基于滞后阶数自适应选择的多变量因果关系分析方法技术

本发明专利技术涉及一种基于滞后阶数自适应选择的多变量因果关系分析方法，旨在为了准确地预测基于运动想象脑电信号的各个脑区域之间的因果影响。目前基于自回归模型的传统Granger因果关系方法缺乏考虑多变量时间序列中存在的时滞依赖结构以及模型系数对因果性的影响。本项目首先获取多通道运动想象脑电信号，其次采用改进的后向时间选择算法估计回归模型中每个变量的最优滞后阶数，建立多通道脑电信号的动态回归模型，然后利用模型的残差和系数来定义多变量之间的条件因果测度，可以有效地提高真实因果关系的估计性能。该方法在因效性脑功能网络、皮层肌肉耦合分析领域具有广阔的应用前景。

Multivariate causality analysis method based on adaptive selection of lagged order

The present invention relates to a multivariable causal analysis method based on adaptive selection of lag order, in order to accurately predict the causal effects of various brain regions based on motion imagery EEG signals. At present, the traditional Granger causality method based on the autoregressive model lacks the consideration of the delay dependent structure in multivariate time series and the influence of model coefficients on causality. This project first to obtain multi-channel EEG signals, then the improved backward algorithm to estimate the optimal timing of each variable in the regression model of the lag order using dynamic regression model based on multi channel EEG signals, and then use the residuals and the coefficient model to define the conditions of causality measure between the variables can be effectively to improve the estimation performance of true causal relationship. The method has broad application prospects in the fields of efficiency, brain function network and cortical muscle coupling analysis.

【技术实现步骤摘要】
基于滞后阶数自适应选择的多变量因果关系分析方法
本专利技术属于脑功能网络分析领域，涉及动态回归模型中每个变量滞后阶数的自适应选择和多变量因果关系分析方法。
技术介绍
人脑作为世界上中最为复杂的动力学系统之一，其皮层由150-330亿个神经细胞组成，这些神经元间的相互连接构成了一个拥有相当复杂结构和功能的脑网络，在神经学和生理学方面，大脑的主要功能是控制和支配身体的各个器官，因此，这个复杂而庞大的脑网络使它具有高级的信息处理和认知表达功能，如：语言、情感、记忆、认知等，并对来自人体内部和周围环境的信息进行存储、处理、加工和整合，探究大脑的结构和功能，加速脑科学领域的研究不仅可以提高对大脑疾病的预防、诊断和治疗，更可以推动人工智能的发展。近年来，已有越来越多的学者注意到研究脑网络结构对分析大脑各个区域之间功能连接的重要性。以Stam为代表的一些研究人员最先将“小世界”网络理论应用于分析疾病产生原因，这种“小世界”属性可以使大脑完成某种功能时消耗尽可能少的资源，并且使得大脑在完成复杂功能时需要的网络连接较少，实现大脑的最优连接。脑网络在疾病诊断和治疗方面具有很好的前景，例如在阿尔茨海默氏症(Alzheimer’sDisease)抑郁症、癫痫、精神分裂等疾病的早期检测和诊断中有一定的研究进展，这些研究基于功能磁共振成像、脑电图(EEG)、脑磁图、结构磁共振成像等多种成像方法。Alexander等人系统地探讨了脑区之间的功能连通性、复杂的网络拓扑和结构上(欧式)的距离连接，发现精神分裂症患者功能网络组织的空间和拓扑紊乱可能产生于过度“修剪”的短距离功能连接。Supekar采用区域脑网络构建方法分别对阿尔茨海默氏症患者和健康受试者的功能磁共振成像数据进行研究，发现在脑网络聚类系数上阿尔茨海默氏症患者明显低于健康受试者，证明了该患者脑网络的局部效率较低。这些研究表明，基于复杂网络理论的脑功能网络在探索大脑信息处理和传递机制方面具有巨大的优势和潜力。脑网络可分为结构性网络(StructureNetwork)、功能性网络(FunctionalNetwork)、效用性网络(EffectiveNetwork)。结构性网络可通过神经元之间的解剖性连接或成像技术来确定，反映了大脑的生理结构。功能性网络是描述网络节点之间存在的统计性连接关系，可采用互相关、互信息量等量化方法构建，属于无向网络。效应性网络相较于反映节点间关联性的功能性连接，不仅反映统计意义上的连通性，而且能够判断信息在节点之间的传播方向。已有许多学者进行了有效的连通性建模方法的研究，例如应用于协方差结构方程模型的神经成像数据、非线性系统识别技术以及确定性状态空间模型的贝叶斯估计。但是，这些有效连接方法都需要预先选择相关区域，假设关联性影响方向。这些预先指定的模型可用于假设在进行认知任务时，不同脑区之间的关联性。然而，该类方法隐含的问题是不适合的模型可能导致错误的结论。近年来人们将推测变量之间因果信息流向的格兰杰因果关系(Grangercausality,GC)方法应用于研究脑网络的效应性连接，该方法使得时间序列优先从数据中的信息识别关联性方向，提供了在行为和认知任务过程中，大脑区域间的方向性相互作用与信息传递机制。但是建立在线性回归模型上的传统GC分析方法中，线性回归模型中所有变量具有相同的滞后阶数，没有考虑到多变量时间序列中通常存在的时滞依赖结构，限制了模型的估计性能。本专利技术针对传统GC方法存在的该问题，提出了基于动态回归模型滞后阶数自适应选择的多变量因果关系方法，用来分析多导联运动想象EEG信号中以C3、C4和Cz为典型代表的不同脑区之间的因果影响。
技术实现思路
本专利技术的目的就是针对传统GC方法没有考虑多变量时间序列中存在的时滞依赖结构以及模型系数对因果关联性的影响，提出了一种基于动态回归模型滞后阶数自适应选择的多变量因果关系方法。脑功能网络是个复杂且稀疏的抽象网络，其构建首先要定义网络节点。对于多通道EEG信号，往往把每个EEG导联(通道)对应的电极所测量的区域定义为一个节点，其电活动为若干时间序列，然后计算这些时间序列之间的相关系数，各节点之间相关系数的大小反映出对应脑区之间的功能连接强度，采用改进的后向时间选择(modifiedbackward-in-time-selection,mBTS)算法动态选取回归模型中每个变量的滞后阶数，然后利用模型的残差和系数重新定义变量之间的因果关系。为了实现以上目的，本专利技术方法主要包括以下步骤：步骤(1)获取多通道运动想象脑电信号，具体是：采用多导联电极帽采集不同运动想象实验范式下的脑电信号；步骤(2)采用改进的后向时间选择算法建立多通道脑电信号的动态回归模型；具体是：给定P个通道、长度为N的脑电信号时间序列{Xj,t:j＝1,2,...,P；t＝1,2,…,N}，首先采用改进的后向时间选择(mBTS)算法估计出每个变量Xj的最优滞后阶数，然后考虑所有变量的历史信息对Xj的影响，Xj的动态回归模型可表示为其中，uj,t为模型的回归估计残差，ajp,l是模型系数，p＝1,2,...,P，l＝1,2,...,kp；kp是由mBTS算法估计出的变量Xp的最优滞后阶数；步骤(3)以步骤(2)得到的动态回归模型为基础，采用模型的残差和系数构建条件因果测度，描述多变量之间因果关系的强度；具体是：建立Xi→Xj的条件因果测度为其中，kp为变量Xp的最优滞后阶数，m＝max(kp|p＝1,2,…,P)，p＝1,2,...,P，i∈{1,2,...,P}且i≠j；同理，Xj→Xi的条件因果测度表示为步骤(4)采用步骤(3)的条件因果测度分析运动想象任务时不同区域脑电信号之间的因果关系。本专利技术与已有的多种GC分析方法相比，具有如下特点：1、采用mBTS算法估计回归模型中每个变量的最优滞后阶数传统的GC分析方法建立在回归(Autoregressive,AR)模型之上，该模型中所有变量具有相同的阶数，这种向量形式极大地限制了模型的估计，而且在模型的预测中矢量时间序列的最佳拟合对于分量时间序列而言不是最优的。此外，由于所有参数同时被估计，当它们的数量相对于可用数据的数量较大时，估计变得数值不稳定。本专利技术将AR模型的矢量形式分解成标量方程，构建动态回归(Dynamicregression,DR)模型，采用mBTS算法估计DR模型中每个变量的最优滞后阶数，避免了每个分量具有相同阶数的限制。2、采用模型系数和残差项构建新的条件因果关系测度，定量描述多变量之间的相关性在基于AR模型的GC方法中，定义的因果关系测度只包括残差项。然而，实际上影响变量间因果关系的因素包括模型的系数和残差项。本专利技术采用新的因果关系测度定义，不但包括DR模型的残差和系数对预测因果关系准确性的影响，而且在考虑两两时间序列之间的因果关系时加入了第三时间序列的影响，在一定程度上抑制了间接因果关系对直接因果关系的影响，有效提高了对真实因果关系的估计性能。附图说明图1为本专利技术的实施流程图。具体实施方式下面结合附图详细描述本专利技术基于DR模型滞后阶数自适应选择的多变量因果关系方法，图1为实施流程图。如图1，本专利技术方法的实施主要包括六个步骤：(1)获取多通道运动想象脑电信号样本数据；(2本文档来自技高网...

【技术保护点】
基于滞后阶数自适应选择的多变量因果关系分析方法，其特征在于该方法包括如下步骤：步骤(1)获取多通道运动想象脑电信号，具体是：采用多导联电极帽采集不同运动想象实验范式下的脑电信号；步骤(2)采用改进的后向时间选择算法建立多通道脑电信号的动态回归模型；具体是：给定P个通道、长度为N的脑电信号时间序列{Xj,t:j＝1,2,...,P；t＝1,2,…,N}，首先采用改进的后向时间选择(mBTS)算法估计出每个变量Xj的最优滞后阶数，然后考虑所有变量的历史信息对Xj的影响，Xj的动态回归模型可表示为

【技术特征摘要】
1.基于滞后阶数自适应选择的多变量因果关系分析方法，其特征在于该方法包括如下步骤：步骤(1)获取多通道运动想象脑电信号，具体是：采用多导联电极帽采集不同运动想象实验范式下的脑电信号；步骤(2)采用改进的后向时间选择算法建立多通道脑电信号的动态回归模型；具体是：给定P个通道、长度为N的脑电信号时间序列{Xj,t:j＝1,2,...,P；t＝1,2,…,N}，首先采用改进的后向时间选择(mBTS)算法估计出每个变量Xj的最优滞后阶数，然后考虑所有变量的历史信息对Xj的影响，Xj的动态回归模型可表示为其中，uj,t为模型的回归估计残差，ajp,l是模型系数，p＝1,2,...,P，l＝1,2,...,kp；kp是由mBTS算法估计出的变量Xp的最优滞后阶数；步骤(3)以步骤(2)得到的动态回归模型为基础，采用模型的残差和系数构建条件因果测度，描述多变量之间因果...

【专利技术属性】
技术研发人员：佘青山，耿雪青，马玉良，孟明，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33