[发明专利]一种基于K阶传播数与支配熵的EEG脑网络分类方法

权利要求书

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：

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。

6.如权利要求5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，网络节点v_i重要性包括：

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。

7.如权利要求6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：

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)：