CN116712086A - 一种基于隐马尔可夫的大脑微状态辨析方法及装置 - Google Patents
一种基于隐马尔可夫的大脑微状态辨析方法及装置 Download PDFInfo
- Publication number
- CN116712086A CN116712086A CN202310594308.2A CN202310594308A CN116712086A CN 116712086 A CN116712086 A CN 116712086A CN 202310594308 A CN202310594308 A CN 202310594308A CN 116712086 A CN116712086 A CN 116712086A
- Authority
- CN
- China
- Prior art keywords
- state
- brain
- time
- micro
- brain micro
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 214
- 238000000034 method Methods 0.000 title claims abstract description 110
- 230000008569 process Effects 0.000 claims abstract description 68
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000001575 pathological effect Effects 0.000 claims abstract description 21
- 239000003550 marker Substances 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 14
- 230000007177 brain activity Effects 0.000 claims abstract description 13
- 230000000694 effects Effects 0.000 claims abstract description 13
- 230000001537 neural effect Effects 0.000 claims abstract description 7
- 230000000284 resting effect Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 230000003925 brain function Effects 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000010183 spectrum analysis Methods 0.000 claims description 4
- 230000003920 cognitive function Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 230000003068 static effect Effects 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 5
- 206010003805 Autism Diseases 0.000 abstract description 4
- 208000020706 Autistic disease Diseases 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 2
- 238000012850 discrimination method Methods 0.000 abstract 1
- 108091006146 Channels Proteins 0.000 description 15
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 230000005978 brain dysfunction Effects 0.000 description 2
- 210000001652 frontal lobe Anatomy 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000000926 neurological effect Effects 0.000 description 2
- 210000000869 occipital lobe Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 210000003478 temporal lobe Anatomy 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000004641 brain development Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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]
-
- 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
- A61B5/7235—Details of waveform analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Physiology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (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隐马尔可夫的大脑微状态辨析方法及装置，选取孤独症群体和健康发育群体的原始时序脑电信号数据作为观测序列数据，通过隐马尔可夫模型的构建和解码过程完成隐大脑微状态的辨析。针对获取到的大脑微状态隐过程序列，计算一系列时域维度和频域维度上的统计指标。最终对不同病理群体之间大脑微状态的变化过程和动态活动模式进行量化描述和对比分析，形成可供分析参考的神经标志物结论。本发明提出一种将观察视角从静态平均大脑结构转换为动态时变大脑微状态结构的脑电数据建模方式，可从个体角度提供一种毫秒尺度大脑状态分析模式，通过确切的辨析结果和可靠的描述指标可有效对不同病理状态的大脑活动模式进行解释和对比分析。
Description
技术领域
本发明涉及计算机技术领域，是一种基于静息态脑电的大脑微状态辨析方法，具体涉及一种基于隐马尔可夫模型的隐大脑微状态辨析及不同病理群体之间可供参考对比分析的神经标志物构建方法，尤其涉及一种基于隐马尔可夫的大脑微状态辨析方法及装置。
背景技术
孤独症是一种谱系障碍，其病理成因机制不明，具有异质性和复杂性。因此，在临床医学评估过程中，需要可从大脑发育的角度找到可供参考对比分析的神经标志物指标，对个体水平上的大脑状态进行评估。脑电图数据是大脑表面用电极记录脑活动随时间变化的电位曲线，是观测大脑皮层活动的窗口，也是大脑区域间协同工作的关键。对脑电信号的充分了解，能够从神经元以及脑电生理信号角度综合系统的探索大脑的奥秘，进而深入分析脑功能状态以及脑活动规律。
传统基于脑电特征分析方式的指标提取计算方法着重于强调各脑区或各频段大脑振荡模式的平均功能定位，无法对大尺度脑网络功能的动态活动模式进行挖掘和探索。而大脑微状态分析方法则可以将观察视角从静态平均大脑结构转换为动态时变大脑微状态结构，可对大脑中重复出现的微观动态活动模式进行捕捉，能够获取融合空间信息的脑电在时间维度的动态变化过程，可为患病个体提供一种毫秒尺度大脑状态分析的方式，也是当前对脑功能障碍疾病和大脑神经功能模式进行研究的有效可靠指标之一。
现有技术中，基于静息态大脑微状态的相关研究方法集中在基于聚类方法的单被试水平微状态鉴别，试图将脑电时序数据分解到一组具有相似地形图拓扑结构的大脑微状态演变组合中，但是这种基于通道间电压标准差的地形图拓扑结构的聚类方式破坏了大脑空间上的离散性。此外，这种基于相似性的聚类方式会导致结果具有一定的随机性，同时也需要大量迭代实验来选取相对表示较好的结果。
发明内容
为了对孤独症及正常被试个体的静息态大脑随着时间推移产生变化的多元动态脑电特征进行自适应的分析，从个体水平和群体水平上捕捉大脑微结构模式，和相应大脑功能障碍进行联系并建立丰富可靠的神经标志物指标，本发明提出一种基于隐马尔可夫模型的大脑微状态时间序列过程辨析方法，以多元高斯分布的观察模型视角对大脑微状态进行建模，完全以数据驱动的方式自适应提取瞬时且重复出现的大脑微状态结构，在毫秒级时间尺度上获取时域、频域和空域上的描述指标，通过辨析结果和描述指标对不同病理状态的大脑活动模式进行解释和对比分析，改善了辨析效果。
为了实现上述目的，本发明技术方案为：
第一方面提供了一种基于隐马尔可夫的大脑微状态辨析方法，包括：
S1：获取健康群体和患病群体的原始脑电数据，经一系列预处理操作获得干净的时序脑电信号数据；
S2：基于个体水平将获得的干净的时序脑电信号数据作为隐马尔可夫建模过程中的观测序列，完成隐马尔可夫模型的构建；
S3：将隐大脑微状态类别定义为四种静息态大脑微状态类别，对构建的隐马尔可夫模型进行训练；
S4：对训练得到的隐马尔可夫模型进行解码操作，得到四种不同静息态大脑微状态类别的状态时间过程序列；
S5：针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行时域维度统计指标的计算；
S6：针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行频域维度统计指标的计算；
S7：对健康群体与患病群体之间的统计指标进行解释和对比分析，构建神经生物学标志，用以分析不同病理状态下大脑活动模式的差异性。
在一种实施方式中，步骤S2包括：
S2.1：定义大脑微状态辨析隐马尔科夫模型λ＝(N，M，A，B，π)，其中N是隐藏状态数目，M是每个状态可能的观察值数目，A是与时间无关的状态转移概率矩阵，B是在给定状态下的观察值概率分布矩阵，π是初始状态空间的概率分布，所有隐藏状态空间集合为所有可观测序列空间集合为/>即/>长度为T的隐藏状态序列I＝{i1，i2，...，iT}对应的观测序列为O＝{o1，o2，...，oT}；
S2.2：定义隐马尔可夫模型假设条件，假设条件包括齐次马尔可夫假设和观测独立性假设，其中，齐次马尔可夫假设是指在一系列事件中，某一给定事件发生的概率只取决于上一时刻发生的事件，即在任意时刻t的状态it只依赖于前一时刻t-1的状态it-1，与其他时刻的状态及观测无关，观测独立性假设是指，任意时刻t的观测值ot只依赖于当前时刻t的马尔科夫链状态it，与其他状态及观测值无关。
在一种实施方式中，步骤S3包括：
将短时反复出现的瞬时大脑状态定义为大脑微状态，其为不能直接观测需要推断的有限隐状态集合；时序脑电信号数据作为隐马尔可夫模型的观测序列，其为能够直接观测到的结果，作为对隐状态序列进行解码的观测空间集合；
定义时序脑电信号数据在不同时间点上的数据对应时间t上的大脑微状态为xt∈{1，2，...，K}；
将观测序列脑电时序信号数据yt输入隐马尔可夫模型，推断出最可能出现的大脑微状态隐状态序列xt，在每个时间点t每个状态xt有对应的活跃概率pt。
在一种实施方式中，步骤S4包括：
通过隐马尔可夫解码过程提取大脑微状态时间过程序列，同时将大脑微状态的数据概率观测模式用多元高斯分布进行表示：
其中μk是数据的均值矩阵，∑k是对通道之间方差和协变方式编码的协方差矩阵，通过多元高斯分布完成对基于多个通道之间特性的单个大脑微状态的建模过程，每个大脑微状态通过多元高斯分布的参数进行表征。
在一种实施方式中，步骤S5包括：
计算每个大脑微状态在整个记录时间中总共出现的次数，即单个大脑微状态类别的状态出现次数；
计算每个微状态在整体记录时间中占据主导地位时覆盖范围的总占比，即单个大脑微状态类别出现的状态覆盖占比；
计算某个大脑微状态出现后，在切换到另一种微状态前保持稳定活跃的平均持续时间长度，即单个大脑微状态类别出现的平均持续时间；
计算某个特定大脑微状态连续活跃出现的平均时间间隔，即单个大脑微状态类别出现的平均间隔时间。
在一种实施方式中，步骤S6包括：
S6.1：基于步骤S4得到的对应不同静息态大脑微状态类别的时间过程序列，映射到原始时序脑电数据中的不同时间段，对不同的时间段窗口进行对应频域维度的参数指标计算；
S6.2：计算映射时间段窗口内原始脑电信号数据在频域中的统计信息，利用多窗谱分析法获取脑电信号数据的频谱估计值，使用由一系列正交锥形窗组成的离散长球序列来产生一系列的加窗数据，并计算这些加窗数据周期图的平均值，将其作为信号的频谱估计值；
S6.3：在基于多窗谱的频谱估计值的基础上，采用相干性的计算方式来衡量不同脑区之间在频域内的线性相关程度完成大脑功能连接指标的计算，作为不同脑区之间协作交流的表征模式。
在一种实施方式中，步骤S7包括：
S7.1：根据步骤S5和S6的计算结果，分别对健康群体和患病群体内部个体进行汇总平均统计，得到相应群体水平的统计信息和参数指标，包括四种大脑微状态类别时间过程序列、单个大脑微状态时间维度参数、单个大脑微状态频域维度参数；
S7.2：对不同群体之间的不同组参数进行对比分析，获取与病理状态相关的大脑认知功能状态的区别，形成可供参考的神经标志物结论。
基于同样的发明构思，本发明第二方面提供了一种基于隐马尔可夫的大脑微状态辨析装置，包括：
数据获取与预处理模块，用于获取健康群体和患病群体的原始脑电数据，经一系列预处理操作获得干净的时序脑电信号数据；
模型构建模块，用于基于个体水平将获得的干净的时序脑电信号数据作为隐马尔可夫建模过程中的观测序列，完成隐马尔可夫模型的构建；
模型训练模块，用于将隐大脑微状态类别定义为四种静息态大脑微状态类别，对构建的隐马尔可夫模型进行训练；
解码模块，用于对训练得到的隐马尔可夫模型进行解码操作，得到四种不同静息态大脑微状态类别的状态时间过程序列；
时域维度统计指标计算模块，用于针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行时域维度统计指标的计算；
频域维度统计指标计算模块，用于针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行频域维度统计指标的计算；
对比分析模块，用于对健康群体与患病群体之间的统计指标进行解释和对比分析，构建神经生物学标志，用以分析不同病理状态下大脑活动模式的差异性。
基于同样的发明构思，本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。
基于同样的发明构思，本发明第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
相对于现有技术，本发明的优点和有益的技术效果如下：
1)本发明通过大脑微状态分析的方式对脑电数据进行建模，这种分析方法可以将观察视角从静态平均大脑结构转换为动态时变大脑微状态结构，可用来对大脑中重复出现的微观动态活动模式进行捕捉，进而为个体提供一种毫秒尺度大脑状态分析的方式。通过对正常群体与疾病群体之间大脑微状态的差异性分析，可建立丰富可靠的神经标志物指标。
2)本发明通过基于隐马尔可夫模型的方式对大脑微状态时间序列过程进行辨析，以多元高斯分布的观察模型视角对大脑微状态进行建模，完全以数据驱动的方式自适应提取瞬时且重复出现的大脑微状态结构，在毫秒级时间尺度上获取时域、频域和空域上的多种描述指标。包括每个大脑微状态类别的平均持续时间、状态覆盖占比、平均间隔时间、频谱估计值以及不同通道间的相干性分析，通过确切的辨析结果和可靠的描述指标可有效对不同病理状态的大脑活动模式进行解释和对比分析。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，下面描述中的附图是本发明的一些实施例，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是本发明实施中公开的一种基于隐马尔可夫的大脑微状态辨析方法的流程图；
图2是本发明实施中提供的基于静息态脑电的大脑微状态辨析的模型结构图。
具体实施方式
本发明公开了一种基于隐马尔可夫模型的隐大脑微状态辨析及不同病理群体之间可供参考对比的神经标志物构建方法。选取孤独症群体和健康发育群体的原始时序脑电信号数据作为观测序列数据，通过隐马尔可夫模型的构建和解码过程完成隐大脑微状态的辨析。针对获取到的大脑微状态隐过程序列，计算一系列时域维度和频域维度上的统计指标，包括单个大脑微状态类别出现的持续时间、间隔时间、覆盖范围，以及不同大脑微状态之间的转换过程和转换概率，以及相应的单个大脑微状态类别的频域活动状况。最终对不同病理群体之间大脑微状态的变化过程和动态活动模式进行量化描述和对比分析，形成可供分析参考的神经标志物结论。本发明提出一种将观察视角从静态平均大脑结构转换为动态时变大脑微状态结构的脑电数据建模方式，可从个体角度提供一种毫秒尺度大脑状态分析模式，通过确切的辨析结果和可靠的描述指标可有效对不同病理状态的大脑活动模式进行解释和对比分析。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一
本实施例提供了一种基于隐马尔可夫的大脑微状态辨析方法，请参见图1，该方法包括：
S1：获取健康群体和患病群体的原始脑电数据，经一系列预处理操作获得干净的时序脑电信号数据；
S2：基于个体水平将获得的干净的时序脑电信号数据作为隐马尔可夫建模过程中的观测序列，完成隐马尔可夫模型的构建；
S3：将隐大脑微状态类别定义为四种静息态大脑微状态类别，对构建的隐马尔可夫模型进行训练；
S4：对训练得到的隐马尔可夫模型进行解码操作，得到四种不同静息态大脑微状态类别的状态时间过程序列；
S5：针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行时域维度统计指标的计算；
S6：针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行频域维度统计指标的计算；
S7：对健康群体与患病群体之间的统计指标进行解释和对比分析，构建神经生物学标志，用以分析不同病理状态下大脑活动模式的差异性。
具体来说，步骤S5是针对获取的大脑微状态隐过程序列通过计算一系列时域维度上的统计指标来对大脑微状态的变化过程进行量化描述，以便后续进行不同病理状态群体间的对比分析。步骤S6是针对获取的大脑微状态隐过程序列通过计算一系列频域维度上的统计指标来对大脑微状态的变化过程进行量化描述，以便后续进行不同病理状态群体间的对比分析。
在具体实施过程中，对于健康群体和患病群体的原始脑电数据的预处理可以通过下述方式来实现：
步骤S1.1：参考国际标准10/10系统中的128通道电极分布图，将本发明获取的原始8通道脑电数据对应的8个通道电极和其相对应，分别映射到不同的大脑半球和脑区。对应映射关系如下：F3-左额叶、F4-右额叶、T3-左颞叶、C3-中央区、C4-中央区、T4-右颞叶、O1-左枕叶、O2-右枕叶。
步骤S1.2：参考用于大规模脑电分析的标准化预处理流程对脑电数据进行预处理，可去除采集仪器和采集环境的影响，方便构建大型的脑电数据库。将脑电分为一秒一段，每段根据阈值剔除坏通道，用全脑信号拟合替换坏通道的信号，脑电信号变为全局参考。
步骤S1.3：使用MATLAB中EEGLAB工具箱对成形数据进行观察，手动筛选检查并剔除部分干扰信号。
在一种实施方式中，步骤S2包括：
S2.1：定义大脑微状态辨析隐马尔科夫模型λ＝(N，M，A，B，π)，其中N是隐藏状态数目，M是每个状态可能的观察值数目(即观测序列的长度)，A是与时间无关的状态转移概率矩阵，B是在给定状态下的观察值概率分布矩阵，π是初始状态空间的概率分布，所有隐藏状态空间集合为所有可观测序列空间集合为/>即/>其中q1，q2，...，qN分别表示第一个、第二个和第N个隐藏状态，{v1，v2，...，vM}表示长度为M的可观测序列，长度为T的隐藏状态序列I＝{i1，i2，...，iT}对应的观测序列为O＝{o1，o2，...，oT}；
S2.2：定义隐马尔可夫模型假设条件，假设条件包括齐次马尔可夫假设和观测独立性假设，其中，齐次马尔可夫假设是指在一系列事件中，某一给定事件发生的概率只取决于上一时刻发生的事件，即在任意时刻t的状态it只依赖于前一时刻t-1的状态it-1，与其他时刻的状态及观测无关，观测独立性假设是指，任意时刻t的观测值ot只依赖于当前时刻t的马尔科夫链状态it，与其他状态及观测值无关。
请参见图2，是本发明实施中提供的基于静息态脑电的大脑微状态辨析的模型结构图。
具体来说，隐马尔可夫模型由初始状态概率分布、状态转移概率分布以及观测概率分布确定。
其中，状态转移概率矩阵为：
式中，aij表示在当前时刻t处于状态qi的条件下，到下一时刻t+1转移到状态qj的概率：
aij＝P(it+1＝qj|it＝qi)i＝1，2，...，N；j＝1，2，...，N (2)
观测概率矩阵为：
式中，bi(k)表示在当前时刻t处于qi状态时，生成观测值vk的概率，即给定it＝qi的条件下，ot＝vk的概率：
bi(k)＝P(ot＝vk|it＝qi)t＝1，2，...；i＝1，2，...，N；k＝1，2，...，M (4)
初始状态概率分布为：
π＝(π1，π2，...，πN)T (5)
式中，πi表示在时刻t处于状态qi的概率：πi＝P(it＝qi)，并且满足条件
关于隐马尔可夫模型假设条件，其一是齐次马尔可夫假设，在一系列事件中，某一给定事件发生的概率只取决于上一时刻发生的事件，即在任意时刻t的状态it只依赖于前一时刻t-1的状态it-1，与其他时刻的状态及观测无关：
P(it|it-1，it-2，...，i1，ot，...，o1)＝P(it|it-1)，t＝2，3，...，T (6)
其二是观测独立性假设，即任意时刻t的观测值ot只依赖于当前时刻t的马尔科夫链状态it，与其他状态及观测值无关：
P(ot|iT，oT，...，it，ot，it-1，ot-1，...，i1，o1)＝P(ot|it) (7)
在一种实施方式中，步骤S3包括：
将短时反复出现的瞬时大脑状态定义为大脑微状态，其为不能直接观测需要推断的有限隐状态集合；时序脑电信号数据作为隐马尔可夫模型的观测序列，其为能够直接观测到的结果，作为对隐状态序列进行解码的观测空间集合；
定义时序脑电信号数据在不同时间点上的数据对应时间t上的大脑微状态为xt∈{1，2，...，K}；
将观测序列脑电时序信号数据yt输入隐马尔可夫模型，推断出最可能出现的大脑微状态隐状态序列xt，在每个时间点t每个状态xt有对应的活跃概率pt。
具体来说，在隐马尔可夫模型构建的基础上，对该模型进行训练，训练过程即对脑电时序信号数据进行建模的过程。
在一种实施方式中，步骤S4包括：
通过隐马尔可夫解码过程提取大脑微状态时间过程序列，同时将大脑微状态的数据概率观测模式用多元高斯分布进行表示：
其中μk是数据的均值矩阵，∑k是对通道之间方差和协变方式编码的协方差矩阵，通过多元高斯分布完成对基于多个通道之间特性的单个大脑微状态的建模过程，每个大脑微状态通过多元高斯分布的参数进行表征。
在一种实施方式中，步骤S5包括：
计算每个大脑微状态在整个记录时间中总共出现的次数，即单个大脑微状态类别的状态出现次数；
计算每个微状态在整体记录时间中占据主导地位时覆盖范围的总占比，即单个大脑微状态类别出现的状态覆盖占比；
计算某个大脑微状态出现后，在切换到另一种微状态前保持稳定活跃的平均持续时间长度，即单个大脑微状态类别出现的平均持续时间；
计算某个特定大脑微状态连续活跃出现的平均时间间隔，即单个大脑微状态类别出现的平均间隔时间。
具体实施过程中，关于时域维度上的统计指标计算过程，其具体步骤包括：
步骤S3.1：计算状态出现次数。即计算每个大脑微状态在整个记录时间中总共出现的次数：
OC(k)＝∑t(((xt＝＝k)-(xt-1＝＝k))＝＝1) (9)
其中xt表示当前时刻脑电信号数据对应的大脑微状态类别，xt-1表示上一时刻脑电信号数据对应的大脑微状态类别。对整体微状态序列过程中的单个微状态出现频数进行计算。
步骤S3.2：计算状态覆盖占比。即计算每个微状态在整体记录时间中占据主导地位时覆盖范围的总占比：
其中T是大脑微状态时间序列数据的总长度，当前时刻t大脑主要活跃状态为微状态k时xt＝＝k值即为1。对单个大脑微状态持续覆盖时间与整体微状态时间序列持续长度的比值进行计算。
步骤S3.3：计算平均持续时间。即计算某个大脑微状态出现后，在切换到另一种微状态前保持稳定活跃的平均持续时间长度：
其中∑t(xt＝＝k)表示大脑处于微状态类别k的所有持续时间段总和，OC(k)则为步骤3.1计算结果。对单个大脑微状态持续覆盖时间与对应微状态类比总体出现次数的比值进行计算。
步骤3.4：计算平均间隔时间。即计算某个特定大脑微状态连续活跃出现的平均时间间隔：
其中T是大脑微状态时间序列数据的总长度，OC(k)则为步骤3.1计算结果。对单个大脑微状态类别覆盖时间与整体时间差值进行平均计算。
在一种实施方式中，步骤S6包括：
S6.1：基于步骤S4得到的对应不同静息态大脑微状态类别的时间过程序列，映射到原始时序脑电数据中的不同时间段，对不同的时间段窗口进行对应频域维度的参数指标计算；
S6.2：计算映射时间段窗口内原始脑电信号数据在频域中的统计信息，利用多窗谱分析法获取脑电信号数据的频谱估计值，使用由一系列正交锥形窗组成的离散长球序列来产生一系列的加窗数据，并计算这些加窗数据周期图的平均值，将其作为信号的频谱估计值；
S6.3：在基于多窗谱的频谱估计值的基础上，采用相干性的计算方式来衡量不同脑区之间在频域内的线性相关程度完成大脑功能连接指标的计算，作为不同脑区之间协作交流的表征模式。
关于频域维度上的统计指标计算过程，其具体步骤包括：
S6.1：基于前述得到的对应不同大脑微状态类别的时间过程序列，映射到原始时序脑电数据中的不同时间段，对不同的时间段窗口进行对应频域维度的参数指标计算。
S6.2：计算脑电信号数据在频域中的表征，即时间序列信号中信号功率沿频率变化的分布，从一个随机过程的系列时间样本中估计该随机过程的谱密度，获取频谱估计值。本发明利用多窗谱分析法获取脑电信号数据的频谱估计值，使用由一系列正交锥形窗组成的离散长球序列来产生一系列的加窗数据，并计算这些加窗数据周期图的平均值，将其作为信号的频谱估计。
多窗谱定义为：
式中，C为数据窗的个数，m为信号的第m个序列，t为时间，ω为频率，为第k个数据窗的谱，其中k＝0...C-1。
的计算方式如下：
式中，x(n)为数据序列，N为数据长度，e-jnω为第n段信号的复指数形式表达，ak(n)为第k个数据窗，满足任意多个数据窗之间相互正交，即
其中ai(n)和aj(n)表示不相关的数据窗，若i≠j，则两个不同的数据窗是正交的关系。
因此，本发明使用的多窗谱计算方法使用的一系列锥形窗，具有正交性的特性，同时还具有最佳的时频集中特性，得到的频谱估计方差小、频率分辨率较高。
步骤S6.3：在基于多窗谱的频谱估计值的基础上，本发明采用相干性的计算方式来衡量不同脑区之间在频域内的线性相关程度完成大脑功能连接指标的计算。首先对不同通道之间的互相关性进行计算：
式中，H表示脑电信号数据通道个数，和/>分别是不同通道序列x(i)和y(i)对应的均值，σx和σy则是对应的方差，oxy∈[0,1]。互相关性计算得到了不同通道序列数据之间的线性同步性，其中值为1则表示两个通道之间的同步性作用最强。
对相干性功能连接指标进行计算：
式中，Oxy(f)、Oxx(f)和Oyy(f)分别是对互相关计算结果进行傅里叶变换之后的谱图。
在一种实施方式中，步骤S7包括：
S7.1：根据步骤S5和S6的计算结果，分别对健康群体和患病群体内部个体进行汇总平均统计，得到相应群体水平的统计信息和参数指标，包括四种大脑微状态类别时间过程序列、单个大脑微状态时间维度参数、单个大脑微状态频域维度参数；
S7.2：对不同群体之间的不同组参数进行对比分析，获取与病理状态相关的大脑认知功能状态的区别，形成可供参考的神经标志物结论。
本发明具有以下积极效果和优点：
1)本发明通过大脑微状态分析的方式对脑电数据进行建模，这种分析方法则可以将观察视角从静态平均大脑结构转换为动态时变大脑微状态结构，可用来对大脑中重复出现的微观动态活动模式进行捕捉，进而为个体提供一种毫秒尺度大脑状态分析的方式。通过对正常群体与疾病群体之间大脑微状态的差异性分析，可建立丰富可靠的神经标志物指标。
2)本发明通过基于隐马尔可夫模型的方式对大脑微状态时间序列过程进行辨析，以多元高斯分布的观察模型视角对大脑微状态进行建模，完全以数据驱动的方式自适应提取瞬时且重复出现的大脑微状态结构，在毫秒级时间尺度上获取时域、频域和空域上的多种描述指标。包括每个大脑微状态类别的平均持续时间、状态覆盖占比、平均间隔时间、频谱估计值以及不同通道间的相干性分析，通过确切的辨析结果和可靠的描述指标可有效对不同病理状态的大脑活动模式进行解释和对比分析。
实施例二
基于同样的发明构思，本发明公开了一种基于隐马尔可夫的大脑微状态辨析装置，包括：
数据获取与预处理模块，用于获取健康群体和患病群体的原始脑电数据，经一系列预处理操作获得干净的时序脑电信号数据；
模型构建模块，用于基于个体水平将获得的干净的时序脑电信号数据作为隐马尔可夫建模过程中的观测序列，完成隐马尔可夫模型的构建；
模型训练模块，用于将隐大脑微状态类别定义为四种静息态大脑微状态类别，对构建的隐马尔可夫模型进行训练；
解码模块，用于对训练得到的隐马尔可夫模型进行解码操作，得到四种不同静息态大脑微状态类别的状态时间过程序列；
时域维度统计指标计算模块，用于针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行时域维度统计指标的计算；
频域维度统计指标计算模块，用于针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行频域维度统计指标的计算；
对比分析模块，用于对健康群体与患病群体之间的统计指标进行解释和对比分析，构建神经生物学标志，用以分析不同病理状态下大脑活动模式的差异性。
由于本发明实施例二所介绍的装置为实施本发明实施例一中基于隐马尔可夫的大脑微状态辨析方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的装置都属于本发明所欲保护的范围。
实施例三
基于同一发明构思，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现如实施例一中所述的方法。
由于本发明实施例三所介绍的计算机可读存储介质为实施本发明实施例一中基于隐马尔可夫的大脑微状态辨析方法所采用的计算机可读存储介质，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。
实施例四
基于同一发明构思，本申请还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述程序时实现实施例一中的方法。
由于本发明实施例四所介绍的计算机设备为实施本发明实施例一中基于隐马尔可夫的大脑微状态辨析方法所采用的计算机设备，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机设备的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机设备都属于本发明所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于隐马尔可夫的大脑微状态辨析方法，其特征在于，包括：
S1：获取健康群体和患病群体的原始脑电数据，经一系列预处理操作获得干净的时序脑电信号数据；
S2：基于个体水平将获得的干净的时序脑电信号数据作为隐马尔可夫建模过程中的观测序列，完成隐马尔可夫模型的构建；
S3：将隐大脑微状态类别定义为四种静息态大脑微状态类别，对构建的隐马尔可夫模型进行训练；
S4：对训练得到的隐马尔可夫模型进行解码操作，得到四种不同静息态大脑微状态类别的状态时间过程序列；
S5：针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行时域维度统计指标的计算；
S6：针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行频域维度统计指标的计算；
S7：对健康群体与患病群体之间的统计指标进行解释和对比分析，构建神经生物学标志，用以分析不同病理状态下大脑活动模式的差异性。
2.如权利要求1所述的基于隐马尔可夫的大脑微状态辨析方法，其特征在于，步骤S2包括：
S2.1：定义大脑微状态辨析隐马尔科夫模型λ＝(N,M,A,B,π)，其中N是隐藏状态数目，M是每个状态可能的观察值数目，A是与时间无关的状态转移概率矩阵，B是在给定状态下的观察值概率分布矩阵，π是初始状态空间的概率分布，所有隐藏状态空间集合为Q，所有可观测序列空间集合为即Q＝{q1,q2,…,qN}，v＝{v1,v2,…,cM}，长度为T的隐藏状态序列I＝{i1,i2,…,iT}对应的观测序列为O＝{o1,o2,…,oT}；
S2.2：定义隐马尔可夫模型假设条件，假设条件包括齐次马尔可夫假设和观测独立性假设，其中，齐次马尔可夫假设是指在一系列事件中，某一给定事件发生的概率只取决于上一时刻发生的事件，即在任意时刻t的状态it只依赖于前一时刻t-1的状态it-1，与其他时刻的状态及观测无关，观测独立性假设是指，任意时刻t的观测值ot只依赖于当前时刻t的马尔科夫链状态it，与其他状态及观测值无关。
3.如权利要求1所述的基于隐马尔可夫的大脑微状态辨析方法，其特征在于，步骤S3包括：
将短时反复出现的瞬时大脑状态定义为大脑微状态，其为不能直接观测需要推断的有限隐状态集合；时序脑电信号数据作为隐马尔可夫模型的观测序列，其为能够直接观测到的结果，作为对隐状态序列进行解码的观测空间集合；
定义时序脑电信号数据在不同时间点上的数据对应时间t上的大脑微状态为xt∈{1,2,…,K}；
将观测序列脑电时序信号数据yt输入隐马尔可夫模型，推断出最可能出现的大脑微状态隐状态序列xt，在每个时间点t每个状态xt有对应的活跃概率pt。
4.如权利要求1所述的基于隐马尔可夫的大脑微状态辨析方法，其特征在于，步骤S4包括：
通过隐马尔可夫解码过程提取大脑微状态时间过程序列，同时将大脑微状态的数据概率观测模式用多元高斯分布进行表示：
其中μk是数据的均值矩阵，Σk是对通道之间方差和协变方式编码的协方差矩阵，通过多元高斯分布完成对基于多个通道之间特性的单个大脑微状态的建模过程，每个大脑微状态通过多元高斯分布的参数进行表征。
5.如权利要求1所述的基于隐马尔可夫的大脑微状态辨析方法，其特征在于，步骤S5包括：
计算每个大脑微状态在整个记录时间中总共出现的次数，即单个大脑微状态类别的状态出现次数；
计算每个微状态在整体记录时间中占据主导地位时覆盖范围的总占比，即单个大脑微状态类别出现的状态覆盖占比；
计算某个大脑微状态出现后，在切换到另一种微状态前保持稳定活跃的平均持续时间长度，即单个大脑微状态类别出现的平均持续时间；
计算某个特定大脑微状态连续活跃出现的平均时间间隔，即单个大脑微状态类别出现的平均间隔时间。
6.如权利要求1所述的基于隐马尔可夫的大脑微状态辨析方法，其特征在于，步骤S6包括：
S6.1：基于步骤S4得到的对应不同静息态大脑微状态类别的时间过程序列，映射到原始时序脑电数据中的不同时间段，对不同的时间段窗口进行对应频域维度的参数指标计算；
S6.2：计算映射时间段窗口内原始脑电信号数据在频域中的统计信息，利用多窗谱分析法获取脑电信号数据的频谱估计值，使用由一系列正交锥形窗组成的离散长球序列来产生一系列的加窗数据，并计算这些加窗数据周期图的平均值，将其作为信号的频谱估计值；
S6.3：在基于多窗谱的频谱估计值的基础上，采用相干性的计算方式来衡量不同脑区之间在频域内的线性相关程度完成大脑功能连接指标的计算，作为不同脑区之间协作交流的表征模式。
7.如权利要求1所述的基于隐马尔可夫的大脑微状态辨析方法，其特征在于，步骤S7包括：
S7.1：根据步骤S5和S6的计算结果，分别对健康群体和患病群体内部个体进行汇总平均统计，得到相应群体水平的统计信息和参数指标，包括四种大脑微状态类别时间过程序列、单个大脑微状态时间维度参数、单个大脑微状态频域维度参数；
S7.2：对不同群体之间的不同组参数进行对比分析，获取与病理状态相关的大脑认知功能状态的区别，形成可供参考的神经标志物结论。
8.一种基于隐马尔可夫的大脑微状态辨析装置，其特征在于，包括：
数据获取与预处理模块，用于获取健康群体和患病群体的原始脑电数据，经一系列预处理操作获得干净的时序脑电信号数据；
模型构建模块，用于基于个体水平将获得的干净的时序脑电信号数据作为隐马尔可夫建模过程中的观测序列，完成隐马尔可夫模型的构建；
模型训练模块，用于将隐大脑微状态类别定义为四种静息态大脑微状态类别，对构建的隐马尔可夫模型进行训练；
解码模块，用于对训练得到的隐马尔可夫模型进行解码操作，得到四种不同静息态大脑微状态类别的状态时间过程序列；
时域维度统计指标计算模块，用于针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行时域维度统计指标的计算；
频域维度统计指标计算模块，用于针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行频域维度统计指标的计算；
对比分析模块，用于对健康群体与患病群体之间的统计指标进行解释和对比分析，构建神经生物学标志，用以分析不同病理状态下大脑活动模式的差异性。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至7中任一项权利要求所述的方法。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310594308.2A CN116712086A (zh) | 2023-05-22 | 2023-05-22 | 一种基于隐马尔可夫的大脑微状态辨析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310594308.2A CN116712086A (zh) | 2023-05-22 | 2023-05-22 | 一种基于隐马尔可夫的大脑微状态辨析方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116712086A true CN116712086A (zh) | 2023-09-08 |
Family
ID=87868878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310594308.2A Pending CN116712086A (zh) | 2023-05-22 | 2023-05-22 | 一种基于隐马尔可夫的大脑微状态辨析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116712086A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117547286A (zh) * | 2023-12-29 | 2024-02-13 | 中国人民解放军东部战区总医院 | 一种基于智能修补材料的脑电信号数据分析管理系统 |
-
2023
- 2023-05-22 CN CN202310594308.2A patent/CN116712086A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117547286A (zh) * | 2023-12-29 | 2024-02-13 | 中国人民解放军东部战区总医院 | 一种基于智能修补材料的脑电信号数据分析管理系统 |
| CN117547286B (zh) * | 2023-12-29 | 2024-05-28 | 中国人民解放军东部战区总医院 | 一种基于智能修补材料的脑电信号数据分析管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Detecting abnormal pattern of epileptic seizures via temporal synchronization of EEG signals | |
| CN110070105B (zh) | 基于元学习实例快速筛选的脑电情绪识别方法、系统 | |
| CN112450947B (zh) | 一种针对情绪唤醒度的动态脑网络分析方法 | |
| CN102499676B (zh) | 基于有效时间序列和电极重组的脑电信号分类系统和方法 | |
| CN108577865A (zh) | 一种心理状态确定方法及装置 | |
| CN109480833A (zh) | 基于人工智能的癫痫患者脑电信号的预处理和识别方法 | |
| CN112932505B (zh) | 一种基于时频能量的符号传递熵及脑网络特征计算方法 | |
| CN111523601A (zh) | 一种基于知识引导和生成对抗学习的潜在情绪识别方法 | |
| Safont et al. | Probabilistic distance for mixtures of independent component analyzers | |
| CN116712086A (zh) | 一种基于隐马尔可夫的大脑微状态辨析方法及装置 | |
| CN109009098B (zh) | 一种运动想象状态下的脑电信号特征识别方法 | |
| CN113017627A (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 | |
| CN115590529A (zh) | 基于时空注意力机制的癫痫脑电信号监测方法及系统 | |
| CN115363531A (zh) | 基于双模态脑电信号信息瓶颈的癫痫检测系统 | |
| Wulsin et al. | Parsing epileptic events using a Markov switching process model for correlated time series | |
| 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 | |
| CN112826507A (zh) | 一种感音神经性耳聋的脑功能网络演化建模方法 | |
| CN111700592A (zh) | 一种癫痫脑电自动分类模型的获取方法、系统及分类系统 | |
| Ghoraani et al. | Discriminant non-stationary signal features’ clustering using hard and fuzzy cluster labeling | |
| CN115017960B (zh) | 一种基于时空联合mlp网络的脑电信号分类方法及应用 | |
| Hag et al. | A wearable single EEG channel analysis for mental stress state detection | |
| Navallas et al. | Maximum likelihood estimation of motor unit firing pattern statistics | |
| US11937934B2 (en) | EEG decoding method based on a non-negative CP decomposition model | |
| CN115392287A (zh) | 一种基于自监督学习的脑电信号在线自适应分类方法 | |
| Soltanian-Zadeh et al. | Information-theoretic approach and fundamental limits of resolving two closely timed neuronal spikes in mouse brain calcium imaging |
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 |