一种基于K阶传播数与支配熵的EEG脑网络分类方法技术

本发明专利技术公开了一种基于K阶传播数与支配熵的EEG脑网络分类方法，包括：采集EEG脑电数据；根据EEG脑电数据构建基于PLV相位锁定值的脑网络；利用K阶传播数算法提取脑网络的重要节点，组建有权脑网络；二值化有权脑网络并计算支配熵；基于支配熵，构建分类特征，并利用支持向量机进行分类；本发明专利技术简化了网络结构，减少了计算成本，首次引入全新的支配熵属性到脑网络分类，支配熵对网络拓扑结构的变化敏感，且能够在一定程度上衡量网络的连接程度，同时基于不同频段的支配熵构建的分类特征简单有效，提升了分类速度，节省了计算成本。节省了计算成本。节省了计算成本。

【技术实现步骤摘要】
一种基于K阶传播数与支配熵的EEG脑网络分类方法


[0001]本专利技术涉及脑网络分类的
，尤其涉及一种基于K阶传播数与支配熵的EEG脑网络分类方法。

技术介绍

[0002]目前，诊断抑郁症、焦虑症等神经性疾病以及判断人的情绪状态等多依赖于量表测量等方式，易受患者主观影响。EEG(Electroencephalogram，脑电波)作为一种客观反应大脑活动的技术，正在被研究用于区分不同大脑状态当中。而脑网络作为复杂网络技术在神经科学领域的应用，在EEG分类研究中具有重要作用。通过构建脑网络，并结合图论技术计算其网络属性，构造特定的分类特征。将分类特征送入分类器中，实现对脑网络的分类。其分类结果客观准确，有望成为医生诊断神经性疾病的辅助手段。
[0003]目前的现有的EEG分类技术利用网络的拓扑信息即网络属性进行分类，需要计算网络的所有节点，方法较为复杂；且其计算的网络属性较为传统。构建的分类特征较为复杂，增加了分类的计算成本，降低了分类速度。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：包括，采集EEG脑电数据；根据所述EEG脑电数据构建基于PLV相位锁定值的脑网络；利用K阶传播数算法提取脑网络的重要节点，组建有权脑网络；二值化所述有权脑网络并计算支配熵；基于所述支配熵，构建分类特征，并利用支持向量机进行分类。
[0007]作为本专利技术所述的基于K阶传播数与支配熵的EEG脑网络分类方法的一种优选方案，其中：采集EEG脑电数据包括：设计记忆字母序列的工作记忆实验范式，即顺序展示三组随机选择的英文字母序列，并要求被试按照提示回忆对应出现顺序的某组字母；基于所述工作记忆实验范式招募被试进行实验，采集EEG脑电数据，即电极点的脑电信号，以提示出现的时刻为界，将被试记忆字母的阶段定义为记忆更新状态，被试回忆对应字母的阶段定义为记忆读取状态。
[0008]作为本专利技术所述的基于K阶传播数与支配熵的EEG脑网络分类方法的一种优选方案，其中：包括：选择θ与γ频段构建基于PLV相位锁定值的脑网络，假设某两个电极点的脑电信号分别为x(t)和y(t)，通过希尔伯特变换获得对应的解析信号z
x
(t)、z
y
(t)：
[0009]z
x
(t)＝x(t)+iHT(x(t))
[0010]z
y
(t)＝y(t)+iHT(y(t))
[0011]计算解析信号z
x
(t)、z
y
(t)的相位差Δφ(t)，并基于此计算相位锁定值PLV
xy
：
[0012][0013]以电极点为网络节点，电极点之间的PLV值为网络边连接，构建基于PLV相位锁定值的脑网络；其中，n为网络节点总数，t
k
为数据点。
[0014]作为本专利技术所述的基于K阶传播数与支配熵的EEG脑网络分类方法的一种优选方案，其中：还包括：EEG脑电数据中的所有电极点按照人脑功能区域放置。
[0015]作为本专利技术所述的基于K阶传播数与支配熵的EEG脑网络分类方法的一种优选方案，其中：组建有权脑网络包括：基于脑网络的邻接矩阵A计算所有网络节点对间的最短路径，传播时间K的取值为所有最短路径，即K∈[0,d]，d为网络直径；取一网络节点v
i
，将其在传播时间K内所能到达的网络节点数定义为K阶传播数将K阶传播数与信息熵结合，定义K阶结构熵H
K
：
[0016][0017]综合评估K从0到d时v
i
的K阶结构熵，计算网络节点v
i
重要性将所有网络节点的重要性从高到低进行降序排列，并选取前8个网络节点及其之间的连接构建所述有权脑网络；其中，i、j表示第i、j个网络节点。
[0018]作为本专利技术所述的基于K阶传播数与支配熵的EEG脑网络分类方法的一种优选方案，其中：网络节点v
i
重要性包括：
[0019][0020]其中，H＝{H0,H1,...,H
d
}为结构熵的集合，表示所有网络节点的传播数的集合。
[0021]作为本专利技术所述的基于K阶传播数与支配熵的EEG脑网络分类方法的一种优选方案，其中：包括：通过二值化以及去掉孤立节点，将8个网络节点的有权脑网络转化为无权网络G；确定无权网络G的最小支配集，其中包含的网络节点个数定义为γ(G)；依次增加支配集中网络节点的个数至i个，判断其是否为G的支配集，得到网络的包含网络节点个数为i的支配集个数为d
i
(G)；定义G的支配集总数γ
s
(G)；将支配集与信息熵融合，计算所述支配熵I
dom
(G)：
[0022][0023]作为本专利技术所述的基于K阶传播数与支配熵的EEG脑网络分类方法的一种优选方案，其中：G的支配集总数γ
s
(G)包括，
[0024][0025]作为本专利技术所述的基于K阶传播数与支配熵的EEG脑网络分类方法的一种优选方案，其中：构建分类特征包括，将θ与γ频段的支配熵拼接形成记忆更新状态与记忆读取状态的特征向量集。
[0026]作为本专利技术所述的基于K阶传播数与支配熵的EEG脑网络分类方法的一种优选方案，其中：分类包括，通过十折交叉验证法将记忆更新状态与记忆读取状态的特征向量集划分为训练集与验证集，送入支持向量机中进行分类。
[0027]本专利技术的有益效果：1、本专利技术通过充分评估网络局部以及全局的拓扑特性，筛选网络的重要节点构建新的脑网络，相较于传统对全部节点网络计算网络属性，本专利技术简化了网络结构，减少了计算成本；2、本专利技术首次引入全新的支配熵属性到脑网络分类，支配熵对网络拓扑结构的变化敏感，且能够在一定程度上衡量网络的连接程度，是一种全新的网络拓扑属性；3、基于不同频段的支配熵构建的分类特征简单有效，提升了分类速度，节省了计算成本；4、本专利技术应用到记忆更新状态与读取状态的EEG脑网络分类中，获得了78.27％的准确率。
附图说明
[0028]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0029]图1为本专利技术第一个实施例所述的EEG脑网络分类流程示意图；
[0030]图2为本专利技术第二个实施例所述的基于支配熵的分类特征集。
具体实施方式
[0031]为使本专利技术的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K阶传播数与支配熵的EEG脑网络分类方法，其特征在于，包括：采集EEG脑电数据；根据所述EEG脑电数据构建基于PLV相位锁定值的脑网络；利用K阶传播数算法提取脑网络的重要节点，组建有权脑网络；二值化所述有权脑网络并计算支配熵；基于所述支配熵，构建分类特征，并利用支持向量机进行分类。2.如权利要求1所述的基于K阶传播数与支配熵的EEG脑网络分类方法，其特征在于，采集EEG脑电数据包括，设计记忆字母序列的工作记忆实验范式，即顺序展示三组随机选择的英文字母序列，并要求被试按照提示回忆对应出现顺序的某组字母；基于所述工作记忆实验范式招募被试进行实验，采集EEG脑电数据，即电极点的脑电信号，以提示出现的时刻为界，将被试记忆字母的阶段定义为记忆更新状态，被试回忆对应字母的阶段定义为记忆读取状态。3.如权利要求1或2所述的基于K阶传播数与支配熵的EEG脑网络分类方法，其特征在于，包括：选择θ与γ频段构建基于PLV相位锁定值的脑网络，假设某两个电极点的脑电信号分别为x(t)和y(t)，通过希尔伯特变换获得对应的解析信号z
x
(t)、z
y
(t)：z
x
(t)＝x(t)+iHT(x(t))z
y
(t)＝y(t)+iHT(y(t))计算解析信号z
x
(t)、z
y
(t)的相位差Δφ(t)，并基于此计算相位锁定值PLV
xy
：以电极点为网络节点，电极点之间的PLV值为网络边连接，构建基于PLV相位锁定值的脑网络；其中，n为网络节点总数，t
k
为数据点。4.如权利要求2所述的基于K阶传播数与支配熵的EEG脑网络分类方法，其特征在于，包括：EEG脑电数据中的所有电极点按照人脑功能区域放置。5.如权利要求3所述的基于K阶传播数与支配熵的EEG脑网络分类方法，其特征在于，组建有权脑网络包括：基于脑网络的邻接矩阵A计算所有网络节点对间的最短路径，传播时间...

【专利技术属性】
技术研发人员：黄丽亚，陈瑶，邱祥凯，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：