,j代表虚数单位,有
其中Xα(f)和Eα(f)分别为xα(t)和eα(t)的傅里叶变换。
S2.3将(7)式重写为：
式中
为传递矩阵
第l行第s列的元素。接着，对
进行正则化，即将
除以第l行元素的平方和。如下式所示：
该式表达了导联s对导联l的影响占所有导联对导联l影响的比重，取值范围为[0，1]。
越接近1表示导联s对导联l的影响越大，值接近0代表导联s对l几乎没有贡献。
S2.4为了获得(10)式在不同频率下的均值，对α频带的数据进行如下处理：
其中f3,f4分别为21和30Hz。
S3基于DDTF的脑功能网络构建
S4特征参数的定义
根据脑功能网络及连接矩阵，可求得特征参数。以导联g(g＝1,2,…,N)为例，将特征矩阵
的第g行元素相加即可得到导联g的流入信息：
将连接矩阵第g列相加得到导联g的流出信息：
流入信息表示特定导联g从其他导联接收到的信息总和，而流出信息则为导联g对于网络中其他节点传递的信息总量。二者均代表了大脑特定区域及其他区间的信息交流过程。
进一步将流出信息及流入信息相结合定义信息流增益(同样以导联g为例):
信息流增益指示了导联g在信息传递过程中的角色，信息流增益越大，导联g对其他导联的贡献也越大。相反地，信息流增益趋近于0时表示从导联g得到的信息非常少。
S5特征向量的构建
以α频段为例，对于每个导联g都有其
及
将N个导联的信息集合在一起得到
其中N表示经过导联选择后的导联数量。将
及
串行融合构建α频段的网络特征向量
类似地，可得到β,β1或β2的特征向量：
接下来，将特定频段的特征向量送入SVM分类不同的运动想象任务。
S6 SVM特征分类
对于每个mα有对应的特征
及正确率
类似地，将MI-EEG信号滤波至β频段可得到
和
正如前面所说，对于不同的受试者，运动想象激活的频带也并不相同。因此，找到每个受试者的最优频带非常重要。将α频带及β频带的正确率进行对比，假如
高于
那么这代表α频带是寻找的最终频带。如若不然，最高分类正确率则隐藏在β频带中。将MI-EEG信号滤波至β1(13-21Hz)及β2(21-30Hz)频带,重复步骤1-6，将最终获得最优频带及最高分类正确率。
与现有技术相比，本发明具有以下优点：
本发明考虑到MI-EEG在频域时强烈的非平稳性及基于受试者的特点，提出了一种变阶次及变频带的DDTF方法，DDTF被进一步用于构建脑功能网络，根据脑功能网络计算得到网络特征参数，并采用SVM进行网络特征评估，10×10折交叉验证的最高及平均分类准确率达到100％及94％。实验结果表明，DDTF能够准确反映BFN的动态演化特性，采用一至两阶模型并且选取最优频段来计算DDTF，更加吻合MI-EEG的自适应及动态特性，为MI-EEG特征提取提供了一种新的思路，同时也增强了特征提取的自适应性。
附图说明
图1为本专利提出方法的流程图；
图2为电极位置分布图；
图3为采集实验时序图；
具体实施方式
本发明具体实验在Windows 10(64位)系统中Matlab R2017a仿真环境下进行。
本发明MI-EEG数据来自奥地利格拉茨技术大学(Graz University ofTechnology)BCI实验室提供的BCI竞赛III Dataset IIIa公开可用数据集，采用60导联采集脑电数据，电极位置分布如图2所示。MI-EEG采样频率为250Hz，经过1-50Hz滤波及50Hz陷波滤波。包含了3个受试者左右手运动想象任务，其中受试者1(‘k3b’)左右手想象任务各90组，受试者2和3(‘k6b’和‘l1b’)想象任务各60组。每次实验持续8秒。t＝0～2s时，显示器为黑屏状态。t＝2s时，一个声音刺激提示受试者实验开始，并且显示器上出现“十”字光标。t＝3s时，显示器上随机出现左、右箭头，时长1s，此时，受试者根据提示的箭头分别想象左手、右手运动。t＝7～8s时，“十”字光标消失，受试者休息，然后进行下一次实验。单次运动想象任务采集时序图如图3所示。
基于上述MI-EEG数据集，本发明具体实施步骤如下：
1MI-EEG信号预处理
在预处理阶段，首先对原始MI-EEG信号进行CAR空间滤波，截取单次运动想象实验的3.5-7s数据并分别将其滤波至α(8-13Hz)及β(13-30Hz)频带(若有必要，将EEG信号滤波至β1(13-21Hz)及β2(21-30Hz)频段)。为了减少计算复杂度，选取尽可能多覆盖大脑区域的导联。选取导联数字为：1、2、3、4、5、7、9、11、13、15、17、19、21、23、25、27、29、31、33、35、37、39、41、43、45、47、49、51、53、55、57、58、59、60。对选取的导联重新编号用于后续分析。
2各受试者DDTF参数的自适应优化。
2.1为受试者‘k3b’选取最优参数
对于受试者‘k3b’，将经过预处理的MI-EEG数据(α及β频段)进行MVAR拟合，α及β频段拟合阶次分别为3和8，进一步根据(6)式计算
及
得到特征
及
接着将这二者送入SVM进行特征分类。本发明采用10×10折交叉验证方法来减少MI-EEG特征提取过程中的偶然性同时增强实验结果的可信赖度。
由于‘k3b’β频段的分类正确率始终高于α频段，考虑到β频段覆盖范围较宽，可能会含有冗余信息，因此有必要找到最利于分类的频段。基于此考虑，将β频段分成两个子频带，即β1频带(13-21Hz)和β2频带(21-30Hz)，对这两个子频带的信号进行同样的实验，β1、β2频带的拟合阶次为5，且‘k3b’在β2频带模型阶次m为2时识别率达到了最高的100％。
2.2为受试者‘k6b’和‘l1b’选取最优参数
对受试者‘k6b’和‘l1b’进行同样操作，两位受试者在α频段展示了更好的可分性。尽管如此，受试者‘l1b’表现更好，较‘k6b’取得了更好的分类结果，这一现象与MI-EEG信号基于受试者这一特性完全一致。即使是对于同一受试者，在不同的频段识别精度也有很大不同。以上所述表明将MI-EEG信号滤波至不同频段可以改善分类效果。
并非偶然的是，对于所有受试者的每个频带来说，当m取1或者2而非原始阶次p时，识别率得到了很大提升。这是因为MI-EEG信号在频域的非平稳性更强，相较于将所有信息考虑在内，前1或者前2个时刻的信息与当前时刻最为相关且更又有利于分类。最后将最优频带，最优m值及10×10折交叉验证平均分类正确率总结在表1中。
表1各受试者最优参数总结
Claims (6)
1.基于动态定向传递函数的脑功能网络特征提取方法，其特征在于：首先对MI-EEG信号进行预处理，包括共平均参考、选取最优时间段、将信号分别滤波至α(8-13Hz)及β频段(13-30Hz)并进行导联优选；接着基于DDTF算法对经过预处理的脑电信号分别构建α和β频段的脑功能网络；根据α和β频段脑功能网络计算得到两频段网络特征参数，即流出信息及信息流增益；将流出信息与信息流增益串行融合分别得到α和β频段特征向量；最后采用支持向量机对两频段特征向量进行特征评估，根据分类正确率闭环确定最优参数及最优频段；若最优频段为β，则对原始MI-EEG信号继续滤波至β1(13-21Hz)及β2(21-30Hz)，并计算得到最终分类结果；
MI-EEG信号预处理；假设
为原始脑电信号，其中N0及K0分别代表导联数及采样点数,R表示实数域，
分别表示第1导，第2导，…,第N0导脑电信号，T为转置符号；
共平均参考CAR；x0(t)经CAR空间滤波后的信号为
最优时间段的选取；选取事件相关去同步ERD/事件相关同步ERS生理学现象最为明显的采样间隔[a,b]，该最优时间段内MI-EEG信号表示为：
其中K＝b-a+1；a为选取采样间隔的第一个采样点对应时刻，b为最后一个采样点对应时刻，K表示选取采样间隔共包含的采样点数；
带通滤波；将x2(t)分别滤波至α及β频带，经过滤波后的信号记为：
导联优选；考虑到计算复杂度及特征冗余影响，在保证导联对称性的前提下选取导联覆盖大脑区域，经过导联优选后的N导信号为
将其重新记作：
其中
表示经过导联优选后重新编号的第1导，第2导，…,第N导脑电信号，N表示经过导联选择后的导联数量。
2.根据权利要求1所述的基于动态定向传递函数的脑功能网络特征提取方法，其特征在于：
动态定向传递函数的定义；对DTF进行改进，模型阶次及最优频段由识别率闭环确定，改进后的方法记为DDTF；α频带中，首先对经过预处理的MI-EEG信号进行MVAR模型拟合，如下式所示：
式中eα(t)为多变量零均值白噪声序列，Aα(1),Aα(2),…,Aα(r)表示N×N系数矩阵，Aα(r)代表xα(t-r)对xα(t)*的时间延迟影响；假设Aα(r)的矩阵元素为
那么系数矩阵写为
非对角线元素
展示了不同信号
间的时间延迟影响；令真实值和预测值之间的误差达到最小，即可得到模型系数；pα即模型阶次，由施瓦茨贝叶斯准则确定；
MVAR模型建立完成之后，基于傅里叶变换对其进行动态频域分析，拥有可变阶次mα的
定义如下：
式中B0(f)＝-I，Δt为两采样点间时间间隔,j代表虚数单位，有
其中Xα(f)和Eα(f)分别为xα(t)和eα(t)的傅里叶变换；
将(7)式重写为：
式中
为传递矩阵
第l行第s列的元素；接着，对
进行正则化，即将
除以第l行元素的平方和；如下式所示：
式(10)表达了导联s对导联l的影响占所有导联对导联l影响的比重，取值范围为[0,1]；
越接近1表示导联s对导联l的影响越大，值接近0代表导联s对l没有贡献；
为了获得(10)式在不同频率下的均值，对α频带的数据进行如下处理：
f1,f2分别等于8Hz和13Hz；对
进行类似操作得到
其中f3,f4分别为21和30Hz。
3.根据权利要求2所述的基于动态定向传递函数的脑功能网络特征提取方法，其特征在于：基于DDTF的脑功能网络构建；
反映了在整个α频带中两导联的连接方向及强度，将EEG电极作为节点，连接矩阵
作为节点间连接边即可构建α频带的脑功能网络。
4.根据权利要求3所述的基于动态定向传递函数的脑功能网络特征提取方法，其特征在于：特征参数的定义，根据脑功能网络及连接矩阵，求得特征参数；导联g，g＝1,2,…,N，将特征矩阵
的第g行元素相加即可得到导联g的流入信息：
将连接矩阵第g列相加得到导联g的流出信息：
流入信息表示特定导联g从其他导联接收到的信息总和，而流出信息则为导联g对于网络中其他节点传递的信息总量；二者均代表了大脑特定区域及其他区间的信息交流过程；
将流出信息及流入信息相结合定义信息流增益:
信息流增益指示了导联g在信息传递过程中的角色，信息流增益越大，导联g对其他导联的贡献也越大；信息流增益趋近于0时表示从导联g得到的信息非常少。
5.根据权利要求4所述的基于动态定向传递函数的脑功能网络特征提取方法，其特征在于：特征向量的构建，α频段中，对于每个导联g都有其
及
将N个导联的信息集合在一起得到
其中N表示经过导联选择后的导联数量；将
及
串行融合构建α频段的网络特征向量
类似地，可得到β,β1或β2的特征向量：
接下来，将特定频段的特征向量送入SVM分类不同的运动想象任务。
6.根据权利要求5所述的基于动态定向传递函数的脑功能网络特征提取方法，其特征在于：SVM特征分类对于每个mα有对应的特征
及正确率
将MI-EEG信号滤波至β频段可得到
和
将α频带及β频带的正确率进行对比，假如
高于
那么这代表α频带是寻找的最终频带；如若不然，最高分类正确率则隐藏在β频带中；将MI-EEG信号滤波至β1(13-21Hz)及β2(21-30Hz)频带。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010375284.8A CN111528836B (zh) | 2020-05-06 | 2020-05-06 | 基于动态定向传递函数的脑功能网络特征提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010375284.8A CN111528836B (zh) | 2020-05-06 | 2020-05-06 | 基于动态定向传递函数的脑功能网络特征提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111528836A CN111528836A (zh) | 2020-08-14 |
| CN111528836B true CN111528836B (zh) | 2023-04-28 |
Family
ID=71973312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010375284.8A Active CN111528836B (zh) | 2020-05-06 | 2020-05-06 | 基于动态定向传递函数的脑功能网络特征提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111528836B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112932505B (zh) * | 2021-01-16 | 2022-08-09 | 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 |
| CN113017648B (zh) * | 2021-03-18 | 2023-03-24 | 内蒙古工业大学 | 一种脑电信号识别方法和系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101433460A (zh) * | 2008-07-25 | 2009-05-20 | 天津大学 | 下肢想象动作电位空间滤波方法 |
| US9107595B1 (en) * | 2014-09-29 | 2015-08-18 | The United States Of America As Represented By The Secretary Of The Army | Node excitation driving function measures for cerebral cortex network analysis of electroencephalograms |
| CN105559777A (zh) * | 2016-03-17 | 2016-05-11 | 北京工业大学 | 基于小波包和lstm型rnn神经网络的脑电识别方法 |
| CN106875409A (zh) * | 2017-03-24 | 2017-06-20 | 云南大学 | 一种轻量型切口疝补片三维超声图像特征提取方法 |
| CN108829257A (zh) * | 2018-08-21 | 2018-11-16 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
| CN109726751A (zh) * | 2018-12-21 | 2019-05-07 | 北京工业大学 | 基于深度卷积神经网络识别脑电成像图的方法 |
| CN109965869A (zh) * | 2018-12-16 | 2019-07-05 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
| WO2020047539A1 (en) * | 2018-08-31 | 2020-03-05 | Louisiana Tech Research Corporation | System and method for network analysis of a patient's neuro-cardio-respiratory system |
-
2020
- 2020-05-06 CN CN202010375284.8A patent/CN111528836B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101433460A (zh) * | 2008-07-25 | 2009-05-20 | 天津大学 | 下肢想象动作电位空间滤波方法 |
| US9107595B1 (en) * | 2014-09-29 | 2015-08-18 | The United States Of America As Represented By The Secretary Of The Army | Node excitation driving function measures for cerebral cortex network analysis of electroencephalograms |
| CN105559777A (zh) * | 2016-03-17 | 2016-05-11 | 北京工业大学 | 基于小波包和lstm型rnn神经网络的脑电识别方法 |
| CN106875409A (zh) * | 2017-03-24 | 2017-06-20 | 云南大学 | 一种轻量型切口疝补片三维超声图像特征提取方法 |
| CN108829257A (zh) * | 2018-08-21 | 2018-11-16 | 北京工业大学 | 一种运动想象脑电信号的特征提取方法 |
| WO2020047539A1 (en) * | 2018-08-31 | 2020-03-05 | Louisiana Tech Research Corporation | System and method for network analysis of a patient's neuro-cardio-respiratory system |
| CN109965869A (zh) * | 2018-12-16 | 2019-07-05 | 北京工业大学 | 基于脑源域空间的mi-eeg识别方法 |
| CN109726751A (zh) * | 2018-12-21 | 2019-05-07 | 北京工业大学 | 基于深度卷积神经网络识别脑电成像图的方法 |
Non-Patent Citations (6)
| Title |
|---|
| Combined long short-term memory based network employing wavelet coefficients for MI-EEG recognition;Li M,等;《2016 IEEE International Conference on Mechatronics and Automation》;20160810;全文 * |
| Comparison of different cortical connectivity estimators for high‐resolution EEG recordings;Astolfi L, 等;《Human brain mapping》;20060610;全文 * |
| Estimating dynamic cortical connectivity from motor imagery EEG using KALMAN smoother & EM algorithm;Samdin S B,等;《2014 IEEE Workshop on Statistical Signal Processing (SSP)》;20140702;全文 * |
| 基于改进 GHSOM 的运动想象脑电信号自适应识别方法;李明爱;《仪器仪表学报》;20150531;第36卷(第5期);全文 * |
| 复杂脑网络分析方法及其在癫痫诊疗中的应用;丁平，等;《感染、炎症、修复》;20160920;第17卷(第3期);全文 * |
| 运动观察脑电特征分析与识别;李新建;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20180228;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111528836A (zh) | 2020-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111012336B (zh) | 时空特征融合的并行卷积网络运动想象脑电图分类方法 | |
| Leite et al. | Deep convolutional autoencoder for EEG noise filtering | |
| Zhang et al. | Cascade and parallel convolutional recurrent neural networks on EEG-based intention recognition for brain computer interface | |
| Li et al. | Densely feature fusion based on convolutional neural networks for motor imagery EEG classification | |
| CN111528836B (zh) | 基于动态定向传递函数的脑功能网络特征提取方法 | |
| CN108960299B (zh) | 一种多类运动想象脑电信号的识别方法 | |
| CN110151203B (zh) | 基于多级雪崩式卷积递归网络eeg分析的疲劳驾驶识别方法 | |
| CN110333783B (zh) | 一种用于鲁棒肌电控制的无关手势处理方法及系统 | |
| CN109318207A (zh) | 一种利用肌电定时的下肢运动准备电位检测系统及方法 | |
| CN109871808B (zh) | 房颤模型训练、检测方法和装置 | |
| CN114707530A (zh) | 基于多源信号和神经网络的双模态情绪识别方法及系统 | |
| CN112244878A (zh) | 用并联型多模块cnn和lstm识别关键频带图像序列的方法 | |
| CN106648087A (zh) | 一种基于意识任务的特征eeg处理方法 | |
| Alyasseri et al. | EEG signal denoising using hybridizing method between wavelet transform with genetic algorithm | |
| Dehghani et al. | A deep neural network-based transfer learning to enhance the performance and learning speed of BCI systems | |
| CN114578967A (zh) | 一种基于脑电信号的情感识别方法及系统 | |
| Qu et al. | Riemannian distance based channel selection and feature extraction combining discriminative time-frequency bands and Riemannian tangent space for MI-BCIs | |
| CN115480638A (zh) | 基于笔画意图识别的中文打字方法、装置、系统及介质 | |
| CN115251909A (zh) | 基于时空卷积神经网络的脑电信号评估听力的方法及装置 | |
| Aslan et al. | LieWaves: dataset for lie detection based on EEG signals and wavelets | |
| Wu et al. | Research on removal algorithm of EOG artifacts in single-channel EEG signals based on CEEMDAN-BD | |
| CN114081506A (zh) | 一种基于长短期记忆网络的稳态视觉诱发电位分类方法 | |
| CN117084693A (zh) | 一种基于多领域特征融合和注意力机制的脑病检测系统 | |
| CN114721514B (zh) | 一种基于脑电信号的几何模型选择意图判别方法及系统 | |
| Wan et al. | Segment alignment based cross-subject motor imagery classification under fading data |
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 |