[发明专利]一种基于时频能量的符号传递熵及脑网络特征计算方法

权利要求书

1.一种基于时频能量的符号传递熵及脑网络特征计算方法，其特征在于：该方法包括以下几个步骤，

步骤1：运动想象脑电信号MI-EEG预处理；

使用共平均参考CAR对原始MI-EEG进行空间滤波，并截取运动想象期数据；采用滑动时间窗法将数据划分为多个时间段的子信号，分时段对各子信号进行后续分析，窗长为p，步长为q；

步骤2：获取EEG信号的时频能量序列

步骤3：基于符号传递熵的脑功能网络构建；

步骤4：特征计算与融合；

根据有效连通性矩阵A^*计算脑功能网络特征参数：度、中间中心性；

导联i的度d_i的计算式如下：

d_i＝∑_ja_ij (10)

计算所有导联的度，构成特征向量F₁：

F₁＝[d₁，d₂，…，d_L]∈R^1×L (11)

导联i的中间中心性b_i可由公式(12)计算：

式中，为导联j与导联k之间的特征路径长度，l_jk(i)表示导联j和导联k经过导联i的特征路径长度；计算每个导联的中间中心性，构成特征向量F₂：

F₂＝[b₁，b₂，…，b_L]∈R^1×L (13)

将特征向量F₁和F₂串行融合，获得特征向量F：

F＝[F₁ F₂]∈R^1×2L (14)

步骤2中，步骤2.1设为第i导预处理后的脑电信号，L代表导联数，N_t为采样点数，R为实数集；对X_i进行Morlet连续小波变换，得到其小波系数矩阵W_i：

式中，表示第i导脑电信号在m频率下n时刻的小波系数值，N_f为小波分解得到的总频率点数，f₁和f₂为小波分解后感兴趣频带的左、右边界频率，C为虚数集；

步骤2.2截取小波系数矩阵W_i中的第f₁至f₂行，并由公式(2)计算各个元素的小波能量值

式中，为的模长；得到X_i在感兴趣频带内的时频能量矩阵E_i：

其中，N′_f＝f₂-f₁+1为小波分解后感兴趣频带内频率的个数；

步骤2.3将时频能量矩阵E_i各行依次拼接，求得第i导脑电信号的时频能量序列

式中，N_c＝N′_f×N_t为序列的长度，将(4)式重写为：

步骤3中，步骤3.1对各导联的时频能量序列进行符号化，获得符号序列；

设为中D个元素的集合，D≥2，λ∈N^*为延迟因子，t＝1，2，…，N_c-(D-1)λ，N^*为正整数集；当λ＝1时，根据各元素的大小排列情况定义符号

用符号对进行标注，得到的符号序列，记作：

式中，N_m＝N_c-D+1为符号序列M_i的长度；

步骤3.2以EEG电极作为网络的节点，电极时频能量序列之间的符号传递熵作为边，计算有效连通性矩阵，构建脑功能网络；

传递熵TE用于估计两个序列之间的因果关系或信息流；符号传递熵STE是TE的一种变体，计算速度快，抗噪声能力强；符号序列M_i和M_j之间的符号传递熵由下式计算：

式中，表示符号和同时出现的概率；表示在和出现的前提下，的条件概率；为仅给定的情况下，的条件概率，τ∈N^*为时间滞后；计算任意两个导联时频能量序列之间的符号传递熵，得到脑功能网络的有效连通性矩阵A：

式中，a_ij＝STE(M_i→M_j)表示导联i到导联j的符号传递熵，i，j＝1，2，…，L；

步骤3.3使用皮尔逊特征选择算法计算A中元素a_ij与类别标签之间的相关性，将相关性小于阈值的元素置零，得到新的连通性矩阵A^*∈R^L×L。