CN113558637A - 一种基于相位传递熵的音乐感知下脑网络构建方法 - Google Patents
一种基于相位传递熵的音乐感知下脑网络构建方法 Download PDFInfo
- Publication number
- CN113558637A CN113558637A CN202110758861.6A CN202110758861A CN113558637A CN 113558637 A CN113558637 A CN 113558637A CN 202110758861 A CN202110758861 A CN 202110758861A CN 113558637 A CN113558637 A CN 113558637A
- Authority
- CN
- China
- Prior art keywords
- brain function
- function network
- electroencephalogram
- phase transfer
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 23
- 230000008447 perception Effects 0.000 title claims abstract description 23
- 238000012546 transfer Methods 0.000 title claims abstract description 23
- 238000010276 construction Methods 0.000 title claims abstract description 7
- 230000003925 brain function Effects 0.000 claims abstract description 62
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 6
- 238000012880 independent component analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000000638 stimulation Effects 0.000 abstract description 11
- 230000008878 coupling Effects 0.000 abstract description 7
- 238000010168 coupling process Methods 0.000 abstract description 7
- 238000005859 coupling reaction Methods 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 5
- 230000002457 bidirectional effect Effects 0.000 abstract description 4
- 230000009471 action Effects 0.000 abstract description 2
- 238000000537 electroencephalography Methods 0.000 description 12
- 238000000051 music therapy Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 208000012902 Nervous system disease Diseases 0.000 description 2
- 208000025966 Neurological disease Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 206010011878 Deafness Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 238000009098 adjuvant therapy Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000002996 emotional effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 206010015037 epilepsy Diseases 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000001595 mastoid Anatomy 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000002232 neuromuscular Effects 0.000 description 1
- 230000001242 postsynaptic effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 208000023516 stroke disease Diseases 0.000 description 1
- 238000012549 training 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]
- A61B5/377—Electroencephalography [EEG] using evoked responses
- A61B5/38—Acoustic or auditory stimuli
-
- 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
-
- 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
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Psychiatry (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Acoustics & Sound (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于相位传递熵的音乐感知下脑功能网络构建方法。首先,通过脑电采集仪采集音乐感知下的多通道脑电信号,经过0.5‑30Hz滤波处理,并去除眼电,肌电,心电伪迹干扰,并依据标签文件对脑电信号的活动段进行提取;以脑电信号通道位置作为节点,两通道信号的相位传递熵值作为边构建有向脑功能网络;计算出脑功能网络在不同阈值下的网络聚类系数、全局效率与网络密度特征,并比较音乐感知下与无听觉刺激下脑功能网络特征的差异。本发明通过相位传递熵构建脑功能网络,有利于描述脑电信号之间的耦合强度和双向耦合关系,对于脑电信号之间因果性的研究具有一定的意义,有利于音乐感知对人脑作用方面的深入探究。
Description
技术领域
本发明属于计算神经科学领域,涉及一种基于相位传递熵的音乐感知下脑功能网络的构建方法。
背景技术
近年来,音乐疗法越来越多地被应用于各种神经系统疾病的辅助治疗,包括中风、癫痫、抑郁症和自闭症。音乐疗法有很多定义,但音乐疗法的共同目的是促进患者的康复或缓解患者的负面情绪。根据美国音乐治疗协会的说法,音乐疗法是利用音乐来满足所有年龄和能力的患者的身体、情感、认知和社会需求。音乐疗法具有促进健康,管理压力,减轻疼痛,表达情感,增强记忆力,改善沟通,促进身体恢复等多种功能。如Stanczyk等人发现音乐疗法能有效改善患者的疲劳和焦虑情绪,提高患者的幸福感水平。
脑电图是一种非侵入性的脑成像技术,它通过汇总大脑活动时同步发生的大量神经元的突触后电位,来记录大脑活动期间的电位变化。利用这种脑成像技术记录的数据称为脑电信号。它代表了大脑皮层或头皮表面大脑神经细胞电生理活动的总体反映。
图论是一种描述复杂网络的方法,其中网络由节点和连接节点的边表示。近年来,越来越多的学者利用图论来分析诸如脑卒中、阿兹海默症患者的脑网络,并取得了一定的研究成果。例如,AfShari等人通过研究阿尔茨海默病患者的大脑功能网络。研究发现,患者的全球连通性降低,局部连通性增强。目前比较常见的脑网络连接性指标如相干性、锁相值、相位滞后指数等这些都无法反应脑网络各节点之间的相互影响与信息流向。传递熵不仅可以描述EEG信号之间的耦合强度和双向耦合关系,而且具有不依赖于所建立的模型和非线性定量分析的特点。与振幅相比,相位包含了更多的信号变化特征,相位传递熵非常适合于大规模人类神经肌肉功能连接研究中有向相位连接性的估计。
目前多数脑功能网络构建方法都是基于无向连接的,无法体现出脑功能网络中节点之间的双向耦合关系,在描述脑功能网络是存在一定的局限性。
发明内容
为了克服现有技术中存在的不足,本发明提供了一种基于相位传递熵的音乐感知下脑功能网络构建方法。本发明可以根据实际情况灵活地搭配不同型号的脑电数据采集设备。首先,通过脑电采集设备采集音乐感知下和无听觉刺激下的多通道脑电信号,然后提取出脑电信号中活动段,利用相位传递熵算法构建出脑网络的邻接矩阵,最后计算相应的网络特征指标,得出音乐感知下与无听觉刺激下的脑网络差异。
为了实现以上内容,本发明方法主要包括以下步骤:
步骤1,根据国际10-20标准分别采集每名受试者音乐感知下的多通道脑电信号;
步骤2,对采集的脑电信号进行0.5-30Hz带通滤波处理,采用独立成分分析方法去除眼电、肌电、心电伪迹干扰,并依据标签文件对脑电信号的活动段进行提取。
步骤3,以脑电信号的通道位置作为节点,两通道信号的相位传递熵作为边构建脑功能网络邻接矩阵,具体步骤如下:
(1)对于所有脑电信号通道的时间序列X(t),通过希尔伯特变换得到X(t)的瞬时相位时间序列θ(t),具体公式如下
(2)利用得到的所有脑电信号通道的瞬时相位时间序列θ(t),对于给定的时间滞后,脑电信号通道X对脑电信号通道Y的相位传递熵定义为
其中,
H(θy(t),θy(t'))=-∑p(θy(t),θy(t'))*log p(θy(t),θy(t')) (3)
H(θy(t'),θx(t'))=-∑p(θy(t'),θx(t'))*log p(θy(t'),θx(t')) (4)
H(θy(t'))=-∑p(θy(t'))log p(θy(t')) (5)
H(θy(t),θy(t'),θx(t'))=-∑p(θy(t),θy(t'),θx(t'))*log p(θy(t),θy(t'),θx(t')) (6)
式中,θx(t)表示脑电信号通道X的瞬时相位时间序列,θy(t)表示脑电信号通道Y的瞬时相位时间序列,p(θy(t')),p(θy(t),θy(t')),p(θy(t'),θx(t'))与p(θy(t),θy(t'),θx(t'))分别为对应时间序列的概率分布,θx(t')和θy(t')分别是时间点t'=t-δ脑电信号通道X与脑电信号通道Y的相位,设定δ=1。
(3)为了计算公式(3)-(6)的概率,使用相位空间分箱法计算p(θy(t')),p(θy(t),θy(t')),p(θy(t'),θx(t'))与p(θy(t),θy(t'),θx(t'))。根据Scott的参数设置,即
hi=3.5σi/N1/3 (7)
其中,hi表示时间序列θ(i)(i=y(t),y(t'),x(t'))的箱子宽度,N为样本数,σi为方向变量的标准偏差。对于相位信号,其范围为[-pi,pi],所以箱子的数量为ki=2pi/hi。最后,通过用该集合中数据点的数量除以数据点的总数来计算每个箱子的概率值,即
p(bi)=N(bi)/N, (8)
其中bi=1,2,…,ki。
(4)以脑电通道位置作为节点,两节点脑电信号的相位传递熵作为边构建脑功能网络邻接矩阵;
步骤4,选择阈值范围为[0,PTEmax],其中PTEmax为脑功能网络邻接矩阵中的最大值,步长为0.01,对求得的脑功能网络邻接矩阵进行二值化,得到二值化无权脑功能网络;
步骤5,计算出在步骤4中各个阈值下的二值化无权脑功能网络的脑功能网络聚类系数,脑功能网络全局效率,脑功能网络密度;
步骤6,根据在步骤5中计算的脑功能网络特征参数,描绘步骤4中的各个阈值下音乐感知的脑功能网络聚类系数、脑功能网络全局效率、脑功能网络密度曲线图。
本发明与已有的脑网络构建方法相比,具有如下有益效果:
本发明基于脑电信号,通过计算各脑电信号通道节点之间的相位传递熵,利用相位传递熵构建有向脑功能网络,有利于描述脑电信号之间的耦合强度和双向耦合关系,对于脑电信号之间因果性的研究具有重要意义。本发明计算了三种脑功能网络特征参数,用于比较分析音乐感知下与无听觉刺激下的脑网络差异性,有利于对音乐感知对人脑作用方面的深入探究。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单说明。所附图仅为本发明的部分实施例,不代表全部实施例。
图1为本发明的实施流程图;
图2为EEG数据通道位置图;
图3为音乐组与对照组的脑功能网络邻接矩阵图;
图4为音乐组与对照组在三个阈值下的20通道脑功能网络连接图;
图5为音乐组与对照组在各个阈值下的三个脑功能网络特征参数图。
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。
如图1所示,本实施例包括如下步骤:
步骤1:59通道EEG数据采集,具体过程如下:
20名健康成年人(包括10名男性和10名女性,年龄在23岁到26岁之间)参加了实验。所有受试者均为右撇子,没有听力障碍或神经系统疾病。他们都以汉语为母语,没有接受过专业的音乐训练,有听音乐的习惯。音乐感知实验组使用的音乐为祖海的《好运来》,音乐通过耳机传输,对照组只佩戴耳机并且没有音乐播放。参与者被要求看着他们面前的电脑屏幕。电脑屏幕一片空白,中间的十字架是目光的焦点。分别采集音乐感知下和无听觉刺激下整个过程中的脑电信号。实验分两天进行,每位受试者每天只参加一次刺激实验,要求在两天内完成两次刺激实验。每个参与者的两个刺激实验的顺序是随机的。从每个受试者身上采集了20(2×10)组实验数据(10组为音乐感知下采集的,另外10组为无听觉刺激下采集的)。
使用G.MOBllab MP-2015脑电无线采集仪记录脑电数据,采样频率为1000Hz。按照国际10-20标准设置脑电信号采集过程中的电极位置。将参照电极设置在受试者乳突部,共采集59通道脑电数据。脑电数据通道位置如图2所示。
步骤2:对采集的EEG信号进行预处理,使用EEGLAB工具箱对脑电信号进行全脑平均重参考,并进行0.5-30Hz滤波处理,使用独立成分分析方法去除眼电、肌电、心电伪迹干扰,并依据采集时的标签信息对脑电信号的特定活动段进行提取,每个活动段5000个采样点;
步骤3:共选择了20个脑电信号通道作为脑功能网络的节点,分别为FC5,FC3,FC1,FCz,FC2,FC4,FC6,C5,C3,Cz,C1,C2,C4,C6,CP5,CP3,CP1,CP2,CP4和CP6使用相位传递熵构建有向脑功能网络,其邻接矩阵如图3所示。
步骤4:利用求得的音乐感知下和无听觉刺激下的邻接矩阵分别画出部分阈值(0.15,0.16,0.17)下的音乐组与对照组脑功能网络连接图如图4所示,进行比较分析差异;
步骤5:根据复杂网络理论,在已经建立的邻接矩阵基础上,计算出各个阈值下脑功能网络聚类系数,脑功能网络全局效率,脑功能网络密度。其计算公式为:
(1)脑功能网络节点聚类系数,表示脑功能网络中一个节点的所有相连节点之间彼此相连的可能性,节点i的聚类系数Ci定义为:
其中ei表示节点i的邻居节点之间的连接边数,ki表示节点i的邻居节点数;
(2)脑功能网络聚类系数,网络聚类系数是所有节点聚类系数的平均值,网络聚类系数C定义为:
其中N代表网络节点数,Ci代表节点i的聚类系数;
(3)脑功能网络全局效率,全局效率表示脑功能网络的通信能力。当网络中有未连接的节点时,两个节点之间的最短距离可能是无限的,对应于零效率。因此,全局效率优于平均路径长度。全局效率Eglobal被定义为:
其中N代表网络节点数,dij是节点i到节点j的最短路径;
(4)脑功能网络密度,网络密度表示网络连接的稀疏程度,网络密度D被定义为:
其中N代表网络节点数,ki表示节点i的邻居节点数。
步骤6:根据在步骤5中计算的脑功能网络特征参数,画出各个阈值下音乐组与对照组的特征参数曲线图如图5所示。采用配对样本t检验方法,检验音乐感知脑功能网络特征参数在各个阈值下,与无听觉刺激下脑功能网络聚类系数、脑功能网络全局效率、脑功能网络密度之间的显著性差异。
已有的研究发现,在图3中也可以观察到,音乐组的通道CP2指向其他通道的相位传递熵相比于对照组有明显的增加。画出的脑网络连接图如图4所示,可以发现,在不同的阈值下,音乐组的脑网络会比对照组更加复杂。分析网络特征画出各个阈值下的网络聚类系数、全局效率、网络密度如图5所示,从中可以发现:(1)脑功能网络聚类系数:对照组的聚类系数随着阈值的增加而不断减小,最终为0,而音乐组则经历了一个聚类系数增加的过程,最终为0。当阈值在0.15-0.22时,音乐组的聚类系数显著高于对照组。(2)脑功能网络效率:当阈值在0.15-0.21时,音乐组的网络效率显著高于对照组。(3)脑功能网络密度:与网络效率相似,当阈值在0.15-0.21时,音乐组的网络效率显著高于对照组。对于阈值范围为0.15-0.21的网络聚类系数、全局效率、网络密度都可以作为判断大脑是否处于音乐感知的指标。
以上的实施例仅为本发明的一种实施方式,而不是一种限制。应当指出,对于熟悉该技术领域的技术人员来说,在不脱离该发明技术原理前提下,还可以对该发明做出相应的改进,这些改进也应视为本申请的保护范围。
Claims (3)
1.一种基于相位传递熵的音乐感知下脑功能网络构建方法,其特征在于,该方法包括如下步骤:
步骤1:根据国际10-20标准分别采集每名受试者音乐感知下的多通道脑电信号;
步骤2:对脑电信号进行预处理,并提取脑电信号中的活动段;
步骤3:以脑电信号的通道位置作为节点,两通道信号的相位传递熵作为边构建脑功能网络邻接矩阵;
步骤4:选择阈值范围为[0,PTEmax],其中PTEmax为脑功能网络邻接矩阵中的最大值,步长为0.01,对求得的脑功能网络邻接矩阵进行二值化,得到二值化无权脑功能网络;
步骤5:计算出在步骤4中各个阈值下的二值化无权脑功能网络的脑功能网络聚类系数,脑功能网络全局效率,脑功能网络密度;
步骤6:根据在步骤5中计算的脑功能网络特征参数,描绘步骤4中的各个阈值下音乐感知的脑功能网络聚类系数、脑功能网络全局效率、脑功能网络密度曲线图。
2.根据权利要求1所述的一种基于相位传递熵的音乐感知下脑功能网络构建方法,其特征在于,所述步骤2的具体过程为:对采集的脑电信号进行0.5-30Hz带通滤波处理,采用独立成分分析方法去除眼电、肌电、心电伪迹干扰,并依据标签文件对脑电信号的活动段进行提取。
3.根据权利要求1所述的一种基于相位传递熵的音乐感知下脑功能网络构建方法,其特征在于,所述步骤3计算脑功能邻接矩阵具体过程如下:
(1)对于所有脑电信号通道的时间序列X(t),通过希尔伯特变换得到X(t)的瞬时相位时间序列θ(t),具体公式如下
(2)利用得到的所有脑电信号通道的瞬时相位时间序列θ(t),对于给定的时间滞后,脑电信号通道X对脑电信号通道Y的相位传递熵定义为
其中,
H(θy(t),θy(t'))=-∑p(θy(t),θy(t'))*log p(θy(t),θy(t')) (3)
H(θy(t'),θx(t'))=-∑p(θy(t'),θx(t'))*log p(θy(t'),θx(t')) (4)
H(θy(t'))=-∑p(θy(t'))log p(θy(t')) (5)
H(θy(t),θy(t'),θx(t'))=-∑p(θy(t),θy(t'),θx(t'))*log p(θy(t),θy(t'),θx(t')) (6)
式中,θx(t)表示脑电信号通道X的瞬时相位时间序列,θy(t)表示脑电信号通道Y的瞬时相位时间序列,p(θy(t')),p(θy(t),θy(t')),p(θy(t'),θx(t'))与p(θy(t),θy(t'),θx(t'))分别为对应时间序列的概率分布,θx(t')和θy(t')分别是时间点t'=t-δ脑电信号通道X与脑电信号通道Y的相位,设定δ=1;
(3)为了计算公式(3)-(6)的概率,使用相位空间分箱法计算p(θy(t')),p(θy(t),θy(t')),p(θy(t'),θx(t'))与p(θy(t),θy(t'),θx(t'));根据Scott的参数设置,即
hi=3.5σi/N1/3 (7)
其中,hi表示时间序列θ(i)(i=y(t),y(t'),x(t'))的箱子宽度,N为样本数,σi为方向变量的标准偏差;对于相位信号,其范围为[-pi,pi],所以箱子的数量为ki=2pi/hi;最后,通过用集合中数据点的数量除以数据点的总数来计算每个箱子的概率值,即
p(bi)=N(bi)/N, (8)
其中bi=1,2,…,ki;
(4)以脑电通道位置作为节点,两节点脑电信号的相位传递熵作为边构建脑功能网络邻接矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758861.6A CN113558637B (zh) | 2021-07-05 | 2021-07-05 | 一种基于相位传递熵的音乐感知下脑网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758861.6A CN113558637B (zh) | 2021-07-05 | 2021-07-05 | 一种基于相位传递熵的音乐感知下脑网络构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113558637A true CN113558637A (zh) | 2021-10-29 |
CN113558637B CN113558637B (zh) | 2024-01-05 |
Family
ID=78163703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110758861.6A Active CN113558637B (zh) | 2021-07-05 | 2021-07-05 | 一种基于相位传递熵的音乐感知下脑网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113558637B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115736950A (zh) * | 2022-11-07 | 2023-03-07 | 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 (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110152729A1 (en) * | 2009-02-03 | 2011-06-23 | Tsutomu Oohashi | Vibration generating apparatus and method introducing hypersonic effect to activate fundamental brain network and heighten aesthetic sensibility |
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 |
CN111310783A (zh) * | 2020-01-05 | 2020-06-19 | 天津大学 | 基于脑电微状态特征与神经网络模型的言语状态检测方法 |
CN112244880A (zh) * | 2020-09-24 | 2021-01-22 | 杭州电子科技大学 | 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法 |
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 |
CN112541415A (zh) * | 2020-12-02 | 2021-03-23 | 杭州电子科技大学 | 基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法 |
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 |
-
2021
- 2021-07-05 CN CN202110758861.6A patent/CN113558637B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110152729A1 (en) * | 2009-02-03 | 2011-06-23 | Tsutomu Oohashi | Vibration generating apparatus and method introducing hypersonic effect to activate fundamental brain network and heighten aesthetic sensibility |
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 |
CN111310783A (zh) * | 2020-01-05 | 2020-06-19 | 天津大学 | 基于脑电微状态特征与神经网络模型的言语状态检测方法 |
CN112244880A (zh) * | 2020-09-24 | 2021-01-22 | 杭州电子科技大学 | 基于变尺度符号补偿传递熵的情绪诱导脑电信号分析方法 |
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 |
CN112541415A (zh) * | 2020-12-02 | 2021-03-23 | 杭州电子科技大学 | 基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法 |
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 |
Non-Patent Citations (2)
Title |
---|
MD. HEDAYETUL ISLAM SHOVON, NANDA NANDAGOPAL, RAMASAMY VIJAYALAKSHMI,JIA TINA DU,BERNADINE COCKS: "Directed Connectivity Analysis of Functional Brain Networks during Cognitive Activity Using Transfer Entropy", NEURAL PROCESS LETTERS, vol. 45, pages 807 - 824, XP036252509, DOI: 10.1007/s11063-016-9506-1 * |
XUGANG XI, SHAOJUN PI, YUN-BO ZHAO, HUIJIAO WANG, ZHIZENG LUO: "Effect of muscle fatigue on the cortical-muscle network: A combined electroencephalogram and electromyogram study", BRAIN RESEARCH, vol. 1752, pages 1 - 8 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115736950A (zh) * | 2022-11-07 | 2023-03-07 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113558637B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
AlSharabi et al. | EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches | |
CN110013250B (zh) | 一种抑郁症自杀行为的多模式特征信息融合预测方法 | |
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 | |
CN108451527A (zh) | 一种对不同麻醉状态下脑电信号分类系统 | |
CN114266276A (zh) | 一种基于通道注意力和多尺度时域卷积的运动想象脑电信号分类方法 | |
CN110251124B (zh) | 一种有效性脑网络的确定方法及系统 | |
CN112541415B (zh) | 基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法 | |
CN109871831B (zh) | 一种情感识别方法及系统 | |
AU2020103949A4 (en) | EEG Signal Mixed Noise Processing Method, Equipment and Storage Medium | |
CN113558639A (zh) | 基于格兰杰因果关系和图论的运动意图脑肌网络分析方法 | |
Wang et al. | Identification of Depression with a Semi-supervised GCN based on EEG Data | |
CN114947883A (zh) | 一种时频域信息融合的深度学习脑电降噪方法 | |
Sun et al. | A novel complex network-based graph convolutional network in major depressive disorder detection | |
CN116269436A (zh) | 基于知识蒸馏的跨病人无监督seeg癫痫预警方法 | |
CN111887811B (zh) | 基于脑电信号特征的大脑异常放电检测方法及系统 | |
CN113558637B (zh) | 一种基于相位传递熵的音乐感知下脑网络构建方法 | |
CN108814593B (zh) | 一种基于复杂网络的脑电信号特征提取方法 | |
CN116211308A (zh) | 一种高强度运动下机体疲劳评估方法 | |
CN116531661A (zh) | 基于脑电网络引导的闭环电刺激系统 | |
CN114098768B (zh) | 基于动态阈值和EasyTL的跨个体表面肌电信号手势识别方法 | |
CN115270847A (zh) | 基于小波包分解和卷积神经网络的设计决策脑电识别方法 | |
CN115470821A (zh) | 一种基于水声信号刺激的脑电响应深度学习分类识别方法 | |
Wei et al. | Automatic recognition of chewing noises in epileptic EEG based on period segmentation | |
Nuthakki et al. | A Smart wearable motion sensor and acoustic signal processing based on vocabulary for monitoring children's wellbeing using Big 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 |