基于復雜網絡的腦電信號分析方法及應用技術

一種基于復雜網絡的腦電信號分析方法及應用，包括：構建多尺度水平有限穿越可視圖復雜網絡；計算每一個多尺度水平有限穿越可視圖復雜網絡的特征指標；結合支持向量機分類腦電信號，包括采用留一法交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類，以及采用十折交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類。本發明專利技術結合多尺度思想和水平有限穿越可視圖理論，構建腦電多尺度水平有限穿越可視圖復雜網絡，提取復雜網絡指標，結合機器學習中的支持向量機分類器，實現對不同腦電信號的高準確率的分類。本發明專利技術可應用于頭戴式智能穿戴設備，通過分析智能穿戴設備測得的睡眠腦電信號，實現對使用者大腦狀態的監測，并可提供必要的預警。

【技術實現步驟摘要】

本專利技術涉及一種腦電信號分析方法及應用。特別是涉及一種基于復雜網絡的腦電信號分析方法及應用。
技術介紹
腦電信號是腦神經細胞電生理活動在大腦皮層或頭皮表面的總體反映。腦電信號中包含了大量的生理與疾病信息，分析腦電信號，可以獲得大量的功能與疾病信息，從而可以根據這些信息對腦功能分析及疾病診斷提供有效的方法。但由于腦電信號是不具備各態歷經性的非平穩隨機信號，而且其背景噪聲很強，因此腦電信號的分析和處理一直是非常吸引人但又是具有相當難度的研究課題。癲癇是指大腦神經元突發性異常放電，導致短暫的大腦功能障礙的一種慢性疾病。在臨床上的表現為發作性運動、感覺、自主神經、意識及精神障礙。癲癇作為一種慢性疾病，雖然短期內對患者沒有太大的影響，但是長期頻繁的發作可導致患者的身心、智力產生嚴重影響。兒童癲癇發病率較成人高，因此，更深入的分析認識癲癇腦電信號已經成為越來越多人的追求。隨著生活節奏的加快，越來越多的人被睡眠障礙疾病所困擾，越來越多的人們希望通過連續的腦電信號采集與分析并進行睡眠監護來了解自己的睡眠狀態，從而為睡眠障礙疾病的預防和診治提供依據。本專利技術將多尺度分析與復雜網絡結合應用于腦電信號分析實現了對腦電信號的有效分類。水平可視圖理論從其被創立之初至今已在多領域得到廣泛應用，與之相比水平有限穿越可視圖具有更好的抗噪能力，其已被廣泛用于實測信號分析。
技術實現思路
本專利技術所要解決的技術問題是，提供一種將多尺度分析與水平有限穿越可視圖相結合，實現對腦電信號的高準確率分類的基于復雜網絡的腦電信號分析方法及應用。本專利技術所采用的技術方案是：一種基于復雜網絡的腦電信號分析方法，包括如下步驟：1)構建多尺度水平有限穿越可視圖復雜網絡，包括：(1)獲得原始腦電數據并預處理后，最終獲得長度為Q的腦電信號粗粒化腦電信號，得到：其中，e是尺度因子，表示粗粒化后多尺度腦電信號，表示對進行取整，所述的預處理包括：對原始腦電數據進行帶通濾波，去除高低頻干擾成分；手動剔除剩余偽跡數據，最終得到預處理后的腦電數據用于后續的分析；(2)對每一個多尺度腦電信號，構建多尺度水平有限穿越可視圖復雜網絡；2)計算每一個多尺度水平有限穿越可視圖復雜網絡的特征指標，包括：計算節點平均聚集系數計算聚集系數熵EC：其中，τi表示一個可視圖網絡中以節點i為中心的開三元組數目，τi,△表示的是一個可視圖網絡中以節點i為中心的閉三元組數目，Ci表示的是節點i的聚集系數，N表示多尺度水平有限穿越可視圖復雜網絡的節點數；3)結合支持向量機分類腦電信號，包括采用留一法交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類，以及采用十折交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類。步驟1)中的第(2)步所述的構建多尺度水平有限穿越可視圖復雜網絡，包括對每一個多尺度腦電信號完成如下過程：(ⅰ)設置有限穿越視距為L；(ⅱ)找出有連邊的節點對，具體是找出所有不相鄰的兩個腦電信號節點和節點之間的所有節點，當所述的所有節點中不滿足節點值，既小于節點的節點值，又小于節點的節點值的節點個數小于等于L個，則認定在有限穿越視距為L的多尺度水平有限穿越可視圖復雜網絡中節點和節點之間存在連邊，否則認定在有限穿越視距為L的多尺度水平有限穿越可視圖復雜網絡中節點和節點之間不存在連邊,表示以尺度因子e粗?；X電信號后得到的多尺度腦電信號的第a個節點，表示以尺度因子e粗?；X電信號后得到的多尺度腦電信號的第b個節點；(ⅲ)所有相鄰的節點對之間都存在連邊；(ⅳ)得到多尺度水平有限穿越可視圖鄰接矩陣。步驟3)所述的采用留一法交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類，是將步驟2)中得到的每一個多尺度水平有限穿越可視圖復雜網絡的節點平均聚集系數和聚集系數熵EC構成一個二維指標向量，采用留一法交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類，即依次將一個二維指標向量作為測試集，將其余的指標向量作為訓練集，并提供對應的訓練集標簽，遍歷所有的二維指標向量作為測試集，其余的指標向量作為訓練集后，從而得到所有的二維指標向量的分類結果；步驟3)所述的采用十折交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類，包括：(1)將所有的二維指標向量隨機的分為等長的十份子集；(2)將十份子集中的一個子集作為測試集，剩余的九份子集作為訓練集，提供對應的訓練集標簽，得到作為測試集的子集中的二維指標向量的分類結果；(3)重復第(2)步，直至分別得到十份子集的二維指標向量的分類結果，構成一次的十折交叉驗證分類結果；(4)重復第(1)步～第(3)步十次，得到十次的十折交叉驗證分類結果；(5)對十次的十折交叉驗證分類結果取均值作為所有二維指標向量的分類結果。一種基于復雜網絡的腦電信號分析方法及應用，在獲取被測者不同狀態下的腦電數據基礎上，通過基于復雜網絡的腦電信號分析方法，實現對被測者大腦狀態的判別和監測。本專利技術的基于復雜網絡的腦電信號分析方法及應用，結合多尺度思想和水平有限穿越可視圖理論，構建腦電多尺度水平有限穿越可視圖復雜網絡，提取復雜網絡指標，結合機器學習中的支持向量機分類器，實現對不同腦電信號的高準確率的分類。本專利技術的方法可應用于頭戴式智能穿戴設備，通過分析智能穿戴設備測得的睡眠腦電信號，實現對使用者大腦狀態的監測，并可提供必要的預警。附圖說明圖1是本專利技術方法的流程圖；圖2是本專利技術方法的應用效果圖；具體實施方式下面結合實施例和附圖對本專利技術的基于復雜網絡的腦電信號分析方法及應用做出詳細說明。本專利技術的基于復雜網絡的腦電信號分析方法，在多尺度上從腦電信號構建有限穿越水平可視圖復雜網絡，提取復雜網絡特征指標，結合機器學習實現對大腦狀態的監測。本專利技術的基于復雜網絡的腦電信號分析方法，如圖1所示，包括如下步驟：1)構建多尺度水平有限穿越可視圖復雜網絡，包括：(1)獲得原始腦電數據并預處理后，最終獲得長度為Q的腦電信號粗粒化腦電信號，得到：其中，e是尺度因子，表示粗?；蠖喑叨饶X電信號，表示對進行取整，所述的預處理包括：對原始腦電數據進行帶通濾波，去除高低頻干擾成分；手動剔除剩余偽跡數據，最終得到預處理后的腦電數據用于后續的分析。(2)對每一個多尺度腦電信號，構建多尺度水平有限穿越可視圖復雜網絡，所述的構建多尺度水平有限穿越可視圖復雜網絡包括對每一個多尺度腦電信號完成如下過程：(ⅰ)設置有限穿越視距為L；(ⅱ)找出有連邊的節點對，具體是找出所有不相鄰的兩個腦電信號節點和節點之間的所有節點，在所述的所有節點中不滿足節點值，既小于節點的節點值，又小于節點的節點值的節點個數小于等于L個，則認定在有限穿越視距為L的多尺度水平有限穿越可視圖復雜網絡中節點和節點之間存在連邊，否則認定在有限穿越視距為L的多尺度水平有限穿越可視圖復雜網絡中節點和節點之間不存在連邊,表示以尺度因子e粗粒化腦電信號后得到的多尺度腦電信號的第a個節點，表示以尺度因子e粗?；X電信號后得到的多尺度腦電信號的第b個節點；(ⅲ)所有相鄰的節點對之間都存在連邊；(ⅳ)得到多尺度水平有限穿越可視圖鄰接矩陣。2)計算每一個多尺度水平有限穿越可視圖復雜網絡的特征指標，包括：計算節點平均聚集系數計算聚集系數熵EC：其中，τi表示一個可視圖網絡中以節點i本文檔來自技高網...

【技術保護點】
一種基于復雜網絡的腦電信號分析方法，其特征在于，包括如下步驟：1)構建多尺度水平有限穿越可視圖復雜網絡，包括：(1)獲得原始腦電數據并預處理后，最終獲得長度為Q的腦電信號粗?；X電信號，得到：其中，e是尺度因子，表示粗?；蠖喑叨饶X電信號，表示對進行取整，所述的預處理包括：對原始腦電數據進行帶通濾波，去除高低頻干擾成分；手動剔除剩余偽跡數據，最終得到預處理后的腦電數據用于后續的分析；(2)對每一個多尺度腦電信號，構建多尺度水平有限穿越可視圖復雜網絡；2)計算每一個多尺度水平有限穿越可視圖復雜網絡的特征指標，包括：計算節點平均聚集系數Ci=τi,Δτi]]>C‾=1NΣi=1NCi]]>計算聚集系數熵EC：EC=-Σi=1N(Ci/Σi=1NCi)log(Ci/Σi=1NCi)]]>其中，τi表示一個可視圖網絡中以節點i為中心的開三元組數目，τi,△表示的是一個可視圖網絡中以節點i為中心的閉三元組數目，Ci表示的是節點i的聚集系數，N表示多尺度水平有限穿越可視圖復雜網絡的節點數；3)結合支持向量機分類腦電信號，包括采用留一法交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類，以及采用十折交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類。...

【技術特征摘要】
1.一種基于復雜網絡的腦電信號分析方法，其特征在于，包括如下步驟：1)構建多尺度水平有限穿越可視圖復雜網絡，包括：(1)獲得原始腦電數據并預處理后，最終獲得長度為Q的腦電信號粗?；X電信號，得到：其中，e是尺度因子，表示粗粒化后多尺度腦電信號，表示對進行取整，所述的預處理包括：對原始腦電數據進行帶通濾波，去除高低頻干擾成分；手動剔除剩余偽跡數據，最終得到預處理后的腦電數據用于后續的分析；(2)對每一個多尺度腦電信號，構建多尺度水平有限穿越可視圖復雜網絡；2)計算每一個多尺度水平有限穿越可視圖復雜網絡的特征指標，包括：計算節點平均聚集系數Ci=τi,Δτi]]>C‾=1NΣi=1NCi]]>計算聚集系數熵EC：EC=-Σi=1N(Ci/Σi=1NCi)log(Ci/Σi=1NCi)]]>其中，τi表示一個可視圖網絡中以節點i為中心的開三元組數目，τi,△表示的是一個可視圖網絡中以節點i為中心的閉三元組數目，Ci表示的是節點i的聚集系數，N表示多尺度水平有限穿越可視圖復雜網絡的節點數；3)結合支持向量機分類腦電信號，包括采用留一法交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類，以及采用十折交叉驗證和支持向量機分類器，對所有的二維指標向量進行分類。2.根據權利要求1所述的基于復雜網絡的腦電信號分析方法，其特征在于，步驟1)中的第(2)步所述的構建多尺度水平有限穿越可視圖復雜網絡，包括對每一個多尺度腦電信號完成如下過程：(ⅰ)設置有限穿越視距為L；(ⅱ)找出有連邊的節點對，具體是找出所有不相鄰的兩個腦電信號節點和節點之間的所有節點，當所述的所有節點中不滿足節點值，既小于節點的節點值，又小于節點的節點值的節點個數小于等于L個，則認定在有限穿越視距為L的多尺度水平有限穿越可視圖復雜網絡中節點...

【專利技術屬性】
技術研發人員：高忠科，蔡清，楊宇軒，黨偉東，
申請(專利權)人：天津大學，
類型：發明
國別省市：天津;12