CN113509148A - 一种基于混合高阶脑网络的精神分裂症检测系统 - Google Patents

一种基于混合高阶脑网络的精神分裂症检测系统 Download PDF

Info

Publication number
CN113509148A
CN113509148A CN202110465305.XA CN202110465305A CN113509148A CN 113509148 A CN113509148 A CN 113509148A CN 202110465305 A CN202110465305 A CN 202110465305A CN 113509148 A CN113509148 A CN 113509148A
Authority
CN
China
Prior art keywords
order
brain function
function network
network
brain
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
Application number
CN202110465305.XA
Other languages
English (en)
Other versions
CN113509148B (zh
Inventor
信俊昌
周柯奇
沈惠贤
王中阳
王之琼
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN202110465305.XA priority Critical patent/CN113509148B/zh
Publication of CN113509148A publication Critical patent/CN113509148A/zh
Application granted granted Critical
Publication of CN113509148B publication Critical patent/CN113509148B/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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7282—Event detection, e.g. detecting unique waveforms indicative of a medical condition
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Psychiatry (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Psychology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Neurosurgery (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提供一种基于混合高阶脑网络的精神分裂症检测系统，涉及脑电信号技术领域。该系统包括对获取到的原始脑电信号进行预处理的脑电信号预处理模块，构建静态低阶多层脑功能网络和动态高阶多层脑功能网络的脑功能网络构建模块；计算每名被试者的静态低阶多层脑功能网络模型和动态高阶多层脑功能网络模型的拓扑结构度量指标，并进行K‑S检验，选取小于设定阈值的拓扑结构度量指标拼接为特征矩阵的特征提取模块；通过特征矩阵训练分类器实现对精神分裂症进行检测的检测模块。该系统克服了以往的脑功能网络的脑区间信息表达不足及时间信息利用不够充分的缺陷，使脑电信号的信息得到充分的发挥，起到更好的为医疗疾病检测服务的效果。

Description

一种基于混合高阶脑网络的精神分裂症检测系统
技术领域
本发明涉及脑电信号技术领域，尤其涉及一种基于混合高阶脑网络的精神分裂症检测系统。
背景技术
近些年来，神经影像技术取得了飞速的进步，这为研究精神分裂症病人各个脑区具有的功能提供了相应的技术。脑电图(Electroencephalogram，EEG)是监测大脑活动的重要工具，成本低廉、环境要求易满足，方便对患者进行采集，无需将被试者限制于狭小的空间中，从而避免被试者产生幽闭恐惧症的优点。而且脑电信号分析是一种无创性和非放射性的工具，经常被用于功能性神经检查，以检测脑部非结构性病变引起的脑功能障碍。
脑电技术与复杂网络相结合是当前脑科学的研究热点之一，脑网络由于可以全面而细致地刻画大脑内部的组织模式，挖掘大脑的连接规律，近年来脑网络已经被应用于精神分裂症的检测当中。目前对于自发及诱发的脑电图一般将记录电极定义为脑功能网络的节点，将不同节点记录的神经活动信号之间的动态协调性作为脑功能网络的连接。但是采集脑电信号的电极的数量一般较少，不能充分挖掘大脑的连接规律，从而导致分类准确率低。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于混合高阶脑网络的精神分裂症检测系统，实现对精神分裂症的检测。
为解决上述技术问题，本发明所采取的技术方案是：一种基于混合高阶脑网络的精神分裂症检测系统，包括脑电信号预处理模块、脑功能网络构建模块、特征提取模块及检测模块；
所述脑电信号预处理模块用于对获取到的原始脑电信号进行预处理，并将经过预处理后的脑电数据输入到脑功能网络构建模块；所述脑功能网络构建模块基于预处理后的脑电数据构建混合高阶脑功能网络；所述混合高阶脑功能网络包括静态低阶多层脑功能网络和动态高阶多层脑功能网络；所述特征提取模块提取脑功能网络构建模块构建的混合高阶脑功能网络的特征，构建特征矩阵，并输入到检测模块；所述检测模块基于特征提取模块输入的特征矩阵训练分类器实现对精神分裂症的检测；
所述脑电信号预处理模块对获取到的原始脑电信号进行电极定位、平均重参考、滤波、伪迹去除这些预处理，具体方法为：
载进一个跟记录脑电信号数据时相匹配的通道位置信息做为脑电的电极定位，并进行平均重参考，使每个电极通道对新参考的贡献相等，再对脑电信号进行0.5～48HZ带通滤波，去除伪迹数据，获得所需要的脑电信号Xi，i＝1,2,…,m，m为进行脑电信号采集的电极的个数；
所述脑功能网络构建模块基于预处理后的脑电数据构建混合高阶脑功能网络的具体方法为：
一、基于预处理后的脑电数据构建静态低阶多层脑功能网络；
步骤S1：将每个EEG通道作为一个节点，利用相位锁定值(Phase Locking Value，PLV)计算完整的时间段内每两个通道之间脑电信号的相位关系，获得静态低阶第一层功能连接网络
Figure BDA0003043567430000021
j＝1,2,…,m；
步骤S2：再计算静态低阶第一层功能连接网络中每对节点功能连接所构成的序列之间的相关性，获得静态低阶第二层功能连接网络
Figure BDA0003043567430000022
步骤S3：分别对静态低阶第一层功能连接网络
Figure BDA0003043567430000023
和静态低阶第二层功能连接网络
Figure BDA0003043567430000024
进行拓扑过滤得到静态低阶第一层脑功能网络模型
Figure BDA0003043567430000025
和静态低阶第二层脑功能网络模型
Figure BDA0003043567430000026
二、基于预处理后的脑电数据构建动态高阶多层脑功能网络；
步骤C1：采用滑动时间窗口方法分割预处理后的完整的脑电信号的时间序列，得到n个时间片段，每个时间片段下的脑电信号为Xi(k)，k＝1,2,…,n；
步骤C2：利用相位锁定值(PLV)计算划分后的每个时间段内每两个通道之间脑电信号的相位关系，获得动态低阶第一层功能连接网络
Figure BDA0003043567430000027
步骤C3：再计算划分后的每个时间片段内动态低阶第一层功能连接网络中每对节点功能连接所构成的序列之间的相关性，获得动态低阶第二层功能连接网络
Figure BDA0003043567430000028
步骤C4：分别计算动态低阶第一层功能连接网络
Figure BDA0003043567430000029
和动态低阶第二层功能连接网络
Figure BDA00030435674300000210
中每两个动态功能连接时间序列的相关性，获得动态高阶第一层功能连接网络
Figure BDA00030435674300000211
和动态高阶第二层功能连接网络
Figure BDA00030435674300000212
其中，p,q＝1,2,…,m；
步骤C5：分别对动态高阶第一层功能连接网络
Figure BDA00030435674300000213
和动态高阶第二层功能连接网络
Figure BDA00030435674300000214
进行拓扑过滤得到动态高阶第一层脑功能网络模型
Figure BDA00030435674300000215
和动态高阶第二层脑功能网络模型
Figure BDA00030435674300000216
所述特征提取模块提取脑功能网络构建模块构建的混合高阶脑功能网络的特征，构建特征矩阵的具体方法为：
步骤A1：计算每名被试者的静态低阶多层脑功能网络模型和动态高阶多层脑功能网络模型的拓扑结构度量指标；所述拓扑结构度量指标包括全局拓扑结构度量指标和局部拓扑结构度量指标，其中，全局拓扑结构度量指标包括传递性、密度、全局效率，局部拓扑结构度量指标包括聚类系数、局部效率、度、中介中心性；
步骤A2：对步骤A1计算的静态低阶多层脑功能网络模型和动态高阶多层脑功能网络模型的拓扑结构度量指标进行K-S检验，选取小于设定阈值的拓扑结构度量指标拼接为特征矩阵；
所述检测模块基于特征提取模块输入的特征矩阵训练分类器实现对精神分裂症的检测的具体方法为：
(1)使用留一交叉验证策略来划分数据集；将整个主体样本设定为包含L个受试者，被平均划分为L份，每次依次选择一个样本作为测试集，其余L-1个样本作为训练集；
(2)使用Z-score标准化方法对特征矩阵中的特征进行标准化处理，经过标准化处理后的特征矩阵中各种特征处于同一数量级；
(3)使用递归特征消除方法对标准化处理后的特征矩阵进行特征选择，消除特征矩阵中的冗余特征，特征选择被包装在留一交叉验证中，并且仅在训练集上执行，而所选择的特征则被用于测试；
(4)将用于训练的特征矩阵通过SVM分类器进行精神分裂症患者是否患病的训练。
(5)将用于测试的特征矩阵通过SVM分类器进行精神分裂症患者是否患病的检测。
(6)重复了步骤(1)-(5)L次，通过L次返回的正确率的均值作为SVM分类的准确率。
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于混合高阶脑网络的精神分裂症检测系统，克服了以往的脑功能网络的脑区间信息表达不足及时间信息利用不够充分的缺陷，使得构建静态低阶多层脑功能网络模型和动态高阶多层脑功能网络模型成为可能，令脑电信号的信息得到充分的发挥，起到更好的为医疗疾病检测服务的效果。
附图说明
图1为本发明实施例提供的一种基于混合高阶脑网络的精神分裂症检测系统的结构框图；
图2为本发明实施例提供的基于预处理后的脑电数据构建静态低阶多层脑功能网络的流程图；
图3为本发明实施例提供的基于预处理后的脑电数据构建动态高阶多层脑功能网络的流程图；
图4为本发明实施例提供的检测模块进行精神分裂症检测的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
以往传统的脑功能网络只是研究两个脑区节点的相关程度，忽略了对大脑区域之间更深层次的交互信息和功能连接之间关联程度的研究。同时现有的脑网络多是集中在动态的脑功能网络。静态脑功能网络解释了全局的平稳性，动态脑功能网络旨在实现局部的动态特性，而忽略了静态与动态脑功能网络的结合。因此需要构建静态低阶多层脑功能网络和动态高阶多层脑功能网络，并融合这些网络的特性进而更全面的描述大脑的活动信息。因此，本发明方法提出了一种混合高阶脑网络的构建方法，既考虑了大脑区域的功能连接之间的相关程度，又同时考虑到大脑区域之间静态和动态的相互作用模式，并将其用于精神分裂症检测。
本实施例中，一种基于混合高阶脑网络的精神分裂症检测系统，如图1所示，包括脑电信号预处理模块、脑功能网络构建模块、特征提取模块及检测模块；脑电信号预处理模块用于对获取到的原始脑电信号进行预处理，并将经过预处理后的脑电数据输入到脑功能网络构建模块；所述脑功能网络构建模块基于预处理后的脑电数据构建混合高阶脑功能网络；所述混合高阶脑功能网络包括静态低阶多层脑功能网络和动态高阶多层脑功能网络；所述特征提取模块提取脑功能网络构建模块构建的混合高阶脑功能网络的特征，构建特征矩阵，并输入到检测模块；所述检测模块基于特征提取模块输入的特征矩阵训练分类器实现对精神分裂症的检测。
本实施例中，脑电信号预处理模块对获取到的原始脑电信号进行电极定位、平均重参考、滤波、伪迹去除这些预处理，具体方法为：
载进一个跟记录脑电信号数据时相匹配的通道位置信息做为脑电的电极定位，并进行平均重参考，使每个电极通道对新参考的贡献相等，再对脑电信号进行0.5～48HZ带通滤波，去除伪迹数据，获得所需要的脑电信号Xi，i＝1,2,…,m，m为进行脑电信号采集的电极的个数；
头皮脑电图检查常采用国际标准系统电极放置法，载进一个跟记录脑电信号数据时相匹配的通道位置信息做为脑电的电极定位；当应用“平均重参考”时，新的参考是测量所有头皮通道的平均电活动。重新参考后，所有通道的整体电活动(振幅)在每个时间点的总和为零。当使用这个参考时，振幅将总体减少，但每个通道对新的参考的贡献相等。
所述脑功能网络构建模块基于预处理后的脑电数据构建混合高阶脑功能网络的具体方法为：
一、基于预处理后的脑电数据构建静态低阶多层脑功能网络，如图2所示，具体方法为：
步骤S1：将每个EEG通道作为一个节点，利用相位锁定值(Phase Locking Value，PLV)计算完整的时间段内每两个通道之间脑电信号的相位关系，获得静态低阶第一层功能连接网络
Figure BDA0003043567430000051
j＝1,2,…,m；
对各个电极节点之间的匹配关系进行计算，确定功能连接网络中边的表示，采用相位锁定值的方法来计算各个节点之间的第一层相关关系，构成静态低阶第一层关联矩阵，得到静态低阶第一层功能连接网络
Figure BDA0003043567430000052
步骤S2：再计算静态低阶第一层功能连接网络中每对节点功能连接所构成的序列之间的相关性，获得静态低阶第二层功能连接网络
Figure BDA0003043567430000053
对于第一层的关联矩阵，每一列代表特定脑区和所有脑区之间的功能连接，这些功能连接可以构成一个序列。在计算第i个脑区和第j个脑区的功能连接序列的相关性时，未考虑功能连接矩阵中的自连接以及第i个脑区与第j个脑区之间的连接，即每个脑区的功能连接序列长度为m-2；对于第i和第j两个脑区，采用余弦相似性来计算它们的功能连接所构成的序列的相关性，这样可以有效衡量两个脑区之间的相关程度，将其他脑区对第i个脑区和第j个脑区之间的功能连接的影响考虑到功能连接的构建中，计算了大脑区域对之间的第二层相关性，构成静态低阶第二层关联矩阵，得到静态低阶第二层功能连接网络
Figure BDA0003043567430000054
步骤S3：分别对静态低阶第一层功能连接网络
Figure BDA0003043567430000055
和静态低阶第二层功能连接网络
Figure BDA0003043567430000056
进行拓扑过滤得到静态低阶第一层脑功能网络模型
Figure BDA0003043567430000057
和静态低阶第二层脑功能网络模型
Figure BDA0003043567430000058
计算出静态低阶第一层功能连接网络
Figure BDA0003043567430000059
和静态低阶第二层功能连接网络
Figure BDA00030435674300000510
后，采用正交最小生成树分别对静态低阶第一层功能连接网络
Figure BDA00030435674300000511
和静态低阶第二层功能连接网络
Figure BDA00030435674300000512
进行拓扑过滤，将功能连接网络转化为二值的邻接矩阵，即过滤后的节点之间的连接设置为1，如果节点之间没有连接，则设置为0，从而得到拓扑过滤后保留所有边的邻接矩阵，并将每个邻接矩阵表示为脑功能网络；
采用正交最小生成树分别对静态低阶第一层功能连接网络
Figure BDA0003043567430000061
或静态低阶第二层功能连接网络
Figure BDA0003043567430000062
进行拓扑过滤的具体方法为：
初始第一个最小生成树，基于Kruskal算法使用m-1条边连接功能连接网络中所有的m个节点；然后，第一个最小生成树的m-1条边对应的功能连接将被零所取代以避免捕获相同的边缘，并以最小的总距离连接所有m个节点来计算第二个最小生成树，满足正交的约束，即和第一个最小生成树没有公共边。最后计算得到的第N个最小生成树与之前N-1个最小生成树正交，得到包含N×(m-1)条边的网络。当每添加一个新的最小生成树时，估计目标函数—全局成本效率(Global Cost Efficiency,GCE)，即：
GCE＝GE-Cost
其中，GE代表最小生成树聚合得到的稀疏网络的全局效率与原始全连接网络的全局效率的比值；Cost代表最小生成树聚合得到的稀疏网络边的总权值与原始全连接网络边的总权重的比值。
找到目标函数值最大时的最小生成树的个数s，聚合s个最小生成树，最后得到包含s×(m-1)条边的稀疏脑功能网络；
二、基于预处理后的脑电数据构建动态高阶多层脑功能网络，如图3所示，具体方法为：
步骤C1：采用滑动时间窗口方法分割预处理后的完整的脑电信号的时间序列，得到n个时间片段，每个时间片段下的脑电信号为Xi(k)，k＝1,2,…,n；
步骤C2：利用相位锁定值(PLV)计算划分后的每个时间段内每两个通道之间脑电信号的相位关系，获得动态低阶第一层功能连接网络
Figure BDA0003043567430000063
在每个时间片段内利用步骤S1方法对各个电极节点之间的匹配关系进行计算，采用相位锁定值的方法在每个时间片段内计算各个节点之间的第一层相关关系，构成动态低阶第一层关联矩阵，获得动态低阶第一层功能连接网络
Figure BDA0003043567430000064
步骤C3：再计算划分后的每个时间片段内动态低阶第一层功能连接网络中每对节点功能连接所构成的序列之间的相关性，获得动态低阶第二层功能连接网络
Figure BDA0003043567430000065
在每个时间片段内利用步骤S2方法计算动态低阶第一层功能连接网络中每对节点功能连接所构成的序列之间的余弦相似性，构成包含大脑区域功能连接之间相关性的动态低阶第二层关联矩阵，获得动态低阶第二层功能连接网络
Figure BDA0003043567430000066
步骤C4：分别计算动态低阶第一层功能连接网络
Figure BDA0003043567430000067
和动态低阶第二层功能连接网络
Figure BDA0003043567430000071
中每两个动态功能连接时间序列的相关性，获得动态高阶第一层功能连接网络
Figure BDA0003043567430000072
和动态高阶第二层功能连接网络
Figure BDA0003043567430000073
其中，p,q＝1,2,…,m；
分别堆栈动态低阶第一层关联矩阵和动态低阶第二层关联矩阵，基于滑动时间窗方法，每层动态低阶功能连接网络共得到n个关联矩阵，每对节点之间的功能连接构成了动态功能连接时间序列；动态低阶第一层功能连接网络中，每对节点(i,j)的动态功能连接时间序列为
Figure BDA0003043567430000074
动态低阶第二层功能连接网络中，每对节点(i,j)的动态功能连接时间序列为
Figure BDA0003043567430000075
通过计算每两个动态功能连接时间序列的余弦相似性得到每两个动态功能连接时间序列的相关性。
步骤C5：分别对动态高阶第一层功能连接网络
Figure BDA0003043567430000076
和动态高阶第二层功能连接网络
Figure BDA0003043567430000077
进行拓扑过滤得到动态高阶第一层脑功能网络模型
Figure BDA0003043567430000078
和动态高阶第二层脑功能网络模型
Figure BDA0003043567430000079
所述特征提取模块提取脑功能网络构建模块构建的混合高阶脑功能网络的特征，构建特征矩阵的具体方法为：
步骤A1：利用复杂网络原理，计算每名被试者的静态低阶多层脑功能网络模型和动态高阶多层脑功能网络模型的拓扑结构度量指标；所述拓扑结构度量指标包括全局拓扑结构度量指标和局部拓扑结构度量指标，其中，全局拓扑结构度量指标包括传递性、密度、全局效率，局部拓扑结构度量指标包括聚类系数、局部效率、度、中介中心性；
步骤A2：对步骤A1计算的静态低阶多层脑功能网络模型和动态高阶多层脑功能网络模型的拓扑结构度量指标进行K-S检验，选取小于设定阈值的拓扑结构度量指标拼接为特征矩阵；
所述检测模块基于特征提取模块输入的特征矩阵训练分类器实现对精神分裂症的检测，如图4所示，具体方法为：
(1)使用留一交叉验证策略来划分数据集；将整个主体样本设定为包含L个受试者，被平均划分为L份，每次依次选择一个样本作为测试集，其余L-1个样本作为训练集；
(2)使用Z-score标准化方法对特征矩阵中的特征进行标准化处理，经过标准化处理后的特征矩阵中各种特征处于同一数量级；
(3)使用递归特征消除方法对标准化处理后的特征矩阵进行特征选择，消除特征矩阵中的冗余特征，特征选择被包装在留一交叉验证中，并且仅在训练集上执行，而所选择的特征则被用于测试；
给定分类器为每种特征分配权重，递归特征消除方法的目标是通过递归考虑越来越小的特征集来选择特征。首先，对分类器进行特征集的训练，得到每个特征的重要性。然后，从当前的一组特征中修剪最不重要的特征。该过程在需要修剪的集合上递归地重复，直到最终达到所要选择的特征的期望数量。
(4)将用于训练的特征矩阵通过SVM分类器进行精神分裂症患者是否患病的训练。
(5)将用于测试的特征矩阵通过SVM分类器进行精神分裂症患者是否患病的检测。
(6)重复了步骤(1)-(5)L次，通过L次返回的正确率的均值作为SVM分类的准确率。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部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权利要求所限定的范围。

Claims (5)

1.一种基于混合高阶脑网络的精神分裂症检测系统，其特征在于：包括脑电信号预处理模块、脑功能网络构建模块、特征提取模块及检测模块；
所述脑电信号预处理模块用于对获取到的原始脑电信号进行预处理，并将经过预处理后的脑电数据输入到脑功能网络构建模块；所述脑功能网络构建模块基于预处理后的脑电数据构建混合高阶脑功能网络；所述混合高阶脑功能网络包括静态低阶多层脑功能网络和动态高阶多层脑功能网络；所述特征提取模块提取脑功能网络构建模块构建的混合高阶脑功能网络的特征，构建特征矩阵，并输入到检测模块；所述检测模块基于特征提取模块输入的特征矩阵训练分类器实现对精神分裂症的检测。
2.根据权利要求1所述的一种基于混合高阶脑网络的精神分裂症检测系统，其特征在于：所述脑电信号预处理模块对获取到的原始脑电信号进行电极定位、平均重参考、滤波、伪迹去除这些预处理，具体方法为：
载进一个跟记录脑电信号数据时相匹配的通道位置信息做为脑电的电极定位，并进行平均重参考，使每个电极通道对新参考的贡献相等，再对脑电信号进行0.5～48HZ带通滤波，去除伪迹数据，获得所需要的脑电信号Xi，i＝1,2,…,m，m为进行脑电信号采集的电极的个数。
3.根据权利要求2所述的一种基于混合高阶脑网络的精神分裂症检测系统，其特征在于：所述脑功能网络构建模块基于预处理后的脑电数据构建混合高阶脑功能网络的具体方法为：
一、基于预处理后的脑电数据构建静态低阶多层脑功能网络；
步骤S1：将每个EEG通道作为一个节点，利用相位锁定值计算完整的时间段内每两个通道之间脑电信号的相位关系，获得静态低阶第一层功能连接网络
Figure FDA0003043567420000011
步骤S2：再计算静态低阶第一层功能连接网络中每对节点功能连接所构成的序列之间的相关性，获得静态低阶第二层功能连接网络
Figure FDA0003043567420000012
步骤S3：分别对静态低阶第一层功能连接网络
Figure FDA0003043567420000013
和静态低阶第二层功能连接网络
Figure FDA0003043567420000014
进行拓扑过滤得到静态低阶第一层脑功能网络模型
Figure FDA0003043567420000015
和静态低阶第二层脑功能网络模型
Figure FDA0003043567420000016
二、基于预处理后的脑电数据构建动态高阶多层脑功能网络；
步骤C1：采用滑动时间窗口方法分割预处理后的完整的脑电信号的时间序列，得到n个时间片段，每个时间片段下的脑电信号为Xi(k)，k＝1,2,…,n；
步骤C2：利用相位锁定值(PLV)计算划分后的每个时间段内每两个通道之间脑电信号的相位关系，获得动态低阶第一层功能连接网络
Figure FDA0003043567420000021
步骤C3：再计算划分后的每个时间片段内动态低阶第一层功能连接网络中每对节点功能连接所构成的序列之间的相关性，获得动态低阶第二层功能连接网络
Figure FDA0003043567420000022
步骤C4：分别计算动态低阶第一层功能连接网络
Figure FDA0003043567420000023
和动态低阶第二层功能连接网络
Figure FDA0003043567420000024
中每两个动态功能连接时间序列的相关性，获得动态高阶第一层功能连接网络
Figure FDA0003043567420000025
和动态高阶第二层功能连接网络
Figure FDA0003043567420000026
其中，p,q＝1,2,…,m；
步骤C5：分别对动态高阶第一层功能连接网络
Figure FDA0003043567420000027
和动态高阶第二层功能连接网络
Figure FDA0003043567420000028
进行拓扑过滤得到动态高阶第一层脑功能网络模型
Figure FDA0003043567420000029
和动态高阶第二层脑功能网络模型
Figure FDA00030435674200000210
4.根据权利要求3所述的一种基于混合高阶脑网络的精神分裂症检测系统，其特征在于：所述特征提取模块提取脑功能网络构建模块构建的混合高阶脑功能网络的特征，构建特征矩阵的具体方法为：
步骤A1：计算每名被试者的静态低阶多层脑功能网络模型和动态高阶多层脑功能网络模型的拓扑结构度量指标；所述拓扑结构度量指标包括全局拓扑结构度量指标和局部拓扑结构度量指标，其中，全局拓扑结构度量指标包括传递性、密度、全局效率，局部拓扑结构度量指标包括聚类系数、局部效率、度、中介中心性；
步骤A2：对步骤A1计算的静态低阶多层脑功能网络模型和动态高阶多层脑功能网络模型的拓扑结构度量指标进行K-S检验，选取小于设定阈值的拓扑结构度量指标拼接为特征矩阵。
5.根据权利要求4所述的一种基于混合高阶脑网络的精神分裂症检测系统，其特征在于：所述检测模块基于特征提取模块输入的特征矩阵训练分类器实现对精神分裂症的检测的具体方法为：
(1)使用留一交叉验证策略来划分数据集；将整个主体样本设定为包含L个受试者，被平均划分为L份，每次依次选择一个样本作为测试集，其余L-1个样本作为训练集；
(2)使用Z-score标准化方法对特征矩阵中的特征进行标准化处理，经过标准化处理后的特征矩阵中各种特征处于同一数量级；
(3)使用递归特征消除方法对标准化处理后的特征矩阵进行特征选择，消除特征矩阵中的冗余特征，特征选择被包装在留一交叉验证中，并且仅在训练集上执行，而所选择的特征则被用于测试；
(4)将用于训练的特征矩阵通过SVM分类器进行精神分裂症患者是否患病的训练；
(5)将用于测试的特征矩阵通过SVM分类器进行精神分裂症患者是否患病的检测；
(6)重复了步骤(1)-(5)L次，通过L次返回的正确率的均值作为SVM分类的准确率。
CN202110465305.XA 2021-04-28 2021-04-28 一种基于混合高阶脑网络的精神分裂症检测系统 Active CN113509148B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110465305.XA CN113509148B (zh) 2021-04-28 2021-04-28 一种基于混合高阶脑网络的精神分裂症检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110465305.XA CN113509148B (zh) 2021-04-28 2021-04-28 一种基于混合高阶脑网络的精神分裂症检测系统

Publications (2)

Publication Number Publication Date
CN113509148A true CN113509148A (zh) 2021-10-19
CN113509148B CN113509148B (zh) 2022-04-22

Family

ID=78063728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110465305.XA Active CN113509148B (zh) 2021-04-28 2021-04-28 一种基于混合高阶脑网络的精神分裂症检测系统

Country Status (1)

Country Link
CN (1) CN113509148B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114010197A (zh) * 2021-11-05 2022-02-08 哈工大机器人（合肥）国际创新研究院 一种基于空间树状网络结构的干湿混合脑电电极
CN114842254A (zh) * 2022-05-05 2022-08-02 中南大学湘雅二医院 一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法、装置、设备及介质
CN116458869A (zh) * 2023-04-13 2023-07-21 华南师范大学 基于视觉脑网络的意识检测方法、系统、设备及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160220836A1 (en) * 2015-01-30 2016-08-04 Board Of Trustees Of The University Of Arkansas Device and method of phase-locking brain stimulation to electroencephalographic rhythms
CN107132915A (zh) * 2017-04-19 2017-09-05 西北工业大学 一种基于动态脑功能网络连接的脑‑机接口方法
CN109770923A (zh) * 2019-01-15 2019-05-21 五邑大学 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法
CN109793528A (zh) * 2019-01-28 2019-05-24 华南理工大学 一种基于动态脑功能网络的情绪分类方法
CN110459317A (zh) * 2019-08-13 2019-11-15 东北大学 基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法
CN111096743A (zh) * 2020-01-09 2020-05-05 浙江传媒学院 一种基于代数拓扑的任务态脑电信号分析方法
CN111150392A (zh) * 2020-02-12 2020-05-15 五邑大学 一种有向动态脑功能网络多类情绪识别构建方法及其装置
CN111325288A (zh) * 2020-03-17 2020-06-23 山东工商学院 基于聚类思想的多视角动态脑网络特征维度约减方法
CN111402212A (zh) * 2020-03-04 2020-07-10 上海海事大学 一种海员脑功能网络动态连接活动模式的提取方法
CN111419221A (zh) * 2020-02-14 2020-07-17 广东司法警官职业学院 一种基于图卷积网络的脑电图信号分析方法
CN112700876A (zh) * 2020-12-28 2021-04-23 聊城大学 一种包含高阶信息的脑功能网络构建方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160220836A1 (en) * 2015-01-30 2016-08-04 Board Of Trustees Of The University Of Arkansas Device and method of phase-locking brain stimulation to electroencephalographic rhythms
CN107132915A (zh) * 2017-04-19 2017-09-05 西北工业大学 一种基于动态脑功能网络连接的脑‑机接口方法
CN109770923A (zh) * 2019-01-15 2019-05-21 五邑大学 一种基于相位锁定值构建脑功能网络的驾驶疲劳检测方法
CN109793528A (zh) * 2019-01-28 2019-05-24 华南理工大学 一种基于动态脑功能网络的情绪分类方法
CN110459317A (zh) * 2019-08-13 2019-11-15 东北大学 基于动态脑网络图核的阿尔茨海默病辅助诊断系统及方法
CN111096743A (zh) * 2020-01-09 2020-05-05 浙江传媒学院 一种基于代数拓扑的任务态脑电信号分析方法
CN111150392A (zh) * 2020-02-12 2020-05-15 五邑大学 一种有向动态脑功能网络多类情绪识别构建方法及其装置
CN111419221A (zh) * 2020-02-14 2020-07-17 广东司法警官职业学院 一种基于图卷积网络的脑电图信号分析方法
CN111402212A (zh) * 2020-03-04 2020-07-10 上海海事大学 一种海员脑功能网络动态连接活动模式的提取方法
CN111325288A (zh) * 2020-03-17 2020-06-23 山东工商学院 基于聚类思想的多视角动态脑网络特征维度约减方法
CN112700876A (zh) * 2020-12-28 2021-04-23 聊城大学 一种包含高阶信息的脑功能网络构建方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114010197A (zh) * 2021-11-05 2022-02-08 哈工大机器人（合肥）国际创新研究院 一种基于空间树状网络结构的干湿混合脑电电极
CN114010197B (zh) * 2021-11-05 2023-06-20 哈工大机器人（合肥）国际创新研究院 一种基于空间树状网络结构的干湿混合脑电电极
CN114842254A (zh) * 2022-05-05 2022-08-02 中南大学湘雅二医院 一种以杏仁核为核心的脑功能网络多指标融合的图像分类方法、装置、设备及介质
CN116458869A (zh) * 2023-04-13 2023-07-21 华南师范大学 基于视觉脑网络的意识检测方法、系统、设备及介质
CN116458869B (zh) * 2023-04-13 2024-03-26 华南师范大学 基于视觉脑网络的意识检测方法、系统、设备及介质

Also Published As

Publication number Publication date
CN113509148B (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
CN113509148B (zh) 一种基于混合高阶脑网络的精神分裂症检测系统
Sangaiah et al. An intelligent learning approach for improving ECG signal classification and arrhythmia analysis
Dodia et al. An efficient EEG based deceit identification test using wavelet packet transform and linear discriminant analysis
US20070225932A1 (en) Methods, systems and computer program products for extracting paroxysmal events from signal data using multitaper blind signal source separation analysis
CN104367317A (zh) 多尺度特征融合的心电图心电信号分类方法
CN111956208B (zh) 一种基于超轻量级卷积神经网络的ecg信号分类方法
CN111419221A (zh) 一种基于图卷积网络的脑电图信号分析方法
CN117172294B (zh) 一种稀疏脑网络的构建方法、系统、设备和存储介质
CN115919330A (zh) 基于多层次se注意力和图卷积的eeg情绪状态分类方法
CN115281688A (zh) 一种基于多模态深度学习的心脏肥大多标签检测系统
CN115969369A (zh) 一种大脑任务负荷识别方法、应用及设备
CN116172517A (zh) 基于双视角特征融合框架的发作间期癫痫样放电检测方法及装置
Gupta et al. A simplistic and novel technique for ECG signal pre-processing
CN113317803B (zh) 一种基于图论和机器学习的神经症特征提取方法
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
Jia et al. Exploiting interactivity and heterogeneity for sleep stage classification via heterogeneous graph neural network
CN107256408B (zh) 一种大脑功能网络的关键路径搜索方法
Ahmadi et al. Application of horizontal visibility graph as a robust measure of neurophysiological signals synchrony
Rajaei et al. Pediatric epilepsy: Clustering by functional connectivity using phase synchronization
CN105395185A (zh) 基于多通道柔性融合的生理信号检测系统
Khodabakhsh et al. U-Net based estimation of functional connectivity from time series multi-channel EEG from schizophrenia patients
Ubeyli et al. Statistics over Lyapunov exponents for feature extraction: electroencephalographic changes detection case
CN113558637A (zh) 一种基于相位传递熵的音乐感知下脑网络构建方法
CN114287910A (zh) 一种基于多阶段图卷积融合的脑功能连接分类方法
CN114098761A (zh) 一种急诊脑电图检查系统、脑电图检查方法、计算机设备

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