[发明专利]一种基于社区划分算法的脑电图信号分析方法

说明书

本发明涉及一种脑电图信号分析方法，包括以下步骤：包括以下步骤：S1：根据脑电图信号建立大脑功能性网络；S2：根据所述大脑功能网络，进行社区划分，将大脑功能网络分成若干个社区；S3：根据所述划分了社区的大脑功能网络，识别不同的网络模体，所述网络模体为节点的连接模式，所述大脑功能网络的节点都具有属于某个社区的标签；S4：统计不同网络模体的模体结构数量，建立网络模体特征向量；S5：根据所述网络模体特征向量，完成脑电图智能分类。相对于现有技术，本发明的脑电图信号分析方法可以有效度量大脑功能网络的全局连通性以及刻画大脑的功能模块划分，可以较准确地描述大脑的特征与状态。

技术领域

本发明属于脑电信号分析领域，尤其是涉及一种基于社区划分算法的脑电图信号分析方法。

背景技术

脑电图(EEG)是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。脑电信号具有较高的时间精度，可以动态观察大脑的状态变化，因此脑电图信号是诊断不同神经障碍和疾病的重要工具。大脑神经元之间相互作用、相互关联，使大脑成为一个复杂的动力学系统。将大脑看成一个功能网络，研究大脑不同区域的神经集群之间的时间相关性，以此来探索大脑不同区域之间的联系是大脑动力学系统的一种方法。目前大脑功能网络的建立方法，一般是根据不同电极间采集到的EEG信号皮尔逊相关系数来建立功能性网络，或者由不同电极间的EEG信号的锁相值，来建立功能网络，这些忽略了脑电信号在不同时刻的放电特性，建立的脑功能网络不能较好的反映大脑的真实状态。而且，现有的大脑神经网络功能连通性研究主要是基于度分布、聚类系数和最短路径等方式度量网络功能连通性，但是，这些度量主要是刻画了大脑神经网络的局部连通特点，无法有效度量大脑神经网络的全局连通性以及无法刻画大脑的功能模块划分，因此也忽略了大脑网络的一些高阶的隐藏的有价值的信息。

发明内容

本发明的目的在于提供一种基于社区划分算法的脑电图信号分析方法，通过全脑域功率峰值附近时刻的锁相值建立大脑功能网络，再通过识别大脑功能网络中的模体结构与数量来分析大脑功能。

本发明是通过以下技术方案实现的：

一种基于社区划分算法的脑电图信号分析方法，脑电图信号由多路导联电极采集，包括以下步骤：

S1：根据脑电图信号建立大脑功能性网络，具体步骤包括：

S11：计算全脑域功率GFP，其中K为总的导联通电极数，代表K个节点，i为第i路导联，V_i(t)为第i路导联的EEG信号，V_mean(t)为t时刻K路导联信号的平均值。

S12：获取GFP的峰值时刻，记为时间序列t＝[t₁,t₂,t₃...t_n]；

S13：在时间序列[t₁,t₂,t₃...t_n]中每个时刻t_i(i∈[1,n])为中心时间的一段时间范围内，计算每两路导联脑电信号之间的锁相值；

S14：根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系，以此建立大脑功能网络。

S2：根据所述大脑功能网络，进行社区划分，将大脑功能网络分成若干个社区；

S3：根据所述划分了社区的大脑功能网络，识别不同的网络模体，所述网络模体为节点的连接模式，所述大脑功能网络的节点都具有属于某个社区的标签；

S4：统计不同网络模体的模体结构数量，建立网络模体特征向量；

S5：根据所述网络模体特征向量，完成脑电图智能分类。