[发明专利]一种大尺度皮层网络信息流个体化三维动态可视化方法

权利要求书

1.一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法，其特征在于，包括以下步骤：

步骤S1，对采集到的皮层脑电ECoG数据进行预处理，以选取感兴趣通道；

步骤S2，依据所选取的感兴趣ECoG数据，计算在不同时间和频率的大脑皮层网络信息流矩阵；

步骤S3，对经过显著性检验的信息输入、输出流在三维立体脑结构上进行三维动态可视化；

所述步骤S2具体包括以下步骤：

步骤2.1：利用基于多变量自回归模型的自适应有向传递函数ADTF计算对所述感兴趣ECoG数据在不同时频点上的传递矩阵；

多变量自回归模型的描述如下：

X(t)=Σi=1pA(τ,t)X(t-τ)+E(t)---(1)]]>

其中，X(t)是信号矩阵，A(τ，t)是延迟时间τ的时变系数矩阵，E(t)是和信号X(t)独立的白噪声，p是可以使用施瓦茨贝叶斯准则（SBC）来确定的模型的阶；为了在频域研究信号之间的信息交互，使用傅立叶变换将（1）式方程变换到频域：

A(t，f)X(f)=E(f)   （2）

其中，

A(t,f)=-Στ=0pAτ(t)e-j2πfτ---(3)]]>

令A₀(t)=-I，方程（2）改写为：

X(f)=A^-1(t，f)E(f)=H(t，f)E(f)   （4）

其中，初始值A₀(t)为负的单位矩阵，H(t，f)是随时间变化的转移矩阵，H_ij(t，f)表示在时间t和频率f从信号x_j到信号x_i的信息流大小；则归一化的ADTF值可由下式计算：

ADTFij(t,f)=|Hij(t,f)|2Σk=1n|Hik|(t,f)2---(5)]]>

其中，n是脑电通道的总数，一般脑电系统为64通道，i和j表示通道编号，则ADTF_ij(t，f)就表示了在时间t和频率f时由通道j流向通道i的信息流大小；

步骤2.2：利用偏相关函数计算对所述感兴趣ECoG数据在不同时频点的偏相关系数；

首先计算所述感兴趣ECoG数据的交叉谱C(t，f)，计算公式如下：

C(t，f)=H(t，f)∑H^*-1(t，f)   （6）

其中，∑表示白噪声矩阵E(t)的方差，上标*表示对所述转移矩阵H(t，f)取共轭，上标-1表示对所述转移矩阵H(t，f)进行转置；

则偏相关系数的计算公式为：

Γij(t,f)=Mij2(t,f)Mii(t,f)Mjj(t,f)---(7)]]>

其中，Γ_ij(t，f)表示在时间t和频率f时信号x_j和信号x_i的偏相关系数，M_ij(t，f)表示所述交叉谱C(t，f)的代数余子式；

步骤2.3：依据自适应直接传递函数和偏相关系数计算自适应有向直接传递函数AdDTF，得到在不同时间、频率点感兴趣脑区间的直接信息流强度和方向；

所述自适应有向直接传递函数AdDTF的计算公式如下：

AdDTF(t，f)=ADTF(t，f)Γ_ij(t，f)   （8）

其中，AdDTF_ij(t，f)值表示了在时间t和频率f时信号x_j和信号x_i间的直接信息流强度和方向，反映了大尺度皮层网络信息的交互与整合；

因此，流入或流出某一通道的归一化直接信息流计算方法为：

flowij=Σt=t1t2Σf=f1f2AdDTFij(t,f)(t2--t1)(f2-f1)---(9)]]>

其中，t₁和t₂分别对应所选取数据的起始时刻和终止时刻，f₁和f₂分别对应所选取数据的起始频率和终止频率；

流出某一通道的直接信息输出流为：

outflowj=Σi=1nflowijn-1,fori≠j---(10)]]>

流入某一通道的直接信息输入流为：

inflowi=Σj=1nflowijn-1,forj≠i---(11)]]>

其中，公式（10）和（11）中n为通道总数，脑电系统为64通道，i和j表示通道编号；

步骤2.4：信息流统计显著性检验。

2.根据权利要求1所述的一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法，其特征在于，所述步骤S1具体包括以下步骤：

步骤1.1：对所述ECoG数据进行0.3-150Hz滤波和50Hz陷波处理，以消除低频飘移和工频干扰；

步骤1.2：对滤波处理后的ECoG数据进行坏通道检验处理，去除坏通道，避免不可靠数据的影响；

步骤1.3：对去除坏通道后的ECoG数据进行转换参考处理，采用平均参考；

步骤1.4：对转换参考后的ECoG数据进行基线校正处理，去除基线漂移，以使ECoG数据趋于平稳；

步骤1.5：对基线校正后的ECoG数据进行伪迹检测处理，去除头、面部肌肉抖动干扰的数据片段；

步骤1.6：从预处理后的ECoG数据中选取记录电极落在感兴趣脑区的ECoG数据。