[发明专利]基于滞后阶数自适应选择的多变量因果关系分析方法

摘要

本发明涉及一种基于滞后阶数自适应选择的多变量因果关系分析方法，旨在为了准确地预测基于运动想象脑电信号的各个脑区域之间的因果影响。目前基于自回归模型的传统Granger因果关系方法缺乏考虑多变量时间序列中存在的时滞依赖结构以及模型系数对因果性的影响。本项目首先获取多通道运动想象脑电信号，其次采用改进的后向时间选择算法估计回归模型中每个变量的最优滞后阶数，建立多通道脑电信号的动态回归模型，然后利用模型的残差和系数来定义多变量之间的条件因果测度，可以有效地提高真实因果关系的估计性能。该方法在因效性脑功能网络、皮层肌肉耦合分析领域具有广阔的应用前景。

主权项

基于滞后阶数自适应选择的多变量因果关系分析方法，其特征在于该方法包括如下步骤：步骤(1)获取多通道运动想象脑电信号，具体是：采用多导联电极帽采集不同运动想象实验范式下的脑电信号；步骤(2)采用改进的后向时间选择算法建立多通道脑电信号的动态回归模型；具体是：给定P个通道、长度为N的脑电信号时间序列{Xj,t:j＝1,2,...,P；t＝1,2,…,N}，首先采用改进的后向时间选择(mBTS)算法估计出每个变量Xj的最优滞后阶数，然后考虑所有变量的历史信息对Xj的影响，Xj的动态回归模型可表示为Xj,t=Σp=1P(ajp,1Xp,t-1+...+ajp,kpXp,t-kp)+uj,t---(1)]]>其中，uj,t为模型的回归估计残差，ajp,l是模型系数，p＝1,2,...,P，l＝1,2,...,kp；kp是由mBTS算法估计出的变量Xp的最优滞后阶数；步骤(3)以步骤(2)得到的动态回归模型为基础，采用模型的残差和系数构建条件因果测度，描述多变量之间因果关系的强度；具体是：建立Xi→Xj的条件因果测度为NCCIXi→Xj=Σt=ki+1N(Σl=1kiaji,kXj,t-k)2Σp=1PΣt=kp+1N(Σl=1kpajp,kXp,t-k)2+Σt=m+1Nuj,t2---(2)]]>其中，kp为变量Xp的最优滞后阶数，m＝max(kp|p＝1,2,…,P)，p＝1,2,...,P，i∈{1,2,...,P}且i≠j；同理，Xj→Xi的条件因果测度表示为NCCIXj→Xi=Σt=kj+1N(Σl=1kjaij,kXi,t-k)2Σp=1PΣt=kp+1N(Σl=1kpajp,kXp,t-k)2+Σt=m+1Nui,t2---(3)]]>步骤(4)采用步骤(3)的条件因果测度分析运动想象任务时不同区域脑电信号之间的因果关系。