EEG时序特征选取及其脑网络构建与分析

发布时间：2020-04-08 15:50

【摘要】：工作记忆(working memeory,WM)是一种较短时间范围内的记忆形式,在进行学习、记忆、思维及问题解决等高等认知活动中,大脑需要对信息进行加工和存储,这就需要工作记忆这种机制来进行处理。在工作记忆中有中央执行系统、视觉空间存储器和语音环路三个组成部分共同决定工作记忆中信息的编码、存储形式和提取等。有研究表明,大多数精神疾病患者会出现认知障碍,其中工作记忆障碍是精神疾病患者的主要认知障碍。EEG以其成本低廉、无创性及便携性等特点常用于疾病的诊断及早期干预中。传统的EEG分析方法有时域分析、频域分析、时频分析等,但是这些方法只适用于线性分析。近年来,将非线性动力学及复杂网络理论应用在EEG信号的分析当中,试图能够更好地分析出EEG信号中的特性以及脑网络拓扑结构在不同状态下的变化规律。传统的EEG脑网络构建方法是将EEG信号的电极作为网络节点,节点之间的关系作为网络的连边,但是这种网络构建方法没有充分利用EEG高时间分辨率的特性。Zhang等人首先提出了伪周期时间序列网络构建的方法,广大学者在此基础上进一步研究并提出了不同的构建方法,目的是能够充分利用EEG的高时间分辨率,更好地了解EEG的时间特性。本文提出了一种构建时间序列复杂网络的新方法。在精分数据上对构建的时间序列复杂网络进行了分析,首先从时间角度利用复杂网络方法分析了正常人与病人所构建的时间序列网络属性的差异;其次从空间角度分析了通道之间构建的复杂网络拓扑结构的相似性,进一步找出正常人与患者之间的差异。从时间和空间两个角度分析EEG数据,挖掘精神分裂症患者疾病与正常被试构建的时间序列网络之间的差异,为精神分裂症患者的研究提供了一种新的研究思路。具体内容主要包括:(1)使用微状态(microstate)对EEG信号分析,验证微状态方法能够应用在所使用的数据集。本研究分析了微状态的微状态数、平均持续时间和状态转移概率,证明了微状态适用于所使用的EEG数据,为时间序列复杂网络的构建提供了理论支持。(2)基于微状态方法对EEG数据进行分段,构建时间序列复杂网络。构建时间序列网络时选择微状态划分的时间段作为网络的节点,并对划分的时间段提取特征,从中选择有效的特征向量作为各时间段的特征,时间段特征向量之间的相关系数作为网络的边,由此可以得到各个通道多个稀疏度下的时间序列复杂网络。(3)分析所构建的时间序列复杂网络差异。首先分析时间序列复杂网络的全局属性和局部属性,对所求的网络属性分析比较,了解正常人与精神分裂症患者构建的时间序列复杂网络的特点,进一步分析复杂网络差异性较大的通道,分析病灶处差异性较大的网络属性进而能反映出时间序列的差异。其次分析构建的时间序列复杂网络网络拓扑结构的相似性,通过比较正常人与精神分裂症患者各自通道之间的相似性,将相似性较大的联系表示出来,可以分析正常人与精神分裂症患者通道网络之间相似性之间的关系。
【图文】：

电极位置,肌电,身体

电极位置

数据,阶段,病人,药物滥用

14图 2-3 采集到的 EEG 数据Figure 2-3 EEG data collected本研究使用数据集中 20 例为精神类病人，，病人在过去 6 个月内均无药物滥用或经精神病学诊断的历史。20 名正常人作为对照组。工作记忆中一个完整的任务分为编阶段（encoding）、保持阶段（maintenance）和检索阶段（retrieval），时间长度分为 5 秒、3 秒和 2.5 秒。每个人挑选出 20 个完整的任务数据进行分析。每个任务分为个阶段和两个频段（θ(4～7 Hz)、 (7～14 Hz)）。为接下来的实验做准备。
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：O157.5;R318

【相似文献】