[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

说明书

本发明公开了一种基于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。

技术领域

本发明涉及脑网络分类的技术领域，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。

背景技术

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。

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。

发明内容

本部分的目的在于概述本发明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发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

为解决上述技术问题，本发明提供如下技术方案：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。

作为本发明所述的基于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。

作为本发明所述的基于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)：

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。

作为本发明所述的基于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。