CN116035597A - 一种脑电信号耦合分析方法、装置和系统 - Google Patents
一种脑电信号耦合分析方法、装置和系统 Download PDFInfo
- Publication number
- CN116035597A CN116035597A CN202310053087.8A CN202310053087A CN116035597A CN 116035597 A CN116035597 A CN 116035597A CN 202310053087 A CN202310053087 A CN 202310053087A CN 116035597 A CN116035597 A CN 116035597A
- Authority
- CN
- China
- Prior art keywords
- band
- analysis method
- channel
- decomposition
- frequency bands
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 84
- 238000010168 coupling process Methods 0.000 title claims abstract description 83
- 230000008878 coupling Effects 0.000 title claims abstract description 80
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 80
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 65
- 238000012546 transfer Methods 0.000 claims abstract description 56
- 210000004556 brain Anatomy 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004424 eye movement Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000003183 myoelectrical effect Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 4
- 208000006011 Stroke Diseases 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000008713 feedback mechanism Effects 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000001575 pathological effect Effects 0.000 abstract description 2
- 206010061296 Motor dysfunction Diseases 0.000 abstract 1
- 238000011084 recovery Methods 0.000 abstract 1
- 230000001364 causal effect Effects 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001953 sensory effect Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000003993 interaction Effects 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
- 230000001537 neural effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing 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
- 210000000278 spinal cord Anatomy 0.000 description 1
- 210000003478 temporal lobe Anatomy 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]
- A61B5/372—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
- A61B5/7235—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
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Psychiatry (AREA)
- Molecular Biology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychology (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多频段多变量传递熵的脑电信号耦合分析方法，包括：对采集到的多通道脑电信号进行去除干扰预处理；采用频段分解方法，对去除干扰预处理后的多通道脑电信号进行多频段分解，得到多个频段的多通道脑电信号；采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性。本发明还提出一种基于多频段多变量传递熵的脑电信号耦合分析装置和系统。本发明通过大脑感觉运动皮层间的功能耦合关系，确定大脑不同区域间的控制反馈机制及动态非线性的运动功能障碍病理机制，帮助建立基于多通道脑电信号的卒中患者康复评价指标，可以获得可观的社会效益和经济效益。
Description
技术领域
本发明涉及非线性动力学因果系统及大脑感觉运动网络研究的技术领域，具体为一种基于多频段多变量传递熵的脑电信号耦合分析方法、系统和装置。
背景技术
探索和量化复杂运动网络中不同脑区之间潜在的功能性皮质-皮质连接(functional corticocortical connectivity,FCCC)是一个重要的课题。人体各种动作的精准执行是依靠大脑各个脑区协同工作完成，不同脑区间的信息传递依靠诸多神经元群协作完成。已有研究表明，人体运动控制系统是由大脑、肢体、脊髓等多级结构共同参与和电生理信息同步作用的动态复杂拓扑系统，而作为发出控制指令的中央处理器的大脑的作用至关重要。因此通过分析不同脑区间的信息传递作用，可以得到复杂运动网络之间的交互作用。同时，大脑皮层功能网络节律性变化促使大脑各个区域之间的信息传递在某种程度上呈现出局部频段特性，即大脑复杂系统的同步耦合振荡在局部频段和特定带宽上代表着不同的物理和生理机制。同步脑电节律代表了跨越大规模神经元网络协调的神经活动和控制神经元放电时间的动态机制。已有研究表明，大脑各区域间的FCCC主要体现在alpha(8-15Hz)、beta(15-35Hz)及gamma(35-60Hz)频段，并且随着肢体动作种类的不同及力量输出水平的不同，各局部频段呈现出的同步耦合特性关系也不同。因此，提出多频段多变量传递熵(Multiband multivariate transfer entropy，MBMVTE)方法来研究复杂多变量系统在不同频段上的直接动态耦合特性是非常有必要的。
目前，基于相干分析法研究大脑左、右感觉运动区的FCCC获取频域耦合强度特性，但传统的相干分析并不能体现耦合方向特征。进而有研究基于多元随机过程中的线性向量自回归模型提出了格兰杰因果分析方法，可以有效地评估大脑颞叶皮层神经群之间信息传递特性，但大脑是一个具有高度复杂性和随机性的网络结构，基于既定模型的格兰杰因果分析方法不能有效描述大脑复杂的非线性耦合特征。因此，有研究基于信息论提出了一种有效连接两个系统的传递熵方法探究系统间的非线性耦合关系。综上所述，以上方法主要分析双变量系统的线性、非线性因果耦合关系，然而，对于复杂的脑网络系统，在不同的脑区之间是存在关联特性的，并且普通的二元方法在采集头皮脑电信号时无法避免同一参考电极引起的共源性。此外，目前，用来刻画FCCC局部频段特性的同步耦合方法主要基于一致性、格兰杰因果方法结合带通滤波、经验模态分解、小波包分解两大类，主要从线性角度对FCCC特征进行描述，但大脑区域受损后的脑电信号极具高度复杂非线性特征，同时也主要是基于双通道信号分析，对于分析大脑这种具有复杂网络特性的系统具有一定的局限。
发明内容
为了解决上述现有技术中存在的问题，本发明提出多频段多变量传递熵(Multiband mu lt ivar iate transfer entropy，MBMVTE)方法来研究复杂多变量系统在不同频段上的直接动态耦合特性，提出一种基于多频段多变量传递熵的脑电信号耦合分析方法，包括以下步骤：
对采集到的多通道脑电信号进行去除干扰预处理；
采用频段分解方法，对去除干扰预处理后的多通道脑电信号进行多频段分解，得到多个频段的多通道脑电信号；
采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性。
其中，所述频段分解方法为Gabor小波分解分析方法；
所述对去除干扰预处理后的多通道脑电信号进行若干局部频段分解具体为：采用Gabor小波分解分析方法对多通道脑电信号进行多频段分解。
其中，所述采用Gabor小波分解分析方法对多通道脑电信号进行多频段分解具体为：
对去除干扰预处理后的多通道脑电信号构建多通道脑电信号时间序列，得到时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}；
基于Gabor小波分解分析方法对脑电信号时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}进行多频段分解；
所述Gabor小波分解分析方法的计算公式为：
X(f,t)＝h(f,t)*x(t)≡∫h(u)x(t+u)du
Y(f,t)＝h(f,t)*y(t)≡∫h(u)y(t+u)du
式中，X(f,t)、Y(f,t)分别表示频率f的时间序列在时间点t处的幅值特征，将频率分辨率设置为n Hz，并分别提取中心频率f＝1n，2n，…Hz的多个频段信号；
h(f,t)为Gabor函数，具体为：
式中，ω0为无量纲常数，k1为归一化系数；中心频率ω＝ω0/a，a为尺度因子，t为当前时刻，t0为初始时刻，j为虚数单位，利用Gabor小波变换将具有耦合关系的时间序列分解为间隔nHz的多个频段信号，构建新的时间序列
和
其中G1和G2分别为时间序列多个频段个数。
其中，所述采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在所述多个频段间的耦合特性，具体为：
式中，MBMVTEg-X→Y|Ψ\X是分析得到的耦合特性的结果，p表示概率，Ψ为包含若干变量的集合，所述Ψ至少包含变量X、Y；
在时间t时刻的Ψ、X、Y分别表示为
Xt (g)、Yt (g)；
Ψ、X、Y的过去状态分别表示为
Xt (g)-、Yt (g)-；
其中，MBMVTEg-X→YΨ\X值越大，则表明时间序列间耦合越强。
其中，所述去除干扰预处理包括以下之一：
去除基线漂移；
去除肌电干扰；
去除眼动干扰；
去除50Hz工频干扰。
其中，所述耦合特性包括非线性特性和信息传递特性。
本发明还提出一种基于多频段多变量传递熵的脑电信号耦合分析装置，包括：
预处理单元，用于对采集到的多通道脑电信号进行去除干扰预处理；
分解单元，用于采用频段分解方法，对去除干扰预处理后的多通道脑电信号进行多频段分解，得到多个频段的多通道脑电信号；
分析单元，用于采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性。
其中，所述频段分解方法为Gabor小波分解分析方法；
所述对去除干扰预处理后的多通道脑电信号进行若干局部频段分解具体为：采用Gabor小波分解分析方法对多通道脑电信号进行多频段分解。
其中，所述采用Gabor小波分解分析方法对多通道脑电信号进行多频段分解具体为：
对去除干扰预处理后的多通道脑电信号构建多通道脑电信号时间序列，得到时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}；
基于Gabor小波分解分析方法对脑电信号时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}进行多频段分解；
所述Gabor小波分解分析方法的计算公式为：
X(f,t)＝h(f,t)*x(t)≡∫h(u)x(t+u)du
Y(f,t)＝h(f,t)*y(t)≡∫h(u)y(t+u)du
式中，X(f,t)、Y(f,t)分别表示频率f的时间序列在时间点t处的幅值特征，将频率分辨率设置为n Hz，并分别提取中心频率f＝1n，2n，…Hz的多个频段信号；
h(f,t)为Gabor函数，具体为：
式中，ω0为无量纲常数，k1为归一化系数；中心频率ω＝ω0/a，a为尺度因子，t为当前时刻，t0为初始时刻，j为虚数单位，利用Gabor小波变换将具有耦合关系的时间序列分解为间隔nHz的多个频段信号，构建新的时间序列
和
其中G1和G2分别为时间序列多个频段个数。
其中，所述采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性，具体为：
式中，MBMVTEg-X→Y|Ψ\X是分析得到的耦合特性的结果，p表示概率，Ψ为包含若干变量的集合，所述Ψ至少包含变量X、Y；
在时间t时刻的Ψ、X、Y分别表示为
Xt (g)、Yt (g)；
Ψ、X、Y的过去状态分别表示为
Xt (g)-、Yt (g)-。
其中，MBMVTEg-X→Y|Ψ\X值越大，则表明时间序列间耦合越强。
其中，所述去除干扰预处理包括以下之一：
去除基线漂移；
去除肌电干扰；
去除眼动干扰；
去除50Hz工频干扰。
其中，所述耦合特性包括非线性特性和信息传递特性。
本发明还提出一种基于多频段多变量传递熵的脑电信号耦合分析系统，所述系统包括处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如前述的一种基于多频段多变量传递熵的脑电信号耦合分析方法。
本发明利用多频段多变量传递熵分析不同频段多通道脑电信号间因果关系特性，定量描述多频段多变量间非线性的直接耦合及信息传递特征，通过大脑感觉运动皮层间的功能耦合关系，确定大脑不同区域间的控制反馈机制及动态非线性的运动功能障碍病理机制，帮助建立基于多通道脑电信号的卒中患者康复评价指标，可以获得可观的社会效益和经济效益。
附图说明
图1为本发明的基于多频段多变量传递熵的脑电信号耦合分析方法的流程示意图；
图2为本发明的基于多频段多变量传递熵的脑电信号耦合分析装置的结构示意图；
图3为本发明的基于多频段多变量传递熵的脑电信号耦合分析系统的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
参见图1，本实施例为一种基于多频段多变量传递熵的脑电信号耦合分析方法，包括以下步骤：
S1、对采集到的多通道脑电信号进行去除干扰预处理。
S2、采用频段分解方法，对去除干扰预处理后的多通道脑电信号进行多频段分解，得到多个频段的多通道脑电信号。
S3、采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性。其中，耦合特性包括非线性特性和信息传递特性。
在对采集到的多通道脑电信号进行去除干扰预处理之前，还包括：采用多通道脑电采集设备，采集多通道脑电信号。多通道脑电采集设备为32或64通道的Neuracle设备或Neuroscan设备。作为进一步优选的方案，选用64通道的Neuracle设备，并采用国际10-20系统标准采集记录大脑对应的感觉运动区的脑电信号。
去除干扰预处理包括去除基线漂移、去除肌电干扰、去除眼动干扰和去除50Hz工频干扰之一或任意组合。作为进一步优选的方案，采用matlab软件进行去除干扰预处理。
采用Gabor小波分解分析方法对多通道脑电信号进行若干局部频段分解。
采用Gabor小波分解分析方法对多通道脑电信号进行若干局部频段分解具体为：
对去除干扰预处理后的多通道脑电信号构建多通道脑电信号时间序列，得到时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}；
基于Gabor小波分解分析方法对脑电信号时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}进行多频段分解；
所述Gabor小波分解分析方法的计算公式为：
X(f,t)＝h(f,t)*x(t)≡∫h(u)x(t+u)du
Y(f,t)＝h(f,t)*y(t)≡∫h(u)y(t+u)du
式中，X(f,t)、Y(f,t)分别表示频率f的时间序列在时间点t处的幅值特征，将频率分辨率设置为n Hz，并分别提取中心频率f＝1n，2n，…Hz的多个频段信号；
h(f,t)为Gabor函数，具体为：
式中，ω0为无量纲常数，k1为归一化系数；中心频率ω＝ω0/a，a为尺度因子，t为当前时刻，t0为初始时刻，j为虚数单位，利用Gabor小波变换将具有耦合关系的时间序列分解为间隔nHz的多个频段信号，构建新的时间序列
和
其中G1和G2分别为时间序列多个频段个数。
采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性，具体为：
式中，MBMVTEg-X→Y|Ψ\X是分析得到的耦合特性的结果，p表示概率，Ψ为包含若干变量的集合，所述Ψ至少包含变量X、Y；
在时间t时刻的Ψ、X、Y分别表示为
Xt (g)、Yt (g)；
Ψ、X、Y的过去状态分别表示为
Xt (g)-、Yt (g)-；
p(A)表示概率，p(A|B)表示在B条件下的A的概率，A\B表示属于A不属于B。
MBMVTEg-X→Y|Ψ\X是耦合特性的结果，MBMVTEg-X→Y|Ψ\X值越大，说明时间序列间耦合越强。
分解得到的多个频段包括α频段、β频段和/或γ频段；α频段为8-15Hz，β频段为15-35Hz，γ频段为35-60Hz。
图2所示为本发明的基于多频段多变量传递熵的脑电信号耦合分析装置的结构示意图，本发明的基于多频段多变量传递熵的脑电信号耦合分析装置包括：
预处理单元，用于对采集到的多通道脑电信号进行去除干扰预处理。
分解单元，用于采用频段分解方法，对去除干扰预处理后的多通道脑电信号进行多频段分解，得到多个频段的多通道脑电信号。
分析单元，用于采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性。
所述采用Gabor小波分解分析方法对多通道脑电信号进行若干局部频段分解具体为：
对去除干扰预处理后的多通道脑电信号构建多通道脑电信号时间序列，得到时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}；
基于Gabor小波分解分析方法对脑电信号时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}进行多频段分解；
所述Gabor小波分解分析方法的计算公式为：
X(f,t)＝h(f,t)*x(t)≡∫h(u)x(t+u)du
Y(f,t)＝h(f,t)*y(t)≡∫h(u)y(t+u)du
式中，X(f,t)、Y(f,t)分别表示频率f的时间序列在时间点t处的幅值特征，将频率分辨率设置为n Hz，并分别提取中心频率f＝1n，2n，…Hz的多个频段信号；
h(f,t)为Gabor函数，具体为：
式中，ω0为无量纲常数，k1为归一化系数；中心频率ω＝ω0/a，a为尺度因子，t为当前时刻，t0为初始时刻，j为虚数单位，利用Gabor小波变换将具有耦合关系的时间序列分解为间隔nHz的多个频段信号，构建新的时间序列
和
其中G1和G2分别为时间序列多个频段个数。
采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性，具体为：
式中，MBMVTEg-X→Y|Ψ\X是分析得到的耦合特性的结果，p表示概率，Ψ为包含若干变量的集合，所述Ψ至少包含变量X、Y；
在时间t时刻的Ψ、X、Y分别表示为
Xt (g)、Yt (g)；
Ψ、X、Y的过去状态分别表示为
Xt (g)-、Yt (g)-；
p(A)表示概率，p(A|B)表示在B条件下的A的概率，A\B表示属于A不属于B。
MBMVTEg-X→Y|Ψ\X是分析得到的耦合特性的结果，MBMVTEg-X→Y|Ψ\X值越大，说明时间序列间耦合越强。
所述去除干扰预处理包括以下之一或任意组合：去除基线漂移；去除肌电干扰；去除眼动干扰；去除50Hz工频干扰。
所述耦合特性包括非线性特性和信息传递特性。
在对采集到的多通道脑电信号进行去除干扰预处理之前，还包括：采用多通道脑电采集设备，采集多通道脑电信号。多通道脑电采集设备为32或64通道的Neuracle设备或Neuroscan设备。作为进一步优选的方案，选用64通道的Neuracle设备，并采用国际10-20系统标准采集记录大脑对应的感觉运动区的脑电信号。
图3为本发明的基于多频段多变量传递熵的脑电信号耦合分析系统的结构示意图，如图3所示，所述系统包括处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行前述的基于多频段多变量传递熵的脑电信号耦合分析方法。
对于本领域普通技术人员来说，根据本发明的上述实施方式所作出的任何修改、变动，在不脱离本发明宗旨的情况下，均应包含于本发明的保护范围之内。
Claims (13)
1.一种基于多频段多变量传递熵的脑电信号耦合分析方法，其特征在于，包括以下步骤：
对采集到的多通道脑电信号进行去除干扰预处理；
采用频段分解方法，对去除干扰预处理后的多通道脑电信号进行多频段分解，得到多个频段的多通道脑电信号；
采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性。
2.根据权利要求1所述的基于多频段多变量传递熵的脑电信号耦合分析方法，其特征在于：所述频段分解方法为Gabor小波分解分析方法；
所述对去除干扰预处理后的多通道脑电信号进行若干局部频段分解具体为：采用Gabor小波分解分析方法对多通道脑电信号进行多频段分解。
3.根据权利要求2所述的基于多频段多变量传递熵的脑电信号耦合分析方法，其特征在于：所述采用Gabor小波分解分析方法对多通道脑电信号进行多频段分解具体为：
对去除干扰预处理后的多通道脑电信号构建多通道脑电信号时间序列，得到时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}；
基于Gabor小波分解分析方法对脑电信号时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}进行多频段分解；
所述Gabor小波分解分析方法的计算公式为：
X(f,t)＝h(f,t)*x(t)≡∫h(u)x(t+u)du
Y(f,t)＝h(f,t)*y(t)≡∫h(u)y(t+u)du
式中，X(f,t)、Y(f,t)分别表示频率f的时间序列在时间点t处的幅值特征，将频率分辨率设置为n Hz，并分别提取中心频率f＝1n，2n，…Hz的多个频段信号；
h(f,t)为Gabor函数，具体为：
式中，ω0为无量纲常数，k1为归一化系数；中心频率ω＝ω0/a，a为尺度因子，t为当前时刻，t0为初始时刻，j为虚数单位，利用Gabor小波变换将具有耦合关系的时间序列分解为间隔nHz的多个频段信号，构建新的时间序列
和
其中G1和G2分别为时间序列多个频段个数。
4.根据权利要求3所述的基于多频段多变量传递熵的脑电信号耦合分析方法，其特征在于：所述采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在所述多个频段间的耦合特性，具体为：
式中，MBMVTEg-X→Y|Ψ\X是分析得到的耦合特性的结果，p表示概率，Ψ为包含若干变量的集合，所述Ψ至少包含变量X、Y；
在时间t时刻的Ψ、X、Y分别表示为
Xt (g)、Yt (g)；
Ψ、X、Y的过去状态分别表示为
Xt (g)-、Yt (g)-；
其中，MBMVTEg-X→Y|Ψ\X值越大，则表明时间序列间耦合越强。
5.根据权利要求1-4任一所述的基于多频段多变量传递熵的脑电信号耦合分析方法，其特征在于：所述去除干扰预处理包括以下之一：
去除基线漂移；
去除肌电干扰；
去除眼动干扰；
去除50Hz工频干扰。
6.根据权利要求1-4任一所述的基于多频段多变量传递熵的脑电信号耦合分析方法，其特征在于：所述耦合特性包括非线性特性和信息传递特性。
7.一种基于多频段多变量传递熵的脑电信号耦合分析装置，其特征在于，所述装置包括：
预处理单元，用于对采集到的多通道脑电信号进行去除干扰预处理；
分解单元，用于采用频段分解方法，对去除干扰预处理后的多通道脑电信号进行多频段分解，得到多个频段的多通道脑电信号；
分析单元，用于采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性。
8.根据权利要求7所述的基于多频段多变量传递熵的脑电信号耦合分析装置，其特征在于：所述频段分解方法为Gabor小波分解分析方法；
所述对去除干扰预处理后的多通道脑电信号进行若干局部频段分解具体为：采用Gabor小波分解分析方法对多通道脑电信号进行多频段分解。
9.根据权利要求8所述的基于多频段多变量传递熵的脑电信号耦合分析装置，其特征在于：所述采用Gabor小波分解分析方法对多通道脑电信号进行多频段分解具体为：
对去除干扰预处理后的多通道脑电信号构建多通道脑电信号时间序列，得到时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}；
基于Gabor小波分解分析方法对脑电信号时间序列X＝{x1,x2,…,xi,…,xN}和Y＝{y1,y2,…,yi,…,yN}进行多频段分解；
所述Gabor小波分解分析方法的计算公式为：
X(f,t)＝h(f,t)*x(t)≡∫h(u)x(t+u)du
Y(f,t)＝h(f,t)*y(t)≡∫h(u)y(t+u)du
式中，X(f,t)、Y(f,t)分别表示频率f的时间序列在时间点t处的幅值特征，将频率分辨率设置为n Hz，并分别提取中心频率f＝1n，2n，…Hz的多个频段信号；
h(f,t)为Gabor函数，具体为：
式中，ω0为无量纲常数，k1为归一化系数；中心频率ω＝ω0/a，a为尺度因子，t为当前时刻，t0为初始时刻，j为虚数单位，利用Gabor小波变换将具有耦合关系的时间序列分解为间隔nHz的多个频段信号，构建新的时间序列
和
其中G1和G2分别为时间序列多个频段个数。
10.根据权利要求9所述的基于多频段多变量传递熵的脑电信号耦合分析装置，其特征在于：所述采用多频段多变量传递熵分析方法对得到的多个频段的多通道脑电信号进行分析，得到多个频段的多通道脑电信号在相应频段下的耦合特性，具体为：
式中，MBMVTEg-X→Y|Ψ\X是分析得到的耦合特性的结果，p表示概率，Ψ为包含若干变量的集合，所述Ψ至少包含变量X、Y；
在时间t时刻的Ψ、X、Y分别表示为
Xt (g)、Yt (g)；
Ψ、X、Y的过去状态分别表示为
Xt (g)-、Yt (g)-。
其中，MBMVTEg-X→Y|Ψ\X值越大，则表明时间序列间耦合越强。
11.根据权利要求7-10任一所述的基于多频段多变量传递熵的脑电信号耦合分析装置，其特征在于：所述去除干扰预处理包括以下之一：
去除基线漂移；
去除肌电干扰；
去除眼动干扰；
去除50Hz工频干扰。
12.根据权利要求7-10任一所述的基于多频段多变量传递熵的脑电信号耦合分析装置，其特征在于：所述耦合特性包括非线性特性和信息传递特性。
13.一种基于多频段多变量传递熵的脑电信号耦合分析系统，其特征在于：所述系统包括处理器、存储有计算机程序的存储器，所述计算机程序被处理器运行时，执行如权利要求1-6任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310053087.8A CN116035597A (zh) | 2023-02-03 | 2023-02-03 | 一种脑电信号耦合分析方法、装置和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310053087.8A CN116035597A (zh) | 2023-02-03 | 2023-02-03 | 一种脑电信号耦合分析方法、装置和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116035597A true CN116035597A (zh) | 2023-05-02 |
Family
ID=86116150
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310053087.8A Pending CN116035597A (zh) | 2023-02-03 | 2023-02-03 | 一种脑电信号耦合分析方法、装置和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116035597A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116994697A (zh) * | 2023-08-04 | 2023-11-03 | 首都医科大学宣武医院 | 基于完全性脊髓损伤患者训练评估的脑机交互方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7299088B1 (en) * | 2002-06-02 | 2007-11-20 | Nitish V Thakor | Apparatus and methods for brain rhythm analysis |
| CN101491441A (zh) * | 2009-02-26 | 2009-07-29 | 江西蓝天学院 | 基于脑电信号的身份识别方法 |
| CN102119857A (zh) * | 2011-02-15 | 2011-07-13 | 陕西师范大学 | 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 |
| CN106073702A (zh) * | 2016-05-27 | 2016-11-09 | 燕山大学 | 基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法 |
| CN109144259A (zh) * | 2018-08-23 | 2019-01-04 | 杭州电子科技大学 | 一种基于多尺度排列传递熵的脑区间同步关系分析方法 |
| CN109497999A (zh) * | 2018-12-20 | 2019-03-22 | 杭州电子科技大学 | 基于Copula-GC的脑肌电信号时频耦合分析方法 |
| CN111067514A (zh) * | 2020-01-08 | 2020-04-28 | 燕山大学 | 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 |
| CN111227830A (zh) * | 2020-02-14 | 2020-06-05 | 燕山大学 | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 |
| CN115293210A (zh) * | 2022-08-11 | 2022-11-04 | 安徽信息工程学院 | 一种基于脑电波的指令预测输出控制方法 |
-
2023
- 2023-02-03 CN CN202310053087.8A patent/CN116035597A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7299088B1 (en) * | 2002-06-02 | 2007-11-20 | Nitish V Thakor | Apparatus and methods for brain rhythm analysis |
| CN101491441A (zh) * | 2009-02-26 | 2009-07-29 | 江西蓝天学院 | 基于脑电信号的身份识别方法 |
| CN102119857A (zh) * | 2011-02-15 | 2011-07-13 | 陕西师范大学 | 基于匹配追踪算法的疲劳驾驶脑电检测系统及检测方法 |
| CN106073702A (zh) * | 2016-05-27 | 2016-11-09 | 燕山大学 | 基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法 |
| CN109144259A (zh) * | 2018-08-23 | 2019-01-04 | 杭州电子科技大学 | 一种基于多尺度排列传递熵的脑区间同步关系分析方法 |
| CN109497999A (zh) * | 2018-12-20 | 2019-03-22 | 杭州电子科技大学 | 基于Copula-GC的脑肌电信号时频耦合分析方法 |
| CN111067514A (zh) * | 2020-01-08 | 2020-04-28 | 燕山大学 | 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 |
| CN111227830A (zh) * | 2020-02-14 | 2020-06-05 | 燕山大学 | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 |
| CN115293210A (zh) * | 2022-08-11 | 2022-11-04 | 安徽信息工程学院 | 一种基于脑电波的指令预测输出控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张园园;邹策;陈晓玲;尹永浩;程生翠;陈迎亚;谢平;: "基于Gabor小波-传递熵的脑-肌电信号同步耦合分析", 生物医学工程学杂志, vol. 34, no. 06, 25 December 2017 (2017-12-25), pages 850 - 856 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116994697A (zh) * | 2023-08-04 | 2023-11-03 | 首都医科大学宣武医院 | 基于完全性脊髓损伤患者训练评估的脑机交互方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Differences first in asymmetric brain: A bi-hemisphere discrepancy convolutional neural network for EEG emotion recognition | |
| CN110969108B (zh) | 一种基于自主运动想象脑电的肢体动作识别方法 | |
| Liu et al. | Electroencephalogram emotion recognition based on empirical mode decomposition and optimal feature selection | |
| Vijayan et al. | EEG-based emotion recognition using statistical measures and auto-regressive modeling | |
| 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 | |
| CN108309290A (zh) | 单通道脑电信号中肌电伪迹的自动去除方法 | |
| Zhong et al. | EEG emotion recognition based on TQWT-features and hybrid convolutional recurrent neural network | |
| Fatimah et al. | Mental arithmetic task classification using fourier decomposition method | |
| CN113180669B (zh) | 一种基于神经反馈技术的情绪调节训练系统与方法 | |
| Miguel et al. | Classification of electroencephalogram signals using artificial neural networks | |
| CN115640827B (zh) | 对电刺激数据处理的智能闭环反馈网络方法及系统 | |
| CN116035597A (zh) | 一种脑电信号耦合分析方法、装置和系统 | |
| Geng et al. | A fusion algorithm for EEG signal processing based on motor imagery brain-computer interface | |
| Voinas et al. | Motor imagery EEG signal classification for stroke survivors rehabilitation | |
| Jirayucharoensak et al. | Automatic removal of EEG artifacts using ICA and lifting wavelet transform | |
| Vijayendra et al. | A performance study of 14-channel and 5-channel EEG systems for real-time control of unmanned aerial vehicles (UAVs) | |
| Zhao et al. | Incremental common spatial pattern algorithm for BCI | |
| CN108814593B (zh) | 一种基于复杂网络的脑电信号特征提取方法 | |
| Shcherban et al. | Method of automatic search for odor-induced patterns in bioelectric activity of a rat olfactory bulb | |
| Bhattacharyya et al. | Detection of fast and slow hand movements from motor imagery EEG signals | |
| 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 | |
| Vedavathi et al. | Wavelet transform based neural network model to detect and characterise ECG and EEG signals simultaneously | |
| CN113558637A (zh) | 一种基于相位传递熵的音乐感知下脑网络构建方法 | |
| Riheen et al. | Selection of proper frequency band and compatible features for left and right hand movement from EEG signal analysis | |
| Wei et al. | Mild cognitive impairment classification convolutional neural network with attention mechanism |
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 |