一种基于同步连接特征的脑电信号处理方法及系统

1.本发明涉及脑电信号分析技术领域，具体涉及一种基于同步连接特征的脑电信号处理方法及系统。


背景技术：

2.人们针对大脑连接的研究大致可分为结构连接、功能连接和有效连接。其中，结构连接指的是大脑神经单元之间解剖学上的连接，如神经元之间轴突或突触连接，皮层和皮层下核团之间的神经纤维束连接等；功能连接是指通过不同神经单元记录得到的信号(如eeg等)，计算出反映不同神经单元之间关系强弱的某种指标；有效连接，指的是一种具有方向性的因果影响，常基于格兰杰因果关系来计算因果指标。
3.目前主流研究认为人脑实际的大脑拓扑结构符合小世界性，即功能相关区域的神经单元高度聚类网络化，区域之间具有较短的平均路径长度，这种结构能够凭借相对较简短的神经连接实现脑电信息的特异性和整体性传输。而现有的关于功能连接的脑电信号处理技术主要基于出度、中间性中心性等图论指标，通过图论指标来衡量神经单元之间的连接强度与紧密程度，这样对大脑连接网络进行整体性分析的方法会缺乏侧重点。


技术实现要素：

4.为了克服现有技术存在的缺陷与不足，本发明提供一种基于同步连接特征的脑电信号处理方法及系统，引入了网络划分算法，通过获取大脑连接网络的拓扑结构，从而掌握大脑连接网络中每个节点之间全局或局部的关联，通过比较相关系数均值选出连接性最高的子网络，将整体的连接网络划分成不同的子网络来分析，在更具有生理解释性的同时能够初步划分网络的连接程度，利于定位连接程度较高的区域。
5.为了达到上述目的，本发明采用以下技术方案：
6.一种基于同步连接特征的脑电信号处理方法，包括下述步骤：
7.脑电信号预处理，包括：信号的片段截取、伪迹去除和调整数据的采样率；
8.计算各个通道信号间的皮尔逊相关系数，表示各个通道信号间的同步连接程度，将计算得到的皮尔逊相关系数组成矩阵；
9.根据相关系数矩阵构建无向二值网络，所述无向二值网络由节点和边组成，其中网络节点对应电极通道，设定皮尔逊相关系数阈值，判定通道信号间是否存在相连的边；
10.利用网络划分算法对无向二值网络进行模块化，划分成若干个子网络；
11.计算各子网络的连接性：计算每个子网络的相关系数均值，通过比较相关系数均值选出连接性最高的子网络。
12.作为优选的技术方案，所述信号的片段截取，具体截取脑电信号由背景活动逐渐转为高频低幅以及高幅震荡的数据片段。
13.作为优选的技术方案，所述计算各个通道信号间的皮尔逊相关系数，具体步骤包括：
[0014][0015]
其中，ρ
x,y
表示通道信号间的皮尔逊相关系数，x和y表示不同的信号，σ
x
表示信号x的信号方差，σy表示信号y的信号方差，μ
x
表示信号x的信号均值，μy表示信号y的信号均值；
[0016]
将所有通道信号进行两两组合的计算，得到由皮尔逊相关系数组成矩阵，其中矩阵的第i行、第j列的元素值表示第i个通道与第j个通道之间的相关性。
[0017]
作为优选的技术方案，利用网络划分算法对无向二值网络进行模块化，划分成若干个子网络，具体步骤包括：
[0018]
找出网络中具有最大边介数的边并将其删除，重新计算网络中剩余边的边介数并删除目标边，直至网络的质量函数在规定子网络数目下达到最优。
[0019]
作为优选的技术方案，采用质量函数衡量子网络划分的优劣程度，具体为：
[0020][0021]
其中，q代表模块度，v和w表示不同的节点，k表示节点的度，a
vw
表示图论的邻接矩阵，m表示节点总数，δ表示子网络分类矩阵，cv表示节点v对应的子网络，cw表示节点w对应的子网络。
[0022]
本发明还提供一种基于同步连接特征的脑电信号处理系统，包括：脑电信号预处理模块、皮尔逊相关系数计算模块、无向二值网络构建模块、网络划分模块和子网络筛选模块；
[0023]
所述脑电信号预处理模块用于脑电信号预处理，包括：信号的片段截取、伪迹去除和调整数据的采样率；
[0024]
所述皮尔逊相关系数计算模块用于计算各个通道信号间的皮尔逊相关系数，表示各个通道信号间的同步连接程度，将计算得到的皮尔逊相关系数组成矩阵；
[0025]
所述无向二值网络构建模块用于根据相关系数矩阵构建无向二值网络，所述无向二值网络由节点和边组成，其中网络节点对应电极通道，设定皮尔逊相关系数阈值，判定通道信号间是否存在相连的边；
[0026]
所述网络划分模块用于利用网络划分算法对无向二值网络进行模块化，划分成若干个子网络；
[0027]
所述子网络筛选模块用于计算每个子网络的相关系数均值，通过比较相关系数均值选出连接性最高的子网络。
[0028]
作为优选的技术方案，所述信号的片段截取，具体截取脑电信号由背景活动逐渐转为高频低幅以及高幅震荡的数据片段。
[0029]
作为优选的技术方案，所述皮尔逊相关系数计算模块用于计算各个通道信号间的皮尔逊相关系数，具体计算公式表示为：
[0030][0031]
其中，ρ
x,y
表示通道信号间的皮尔逊相关系数，x和y表示不同的信号，σ
x
表示信号x的信号方差，σy表示信号y的信号方差，μ
x
表示信号x的信号均值，μy表示信号y的信号均值；
[0032]
将所有通道信号进行两两组合的计算，得到由皮尔逊相关系数组成矩阵，其中矩阵的第i行、第j列的元素值表示第i个通道与第j个通道之间的相关性。
[0033]
作为优选的技术方案，所述网络划分模块用于利用网络划分算法对无向二值网络进行模块化，划分成若干个子网络，具体包括：
[0034]
找出网络中具有最大边介数的边并将其删除，重新计算网络中剩余边的边介数并删除目标边，直至网络的质量函数在规定子网络数目下达到最优。
[0035]
作为优选的技术方案，采用质量函数衡量子网络划分的优劣程度，具体为：
[0036][0037]
其中，q代表模块度，v和w表示不同的节点，k表示节点的度，a
vw
表示图论的邻接矩阵，m表示节点总数，δ表示子网络分类矩阵，cv表示节点v对应的子网络，cw表示节点w对应的子网络。
[0038]
本发明与现有技术相比，具有如下优点和有益效果：
[0039]
(1)本发明利用同步连接特征对脑电数据进行整体化分析，判断脑电电极通道是否处于连接程度较高的区域，分析植入式脑电信号不仅有助于探索大脑更立体、更深层的电生理信息，而且相比于fmri等神经影像学技术，该脑电信号又有着更高的时间分辨率，利于定位连接程度较高的区域。
[0040]
(2)本发明引入了网络划分算法，同步连接特征考虑到了脑电由背景活动逐渐转为高频低幅以及高幅震荡的数据片段中大脑各神经元之间的相互作用，避免了仅关注单个通道发作的局限性，整体掌握了大脑连接网络中每个节点之间全局或局部的关联。
附图说明
[0041]
图1为本发明基于同步连接特征的脑电信号处理方法的流程示意图；
[0042]
图2为查看脑电数据的示意图；
[0043]
图3为脑电电极所有通道的相关系数矩阵示意图；
[0044]
图4为网络划分算法的流程图示意图；
[0045]
图5为脑电电极所有通道的力导向示意图。
具体实施方式
[0046]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0047]
实施例1
[0048]
如图1所示，本实施例提供一种基于同步连接特征的脑电信号处理方法，包括下述步骤：
[0049]
s1：脑电信号预处理，包括信号的片段截取、伪迹去除、调整数据的采样率；
[0050]
利用matlab软件截取脑电信号由背景活动逐渐转为高频低幅以及高幅震荡的数据片段，去除存在较多伪迹的电极通道，调整数据的采样率，以方便数据处理；
[0051]
如图2所示，利用edfbrowser查看脑电信号由背景活动逐渐转为高频低幅以及高
幅震荡、结束时间点，以及找出存在较多伪迹的电极通道；
[0052]
在本实施例中，采用尼高力记录系统采集脑电信号，为方便后续的数据分析，将患者的信号采样率统一调整为256hz。
[0053]
s2：计算同步连接系数：
[0054]
选取特定长度的脑电由背景活动逐渐转为高频低幅以及高幅震荡的数据片段信号，计算各个通道信号间的皮尔逊相关系数，将计算得到的相关系数组成矩阵；
[0055]
在本实施例中，截取的信号片段为脑电由背景活动逐渐转为高频低幅以及高幅震荡开始后的60s；
[0056]
计算各个通道信号间的皮尔逊相关系数，表示各个通道信号间的同步连接程度，计算公式如下：
[0057][0058]
其中，x和y表示不同的信号，σ为信号方差，μ为信号均值。将所有通道进行两两组合的计算，得到由皮尔逊相关系数组成矩阵，其中矩阵的第i行、第j列的元素值表示第i个通道与第j个通道之间的相关性。如图3所示，得到相关系数矩阵可视化的结果，颜色越接近黑色说明两个通道之间的连接性越强，反之，颜色越接近白色说明两个通道之间的连接性越弱。
[0059]
s3：构建无向二值网络：
[0060]
根据相关系数矩阵构建无向二值网络，网络由节点和边组成；
[0061]
在本实施例中，根据相关系数矩阵构建由节点和边组成的无向二值网络，其中网络节点代表电极通道，而对于网络节点之间的边，本实施例定义当皮尔逊相关系数ρ＞0.4时，说明对应的两个通道之间存在中等程度以上的相关性，即通道之间存在相连的边(边的值为1)，否则不存在相连的边(边的值为0)。
[0062]
如图3所示，得到seeg电极所有通道的相关系数矩阵，颜色越接近黑色说明两个通道之间的连接性越强，反之，颜色越接近白色说明两个通道之间的连接性越弱。从中可以看出，不同电极之间的连通性存在着差异，但具体这些连接哪些需要被重点关注仍不是很明显，需要通过下一步构建二值网络来体现。
[0063]
s4：如图4所示，采取网络划分算法分割无向二值网络：利用网络划分算法对无向二值网络进行模块化，划分成若干个子网络；
[0064]
在本实施例中，具体利用社区检测方法中的gn算法对无向二值网络进行模块化，将一个大网络分成若干个小网络；
[0065]
其中子网络划分的主要过程是不断地找出网络中具有最大边介数(网络中经过每条边的最短路径的数目)的边并将其删除，然后重新计算网络中剩余边的边介数并删除目标边，直至网络的质量函数在规定子网络数目下达到最优。质量函数用于衡量子网络划分的优劣程度，本实施例使用的质量函数定义如下：
[0066][0067]
其中，q代表模块度，v和w表示不同的节点，k表示节点的度，a
vw
表示图论的邻接矩
阵，m表示节点总数，δ表示子网络分类矩阵，cv表示节点v对应的子网络，cw表示节点w对应的子网络；
[0068]
当v和w相连时a
vw
＝1，否则a
vw
＝0，若v和w在同一子网络，δ＝1，否则δ＝0。当q值在0.3～0.7之间时，说明子网络的划分结果好。
[0069]
本实施例将网络划分算法应用到脑电信号中，将脑网络构建成小世界模型。网络划分算法将一个整体的大脑连接网络划分成若干个子网络，每个子网络内的节点高度连接，不同网络之间的节点连接则相对稀疏。
[0070]
s5：计算各子网络的连接性：计算每个子网络的相关系数均值，通过比较相关系数均值选出连接性最高的子网络，相关系数均值最高对应连接性最高的子网络。
[0071]
本实施例从数据库中获取立体脑电图(seeg)信号来测试本发明的可行性和有效性。测试所用的6例seeg信号情况为：电极数目为8-15根，每根电极所含的通道数目为8-18个，采样率为256-4096hz。
[0072]
为了更加直观地展示经过网络之后，得到子网络的结果，这里采取了力导向图进行可视化。力导向图的原理为：将网络中的节点视为带有能量的粒子，节点间存在着斥力，若两个节点之间有边相连，那么这两个节点之间存在引力。在斥力和引力的不断制约下，网络中的节点位置不断产生移动，经过数次迭代后，节点间不再发生相对位移，最终处于稳定状态。应用在子网络连接中，同一子网络的节点之间存在强连接，在力导向图中表示引力较强，会相距较近，而不同子网络之间的节点呈现弱连接，在力导向图中会相距较远。如图5所示，得到seeg电极所有通道的力导向，白色圆圈指示的电极通道位于高度连接的区域，而黑色圆圈指示的电极通道没有位于高度连接的区域，触点{y3-y6,t1-t9,u2-u7,u12,v2-v6,w17}之间呈现高度连接。
[0073]
实施例2
[0074]
本实施例一种基于同步连接特征的脑电信号处理系统，包括：脑电信号预处理模块、皮尔逊相关系数计算模块、无向二值网络构建模块、网络划分模块和子网络筛选模块；
[0075]
在本实施例中，脑电信号预处理模块用于脑电信号预处理，包括：信号的片段截取、伪迹去除和调整数据的采样率；
[0076]
在本实施例中，皮尔逊相关系数计算模块用于计算各个通道信号间的皮尔逊相关系数，表示各个通道信号间的同步连接程度，将计算得到的皮尔逊相关系数组成矩阵；
[0077]
在本实施例中，无向二值网络构建模块用于根据相关系数矩阵构建无向二值网络，所述无向二值网络由节点和边组成，其中网络节点对应电极通道，设定皮尔逊相关系数阈值，判定通道信号间是否存在相连的边；
[0078]
在本实施例中，网络划分模块用于利用网络划分算法对无向二值网络进行模块化，划分成若干个子网络；
[0079]
在本实施例中，子网络筛选模块用于计算每个子网络的相关系数均值，通过比较相关系数均值选出连接性最高的子网络。
[0080]
在本实施例中，所述信号的片段截取，具体截取脑电信号由背景活动逐渐转为高频低幅以及高幅震荡的数据片段。
[0081]
在本实施例中，所述皮尔逊相关系数计算模块用于计算各个通道信号间的皮尔逊相关系数，具体计算公式表示为：
[0082][0083]
其中，x和y表示不同的信号，σ
x
表示信号x的信号方差，σy表示信号y的信号方差，μ
x
表示信号x的信号均值，μy表示信号y的信号均值；
[0084]
将所有通道信号进行两两组合的计算，得到由皮尔逊相关系数组成矩阵，其中矩阵的第i行、第j列的元素值表示第i个通道与第j个通道之间的相关性。
[0085]
在本实施例中，所述网络划分模块用于利用网络划分算法对无向二值网络进行模块化，划分成若干个子网络，具体包括：
[0086]
找出网络中具有最大边介数的边并将其删除，重新计算网络中剩余边的边介数并删除目标边，直至网络的质量函数在规定子网络数目下达到最优。
[0087]
在本实施例中，采用质量函数衡量子网络划分的优劣程度，具体为：
[0088][0089]
其中，q代表模块度，v和w表示不同的节点，k表示节点的度。
[0090]
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。