CN116027888A - 一种基于plv动态脑功能网络的p300意图识别方法 - Google Patents
一种基于plv动态脑功能网络的p300意图识别方法 Download PDFInfo
- Publication number
- CN116027888A CN116027888A CN202210859818.3A CN202210859818A CN116027888A CN 116027888 A CN116027888 A CN 116027888A CN 202210859818 A CN202210859818 A CN 202210859818A CN 116027888 A CN116027888 A CN 116027888A
- Authority
- CN
- China
- Prior art keywords
- brain
- network
- algorithm
- signal
- plv
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及P300意图识别领域,提出了一种基于PLV动态脑功能网络的P300意图识别方法。使用脑电帽作为采集设备,以经典oddball实验作为刺激界面,采集原始脑电数据;在去除信号中的伪迹成分后,根据得到的P300信号进行100ms叠加50%时间片划分,利用PLV算法计算功能连接矩阵;通过功能连接矩阵二值化以后,得到脑网络特征计算图属性,用ReliefF算法筛选后的图属性和时间片进行意图识别。本发明的优点是,在分析P300信号时考虑了时间特性,分析了在不同时间状态下P300脑网络的连接关系,同时在分析脑网络的变化特性中,通过社区算法和核心区域算法研究P300发生过程中核心区域社区结构,有助于更好的研究P300发生时复杂网络的变化状态。
Description
技术领域
本发明涉及P300意图识别领域,尤其涉及一种基于PLV动态脑功能网络的P300意图识别方法。
背景技术
大脑是人体内重要的器官,是人体中枢神经系统的核心部分,主要控制和调节着人体的心理活动和生理活动。脑机接口是人类神经学和信息科学的交叉研究,他的核心是利用现代信息技术将脑内神经功能和应用发挥到最大效果,而事件相关电位是一种因认知相关和运动相关事件而产生的大脑皮层电位变化现象,其中P300脑电信号、N200脑电信号和N100脑电信号在脑机接口领域研究最广泛。P300信号是一种与事件有关的电位,能够较为全面的反映被试在感知到小概率事件发生时的刺激,并且P300脑电信号是一种稳定性信号。P300脑电数据在多个典型的脑机接口实验中应用,如抑郁症诊断、神经康复和导航决策的预测等,P300系统也可以用于目标识别,该识别方法在健康用户和患者的应用中不需要花费时间培训。随着科学技术的发展,P300在除了医疗方面应用外,也开始在娱乐,家用,军事等等方面应用。
在P300的研究中,大多数研究主要集中在P300发生的300-400ms内,而大脑功能网络具有显著的时间动态特性,检测动态性最常用的方法是滑动时间窗分析算法,该方法通过构建动态功能网络连接,重新计算新窗口内数据的功能连接,从而将脑区的空间属性和时间属性相联系。采用动态脑功能网络连接模型可以更好的理解脑网络在快速更新之间的转换规律。在脑电研究中,锁相方法可以有效地处理由眼球运动和其他活动引起的同步幅度变化所影响的脑电数据。使用不同的方式来描述大脑的功能连接将产生不同的大脑网络。最常使用的方法之一是锁相值(PLV),可以表示两个信号之间的平均相位差的绝对值。由于大脑是一个非线性动力学系统,锁相可以用于控制系统和非线性、混沌和非平稳系统的分析,因此PLV可以更好的作为一种量化交互作用的方法。
当人体进行精神活动时,神经系统都在同时工作。P300刺激后信息传递主要由眼睛传递至中枢神经系统,记忆和大脑皮层的意识功能合作完成对周围神经系统的指导,从而使人体做出正确的反应和改变。研究多通道EEG信号的空间和时间特性能更好的发现大脑的动态活动规律。将人脑抽象成为一个复杂网络,引入复杂网络模型的动态脑网络能够更好地刻画拓扑差异性。结合复杂网络分析理论来构建P300动态脑功能网络,研究受试者在不同目标状态下的动态脑功能网络处理机制、以及不同状态下P300信号信息接收、整合、决策以及响应等阶段的动态脑功能网络的差异性,有助于更好的研究P300发生时复杂网络的变化状态。
发明内容
针对上述情况,本发明提出一种基于PLV动态脑功能网络的P300意图识别方法,弥补了静态分析在时间变化规律上的不足,更好的反应P300目标与非目标变化过程中大脑各个模块之间的关联关系以及核心区域的变化规律,为基于脑网络的P300意图识别研究提供更好的理论基础。
本发明所述的一种基于PLV动态脑功能网络的P300意图识别方法,技术方案包括以下步骤:
步骤1:使用改进的中文刺激的oddball实验作为刺激界面,采集原始脑电信号;
步骤2:对原始脑电信号进行预处理和P300信号提取;
步骤3:用滑动时间窗对P300信号进行划分,得到时间叠加50%连续的时间片。采用相位锁相值(Phase Locking Value,PLV)计算通道之间的连通性关系,通过阈值对PLV矩阵进行二值化处理,构建不同时间片上的脑功能网络;
步骤4:用K-core和Louvain算法对脑功能网络进行核心区域筛选和社区划分;在脑网络模块化结构的基础上计算网络属性,包括特征路径长度、全局效率、传递性、聚类系数、局部效率和模块度,并将每个时间片的特征一起组成脑电信号的动态图指标;
步骤5:将图指标作为特征,使用ReliefF算法进行特征优选后,用分类算法对未知特征数据集进行处理,得到不同状态下P300信号对应脑网络分类识别结果。
所述步骤3和步骤4,用K-core和Louvain算法对脑功能网络进行核心区域筛选和社区划分;在脑网络模块化结构的基础上计算网络属性,包括特征路径长度、全局效率、传递性、聚类系数、局部效率和模块度,并将每个时间片的特征一起组成脑电信号的动态图指标,可以有效反应P300发生过程中核心区域的变化规律和各个模块之间的关联关系,以及脑网络之间的内部连接变化规律。
重点的算法过程如下:
(1)构建脑网络模块化结构
在EEG连通性分析中,使用经典希尔伯特变换得到每个电极的EEG信号的瞬时相位时间序列,其中希尔伯特变换为了能更好的分析信号的相位和波幅要求信号是一个窄带信号,所以通过有限脉冲响应滤波器对信号进行频率划分;设每个电极的相位过程为φ(t),PLV算法主要考虑两个电极相位时间的计算过程,而时间进程的差异φrel(t)量化了两个电极之间的相位锁定。
两个连续时间信号的X(t)和Y(t)的相位锁值定义为:
其中N为该时间段内的样本点的总数,即Δφrel(t)的长度,Δφrel(t)代表t时刻X(t)和Y(t)之间的相位差,φrel(t)=|φx(t)-φy(t)|mod 2π。
聚类系数:可以用于测量P300目标与非目标脑网络内的连接紧密度以及节点的聚集程度,定义如下:
其中,n是网络中的节点数,i是网络中的不同的节点,ti w是网络中第i个节点周围共有多少三角形,,k-i.表示网络中第i个节点的度。
传递性:用于分析P300发生前后脑网络的集群特征采用传递性特征,定义如下:
全局效率:用于分析P300信号中不同时间内信息交换,与全局信号传输能力,定义如下:
其中,是节点i与节点j之间的距离。
局部效率:可以通过测量脑网络分化程度来衡量传播信息通过节点的直接相邻节点的效率,能够度量网络的局部信息传输能力,定义如下:
其中,djh w(Ni)是j和h之间只包含i的相邻节点的最短路径长度。
特征路径长度:可以度量P300变化中脑网络的健壮性,定义如下:
模块度:为了分析大脑各个脑区之间的信息处理选择性,以及在P300发生时区域之间的信息协调作用,本发明使用模块度特征,该特征可以将脑网络之间的连接分解为社团,
其中Aij是节点i与节点j之间边的权重,Ci,Cj表示节点所属社区,δ(Ci,Cj)的定义为:
K-core:用来在动态PLV脑功能网络中找出符合指定核心度的密切关系的子图结构,是一种子图挖掘算法,该算法可以计算P300目标与非目标信号中与核心节点紧密连接的子节点的集合,将64通道中节点度按照顺序排列,通过递归剥离节点的无向连接矩阵,直到矩阵中没有高于K的节点,K值选取按照矩阵中存在节点的最高度计算,不同的脑网络具有不同的K值。
与现有技术相比,本发明的有益效果是:
1.本发明研究在不同时间状态下P300目标与非目标信号对应的PLV脑功能网络。本发明与静态脑功能网络相比提供了P300信号在不同时间状态下动态脑功能网络快速更新的转换规律,同时研究脑功能网络在P300信号发生前后的不确定性和信息丢失问题。
2.本发明从脑网络社区关系和核心区域变化的角度研究P300发生时脑网络的变化规律。利用K-core算法研究在不同时间状态下核心区域的脑网络变化规律,利用Louvain算法可以研究在不同状态下脑网络之间的社区关系,结合核心区域与社区关系可以更好的研究P300不同时间下的连接变化,和前中后期核心区域所属不同位置。
3.本发明结合社区特征和动态图指标研究P300发生过程中时变大脑特征,通过对比P300发生前后目标与非目标的图指标,研究P300意图识别分类算法中对意图识别分类最重要的时间段,同时根据动态网络属性研究不同时间段内P300脑网络内部连接特性。
附图说明
图1为本文提出的P300意图识别方法主流程图
图2为基于动态PLV脑网络图特征提取流程图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明的具体实施方式作进一步详细说明。
步骤1:使用改进的中文刺激的oddball实验作为刺激界面,采集原始脑电信号;
脑电数据源于实验室采集数据,包含7个被试,两名女生,五名男生。采用经典oddball实验作为刺激界面,实验包括三组P300任务,每组任务包含三次,每次任务需要三个不同的实验目标。实验目标按照靶刺激和非靶刺激1:5的概率随机出现,其中靶刺激随机出现20次,每次停留500ms,非靶刺激随机出现100次,每次停留250ms。
步骤2:对原始脑电信号进行预处理和P300信号提取;
通过滤波和叠加平均技术,将P300信号从脑电信号中提取出来。
步骤3:用滑动时间窗对P300信号进行划分,得到时间叠加50%连续的时间片。采用相位锁相值(Phase Locking Value,PLV)计算通道之间的连通性关系,通过阈值对PLV矩阵进行二值化处理,构建不同时间片上的脑功能网络;
PLV统计是一个时间过程,可以提取脑电图数据中的每个时间点信息进行计算,从而研究脑网络连通性的瞬态变化规律。在EEG连通性分析中,使用经典希尔伯特变换得到每个电极的EEG信号的瞬时相位时间序列,其中希尔伯特变换为了能更好的分析信号的相位和波幅要求信号是一个窄带信号,所以通过有限脉冲响应滤波器对信号进行频率划分;设每个电极的相位过程为φ(t),PLV算法主要考虑两个电极相位时间的计算过程,而时间进程的差异φrel(t)量化了两个电极之间的相位锁定。
两个连续时间信号的X(t)和Y(t)的相位锁值定义为:
其中N为该时间段内的样本点的总数,即Δφrel(t)的长度,Δφrel(t)代表t时刻X(t)和Y(t)之间的相位差,φrel(t)=|φx(t)-φy(t)|mod 2π。
步骤4:用K-core和Louvain算法对脑功能网络进行核心区域筛选和社区划分;在脑网络模块化结构的基础上计算网络属性,包括特征路径长度、全局效率、传递性、聚类系数、局部效率和模块度,并将每个时间片的特征一起组成脑电信号的动态图指标;
为了分析大脑各个脑区之间的信息处理选择性,以及在P300发生时区域之间的信息协调作用,本发明使用模块度特征,将脑网络之间的连接分解为社团,
其中Aij是节点i与节点j之间边的权重,Ci,Cj表示节点所属社区,δ(Ci,Cj)的定义为:
K-core:用来在动态PLV脑网络中找出符合指定核心度的密切关系的子图结构,是一种子图挖掘算法。该算法可以计算P300目标与非目标信号中与核心节点紧密连接的子节点的集合,将64通道中节点度按照顺序排列,通过递归剥离节点的无向连接矩阵,直到矩阵中没有高于K的节点。K值选取按照矩阵中存在节点的最高度计算,不同的脑网络具有不同的K值。
步骤5:将图指标作为特征,使用ReliefF算法进行特征优选后用分类算法对未知特征数据集进行处理,得到不同状态下P300信号对应脑网络分类识别结果。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (4)
1.一种基于PLV动态脑功能网络的P300意图识别方法,其特征在于,包括以下步骤:
步骤1:使用改进的中文刺激的oddball实验作为刺激界面,采集原始脑电信号;
步骤2:对原始脑电信号进行预处理和P300信号提取;
步骤3:用滑动时间窗对P300信号进行划分,得到时间叠加50%连续的时间片,采用相位锁相值(Phase Locking Value,PLV)计算通道之间的连通性关系,通过阈值对PLV矩阵进行二值化处理,构建不同时间片上的脑功能网络;
步骤4:用K-core和Louvain算法对脑功能网络进行核心区域筛选和社区划分;在脑网络模块化结构的基础上计算网络属性,包括特征路径长度、全局效率、传递性、聚类系数、局部效率和模块度,并将每个时间片的特征一起组成脑电信号的动态图指标;
步骤5:将图指标作为特征,使用ReliefF算法进行特征优选后,用分类算法对未知特征数据集进行处理,得到不同状态下P300信号对应脑网络分类识别结果。
2.如权利要求1所述的一种基于PLV动态脑功能网络的P300意图识别方法,其特征在于,所述步骤3中,在P300分析时加入时间特征,不同于以往分析300ms核心时间变化,本发明使用时间窗对P300信号进行时间片划分,同时按照划分好的时间片信息计算相位锁相值和通道之间的连接特性,构建P300发生前200ms和发生后800ms中的不同时间段的动态脑功能网络模型,具体的构建动态PLV脑网络结构算法过程为:
在EEG连通性分析中,使用经典希尔伯特变换得到每个电极的EEG信号的瞬时相位时间序列,其中希尔伯特变换为了能更好的分析信号的相位和波幅,要求信号是一个窄带信号,所以通过有限脉冲响应滤波器对信号进行频率划分;设每个电极的相位过程为φ(t),PLV算法主要考虑两个电极相位时间的计算过程,而时间进程的差异φrel(t)量化了两个电极之间的相位锁定,其中两个连续时间信号的X(t)和Y(t)的相位锁值定义为:
其中N为该时间段内的样本点的总数,即Δφrel(t)的长度,Δφrel(t)代表t时刻X(t)和Y(t)之间的相位差,φrel(t)=|φx(t)-φy(t)|mod 2π。
3.如权利要求1所述的一种基于PLV动态脑功能网络的P300意图识别方法,其特征在于,所述步骤4中,不同于以往全脑社区和图特征计算,本发明结合K-core和Louvain算法对脑功能网络进行核心区域社区发现,研究P300发生的整个时间内脑网络核心区域中社区之间的变化规律,通过K核算法构造P300不同时间状态下,脑网络中连接紧密的核心区域,通过Louvain算法,研究在P300发生过程中核心区域的社区之间的关系,可以更好的研究P300脑网络的最优社区化结构,同时,使用该方法可以更好的揭示P300发生过程中脑网络的变化规律,具体算法步骤为:
模块度:为了分析大脑各个脑区之间的信息处理选择性,以及在P300发生时区域之间的信息协调作用,本发明使用模块度特征,该特征可以将脑网络之间的连接分解为社团,
其中Aij是节点i与节点j之间边的权重,Ci,Cj表示节点所属社区,δ(Ci,Cj)的定义为:
K-core:用来在PLV动态脑功能网络中找出符合指定核心度的密切关系的子图结构,是一种子图挖掘算法,该算法可以计算P300目标与非目标信号中与核心节点紧密连接的子节点的集合,将64通道中节点度按照顺序排列,通过递归剥离节点的无向连接矩阵,直到矩阵中没有高于K的节点,K值选取按照矩阵中存在节点的最高度计算,不同的脑网络具有不同的K值。
4.如权利要求1所述的一种基于PLV动态脑功能网络的P300意图识别方法,其特征在于,所述步骤3和步骤4中,不同于以往的研究静态脑功能网络图特征的方式,本发明主要通过计算PLV动态脑功能网络连接的图属性特征,计算通道之间的连接特征,构建PLV动态脑功能网络,在脑网络模块化结构的基础上计算网络属性,包括特征路径长度、全局效率、传递性、聚类系数、局部效率和模块度,并将每个时间片的特征一起组成脑电信号的动态图指标,该方法可以有效反应P300发生过程中各个社区之间的关联关系,以及脑网络之间的内部连接变化规律,构建动态图指标特征如下:
聚类系数:用于测量P300目标与非目标脑网络内的连接紧密度以及节点的聚集程度;
传递性:用于分析P300发生前后脑网络的集群特征;
全局效率:用于分析P300信号中不同时间内信息交换,与全局信号传输能力;
局部效率:可以通过测量脑网络分化程度来衡量传播信息通过节点的直接相邻节点的效率,能够度量网络的局部信息传输能力;
特征路径长度:可以度量P300变化中脑网络的健壮性;
聚类系数定义如下:
传递性定义如下:
全局效率定义如下:
局部效率定义如下:
特征路径长度定义如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859818.3A CN116027888A (zh) | 2022-07-21 | 2022-07-21 | 一种基于plv动态脑功能网络的p300意图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859818.3A CN116027888A (zh) | 2022-07-21 | 2022-07-21 | 一种基于plv动态脑功能网络的p300意图识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116027888A true CN116027888A (zh) | 2023-04-28 |
Family
ID=86078332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210859818.3A Pending CN116027888A (zh) | 2022-07-21 | 2022-07-21 | 一种基于plv动态脑功能网络的p300意图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116027888A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116898401A (zh) * | 2023-07-17 | 2023-10-20 | 燕山大学 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
-
2022
- 2022-07-21 CN CN202210859818.3A patent/CN116027888A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116898401A (zh) * | 2023-07-17 | 2023-10-20 | 燕山大学 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
CN116898401B (zh) * | 2023-07-17 | 2024-02-02 | 燕山大学 | 基于联合递归量化的孤独症谱系障碍亚型分类方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | S-EEGNet: Electroencephalogram signal classification based on a separable convolution neural network with bilinear interpolation | |
Kannathal et al. | Characterization of EEG—a comparative study | |
Peraza et al. | Volume conduction effects in brain network inference from electroencephalographic recordings using phase lag index | |
CN112450947B (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
US20070225932A1 (en) | Methods, systems and computer program products for extracting paroxysmal events from signal data using multitaper blind signal source separation analysis | |
CN103110418A (zh) | 一种脑电信号特征提取方法 | |
CN113017627B (zh) | 一种基于双通道相位同步特征融合的抑郁症和双相障碍脑网络分析方法 | |
Liu et al. | Network community structure detection for directional neural networks inferred from multichannel multisubject EEG data | |
Safont et al. | Multichannel dynamic modeling of non-Gaussian mixtures | |
Liu et al. | A data driven approach for resting-state EEG signal classification of schizophrenia with control participants using random matrix theory | |
Rangaprakash | Connectivity analysis of multichannel EEG signals using recurrence based phase synchronization technique | |
Müller et al. | Incremental SSVEP analysis for BCI implementation | |
Li et al. | Distinguishing epileptiform discharges from normal electroencephalograms using adaptive fractal and network analysis: A clinical perspective | |
Iakovidou | Graph theory at the service of electroencephalograms | |
Chen et al. | Heterogeneous recurrence analysis of disease-altered spatiotemporal patterns in multi-channel cardiac signals | |
CN116027888A (zh) | 一种基于plv动态脑功能网络的p300意图识别方法 | |
Zhang et al. | Spatial-temporal neural network for P300 detection | |
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 | |
Yan et al. | Topological EEG-based functional connectivity analysis for mental workload state recognition | |
Frank et al. | A Framework to Evaluate Independent Component Analysis applied to EEG signal: testing on the Picard algorithm | |
CN116269440A (zh) | 一种脑电信号的特征提取方法、装置、系统及介质 | |
Li et al. | Brain network analysis for auditory disease: a twofold study | |
CN113349795B (zh) | 基于稀疏低秩张量分解的抑郁症脑电分析方法 | |
Mumtaz et al. | EEG classification of physiological conditions in 2D/3D environments using neural network | |
Antonacci et al. | Time-varying information measures: an adaptive estimation of information storage with application to brain-heart interactions |
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 |