基于复杂网络的脑电信号分析方法及应用技术

一种基于复杂网络的脑电信号分析方法及应用，包括：构建多尺度水平有限穿越可视图复杂网络；计算每一个多尺度水平有限穿越可视图复杂网络的特征指标；结合支持向量机分类脑电信号，包括采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，以及采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类。本发明专利技术结合多尺度思想和水平有限穿越可视图理论，构建脑电多尺度水平有限穿越可视图复杂网络，提取复杂网络指标，结合机器学习中的支持向量机分类器，实现对不同脑电信号的高准确率的分类。本发明专利技术可应用于头戴式智能穿戴设备，通过分析智能穿戴设备测得的睡眠脑电信号，实现对使用者大脑状态的监测，并可提供必要的预警。

【技术实现步骤摘要】

本专利技术涉及一种脑电信号分析方法及应用。特别是涉及一种基于复杂网络的脑电信号分析方法及应用。
技术介绍
脑电信号是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映。脑电信号中包含了大量的生理与疾病信息，分析脑电信号，可以获得大量的功能与疾病信息，从而可以根据这些信息对脑功能分析及疾病诊断提供有效的方法。但由于脑电信号是不具备各态历经性的非平稳随机信号，而且其背景噪声很强，因此脑电信号的分析和处理一直是非常吸引人但又是具有相当难度的研究课题。癫痫是指大脑神经元突发性异常放电，导致短暂的大脑功能障碍的一种慢性疾病。在临床上的表现为发作性运动、感觉、自主神经、意识及精神障碍。癫痫作为一种慢性疾病，虽然短期内对患者没有太大的影响，但是长期频繁的发作可导致患者的身心、智力产生严重影响。儿童癫痫发病率较成人高，因此，更深入的分析认识癫痫脑电信号已经成为越来越多人的追求。随着生活节奏的加快，越来越多的人被睡眠障碍疾病所困扰，越来越多的人们希望通过连续的脑电信号采集与分析并进行睡眠监护来了解自己的睡眠状态，从而为睡眠障碍疾病的预防和诊治提供依据。本专利技术将多尺度分析与复杂网络结合应用于脑电信号分析实现了对脑电信号的有效分类。水平可视图理论从其被创立之初至今已在多领域得到广泛应用，与之相比水平有限穿越可视图具有更好的抗噪能力，其已被广泛用于实测信号分析。
技术实现思路
本专利技术所要解决的技术问题是，提供一种将多尺度分析与水平有限穿越可视图相结合，实现对脑电信号的高准确率分类的基于复杂网络的脑电信号分析方法及应用。本专利技术所采用的技术方案是：一种基于复杂网络的脑电信号分析方法，包括如下步骤：1)构建多尺度水平有限穿越可视图复杂网络，包括：(1)获得原始脑电数据并预处理后，最终获得长度为Q的脑电信号粗粒化脑电信号，得到：其中，e是尺度因子，表示粗粒化后多尺度脑电信号，表示对进行取整，所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析；(2)对每一个多尺度脑电信号，构建多尺度水平有限穿越可视图复杂网络；2)计算每一个多尺度水平有限穿越可视图复杂网络的特征指标，包括：计算节点平均聚集系数计算聚集系数熵EC：其中，τi表示一个可视图网络中以节点i为中心的开三元组数目，τi,△表示的是一个可视图网络中以节点i为中心的闭三元组数目，Ci表示的是节点i的聚集系数，N表示多尺度水平有限穿越可视图复杂网络的节点数；3)结合支持向量机分类脑电信号，包括采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，以及采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类。步骤1)中的第(2)步所述的构建多尺度水平有限穿越可视图复杂网络，包括对每一个多尺度脑电信号完成如下过程：(ⅰ)设置有限穿越视距为L；(ⅱ)找出有连边的节点对，具体是找出所有不相邻的两个脑电信号节点和节点之间的所有节点，当所述的所有节点中不满足节点值，既小于节点的节点值，又小于节点的节点值的节点个数小于等于L个，则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点和节点之间不存在连边,表示以尺度因子e粗粒化脑电信号后得到的多尺度脑电信号的第a个节点，表示以尺度因子e粗粒化脑电信号后得到的多尺度脑电信号的第b个节点；(ⅲ)所有相邻的节点对之间都存在连边；(ⅳ)得到多尺度水平有限穿越可视图邻接矩阵。步骤3)所述的采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，是将步骤2)中得到的每一个多尺度水平有限穿越可视图复杂网络的节点平均聚集系数和聚集系数熵EC构成一个二维指标向量，采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，即依次将一个二维指标向量作为测试集，将其余的指标向量作为训练集，并提供对应的训练集标签，遍历所有的二维指标向量作为测试集，其余的指标向量作为训练集后，从而得到所有的二维指标向量的分类结果；步骤3)所述的采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，包括：(1)将所有的二维指标向量随机的分为等长的十份子集；(2)将十份子集中的一个子集作为测试集，剩余的九份子集作为训练集，提供对应的训练集标签，得到作为测试集的子集中的二维指标向量的分类结果；(3)重复第(2)步，直至分别得到十份子集的二维指标向量的分类结果，构成一次的十折交叉验证分类结果；(4)重复第(1)步～第(3)步十次，得到十次的十折交叉验证分类结果；(5)对十次的十折交叉验证分类结果取均值作为所有二维指标向量的分类结果。一种基于复杂网络的脑电信号分析方法及应用，在获取被测者不同状态下的脑电数据基础上，通过基于复杂网络的脑电信号分析方法，实现对被测者大脑状态的判别和监测。本专利技术的基于复杂网络的脑电信号分析方法及应用，结合多尺度思想和水平有限穿越可视图理论，构建脑电多尺度水平有限穿越可视图复杂网络，提取复杂网络指标，结合机器学习中的支持向量机分类器，实现对不同脑电信号的高准确率的分类。本专利技术的方法可应用于头戴式智能穿戴设备，通过分析智能穿戴设备测得的睡眠脑电信号，实现对使用者大脑状态的监测，并可提供必要的预警。附图说明图1是本专利技术方法的流程图；图2是本专利技术方法的应用效果图；具体实施方式下面结合实施例和附图对本专利技术的基于复杂网络的脑电信号分析方法及应用做出详细说明。本专利技术的基于复杂网络的脑电信号分析方法，在多尺度上从脑电信号构建有限穿越水平可视图复杂网络，提取复杂网络特征指标，结合机器学习实现对大脑状态的监测。本专利技术的基于复杂网络的脑电信号分析方法，如图1所示，包括如下步骤：1)构建多尺度水平有限穿越可视图复杂网络，包括：(1)获得原始脑电数据并预处理后，最终获得长度为Q的脑电信号粗粒化脑电信号，得到：其中，e是尺度因子，表示粗粒化后多尺度脑电信号，表示对进行取整，所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析。(2)对每一个多尺度脑电信号，构建多尺度水平有限穿越可视图复杂网络，所述的构建多尺度水平有限穿越可视图复杂网络包括对每一个多尺度脑电信号完成如下过程：(ⅰ)设置有限穿越视距为L；(ⅱ)找出有连边的节点对，具体是找出所有不相邻的两个脑电信号节点和节点之间的所有节点，在所述的所有节点中不满足节点值，既小于节点的节点值，又小于节点的节点值的节点个数小于等于L个，则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点和节点之间存在连边，否则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点和节点之间不存在连边,表示以尺度因子e粗粒化脑电信号后得到的多尺度脑电信号的第a个节点，表示以尺度因子e粗粒化脑电信号后得到的多尺度脑电信号的第b个节点；(ⅲ)所有相邻的节点对之间都存在连边；(ⅳ)得到多尺度水平有限穿越可视图邻接矩阵。2)计算每一个多尺度水平有限穿越可视图复杂网络的特征指标，包括：计算节点平均聚集系数计算聚集系数熵EC：其中，τi表示一个可视图网络中以节点i本文档来自技高网...

【技术保护点】
一种基于复杂网络的脑电信号分析方法，其特征在于，包括如下步骤：1)构建多尺度水平有限穿越可视图复杂网络，包括：(1)获得原始脑电数据并预处理后，最终获得长度为Q的脑电信号粗粒化脑电信号，得到：其中，e是尺度因子，表示粗粒化后多尺度脑电信号，表示对进行取整，所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析；(2)对每一个多尺度脑电信号，构建多尺度水平有限穿越可视图复杂网络；2)计算每一个多尺度水平有限穿越可视图复杂网络的特征指标，包括：计算节点平均聚集系数Ci=τi,Δτi]]>C‾=1NΣi=1NCi]]>计算聚集系数熵EC：EC=-Σi=1N(Ci/Σi=1NCi)log(Ci/Σi=1NCi)]]>其中，τi表示一个可视图网络中以节点i为中心的开三元组数目，τi,△表示的是一个可视图网络中以节点i为中心的闭三元组数目，Ci表示的是节点i的聚集系数，N表示多尺度水平有限穿越可视图复杂网络的节点数；3)结合支持向量机分类脑电信号，包括采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，以及采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类。...

【技术特征摘要】
1.一种基于复杂网络的脑电信号分析方法，其特征在于，包括如下步骤：1)构建多尺度水平有限穿越可视图复杂网络，包括：(1)获得原始脑电数据并预处理后，最终获得长度为Q的脑电信号粗粒化脑电信号，得到：其中，e是尺度因子，表示粗粒化后多尺度脑电信号，表示对进行取整，所述的预处理包括：对原始脑电数据进行带通滤波，去除高低频干扰成分；手动剔除剩余伪迹数据，最终得到预处理后的脑电数据用于后续的分析；(2)对每一个多尺度脑电信号，构建多尺度水平有限穿越可视图复杂网络；2)计算每一个多尺度水平有限穿越可视图复杂网络的特征指标，包括：计算节点平均聚集系数Ci=τi,Δτi]]>C‾=1NΣi=1NCi]]>计算聚集系数熵EC：EC=-Σi=1N(Ci/Σi=1NCi)log(Ci/Σi=1NCi)]]>其中，τi表示一个可视图网络中以节点i为中心的开三元组数目，τi,△表示的是一个可视图网络中以节点i为中心的闭三元组数目，Ci表示的是节点i的聚集系数，N表示多尺度水平有限穿越可视图复杂网络的节点数；3)结合支持向量机分类脑电信号，包括采用留一法交叉验证和支持向量机分类器，对所有的二维指标向量进行分类，以及采用十折交叉验证和支持向量机分类器，对所有的二维指标向量进行分类。2.根据权利要求1所述的基于复杂网络的脑电信号分析方法，其特征在于，步骤1)中的第(2)步所述的构建多尺度水平有限穿越可视图复杂网络，包括对每一个多尺度脑电信号完成如下过程：(ⅰ)设置有限穿越视距为L；(ⅱ)找出有连边的节点对，具体是找出所有不相邻的两个脑电信号节点和节点之间的所有节点，当所述的所有节点中不满足节点值，既小于节点的节点值，又小于节点的节点值的节点个数小于等于L个，则认定在有限穿越视距为L的多尺度水平有限穿越可视图复杂网络中节点...

【专利技术属性】
技术研发人员：高忠科，蔡清，杨宇轩，党伟东，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12