一种基于多通道神经信号分析的信号间耦合强度判断方法
阅读说明：本技术 一种基于多通道神经信号分析的信号间耦合强度判断方法 (Method for judging coupling strength between signals based on multichannel neural signal analysis ) 是由 梁振虎 任娜 邵帅 金星 吴昀哲 李小俚 于 2021-01-13 设计创作，主要内容包括：本发明公开了一种基于多通道神经信号分析的信号间耦合强度的判断方法,其包括以下步骤：S1、在脑电数据库中选取多通道脑电信号；步骤S2：对选取的信号的两个时间序列进行预处理；S3、计算两个时间序列的的边缘概率分布函数,及两个时间序列的熵,并基于联合概率函数计算联合熵；S4、计算两个时间序列的原始排序交叉互信息；S5、计算替代的时间序列以及替代时间序列的PCMI；S6、计算纯正PCMI。本发明可以估计不同通道间信号的真实连接强度,能有效降低由于不同通道间信号相互干扰而产生信号伪迹对通道间信号强度评估结果的影响。(The invention discloses a method for judging coupling strength between signals based on multichannel neural signal analysis, which comprises the following steps: s1, selecting multi-channel electroencephalogram signals from an electroencephalogram database; step S2: preprocessing two time sequences of the selected signal; s3, calculating edge probability distribution functions of the two time sequences and entropies of the two time sequences, and calculating a joint entropy based on the joint probability function; s4, calculating the original sequencing cross mutual information of the two time sequences; s5, calculating an alternative time series and a PCMI of the alternative time series; and S6, calculating the pure PCMI. The method can estimate the real connection strength of the signals among different channels, and can effectively reduce the influence of signal artifacts generated by the mutual interference of the signals among different channels on the evaluation result of the signal strength among the channels.)
技术领域
本发明涉及多通道神经信号分析领域，具体涉及一种基于多通道神经信号分析的信号间耦合强度判断方法。
背景技术
研究表明，人体在进行感觉、运动、认知等事件时伴随着高水平的大脑活动，对于人而言，其不同大脑区域间信号耦合强度的高低能直接体现其大脑的活跃程度。现阶段，通过符号分析方法来对比脑电特征指标的变化，从而实现对大脑活跃强度变化的定量评估被认为是解决上述问题的一种简单而有效的方法，比如排序熵，符号传递熵，加权符号互信息等，用来进行神经系统分析和脑状态监测。然而这些方法忽略了信号之间存在伪迹，在计算过程中没有排除伪迹影响，使得计算结果不够准确，与神经信号间真实信息交互存在偏差。
发明内容
为了解决上述提到的现有技术的不足，本专利提出了一种基于多通道神经信号分析的信号间耦合强度判断方法，利用替代分析方法和符号动力学方法相结合，弥补了单一符号学方法不能消除伪迹的不足，能够获得神经信号间的真实耦合信息以及脑区之间的真实连接强度，可以对神经信号进行准确的特征提取，更加准确的分析大脑的信息整合能力的变化。
为实现上述目的，本发明采用了以下技术方案：
具体地，本发明提供一种基于多通道神经信号分析的信号间耦合强度判断方法，其包括以下步骤：
步骤S1：在脑电数据库中采集多通道脑电信号；
步骤S2：对采集的脑电信号进行预处理，预处理包括去除大振幅噪声、剔除50Hz工频信号和快速独立成分分析去除生理噪声成分；
选取两个通道预处理后的时间序列xt和yt，进行m维相空间重构，将重构的时间序列按递增顺序排列；
步骤S2中去除采集信号的大幅度噪声，并利用陷波滤波器去除50Hz的工频信号，对信号进行降采样，利用快速独立成分分析方法去除生理噪声；
选取预处理后脑电信号的两个时间序列，选取嵌入维数m滞后τ，进行m维相空间重构，将重构后的时间序列按照递增的顺序来排列；
选取两个时间序列xt和yt，t＝1,2,...n，采用相空间重构方法构造具有嵌入维数m和滞后τ的向量Xt[xt,xt+τ,...,xt+mτ]和Yt[yt,yt+τ,...,yt+mτ]；其中，τ是一个特定的样本点，将时间序列按递增顺序排列，并用Xt和Yt分别作为排序后时间序列和的表示符号；
步骤S3：分别计算xt和yt边缘概率分布函数，并计算这两个时间序列的熵值，基于联合概率函数计算这两个时间序列的联合熵；
步骤S3中分别计算两个时间序列的边缘概率分布函数，根据分布函数计算两个时间序列的熵值，并基于联合概率函数计算两个时间序列的联合熵，
具体为计算xt和yt边缘概率分布函数(PDF)，分别表示为p(x)和p(y)，xt和yt的熵被定义为：
基于联合概率函数计算联合熵H(X,Y)
步骤S4：计算两个时间序列的原始PCMI；
步骤S5：选取两个时间序列中的一个用来生成替代时间序列，采用幅值不变相位随机的变换方法，生成的替代数据；
步骤S6：验证原始的PCMI是否为纯正PCMI，采用替代样本集来验证原始PCMI的离群特性，得到纯正PCMI的值。
优选地，步骤S4中根据两个时间序列的熵值以及联合熵计算原始的PCMI，时间序列xt和yt的原始PCMI描述为：
PCMI(X；Y)＝H(X)+H(Y)-H(X,Y)。
优选地，步骤S5中选取两个时间序列中的一个来生成替代时间序列，采用幅值不变相位随机的变换方法，生成的替代数据，替代次数选择20次。
优选地，步骤S6中中验证原始的PCMI是否为纯正PCMI，并与替代PCMI比较是否存在离群分布，如果为离群分布，则原始PCMI为纯正PCMI，否则为伪PCMI，假设H0＝1并且概率p＜0.05，则GPCMI＝PCMIo，即原始的PCMI；否则GPCMI＝0，或被命名为PCMIsp,即伪PCMI。GPCMI的计算描述如下：
与现有技术相比，本发明具有如下优点：
1、本发明通过在数据库中提取的脑电信号，能够对脑电信号进行判断分析，从符号分析的角度出发，采用符号动力学的方法来描述信号，从时间序列中提取排序模式，获得丰富的时间序列信息；
2、本发明利用相位随机化来估计通道间的真实连接强度，即可以准确的分析脑区内与脑区间的信息交互能力，进而准确的分析大脑的信息整合能力以及脑网络的复杂度。
3、本发明解决了传统互信息方法产生伪互信息值的问题，能够分析神经信号通道间真实耦合强度。
附图说明
图1为本发明方法的流程图；
图2a为本发明的MNMM模型的PCMI分析；
图2b为PCMI曲线和替代PCMI指数在每个耦合强度中的盒型图。
具体实施方式
以下将参考附图详细说明本发明的示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
下面结合附图对本发明做进一步说明：
如图1所示，本发明包括以下步骤：
步骤S1：在脑电数据库中采集多通道脑电信号；脑电数据库中实时更新存储多个脑电信号。
步骤S2：对采集的脑电信号进行预处理，其中应该去除大振幅噪声，剔除50Hz工频信号，快速独立成分分析去除生理噪声成分；
选取两个时间序列xt和yt，t＝1,2,...n，采用相空间重构方法构造具有嵌入维数m和滞后τ的向量Xt[xt,xt+τ,...,xt+mτ]和Yt[yt,yt+τ,...,yt+mτ]。其中，τ是一个特定的样本点。将时间序列按递增顺序排列，并用Xt和Yt分别作为排序后时间序列和的表示符号。
步骤S3：计算xt和yt边缘概率分布函数(PDF)，分别表示为p(x)和p(y)。xt和yt的熵被定义为：
基于联合概率函数计算联合熵H(X,Y)
步骤S4：时间序列xt和yt的原始PCMI描述为：
PCMI(X；Y)＝H(X)+H(Y)-H(X,Y)
步骤S5：计算替代的时间序列。为了降低计算复杂度，只使用一个时间序列，如xt或yt，来生成替代时间序列。采用幅值不变相位随机的变换方法，生成的替代数据称为替代次数选择20，然后我们可以获得20个替代PCMI值并将它们称为PCMIs。
步骤S6：计算纯正PCMI。原始的PCMI称为PCMIo，其显著偏离于替代PCMIs的分布，则PCMIo被认为是纯正PCMI(GPCMI)。否则，PCMIoriginal被认为是伪PCMI(称作PCMIsp)。
在PCMI计算中，嵌入维数m、滞后τ和时间窗长度等参数的选择至关重要。如果嵌入维数太小(m＝1或者2)，时间序列中只有极少数明显不同的状态，该方案将不能很好地进行。另一方面，为了对随机动力学和确定性动力学进行适当的区分，时间序列的时间长度应该大于m！*m！。在模型和实际脑电测试的基础上，我们选择PCMI的参数为m＝4，时间窗长度为10s，重叠率为75％。
本发明中提到了三个PCMI指数。(1)原始PCMI是由PCMI算法导出的值。(2)替代PCMI是从替代数据导出的PCMI值。(3)纯正PCMI是在替代校验的PCMI值。纯正PCMI可以是零(与从替代数据导出的替代PCMI指数的分布无显著差异)或者等于原始的PCMI值(明显偏离替代PCMI指数的分布)。因此，GPCMI值被分为两组：非零(称为N-GPCMI)和零。
GPCMI评价耦合模型的性能。评价PCMI在跟踪耦合强度方面的表现，并对MNMM模型进行验证。由GPCMI检测到神经信号中的两个通道之间的真正的联系，其性能通过MNMM和替代数据分析进行验证。
耦合模型分析结果如图2所示。在本发明中分析了PCMI随耦合强度从10到25的变化。图2a中的(A)-(D)所示：当耦合系数CC＝10、15、20和25时，两个模拟神经振荡的时间序列(每个子图中的左边部分)及其相应的归一化功率谱(每个子图中的右侧部分)。图2b所示：PCMI曲线和替代PCMI指数在每个耦合强度中的盒型图(步长＝0.2)。PCMI值随耦合强度线性增加，当耦合系数大于12.2时，PCMI值高于替代PCMI中位数的四分之三。显着性分析表明，当CC大于12时，PCMI值的分布与替代PCMI值的分布有显着性差异(p<0.05)，GPCMI可以准确地跟踪模型耦合性能。
在对MNMM耦合模型进行分析的基础上，我们得出结论，将PCMI和幅值不变相位随机的变换方法相结合，可以有效地评价非线性系统的耦合性。准确度量脑区内不同通道间信号耦合强度，以及脑区间信号耦合强度，从而判断大脑脑区之间信息整合和相互通信能力。
最后应说明的是：以上所述的各实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。