基于有向网络的人物信息诱发脑电信号特征

发布时间：2020-10-31 20:19

　　 基于熟人和陌生人的视听觉信息,通过记录对应的脑电信号,对大脑在熟人和陌生人信息刺激下的认知机制展开研究.首先,通过记录被试在视听刺激下的脑电信号,得到对应不同刺激下的事件相关脑电位.通过计算不同导联间的相位传递熵构建有向功能网络,最后对重点网络参数进行分析.结果表明,相比陌生人信息诱发的有向网络,熟人信息诱发网络中关键节点的作用加强,网络聚集能力增强;熟人信息诱发网络的连接更加趋向于全脑化,不同脑区间的信息交换加强,整个网络结构更有利于完成对熟人信息的识别.
【部分图文】：

讲?同刺激状态下的EＲP信号．利用EEGLAB工具包对原始EEG信号完成预处理，主要包括滤波、剔除漂移严重的伪迹信号，对坏电极信号进行插值［4，17］．之后根据不同的刺激类型对EEG信号进行分段得到EＲP信号，其中每段长度为1024ms，数据从刺激开始前100ms到刺激之后的923ms;然后通过对EＲP信号的ICA处理剔除可能的眼电伪迹，最后将干净的EＲP信号按照不同的刺激类型进行平均，即为单个被试的EＲP信号，再对所有被试的EＲP信号进行总平均得到最后的EＲP信号［4，17］，如图1所示．图1Pz导联EＲP总平均信号Fig.1AveragedEＲPsignalatPz2有向连接分析———相位传递熵通过记录人在不同状态下的脑电信号能够研究大脑在这些认知状态下的工作机制，而有向连接分析能够客观地表征人在不同认知状态下大脑的信息流通以及不同脑区神经活动的变化．相位传递熵(phasetransferentropy，PTE)是一种新颖的基于相位关系的测量信号之间有向连接的方法．相比其他的有向连接方法，其对大范围分析的延迟值和大样本数据都有很好的效果，而且对冗余参数有更好的鲁棒性，同时具有更高的计算效率［12－13］．对于一个给定频率范围的信号X(t)，可通过对其进行复滤波(比如Morlet小波变换或希尔伯特变换)得到S(t)=A(t)exp(iθ(t))，其中θ(t)为X(t)对应的瞬时相位时间序列．然后对给定的分析延迟δ，定义其PTE为［12］PTEX→Y=H(θy(t)，θy(t'))+H(θy(t')，θx(t'))－H(θy(t'))－H(θy(t)，θy(t')，θx(t'))．(1)其中:θ(t)为S(t)对应的相位;θx(t')

械ジ觥?成对或是3个的相位数据点的装箱操作，建立一个对应的基于单直方图的概率密度函数．箱的宽度可以根据Scott判据来确定:hj=σj/N1/3，其中hj是相位时间序列θj(j=y(t)，y(t')或x(t'))的箱宽，N为采样点，σj为对应相位的标准偏差．在本文中θy(t)，θy(t')和θx(t')箱的数量为kj=2π/hj．最后，通过总的数据点数除以该箱中的数据点数得到每一个箱的概率值．对于不同状态的两组数据，分别计算了PTE，得到有向连接矩阵如图2所示，图中横、纵坐标为30个通道名称，矩阵中不同颜色表示从横轴到纵轴的有向连接权值．图2所有被试在不同状态下30导联信号之间PTE有向功能网络连接总平均矩阵Fig.2AveragedPTEdirectedfunctionalnetworkmatrixofthethirty-channelsignalsforallsubjects(a)—陌生;(b)—熟悉．3脑电功能网络分析表征脑功能网络连接的参数有很多［10，15］，其中最主要的是网络度(degree，d)以及度分布(degreedistribution，P(d))、聚集系数(clusteringcoefficient，C)和特征路径长度(characteristicpathlength，L)．节点度定位为与该节点直接相连的边的条数，对于有向网络来说，节点的度包括出度(dout，离开该节点的连接边数)和入度(din，进入该节点的连接边数)．节点的度越大表示该节点的连接越多，则该节点在网络中的作用就越重要．度分布是网络中最基本的一个拓扑性质，它表示在网络中等概率随机选取的节点度值正好为满足d=k(k为正数)的概率，在实际分析中一般使用网络中度值为k的节点总数占总节点数的比例来近似表示．聚集系数表示了网络的集团化程

4有向功能网络构建及结果分析从图2可以直观地看出，被试对熟人和陌生人的PTE连接矩阵是有区别的．为了突出功能网络中的重点连接边，本文考虑选择合适的阈值来滤除权值较小的连接边，这样能够更加明确地理解认知过程中信息的流通及变化［4，8］．为了选择合适的阈值，首先计算了两种状态下有向加权连接网络的C和L的比值随阈值变化的关系，如图3所示．图3两种状态下脑功能网络参数比C/L随阈值变化关系Fig.3CurvesofC/Lvaryingwiththethresholdundertwostates对所有被试数据在不同阈值下的统计分析(T检验)表明，只有在阈值为0.55(t=－3.202，p=0.006)，0.6(t=2.367，p=0.04)以及0.65(t=2.881，p=0.01)时，两组网络参数之间存在显著差异．从图2可以看出，权值连接边在0.6以上的部分还是比较多的．因此本文使用较大阈值0.65对上述网络进行筛选．图4所示为经过筛选之后的脑网络拓扑连接关系，图中节点编号从左到右，从上到下依次为1～30．陌生人网络信息流通主要走向前额区、中央区以及后顶区，流入到枕图4阈值筛选后两种状态下脑拓扑网络连接图Fig.4Topologynetworksforthetwoconditionswiththechosenthreshold(a)—陌生人;(b)—熟人．区和颞区的很少;在熟人网络中信息流通涉及全脑的各个区域，也有大量的连接网络从顶区走向颞区和枕区．可以看出，相比陌生人连接网络，熟人网络连接中的较大连接边更多，分布更加趋于全脑化，全脑不同脑区之间的信息流通更加频繁．为了定量地描述网络的结构，计算了上述网络的C和L，从图5可以看出，两种状态下C和L的变化表现出相反的趋势，这个和对无向网络的结论是一致的［4，8］，熟人网络的C值增大，
【参考文献】

相关期刊论文 前3条

1 黄璐;王宏;;基于约束独立分量分析的脑电特征提取[J];东北大学学报(自然科学版);2014年03期

2 高军峰;王沛;郑崇勋;;基于P300和机器学习的测谎方法研究[J];西安交通大学学报;2010年10期

3 梁夏;王金辉;贺永;;人脑连接组研究:脑结构网络和脑功能网络[J];科学通报;2010年16期

【共引文献】

相关期刊论文 前10条

1 刘肖艳;邹艳;江婷;康庄;彭洁;艾育华;刘哲星;;基于DTI的视神经脊髓炎谱系疾病患者脑结构网络的拓扑属性改变研究[J];中华神经医学杂志;2018年05期

2 兰晓川;李福锁;杨志;李治勇;刘涛;李琪根;张扬;雷瑞;黎海涛;禹智波;;偏头痛静息态功能磁共振成像的研究进展[J];神经疾病与精神卫生;2017年08期

3 Zhi-Song Lv;Chen-Ping Zhu;Pei Nie;Jing Zhao;Hui-Jie Yang;Yan-Jun Wang;Chin-Kun Hu;;Exponential distance distribution of connected neurons in simulations of two-dimensional in vitro neural network development[J];Frontiers of Physics;2017年03期

4 何高奇;胡云奉;杨宇;魏文浩;;基于rs-fMRI数据的脑功能网络构建与分析[J];华东理工大学学报(自然科学版);2015年06期

5 钟毅欣;赵建农;;静息态脑功能网络分析方法及在肝性脑病的研究进展[J];国际医学放射学杂志;2015年06期

6 王春方;孙长城;王勇军;綦宏志;赵欣;周鹏;张颖;万柏坤;明东;杜金刚;;精神障碍疾病的神经生理信号复杂度研究进展[J];国际生物医学工程杂志;2015年05期

7 高佳;王蔚;;基于稀疏贝叶斯网络的情绪脑电的有效性脑网络研究[J];生物医学工程学杂志;2015年05期

8 韩凌;王宏;李春胜;;基于多变量希尔伯特频域模型的癫痫发作预测[J];东北大学学报(自然科学版);2015年10期

9 王春方;孙长城;张希;王勇军;綦宏志;何峰;赵欣;张颖;万柏坤;杜金刚;明东;;基于偏定向相干性(PDC)的脑卒中后抑郁症患者脑网络研究[J];中国生物医学工程学报;2015年04期

10 吴静;戴培山;赵亚丽;李玲;盛韩伟;李新春;;成人注意缺陷多动障碍静息态功能连接分析[J];中国医学物理学杂志;2015年04期

【二级参考文献】

相关期刊论文 前3条

1 刘晓志;冯大伟;杨英华;秦树凯;;基于核独立分量分析的盲多用户检测算法[J];东北大学学报(自然科学版);2012年06期

2 刘冲;赵海滨;李春胜;王宏;;基于CSP与SVM算法的运动想象脑电信号分类[J];东北大学学报(自然科学版);2010年08期

3 周亮,杨文俊,廖四照,邹海强;模拟盗窃者与熟悉现场者在测谎实验中事件相关电位的比较研究[J];中国临床心理学杂志;2000年02期

【相似文献】

相关期刊论文 前10条

1 常文文;王宏;化成城;王翘秀;;基于有向网络的人物信息诱发脑电信号特征[J];东北大学学报(自然科学版);2019年01期

2 张娜;唐贤伦;刘庆;;基于半监督学习的脑电信号特征提取及识别[J];工程科学与技术;2017年S2期

3 石乔莉;王延辉;李信政;;基于脑电信号的驾驶疲劳的研究[J];世界最新医学信息文摘;2017年55期

4 鲁强;刘玉军;徐建兰;张进禄;;一种适用于清醒动物脑电信号采集的固定装置[J];首都医科大学学报;2011年06期

5 潘军,周守昌,黄尚廉;脑电信号非线性动力学处理方法的研究[J];重庆大学学报(自然科学版);1997年01期

6 孟欣，欧阳楷;脑电信号的几个非线性动力学分析方法[J];北京生物医学工程;1997年03期

7 殷盺;陈宇;;基于方差和深度学习的脑电信号分类算法[J];黑龙江工程学院学报;2017年06期

8 刘刚;李晓欧;;脑电信号识别及其在机械手臂控制中的应用[J];生物医学工程研究;2016年04期

9 谭发江;赵德春;孙齐峰;方程;赵兴;皮喜田;刘欢;;便携式脑电信号采集与处理系统（英文）[J];航天医学与医学工程;2016年03期

10 吴小培,冯焕清,周荷琴,王涛;独立分量分析及其在脑电信号预处理中的应用[J];北京生物医学工程;2001年01期

相关博士学位论文 前3条

1 马小飞;认知任务下的脑电动力学分析[D];南京大学;2017年

2 张婷琳;从局部到全局脑电感知模式的研究[D];浙江大学;2017年

3 姚林;刺激辅助的脑电信号特征增强方法与混合式脑机接口[D];上海交通大学;2015年

相关硕士学位论文 前10条

1 佟歌;基于深度学习的运动想象脑电信号分类算法研究[D];哈尔滨工程大学;2018年

2 原博炜;BCI系统的脑电信号分析和类脑避障策略[D];东华大学;2018年

3 许丽;基于脑电的情绪识别研究[D];昆明理工大学;2018年

4 杨赞杰;基于度量学习的脑电信号情绪识别方法研究[D];哈尔滨工业大学;2018年

5 李阳丹;基于生物电控制的人机交互技术研究[D];杭州电子科技大学;2018年

6 张韩;基于深度学习的脑电信号识别技术研究[D];山东师范大学;2018年

7 辛雨航;基于半监督与时序模型的脑电信号特征提取方法研究[D];山东大学;2018年

8 焦凯强;脑电信号中的频谱不对称指数特征与情绪识别研究[D];郑州大学;2018年

9 袁俊;基于低功耗蓝牙的脑电信号采集与处理系统设计[D];湖南大学;2018年

10 安恩莹;基于时序信息的脑电信号分类[D];北京邮电大学;2018年

本文编号：2864456