[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

说明书

本发明公开了一种基于时频能量的符号传递熵及脑网络特征计算方法，首先，基于共平均参考对采集的运动想象脑电信号(MI‑EEG)进行预处理；然后，对各导联MI‑EEG进行连续小波变换，求得其时‑频‑能量矩阵，并将与运动想象密切相关的频带内各频率所对应的时间‑能量序列依次拼接，得到该导联的一维时频能量序列；进而，计算任意两个导联时频能量序列之间的符号传递熵，构建大脑连通性矩阵，并使用皮尔逊特征选择算法优化矩阵元素；最后，计算脑功能网络的度和中间中心性，构成特征向量，用于MI‑EEG的分类。结果表明，本发明可以有效地提取MI‑EEG的频域特征和非线性特征，相比于传统的基于脑功能网络的特征提取方法具有明显的优势。

技术领域

本发明属于脑电信号处理领域，涉及一种基于时频能量的符号传递熵及脑网络特征计算方法，应用于脑-机接口系统中运动想象脑电信号(MI-EEG)的特征提取。具体涉及：基于连续小波变换和符号传递熵构建动态脑功能网络，并结合皮尔逊特征选择算法优选网络特征，用于不同运动想象脑电信号的识别。

背景技术

人类的大脑是一个复杂而密集的网络，由数十亿相互连接的神经元组成。近年来，基于图论的复杂网络分析方法被应用于神经科学中，利用复杂网络基本原理可以进行大脑属性分析，以及发现脑网络节点间潜在的信息传递关系。越来越多的研究表明，利用脑功能网络中的度量来区分运动想象脑电信号具有一定的可行性。在脑功能网络中，节点通常是EEG电极、而边定义为节点之间的连通性。计算连通性的指标可分为两类：功能连接和有效连接。功能连接度量(如互相关(CC)、互信息(MI)等)用于捕获不同电极之间的相互依赖性，但无法提供具有流动方向的信息；而有效连接度量(如格兰杰因果关系(GC)、定向传递函数(DTF)等)，可描述节点之间的因果相互作用和信息传输方向。因此，使用有效连接度量更容易发现运动想象过程中节点之间隐藏和被忽视的连接性。然而，GC和DTF依赖于线性回归模型，这使得它们难以准确识别出人脑这样的非线性动力系统中存在的因果关系。

传递熵(TE)是一种基于非参数统计的信息理论量，它不需要预先假设交互作用的模型(无论是线性的还是非线性的)，可用于衡量两个非线性向量之间信息交互，是研究大脑信息流的理想方法。研究人员已将其应用于各种领域，如识别听觉皮层数据之间的信息传递，定位癫痫患者的焦点，以及分析不同驾驶状态下的信息流模式等。然而，传统的传递熵需要大量的数据来估计概率分布函数，计算速度较慢且易受噪声影响，这限制了其在实际脑功能网络建模中的应用。此外，现有技术直接通过计算原始脑电信号之间的连通性来构建脑功能网络，这难以获取脑电信号的频域特征，使得基于脑功能网络特征提取方法的最终分类准确率一般较低。

发明内容

针对上述现有技术的不足，本发明提出了一种基于时频能量的符号传递熵及脑网络特征计算方法。首先，基于共平均参考(CAR)对采集的MI-EEG进行预处理，去除空间噪声；然后，对各通道MI-EEG进行连续小波变换，求得其时-频-能量矩阵，并将与运动想象密切相关的频带内各频率所对应的时间-能量序列依次拼接，得到该通道的一维时频能量序列；进而，计算任意两个通道时频能量序列之间的符号传递熵，构建大脑连通性矩阵，并使用皮尔逊特征选择算法优化矩阵元素；最后，计算脑功能网络的节点度和节点中间中心性，构成特征向量，并采用支持向量机(SVM)对特征向量进行特征评估，根据分类准确率确定最优时间段、频带以及符号的阶次，提取出最优参数下的脑电特征。

本发明的具体实现包括以下步骤：

步骤1：MI-EEG信号预处理。

在预处理阶段，首先对原始MI-EEG信号进行CAR滤波去除空间噪声，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代表实数集。对X_i进行Morlet连续小波变换，得到其小波系数矩阵W_i：