一种基于多模态脑电信号的时变脑网络构建方法

1.本发明涉及脑电信号技术领域，尤其是涉及一种基于多模态脑电信号的时变脑网络构建方法。


背景技术：

2.图论分析是表征复杂网络拓扑结构的有力工具，近年来被应用于人类大脑网络的研究。脑网络连接主要包括解剖连接，功能连接和因效性连接三种，而脑电图(electroencephalography，eeg)中因效性连接方式主要包括基于格兰杰因果关系的定向传递函数(directed transfer function，dtf)和部分定向相干(partial directed coherence，pdc)分析方法，它们是基于多元变量自回归模型的方法，其使用的前提是假设大脑在短时间内处于稳定状态，而eeg数据属于非平稳信号，因此这些算法不适用于eeg数据研究。自适应有向传递函数(auto directed transfer function，adtf)算法在dtf的基础上引入了卡尔曼滤波算法，能够衡量脑区之间的动态关系。但该方法仍然无法避开伪迹和离群值的影响，难以捕捉到视听同步刺激时固有的状态改变情况。


技术实现要素：

3.为解决上述背景技术中提出的问题，本发明的目的在于提供一种基于多模态脑电信号的时变脑网络构建方法。
4.为实现上述目的，本发明采取的技术方案为：
5.一种基于多模态脑电信号的时变脑网络构建方法，包括如下步骤：
6.s1、进行脑电采集实验，采集脑电信号；
7.s2、搭建mvaar模型，对于采集得到的脑电信号x(t)，将其多变量自适应自回归模型表示为：
[0008][0009]
其中，λ(i,t)为时变脑网络模型的系数矩阵，e(t)为多变量独立白噪声，p为模型阶数；
[0010]
s3、采用基于lp范数的adtf算法，对mvaar模型系数进行估计。
[0011]
在一些实施例中，步骤s1中，具体包括如下步骤：
[0012]
s11、向被试员施加试听刺激，通过脑电图仪采集初始的脑电信号；
[0013]
s12、然后，对釆集到的初始脑电信号进行离线预处理，除去信号中的伪迹，并通过带通滤波器对信号进行滤波处理，得到处理后的脑电信号；
[0014]
s13、重复步骤s11与s12若干次，直到到达预设的试验次数。
[0015]
在一些实施例中，步骤s12中，对釆集到的初始脑电信号进行离线预处理的步骤具体包括：
[0016]
首先，将初始脑电信号以平均参考为基础做重参考，再将重参考的脑电信号进行
独立成分分解，从中剔除非认知活动的伪迹成分；
[0017]
然后，采用多个窄带带通滤波器，分别提取脑电信号多个不同频段的信号；
[0018]
接下来，根据刺激呈现时刻，分割出每个刺激对应的脑电数据段，每个数据段包含刺激呈现前500ms和呈现后的3000ms；
[0019]
最后，对每个数据段做基线校正，先计算刺激呈现前500ms脑电数据的均值，然后整个数据段的值减去该均值。
[0020]
在一些实施例中，步骤s3中，具体包括如下步骤：
[0021]
s31、将式(1)变换到频域，得到
[0022]
λ(f,t)x(f,t)＝e(f,t) (2)
[0023]
进一步表示为
[0024]
x(f,t)＝λ-1
(f,t)e(f,t)＝h(f,t)e(f,t) (3)
[0025]
其中，特定频点下的系数矩阵为λ(f)，h(f,t)为定向信息流矩阵，h
i,j
(f,t)表示t时刻f频点下，第i个节点到第j个节点的连接；
[0026]
s32、在l1范数空间中完成基于adtf的网络模式估计，将卡尔曼滤波算法的状态估计表达式定义在l1范数空间，对应的表达式为：
[0027][0028]
其中，wk(t)为mvaar模型中第k个方程对应的系数向量，bk(t)由各个序列在t时刻的前q个过去观测值组成，vk(t-1)为状态方程误差；
[0029]
利用admm交替方向乘子法估计式(4)的状态变量，从而基于范数框架下进行mvaar系数λ(f)的估计迭代；
[0030]
s33、通过迭代过程，求出各个时刻的mvaar系数λ(f)，从而进一步估计基于l1范数的adtf值；
[0031]
s34、对h
i,j
(f,t)进行归一化处理，时间序列j对时间序列i的因果影响在频点f处的归一化adtf值，即特定频点下的定向因果连接为：
[0032][0033]
其中，通道数为n，根据的时频分布规律，以[f
down
,f
up
]频带内连接值的均值作为t时刻节点之间的连接强度。
[0034]
在一些实施例中，步骤s32中，基于范数框架下进行mvaar系数λ(f)的估计迭代的步骤具体包括：
[0035]
给定初始状态和初始状态误差自相关矩阵：
[0036]
p(0)＝e{[wk(0)-e(wk(0))][wk(0)-e(wk(0))]
t
}
ꢀꢀꢀꢀꢀꢀ
(6)
[0037]
通过下式完成t时刻的一步状态估计：
[0038][0039]
估计t时刻的一步观测误差：
[0040][0041]
c(t,t-1)定义为单位阵，表示各个状态的变化独立完成，估计t时刻的一步状态误差自相关矩阵：
[0042]
p(t,t-1)＝c(t,t-1)p(t-1)c
t
(t,t-1)+q1(t)
ꢀꢀꢀꢀꢀ
(9)
[0043]
估计t时刻的观测误差自相关矩阵：
[0044][0045]
估计t时刻的卡尔曼增益矩阵：
[0046][0047]
利用admm交替方向乘子法估计式(4)的状态变量
[0048]
估计t时刻的状态误差自相关矩阵：
[0049]
p(t)＝[i-k(t)bk(t)]p(t,t-1)[i-k(t)bk(t)]
t
+k(t)q2(t)k
t
(t) (12)
[0050]
其中，e(εm(t)ε
tm
(t))＝p(t),e(vk(t-1)v
kt
(t-1))＝a(t)，q1(t)为状态方程误差协方差矩阵，q2(t)为观测方程误差协方差矩阵。
[0051]
在一些实施例中，在步骤s3后，还包括步骤：
[0052]
s4、进行替代数据检验，利用相位随机生成替代数据，进行非参数统计检验；
[0053]
s5、通过个体平均、组分析和显著性检验的方法，得到反映感知加工过程的时变脑网络连接图。
[0054]
与现有技术相比，本发明所提供的基于多模态脑电信号的时变脑网络构建方法，在以往研究时变脑网络技术的基础上，借鉴lp范数技术，提出一个基于多模态的时变脑网络构建方法，利用范数空间对mvaar模型系数进行有效估计，能够提高大脑感知机制的准确性。
附图说明
[0055]
图1为本发明提供的基于多模态脑电信号的时变脑网络构建方法的流程示意图。
具体实施方式
[0056]
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合附图和具体实施方式，进一步阐述本发明是如何实施的。
[0057]
参照图1所示，本发明提供了一种基于多模态脑电信号的时变脑网络构建方法，包括如下步骤：
[0058]
s1、进行脑电采集实验，采集脑电信号；
[0059]
s2、搭建多变量自适应自回归模型(以下称为mvaar模型；multivariate adaptive autoregressive,mvaar)，对于采集得到的脑电信号x(t)，将其多变量自适应自回归模型表示为：
8hz)、低alpha(8-10.5hz)、高alpha(10.5-13hz)、低beta(13-20hz)、高beta(20-30hz)和gamma(》30hz)。
[0076]
进一步地，步骤s3中，具体包括如下步骤：
[0077]
s31、将式(1)变换到频域，得到
[0078]
λ(f,t)x(f,t)＝e(f,t)
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0079]
进一步表示为
[0080]
x(f,t)＝λ-1
(f,t)e(f,t)＝h(f,t)e(f,t)
ꢀꢀꢀꢀꢀꢀꢀ
(3)
[0081]
其中，特定频点下的系数矩阵为λ(f)，h(f,t)为定向信息流矩阵，h
i,j
(f,t)表示t时刻f频点下，第i个节点到第j个节点的连接；
[0082]
s32、在l1范数空间中完成基于adtf的网络模式估计，将卡尔曼滤波算法的状态估计表达式定义在l1范数空间，对应的表达式为：
[0083][0084]
其中，wk(t)为mvaar模型中第k个方程对应的系数向量，bk(t)由各个序列在t时刻的前q个过去观测值组成，vk(t-1)为状态方程误差；
[0085]
利用admm交替方向乘子法估计式(4)的状态变量，从而基于范数框架下进行mvaar系数λ(f)的估计迭代；
[0086]
s33、通过迭代过程，求出各个时刻的mvaar系数λ(f)，从而进一步估计基于l1范数的adtf值；
[0087]
s34、对h
i,j
(f,t)进行归一化处理，时间序列j对时间序列i的因果影响在频点f处的归一化adtf值，即特定频点下的定向因果连接为：
[0088][0089]
其中，通道数为n，根据的时频分布规律，以[f
down
,f
up
]频带内连接值的均值作为t时刻节点之间的连接强度。
[0090]
进一步地，步骤s32中，基于范数框架下进行mvaar系数λ(f)的估计迭代的步骤具体包括：
[0091]
给定初始状态和初始状态误差自相关矩阵：
[0092]
p(0)＝e{[wk(0)-e(wk(0))][wk(0)-e(wk(0))]
t
} (6)
[0093]
通过下式完成t时刻的一步状态估计：
[0094][0095]
估计t时刻的一步观测误差：
[0096][0097]
c(t,t-1)定义为单位阵，表示各个状态的变化独立完成，估计t时刻的一步状态误
差自相关矩阵：
[0098]
p(t,t-1)＝c(t,t-1)p(t-1)c
t
(t,t-1)+q1(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0099]
估计t时刻的观测误差自相关矩阵：
[0100][0101]
估计t时刻的卡尔曼增益矩阵：
[0102][0103]
利用admm交替方向乘子法估计式(4)的状态变量
[0104]
估计t时刻的状态误差自相关矩阵：
[0105]
p(t)＝[i-k(t)bk(t)]p(t,t-1)[i-k(t)bk(t)]
t
+k(t)q2(t)k
t
(t) (12)
[0106]
其中，e(εm(t)ε
tm
(t))＝p(t),e(vk(t-1)v
kt
(t-1))＝a(t)，q1(t)为状态方程误差协方差矩阵，q2(t)为观测方程误差协方差矩阵。
[0107]
优选地，在步骤s3后，还包括步骤：
[0108]
s4、进行替代数据检验，由于adtf函数与时间序列之间的关系是高度非线性的，在无连通性的零假设下，adtf估计量的分布；因此，利用相位随机生成替代数据，进行非参数统计检验；
[0109]
s5、计算得到一定时间间隔下多脑区信息交互的时间动力学模型并完成检验后，通过个体平均、组分析和显著性检验的方法，得到反映感知加工过程的时变脑网络连接图。
[0110]
综上，本发明所提供的基于多模态脑电信号的时变脑网络构建方法，在以往研究时变脑网络技术的基础上，借鉴lp范数技术，提出一个基于多模态的时变脑网络构建方法，利用范数空间对mvaar模型系数进行有效估计，提高大脑感知机制的准确性。
[0111]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围中。

技术特征：
1.一种基于多模态脑电信号的时变脑网络构建方法，其特征在于，包括如下步骤：s1、进行脑电采集实验，采集脑电信号；s2、搭建mvaar模型，对于采集得到的脑电信号x(t)，将其多变量自适应自回归模型表示为：其中，λ(i,t)为时变脑网络模型的系数矩阵，e(t)为多变量独立白噪声，p为模型阶数；s3、采用基于lp范数的adtf算法，对mvaar模型系数进行估计。2.根据权利要求1所述的基于多模态脑电信号的时变脑网络构建方法，其特征在于，步骤s1中，具体包括如下步骤：s11、向被试员施加试听刺激，通过脑电图仪采集初始的脑电信号；s12、然后，对釆集到的初始脑电信号进行离线预处理，除去信号中的伪迹，并通过带通滤波器对信号进行滤波处理，得到处理后的脑电信号；s13、重复步骤s11与s12若干次，直到到达预设的试验次数。3.根据权利要求2所述的基于多模态脑电信号的时变脑网络构建方法，其特征在于，步骤s12中，对釆集到的初始脑电信号进行离线预处理的步骤具体包括：首先，将初始脑电信号以平均参考为基础做重参考，再将重参考的脑电信号进行独立成分分解，从中剔除非认知活动的伪迹成分；然后，采用多个窄带带通滤波器，分别提取脑电信号多个不同频段的信号；接下来，根据刺激呈现时刻，分割出每个刺激对应的脑电数据段，每个数据段包含刺激呈现前500ms和呈现后的3000ms；最后，对每个数据段做基线校正，先计算刺激呈现前500ms脑电数据的均值，然后整个数据段的值减去该均值。4.根据权利要求1所述的基于多模态脑电信号的时变脑网络构建方法，其特征在于，步骤s3中，具体包括如下步骤：s31、将式(1)变换到频域，得到λ(f,t)x(f,t)＝e(f,t)(2)进一步表示为x(f,t)＝λ-1
(f,t)e(f,t)＝h(f,t)e(f,t)(3)其中，特定频点下的系数矩阵为λ(f)，h(f,t)为定向信息流矩阵，h
i,j
(f,t)表示t时刻f频点下，第i个节点到第j个节点的连接；s32、在l1范数空间中完成基于adtf的网络模式估计，将卡尔曼滤波算法的状态估计表达式定义在l1范数空间，对应的表达式为：其中，w
k
(t)为mvaar模型中第k个方程对应的系数向量，b
k
(t)由各个序列在t时刻的前q
个过去观测值组成，v
k
(t-1)为状态方程误差；利用admm交替方向乘子法估计式(4)的状态变量，从而基于范数框架下进行mvaar系数λ(f)的估计迭代；s33、通过迭代过程，求出各个时刻的mvaar系数λ(f)，从而进一步估计基于l1范数的adtf值；s34、对h
i,j
(f,t)进行归一化处理，时间序列j对时间序列i的因果影响在频点f处的归一化adtf值，即特定频点下的定向因果连接为：其中，通道数为n，根据的时频分布规律，以[f
down
,f
up
]频带内连接值的均值作为t时刻节点之间的连接强度。5.根据权利要求4所述的基于多模态脑电信号的时变脑网络构建方法，其特征在于，步骤s32中，基于范数框架下进行mvaar系数λ(f)的估计迭代的步骤具体包括：给定初始状态和初始状态误差自相关矩阵：p(0)＝e{[w
k
(0)-e(w
k
(0))][w
k
(0)-e(w
k
(0))]
t
}(6)通过下式完成t时刻的一步状态估计：估计t时刻的一步观测误差：c(t,t-1)定义为单位阵，表示各个状态的变化独立完成，估计t时刻的一步状态误差自相关矩阵：p(t,t-1)＝c(t,t-1)p(t-1)c
t
(t,t-1)+q1(t)(9)估计t时刻的观测误差自相关矩阵：估计t时刻的卡尔曼增益矩阵：利用admm交替方向乘子法估计式(4)的状态变量估计t时刻的状态误差自相关矩阵：p(t)＝[i-k(t)b
k
(t)]p(t,t-1)[i-k(t)b
k
(t)]
t
+k(t)q2(t)k
t
(t)(12)其中，e(ε
m
(t)ε
tm
(t))＝p(t),e(v
k
(t-1)v
kt
(t-1))＝a(t)，q1(t)为状态方程误差协方差矩阵，q2(t)为观测方程误差协方差矩阵。6.根据权利要求1所述的基于多模态脑电信号的时变脑网络构建方法，其特征在于，在步骤s3后，还包括步骤：s4、进行替代数据检验，利用相位随机生成替代数据，进行非参数统计检验；
s5、通过个体平均、组分析和显著性检验的方法，得到反映感知加工过程的时变脑网络连接图。

技术总结
本发明公开了一种基于多模态脑电信号的时变脑网络构建方法，包括如下步骤：S1、进行脑电采集实验，采集脑电信号；S2、对于采集得到的脑电信号，搭建MVAAR模型；S3、采用基于Lp范数的ADTF算法，对MVAAR模型系数进行估计。本发明所提供的基于多模态脑电信号的时变脑网络构建方法，在以往研究时变脑网络技术的基础上，借鉴Lp范数技术，提出一个基于多模态的时变脑网络构建方法，利用范数空间对MVAAR模型系数进行有效估计，提高大脑感知机制的准确性。提高大脑感知机制的准确性。提高大脑感知机制的准确性。


技术研发人员：徐慧慧 石章松 张宁 鄢砚军 顾宏灿 张家琦
受保护的技术使用者：中国人民解放军海军工程大学
技术研发日：2023.07.14
技术公布日：2023/10/15