CN114343639A - 一种基于聚类-融合的脑电信号特征识别分析方法 - Google Patents
一种基于聚类-融合的脑电信号特征识别分析方法 Download PDFInfo
- Publication number
- CN114343639A CN114343639A CN202210006657.3A CN202210006657A CN114343639A CN 114343639 A CN114343639 A CN 114343639A CN 202210006657 A CN202210006657 A CN 202210006657A CN 114343639 A CN114343639 A CN 114343639A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- brain
- signal
- electrode
- electroencephalogram 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 18
- 210000004556 brain Anatomy 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 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 description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000003183 myoelectrical effect Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 12
- 238000010187 selection method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 12
- 239000000090 biomarker Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000284 resting effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 239000000104 diagnostic biomarker Substances 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013107 unsupervised machine learning method 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
- A61B5/16—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
- A61B5/24—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
- A61B5/24—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
- A61B5/72—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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/72—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)
- Physics & Mathematics (AREA)
- Psychiatry (AREA)
- Public Health (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种基于聚类‑融合的脑电信号特征识别分析方法,所述方法为:获取若干个预设时间内的脑电信号;对脑电信号进行预处理;计算预处理后的脑电信号的功能连接矩阵;通过聚类算法,获取功能连接矩阵的异质性分布;通过融合算法,得到正常脑网络图谱和有抑郁特征的脑网络图谱;筛选出两种图谱差异最大的特征;将若干个所述差异最大的特征作为分类器的输入,得到差异特征子集,分析待测脑电信号,实现正常脑电信号和有抑郁特征的脑电信号的识别。通过该方法,解决了由于在研究中脑电信号数据样本少及数据之间差异特点大而导致无法有效地识别分类脑电信号的问题,提高了研究的效率和识别的准确率。
Description
技术领域
本申请涉及医疗辅助研究领域,尤其涉及一种基于聚类-融合的脑电信号特征识别分析方法。
背景技术
抑郁症(Major Depressive Disorder,MDD)作为全球范围内高发性的精神障碍疾病,给个人、家庭乃至社会造成了严重危害。近年来,大量科研工作者通过结合神经影像技术与机器学习算法在探索开发诊断性的生物标志物方面已经做出了巨大努力。
目前的抑郁脑电信号识别研究中仍未获得可以作为抑郁特征的可靠生物标志物。所以,如何发现脑电信号的异质性抑郁特征,仍是当前抑郁相关研究的难点。目前,基于功能连接的脑电信号抑郁特征研究,通常采用一些传统的特征选择方法,如信息增益、ReliefF及递归特征消除-支持向量机特征选择方法等,来降低功能连接特征的高维性,以实现对脑电信号判断是否有抑郁特征。但是,这些方法通常受到高计算成本和跨不同数据集性能差异较大的限制,进而导致阻碍可再现生物标记的发现。层次聚类(HierarchicalClustering,HC)作为一种简单、有效的无监督机器学习方法,有助于探索数据集的内在结构,即大样本脑电数据分析,此方法已被广泛应用在生物科学研究当中。近些年,HC方法已被用于探究有抑郁倾向的脑电信号研究,结果证明了此方法的有效性与稳定性。
但目前在常规的HC方法仍然需要在大样本脑电数据的条件来分析出抑郁特征。在脑电信号数据样本在少数及差异特点大时,现有的HC方法无法稳定地分析正常脑电信号和有抑郁特征的脑电信号的差异,从而实现分类脑电信号,现有方法效率低下,识别的准确率不高。
发明内容
本发明提出一种基于聚类-融合的脑电信号特征识别分析方法,可以在脑电信号数据样本少及数据之间差异较大的情况下,高效地分析正常脑电信号和有抑郁特征的脑电信号的差异,从而实现对脑电信号的分类,提高了识别的准确率,减少了计算和时间的成本,极大地提高了效率。
本申请提供了一种基于聚类-融合的脑电信号特征识别分析方法,所述方法包括:
分别获取预设时间内的若干个正常脑电信号和若干个有抑郁特征的脑电信号;
对所有脑电信号进行预处理,获得预处理后的脑电信号;
计算所述预处理后的脑电信号的功能连接矩阵;
通过聚类算法,获取所述功能连接矩阵的异质性分布;
基于异质性分布,通过融合算法,分别得到正常脑网络图谱和有抑郁特征的脑网络图谱;
筛选出所述正常脑网络图谱与所述有抑郁特征的脑网络图之间的若干个差异最大的特征;
将若干个所述差异最大的特征作为分类器的输入,得到用于分析脑电信号抑郁特征的差异特征子集。
优选的,所述通过聚类算法,获取所述功能连接矩阵的异质性分布为:
将每个功能连接矩阵视为一个不同的簇,通过欧几里得距离算法计算簇与簇之间的距离;
将距离最近的一对簇合并,重新计算不同簇之间的欧几里得距离,直到所有功能连接矩阵都在一个簇中为止。
优选的,所述对所述脑电信号进行预处理,获得预处理后的脑电信号为:
通过FIR带通滤波器去除所述脑电信号低频漂移、高频噪声、肌电伪迹,得到第一处理脑电信号;
通过FastICA算法去除所述第一处理脑电信号中的眼电伪迹,得到第二处理脑电信号;
采用全脑平均参考技术消除所述第二处理脑电信号中的误差,得到第三处理脑电信号;
截取第三处理脑电信号连续的若干段信号,作为第四处理脑电信号;
通过Hanning滤波器提取第四处理脑电信号中的delta波段、theta波段、alpha波段和beta波段的脑电信号,获得预处理后的脑电信号。
优选的,所述计算所述预处理后的脑电信号的功能连接矩阵为:
计算复数相干性,公式如下:
其中,Pxy(f)表示在频率f下电极/脑区信号x和电极/脑区信号y之间的交叉功率谱密度,Pxx(f)表示在频率f下电极/脑区信号x的功率谱密度;Pyy(f)表示在频率f下电极/脑区信号y的功率谱密度;Real{Cxy(f)}表示Cxy(f)的实部,Imag{Cxy(f)}表示Cxy(f)的虚部;
其中,ICoh定义为复数相干性的虚部:
ICohxy(f)=imag(Cxy(f)) (2)
利用FisherZ变换对ICoh连接矩阵进行处理,用以获取近似正态分布,计算过程如下:
FC(x,y)=mean(ICohxy(f1):ICohxy(f2)) (4)
FC是维度为e*e的对称矩阵,e为电极/脑区通道数目;通过平均从f1和f2频带内的连接强度来估计,FC(x,y)矩阵中第x行和y列表示电极/脑区x和y之间的连接强度;ICoh的取值范围是[0,1],其中1表示最大的线性相互依赖,0表示非线性相互依赖。
优选的,所述基于异质性分布,通过融合算法,得到正常脑网络图谱和有抑郁特征的脑网络图谱为:
对每个被试的功能连接向量进行了归一化处理,计算公式如下:
其中,mean(c)表示功能连接向量c的均值,var(c)表示向量c的方差;SNF方法的计算过程如下:
利用指数相似度核来确定每条边的权值,对于被试i,Wi计算公式如下:
其中,ρ(k,l)表示电极/脑区k和l之间的欧几里得距离,μ是一个超参数,预设为0.3,εk,l被用来表示解决尺度化问题,具体公式如下:
其中,ρ(k,Nk)表示电极/脑区k与其邻居节点之间的平均距离;
对每个被试i定义核相似矩阵Qi,通过计算电极/脑区k与其最近邻电极/脑区l之间的相似性来编码局部结构,公式如下:
其中,Nk表示利用KNN算法识别出电极/脑区k的q个邻居;
为了捕获每个被试i的全局结构,定义了一个全核矩阵P,所述全核矩阵P包含了每个电极/脑区与其他所有电极/脑区相似性的全部信息,计算公式如下:
不同的网络整合成一个单一的网络:将每个子人群簇中#N-1个全局结构Pj沿着被试i的局部结构Qi扩散,以迭代的形式更新每个被试的状态矩阵Pi,计算公式如下:
在迭代Nt次之后,通过平均所有被试在最后一次迭代中获得的扩散状态矩阵Pi来生成子组表征网络sG,计算公式如下:
对子组表征网络sG再次进行SNF操作,即重复计算公式(6)至(10),即获得表征MDD组/NC组的代表性脑网络图谱R,分别记为抑郁倾向人的代表性脑网络图谱RMDD和健康人的代表性脑网络图谱RNC,计算公式如下:
优选的,所述获取若干个预设时间内的脑电信号为:样本人员在闭眼状态下,通过脑电采集软件记录头皮层预设时间内的脑电信号,采样频率为250Hz,电极阻抗小于50kΩ。
优选的,分类器的选择是通过留一交叉验证方法,选择分类准确率最好的分类器;
所述留一交叉验证方法的评估指标为平衡的分类准确率,计算公式为:
优选的,分类器为随机森林和线性支持向量机综合分类器。
由以上技术方案可知,本申请公开了一种基于聚类-融合的脑电信号特征识别分析方法,所述方法为:获取若干个预设时间内的脑电信号;对脑电信号进行预处理;计算预处理后的脑电信号的功能连接矩阵;通过聚类算法,获取功能连接矩阵的异质性分布;通过融合算法,得到正常脑网络图谱和有抑郁特征的脑网络图谱;筛选出两种图谱差异最大的特征;将若干个所述差异最大的特征作为分类器的输入,得到差异特征子集,分析待测脑电信号,实现正常脑电信号和有抑郁特征的脑电信号的识别。通过该方法,解决了由于在研究中脑电信号数据样本少及数据之间差异特点大而导致无法有效地识别分类脑电信号的问题,提高了研究的效率和识别的准确率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于聚类-融合的脑电信号特征识别分析方法的流程图;
图2为本申请实施例提供的一种对脑电信号进行预处理的流程图;
图3为本申请实施例提供的一种应用聚类方法来获取所述功能连接矩阵的异质性分布的运行流程图。
具体实施方式
下面将详细地对实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的方法和方法的示例。
本发明提出一种基于聚类-融合的脑电信号特征识别分析方法,可以在脑电信号数据样本少及数据之间差异较大的情况下,高效地分析正常脑电信号和有抑郁特征的脑电信号的差异,从而实现对脑电信号的分类,提高了识别的准确率,减少了计算和时间的成本,极大地提高了效率。
一种基于聚类-融合的脑电信号特征识别分析方法,包括:
分别获取预设时间内的若干个正常脑电信号和若干个有抑郁特征的脑电信号;
对所有脑电信号进行预处理,获得预处理后的脑电信号;
计算所述预处理后的脑电信号的功能连接矩阵;
通过聚类算法,获取所述功能连接矩阵的异质性分布;
基于异质性分布,通过融合算法,分别得到正常脑网络图谱和有抑郁特征的脑网络图谱;
筛选出所述正常脑网络图谱与所述有抑郁特征的脑网络图之间的若干个差异最大的特征;
将若干个所述差异最大的特征作为分类器的输入,得到用于分析脑电信号抑郁特征的差异特征子集。
如图1所示,是本发明提供的一种基于聚类-融合的脑电信号特征识别分析方法实施例
的工作流程图。
步骤10,获取预设时间内的若干个正常脑电信号和若干个有抑郁特征的脑电信号。
在步骤10中,预先获取两组脑电信号,一组为正常脑电信号组,另一组为有抑郁特征的脑电信号组。需要说明的是,预设时间可以根据具体的分析而制定,所述正常脑电信号和所述有抑郁特征的脑电信号的数量并不需要完全相同的,但最好数量接近。
采集的方式可以是,所述脑电信号采集设备包括脑电采集仪、128导的脑电帽以及放大器,电极的位置按照国际标准导联10-20方法标准安放,参考电极为Cz,采样频率为250Hz,电极的阻抗都低于50kΩ,采集的是被试在设定时间段的闭眼静息状态下的脑电数据。本实施例中,采集被试5分钟闭眼静息状态下的脑电信号,脑电采集设备采用美国Electrical Geodesics Ins生产的脑电采集仪,脑电帽是128导HCGSN(HydroCel GeodesicSensor Net)脑电采集方法,放大器为Net Amps200,脑电采集软件为Net Station 5.4版本,电极的位置按照国际标准导联10-20方法标准安放,参考电极为Cz,采样频率250Hz,根据EGI工程师建议,所有电极的阻抗都低于50kΩ。
步骤20,对所有脑电信号进行预处理,获得预处理后的脑电信号。
在步骤20中,去除一些滤波、降噪和频率截取等方式,得到可以用作分析的脑电信号。由于脑电信号是一种随机性很强的生理信号,节律种类多样,因此EEG具有很高的时变敏感性,易受无关噪声污染,从而形成各种伪迹。因此采取一下措施去除伪迹和噪声,实现对数据的清洗,得到后续步骤中可以使用的脑电信号,即预处理后的脑电信号。
进一步地,对所有脑电信号进行预处理,获得预处理后的脑电信号,包括:
步骤21,通过FIR带通滤波器去除所述脑电信号低频漂移、高频噪声、肌电伪迹,得到第一处理脑电信号。
由于脑电信号中高、低频噪声和肌电属于伪迹幅度较大的干扰,一般呈现无规律,频率过大等特点,这类噪声,可以通过直接滤波的方式直接去除。
步骤22,通过FastICA算法去除所述第一处理脑电信号中的眼电伪迹,得到第二处理脑电信号。
由于眼动伪迹幅值相对明显,频率范围与脑电信号频率重叠,且呈现一定的规律,因此比较难以去除,常采用ICA,PCA等方法,将脑电信号分离为其他变量,然后去除眼电伪迹变量。
步骤23,采用全脑平均参考技术消除所述第二处理脑电信号中的误差,得到第三处理脑电信号。
脑电信号反映的是两个位点之间的电位差,即电位差=记录电极电位-参考电极电位,这是一个简单的减法运算。理想的参考电极的电势应为零,实际上电势应该是不变化的。平均参考是一种流行的参考方式,它是将采集后的所有电极电位的平均值作为参考信号。这是人为的构造一个零电势点,即理论上的头皮电势的平均数是视为恒常数“零”,作为参考电极。
步骤24,截取第三处理脑电信号连续的若干段信号,作为第四处理脑电信号。
脑电信号采集的是一种连续的,具有较高时间分辨率,较低空间分辨率的电波信号。有固定的采集频率,例如:500Hz。因此,对于脑电信号的分析应当充分考虑它的时间分辨率,主要观察他在时间连续性上的变化,所以在数据处理中,一般会选择若干段连续的脑电数据进行分析。
步骤25,通过Hanning滤波器提取第四处理脑电信号中的delta波段、theta波段、alpha波段和beta波段的脑电信号,获得预处理后的脑电信号。
在步骤25的目的是将脑电信号划分波段。由于脑电波是一些自发的有节律的神经电活动,其频率变动范围在每秒1-30次之间的,可划分为四个波段,即delta波段为1-4Hz;theta波段为4-8Hz;alpha波段为8-13Hz;beta为13-30Hz。这些波段的变化反映了大脑的活动规律,因此,对于脑信号处理时,关注脑电信号不同波段上的表现,来获取更多的差异变化,精细化地脑电信号的各种差异。
参见图2,为一种对脑电信号进行预处理的流程图。
需要说明的是,在步骤20中,由于有两个组,作为对照组,即正常脑电信号组和有抑郁特征的脑电信号组,找出正常脑电信号组和有抑郁特征的脑电信号组有显著性差异的频率波段,用于后续步骤中的计算有显著性差异的频率波段的相干性矩阵,即预处理后的脑电信号的功能连接矩阵。
步骤30,计算所述预处理后的脑电信号的功能连接矩阵。
在步骤30中,根据delta波段、theta波段、alpha波段和beta波段的提取的脑电信号,计算相干性矩阵。四个频率波段下的脑电信号使用虚部相干性(Imaginary Part ofCoherence,ICoh)计算功能连接矩阵,
复数相干性计算公式如下:
其中,Pxy(f)表示在频率f下电极/脑区信号x和电极/脑区信号y之间的交叉功率谱密度,Pxx(f)或Pyy(f)分别表示在频率f下电极/脑区信号x或y的功率谱密度。
Real{Cxy(f)}和Imag{Cxy(f)}分别表示Cxy(f)的实部和虚部。
其中,ICoh定义为复数相干性的虚部:
ICohxy(f)=imag(Cxy(f)) (2)
将使用Fisher Z变换对ICoh连接矩阵进行处理,以保证其近似正态分布。
计算过程如下:
FC(x,y)=mean(ICohxy(f1):ICohxy(f2)) (4)
FC是维度为e*e的对称矩阵,e为电极/脑区通道数目,其中,FC(x,y)矩阵中第x行和y列表示电极/脑区x和y之间的连接强度,其通过平均从f1和f2频带内的连接强度来估计。
Cxy为两个脑电信号在特定频率下的相干性,相干性的基本理论假设是:当两个皮层活动时,功能协调的脑区之间的脑电频率显示了线性相关性和高频谱的相干性。相干性范围在[0,1]之间,0表示两个脑电信号间无相干性,1表示两个脑电信号之间具有最大的线性依赖性。
步骤40,通过聚类算法,获取所述功能连接矩阵的异质性分布。
聚类方法就是把属性相似的样本归到一类。对于本申请来说,每一个功能连接矩阵,可以把它归到一个特定的类。应用到本申请中,本实施例中步骤40具体的方法为:将每个功能连接矩阵视为一个不同的簇,在聚类之前,首先,本发明对每个被试i的FC矩阵中的上三角元素展开,以得到功能连接向量ci,向量长度为(e*(e-1))/2。然后,分别对训练数据集中的抑郁被试和健康被试的ci向量进行聚类方法分析,参见图3,为本申请中一种应用聚类方法来获取所述功能连接矩阵的异质性分布的运行流程图。应用聚类方法,具体为:通过欧几里得距离算法计算簇与簇之间的距离;将距离最近的一对簇合并,重新计算不同簇之间的欧几里得距离,直到所有功能连接矩阵都在一个簇中为止。最后,对于每一组被试可以得到若干个个子人群簇。本步骤的主要目的是捕获两组脑电信号的功能连接矩阵的异质性分布。
一个关于子人群簇的例子为,有抑郁特征的脑电信号组的功能连接矩阵进行聚类,它可能得到3个子人群簇,每个子人群簇下可能分别对应有抑郁特征的脑电信号数量包含15个,18个和17个。
步骤50,基于异质性分布,通过融合算法,分别得到正常脑网络图谱和有抑郁特征的脑网络图谱。
基于步骤40中所获得的两组功能连接矩阵,即正常脑电信号组的功能连接矩阵和有抑郁特征的脑电信号组的功能连接矩阵,采用融合算法得到表征两组的代表性脑网络图谱,即有抑郁特征的代表性脑网络图谱RMDD和正常人的代表性脑网络图谱RNC,其中代表性脑网络图谱RMDD/NC是维度为e*e的对称矩阵,e为电极/脑区通道数目。本发明采用了相似性网络融合(Similarity Network Fusion,SNF)方法。在应用SNF之前,首先对每个被试的功能连接向量进行了归一化处理,计算公式如下:
其中,mean(c)表示功能连接向量c的均值,var(c)表示向量c的方差。SNF方法的计算过程如下:
为了获得可以表征各组的代表性脑网络图谱R。首先,利用指数相似度核来确定每条边的权值,对于被试i,Wi计算公式如下:
其中,ρ(k,l)表示电极/脑区k和l之间的欧几里得距离,μ是一个超参数,根据推荐,本发明设置为0.3。εk,l被用来解决尺度化问题,具体公式如下:
其中,ρ(k,Nk)表示电极/脑区k与其邻居节点之间的平均距离。
接下来,对每个被试i定义核相似矩阵Qi,通过计算电极/脑区k与其最近邻电极/脑区l之间的相似性来编码其局部结构,公式如下:
其中,Nk表示利用KNN算法识别出电极/脑区k的q个邻居。
然后,为了捕获每个被试i的全局结构,定义了一个全核矩阵P,该矩阵包含了每个电极/脑区与其他所有电极/脑区相似性的全部信息。计算公式如下:
从以上公式中,可以发现核相似矩阵Q使SNF算法对噪声具有一定的鲁棒性,它可以减少实例之间的噪声。为了将不同的网络整合成一个单一的网络,将每个子人群簇中#N-1个全局结构Pj沿着被试i的局部结构Qi扩散,以迭代的形式更新每个被试的状态矩阵Pi,计算公式如下:
在迭代Nt次之后,通过平均所有被试在最后一次迭代中获得的扩散状态矩阵Pi来生成子组表征网络sG,计算公式如下:
最后,对子组表征网络sG再次进行SNF操作,即重复计算公式(6)至(10),即可获得可以表征MDD组/NC组的代表性脑网络图谱R,分别为RMDD和RNC。计算公式如下:
步骤60,筛选出所述正常脑网络图谱与所述有抑郁特征的脑网络图之间的若干个差异最大的特征。
通过计算两组代表性脑网络图谱的绝对差值,即Diff=|RMDD-RNC|,将绝对差值最大的元素作为具有判别性能的特征,即差异最大的特征。需要说明的是,所述差异最大的特征的数量根据实际情况而定,用于下述步骤中分类器的输入。
步骤70,将若干个所述差异最大的特征作为分类器的输入,得到差异特征子集,用于分析脑电信号抑郁特征。
本步骤用于测试所述差异最大的特征和筛选所述差异最大的特征。通过将S60中的所述差异最大的特征输入到所述分类器中,能够得到每一个差异最大的特征在分类器的分类结果,然后将所有的分类结果进行比较,找到准确率最高的值所对应的特征数及特征,那么就把这些特征作为最终特征,即差异特征子集。根据所述差异特征子集,作为所述正常脑电信号与所述有抑郁特征的脑电信号的区别特征。
一种优化的分类器选择方法是采用交叉验证方法为留一交叉验证方法,评估指标为平衡的分类准确率(Balanced Accuracy,BA),计算公式为:
需要说明的是,所述分类器的选择,可以不仅限于一种分类器数量的使用,由于在步骤20中截取了四种不同的波段,而单一分类器难以在每一种波段下表现出最优性能,所以可以综合多种所述分类器,达到作为实现筛选出所述差异特征子集的作用。
进一步地,分类器的选择可以是随机森林(Random Forest,RF)分类器和线性支持向量机(Support Vector Machine,SVM)分类器,同时使用这两种分类器。
为证明该方法的有效性,本发明不仅将基于聚类融合的特征选择算法(HCSNF)同传统特征选择方法(LASSO、CFS、IFS、ReliefF、Fisher、InfoGain和RFE-SVM)进行比较,也同其他聚类算法(Kmeans和SIMLR)进行比较。对于这两个聚类方法,融合方法皆是SNF,结果下表所示。
其中,Null:无特征选择方法,LASSO:最小绝对收缩和选择算子算法(LeastAbsolute Shrinkage and Selection Operator),CFS:基于相关性特征选择方法(Correlation-based Feature Selection),IFS:无限特征选择方法(Infinite FeatureSelection),RFE-SVM:递归特征消除-支持向量机特征选择方法(Recursive FeatureElimination-Support Vector Machine),InfoGain:信息增益方法(Information Gain),SIMLR:通过多核学习的单元胞解释算法(Single Cell Interpretation via Multi-kernel Learning),HC:层次聚类算法(Hierarchical Clustering),SNF:相似性网络融合算法(Simi larity Network Fusion)。括号中的数字为聚类数。-表示无,粗体和下划线为某一频段下最优的分类结果。
由表中,可以发现相较于无特征选择方法,不同特征选择方法整体上对分类准确率皆有所提升,证明了特征选择方法的有效性及必要性。对于RF分类器,针对于不同频率波段数据,结果显示没有一种特征选择方法可以在四种波段下都表现出最优性能,具体结果为:在delta波段下,最优的特征选择方法为RFE-SVM;在theta波段下,最优的特征选择方法为KmeansSNF;在alpha下,最优的特征选择方法为InfoGain;而在beta波段下,最优的特征选择方法为SIMLRSNF。但是,通过对各个特征选择方法在不同频率波段下的分类结果进行排序,由表中可以发现HCSNF整体排序最优;并且,在各个波段下,HCSNF的排序均在前4左右,性能相对较优。对于SVM分类器,针对不同频率波段,HCSNF均获得了最优的分类结果,其整体排序为第一。更重要的是,在beta波段,当使用SVM分类器时,HCSNF可以获得最高分类准确率为78.04%,相较于其他特征选择方法所获得的最高分类结果可以提高6%以上的准确率。因此,本发明得出相较于其他方法,HCSNF是最优的特征选择方法,可以实现分析脑电信号中的抑郁特征。
由以上技术方案可知,本申请公开了一种基于聚类-融合的脑电信号特征识别分析方法,所述方法为:获取若干个预设时间内的脑电信号;对脑电信号进行预处理;计算预处理后的脑电信号的功能连接矩阵;通过聚类算法,获取功能连接矩阵的异质性分布;通过融合算法,得到正常脑网络图谱和有抑郁特征的脑网络图谱;筛选出两种图谱差异最大的特征;将若干个所述差异最大的特征作为分类器的输入,得到差异特征子集,分析待测脑电信号,实现正常脑电信号和有抑郁特征的脑电信号的识别。通过该方法,解决了由于在研究中脑电信号数据样本少及数据之间差异特点大而导致无法有效地识别分析脑电信号的问题,提高了研究的效率和识别的准确率。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的精神和范围。
Claims (8)
1.一种基于聚类-融合的脑电信号特征识别分析方法,其特征在于,所述方法包括:
分别获取预设时间内的若干个正常脑电信号和若干个有抑郁特征的脑电信号;
对所有脑电信号进行预处理,获得预处理后的脑电信号;
计算所述预处理后的脑电信号的功能连接矩阵;
通过聚类算法,获取所述功能连接矩阵的异质性分布;
基于异质性分布,通过融合算法,分别得到正常脑网络图谱和有抑郁特征的脑网络图谱;
筛选出所述正常脑网络图谱与所述有抑郁特征的脑网络图谱之间的若干个差异最大的特征;
将若干个所述差异最大的特征作为分类器的输入,得到用于分析脑电信号抑郁特征的差异特征子集。
2.根据权利要求1所述的方法,其特征在于,所述通过聚类算法,获取所述功能连接矩阵的异质性分布为:
将每个功能连接矩阵视为一个不同的簇,通过欧几里得距离算法计算簇与簇之间的距离;
将距离最近的一对簇合并,重新计算不同簇之间的欧几里得距离,直到所有功能连接矩阵都在一个簇中为止。
3.根据权利要求1所述的方法,其特征在于,所述对所述脑电信号进行预处理,获得预处理后的脑电信号为:
通过FIR带通滤波器去除所述脑电信号低频漂移、高频噪声、肌电伪迹,得到第一处理脑电信号;
通过FastICA算法去除所述第一处理脑电信号中的眼电伪迹,得到第二处理脑电信号;
采用全脑平均参考技术消除所述第二处理脑电信号中的误差,得到第三处理脑电信号;
截取第三处理脑电信号连续的若干段信号,作为第四处理脑电信号;
通过Hanning滤波器提取第四处理脑电信号中的delta波段、theta波段、alpha波段和beta波段的脑电信号,获得预处理后的脑电信号。
4.根据权利要求3所述的方法,其特征在于,所述计算所述预处理后的脑电信号的功能连接矩阵为:
计算复数相干性,公式如下:
其中,Pxy(f)表示在频率f下电极/脑区信号x和电极/脑区信号y之间的交叉功率谱密度,Pxx(f)表示在频率f下电极/脑区信号x的功率谱密度;Pyy(f)表示在频率f下电极/脑区信号y的功率谱密度;Real{Cxy(f)}表示Cxy(f)的实部,Imag{Cxy(f)}表示Cxy(f)的虚部;
其中,ICoh定义为复数相干性的虚部:
ICohxy(f)=imag(Cxy(f)) (2)
利用Fisher Z变换对ICoh连接矩阵进行处理,用以获取近似正态分布,计算过程如下:
FC(x,y)=mean(ICohxy(f1):ICohxy(f2)) (4)
FC是维度为e*e的对称矩阵,e为电极/脑区通道数目;通过平均从f1和f2频带内的连接强度来估计,FC(x,y)矩阵中第x行和y列表示电极/脑区x和y之间的连接强度;ICoh的取值范围是[0,1],其中1表示最大的线性相互依赖,0表示非线性相互依赖。
5.根据权利要求4所述的方法,其特征在于,所述基于异质性分布,通过融合算法,得到正常脑网络图谱和有抑郁特征的脑网络图谱为:
对每个被试的功能连接向量进行了归一化处理,计算公式如下:
其中,mean(c)表示功能连接向量c的均值,var(c)表示向量c的方差;SNF方法的计算过程如下:
利用指数相似度核来确定每条边的权值,对于被试i,Wi计算公式如下:
其中,ρ(k,l)表示电极/脑区k和l之间的欧几里得距离,μ是一个超参数,预设为0.3,εk,l被用来表示解决尺度化问题,具体公式如下:
其中,ρ(k,Nk)表示电极/脑区k与其邻居节点之间的平均距离;
对每个被试i定义核相似矩阵Qi,通过计算电极/脑区k与其最近邻电极/脑区l之间的相似性来编码局部结构,公式如下:
其中,Nk表示利用KNN算法识别出电极/脑区k的q个邻居;
为了捕获每个被试i的全局结构,定义了一个全核矩阵P,所述全核矩阵P包含了每个电极/脑区与其他所有电极/脑区相似性的全部信息,计算公式如下:
不同的网络整合成一个单一的网络:将每个子人群簇中#N-1个全局结构Pj沿着被试i的局部结构Qi扩散,以迭代的形式更新每个被试的状态矩阵Pi,计算公式如下:
在迭代Nt次之后,通过平均所有被试在最后一次迭代中获得的扩散状态矩阵Pi来生成子组表征网络sG,计算公式如下:
对子组表征网络sG再次进行SNF操作,即重复计算公式(6)至(10),即获得表征MDD组/NC组的代表性脑网络图谱R,分别记为抑郁倾向人的代表性脑网络图谱RMDD和健康人的代表性脑网络图谱RNC,计算公式如下:
6.根据权利要求1所述的方法,其特征在于,所述获取若干个预设时间内的脑电信号为:样本人员在闭眼状态下,通过脑电采集软件记录头皮层预设时间内的脑电信号,采样频率为250Hz,电极阻抗小于50kΩ。
8.根据权利要求1所述的方法,其特征在于,分类器为随机森林和线性支持向量机综合分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210006657.3A CN114343639B (zh) | 2022-01-05 | 2022-01-05 | 一种基于聚类-融合的脑电信号特征识别分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210006657.3A CN114343639B (zh) | 2022-01-05 | 2022-01-05 | 一种基于聚类-融合的脑电信号特征识别分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114343639A true CN114343639A (zh) | 2022-04-15 |
CN114343639B CN114343639B (zh) | 2024-04-12 |
Family
ID=81107539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210006657.3A Active CN114343639B (zh) | 2022-01-05 | 2022-01-05 | 一种基于聚类-融合的脑电信号特征识别分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114343639B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006211A (zh) * | 2013-01-17 | 2013-04-03 | 西安电子科技大学 | 一种基于脑电网络分析的地形图描绘装置 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
CN110522463A (zh) * | 2019-08-28 | 2019-12-03 | 常州大学 | 一种基于脑功能连接分析的抑郁症辅助诊断系统 |
CN113255728A (zh) * | 2021-04-26 | 2021-08-13 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
CN113317803A (zh) * | 2021-06-04 | 2021-08-31 | 重庆邮电大学 | 一种基于图论和机器学习的神经症特征提取方法 |
CN113545789A (zh) * | 2021-08-24 | 2021-10-26 | 南京邮电大学 | 一种基于csp算法和psd算法的脑电信号分析模型构建方法、脑电信号分析方法和系统 |
WO2021242691A2 (en) * | 2020-05-24 | 2021-12-02 | The Platypus Institute, Inc. | Measuring and strengthening physiological/neurophysiologial states predictive of superior performance |
US20210401289A1 (en) * | 2018-10-11 | 2021-12-30 | Advanced Telecommunications Research Institute International | Brain functional connectivity correlation value adjustment method, brain functional connectivity correlation value adjustment system, brain activity classifier harmonization method, brain activity classifier harmonization system, and brain activity biomarker system |
-
2022
- 2022-01-05 CN CN202210006657.3A patent/CN114343639B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103006211A (zh) * | 2013-01-17 | 2013-04-03 | 西安电子科技大学 | 一种基于脑电网络分析的地形图描绘装置 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
US20210401289A1 (en) * | 2018-10-11 | 2021-12-30 | Advanced Telecommunications Research Institute International | Brain functional connectivity correlation value adjustment method, brain functional connectivity correlation value adjustment system, brain activity classifier harmonization method, brain activity classifier harmonization system, and brain activity biomarker system |
CN110522463A (zh) * | 2019-08-28 | 2019-12-03 | 常州大学 | 一种基于脑功能连接分析的抑郁症辅助诊断系统 |
WO2021242691A2 (en) * | 2020-05-24 | 2021-12-02 | The Platypus Institute, Inc. | Measuring and strengthening physiological/neurophysiologial states predictive of superior performance |
CN113255728A (zh) * | 2021-04-26 | 2021-08-13 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
CN113317803A (zh) * | 2021-06-04 | 2021-08-31 | 重庆邮电大学 | 一种基于图论和机器学习的神经症特征提取方法 |
CN113545789A (zh) * | 2021-08-24 | 2021-10-26 | 南京邮电大学 | 一种基于csp算法和psd算法的脑电信号分析模型构建方法、脑电信号分析方法和系统 |
Non-Patent Citations (2)
Title |
---|
蒋田仔 等, 生命科学,脑网络:从脑结构到脑功能,第21卷 第2期, vol. 21, no. 2, 30 April 2009 (2009-04-30), pages 181 - 186 * |
郝辉, 硕士学位论文,脑核磁共振影像功能连接方法的研究和应用, 15 December 2021 (2021-12-15), pages 6 - 33 * |
Also Published As
Publication number | Publication date |
---|---|
CN114343639B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Aslan et al. | Automatic Detection of Schizophrenia by Applying Deep Learning over Spectrogram Images of EEG Signals. | |
George et al. | Classification of epileptic EEG signals using PSO based artificial neural network and tunable-Q wavelet transform | |
CN109934089B (zh) | 基于监督梯度提升器的多级癫痫脑电信号自动识别方法 | |
Sadiq et al. | Toward the development of versatile brain–computer interfaces | |
WO2021237918A1 (zh) | 基于gpdc图卷积神经网络的疲劳检测方法、装置及存储介质 | |
Lu et al. | Classification of single-channel EEG signals for epileptic seizures detection based on hybrid features | |
WO2022052328A1 (zh) | 一种基于黎曼几何的自然动作脑电识别方法 | |
CN110942103A (zh) | 分类器的训练方法和计算机可读存储介质 | |
Fu et al. | Automatic detection of epileptic seizures in EEG using sparse CSP and fisher linear discrimination analysis algorithm | |
Alturki et al. | Common spatial pattern technique with EEG signals for diagnosis of autism and epilepsy disorders | |
Chen et al. | An automated detection of epileptic seizures EEG using CNN classifier based on feature fusion with high accuracy | |
Wang et al. | Identification of Depression with a Semi-supervised GCN based on EEG Data | |
CN115795346A (zh) | 一种人体脑电信号的分类识别方法 | |
Motin et al. | Detecting Parkinson’s disease from electroencephalogram signals: an explainable machine learning approach | |
CN110338760B (zh) | 一种基于脑电图频域数据的精神分裂症三分类方法 | |
Bose et al. | Augmenting neuromuscular disease detection using optimally parameterized weighted visibility graph | |
CN114343639B (zh) | 一种基于聚类-融合的脑电信号特征识别分析方法 | |
Song et al. | Optimization of epilepsy detection method based on dynamic EEG channel screening | |
Jahankhani et al. | Data mining an EEG dataset with an emphasis on dimensionality reduction | |
Pawar et al. | Diagnosis of epileptic seizure a neurological disorder by implementation of discrete wavelet transform using electroencephalography | |
Praveena et al. | Improved Artificial Bee Colony Based Feature Selection for Epileptic Seizure Detection. | |
Guharoy et al. | An Efficient Epileptic Seizure Detection Technique using Discrete Wavelet Transform and Machine Learning Classifiers | |
Abdel-Maboud et al. | EMG SIGNAL CLASSIFICATION FOR NEUROMUSCULAR DISORDERS DIAGNOSIS USING TQWT AND BAGGING | |
Grossi et al. | Detection of an autism EEG Signature through a new processing method based on a topological approach | |
Shankar et al. | Epilepsy Detection Using Embedded Machine Learning |
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 |