一种基于社区划分算法的脑电图信号分析方法与流程

本发明属于脑电信号分析领域，尤其是涉及一种基于社区划分算法的脑电图信号分析方法。

背景技术：

脑电图(eeg)是通过精密的电子仪器，从头皮上将脑部的自发性生物电位加以放大记录而获得的图形，是通过电极记录下来的脑细胞群的自发性、节律性电活动。脑电信号具有较高的时间精度，可以动态观察大脑的状态变化，因此脑电图信号是诊断不同神经障碍和疾病的重要工具。大脑神经元之间相互作用、相互关联，使大脑成为一个复杂的动力学系统。将大脑看成一个功能网络，研究大脑不同区域的神经集群之间的时间相关性，以此来探索大脑不同区域之间的联系是大脑动力学系统的一种方法。目前大脑功能网络的建立方法，一般是根据不同电极间采集到的eeg信号皮尔逊相关系数来建立功能性网络，或者由不同电极间的eeg信号的锁相值，来建立功能网络，这些忽略了脑电信号在不同时刻的放电特性，建立的脑功能网络不能较好的反映大脑的真实状态。而且，现有的大脑神经网络功能连通性研究主要是基于度分布、聚类系数和最短路径等方式度量网络功能连通性，但是，这些度量主要是刻画了大脑神经网络的局部连通特点，无法有效度量大脑神经网络的全局连通性以及无法刻画大脑的功能模块划分，因此也忽略了大脑网络的一些高阶的隐藏的有价值的信息。

技术实现要素：

本发明的目的在于提供一种基于社区划分算法的脑电图信号分析方法，通过全脑域功率峰值附近时刻的锁相值建立大脑功能网络，再通过识别大脑功能网络中的模体结构与数量来分析大脑功能。

本发明是通过以下技术方案实现的：

一种基于社区划分算法的脑电图信号分析方法，脑电图信号由多路导联电极采集，包括以下步骤：

s1：根据脑电图信号建立大脑功能性网络，具体步骤包括：

s11：计算全脑域功率gfp，其中k为总的导联通电极数，代表k个节点，i为第i路导联，vi(t)为第i路导联的eeg信号，vmean(t)为t时刻k路导联信号的平均值。

s12：获取gfp的峰值时刻，记为时间序列t＝[t1,t2,t3...tn]；

s13：在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内，计算每两路导联脑电信号之间的锁相值；

s14：根据所述每两路导联脑电信号之间的锁相值指标反映节点之间的联系，以此建立大脑功能网络。

s2：根据所述大脑功能网络，进行社区划分，将大脑功能网络分成若干个社区；

s3：根据所述划分了社区的大脑功能网络，识别不同的网络模体，所述网络模体为节点的连接模式，所述大脑功能网络的节点都具有属于某个社区的标签；

s4：统计不同网络模体的模体结构数量，建立网络模体特征向量；

s5：根据所述网络模体特征向量，完成脑电图智能分类。

相对于现有技术，本发明的方法可以有效度量大脑功能网络的全局连通性以及刻画大脑的功能模块划分，可以较准确地描述大脑的特征与状态。

进一步地，所述步骤s3的所述网络模体结构为不同数量的不同社区节点的不同连接方式。

进一步地，所述步骤s4，所述网络模体特征向量包括若干个参数，对应所述网络模体结构的数量。

进一步地，所述步骤s5的智能分类算法，包括支持向量机、knn、决策树、贝叶斯分类器和神经网络。

进一步地，所述锁相值plv的计算公式为：其中为两路导联脑电信号的相位关系值，n为时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内的采样点数。

进一步地，所述两路导联脑电信号的相位关系值可以通过信号的时频分析来计算。

为了能更清晰的理解本发明，以下将结合附图说明阐述本发明的具体实施方式。

附图说明

图1是本发明脑电图信号分析方法的流程图。

图2是全脑域功率峰值时刻表示图

图3是大脑功能网络建立表示图。

图4是大脑功能网络图。

图5是网络模体示意图。

图6是带社区标签的网络模体示意图。

具体实施方式

本发明提出一种基于社区划分算法的脑电图信号分析方法，可以有效地分析大脑功能性网络。请参阅图1，本发明的脑电图信号分析的方法包括以下步骤：

s1：根据脑电图信号建立大脑功能网络。

由于脑电图信息一般由多路导联电极采集所得，因此可以建立不同电极之间的关联关系，由此来建立大脑功能网络。定义每个导联电极所测量区域为图中的一个节点，将多路eeg信号抽象为一个由点集和边集组成的图g：g＝(v,e)，其中v为节点的集合，对应eeg脑号采集的导联节点，e为连接的边。

脑电信号不同频带内的相位同步已被证明是解释神经元整合的一种可能机制，通过锁相值(plv)来表示两路脑电信号的相位同步关系。全脑域功率(globalfieldpower，gfp)代表每个瞬间大脑上的电场强度，因此通常用于测量全局大脑对事件的反应或表征大脑活动的快速变化，gfp曲线的峰值位置表示最强场强和最高地形信噪比的瞬间。本申请大脑功能网络的建立，利用gfp曲线的峰值位置的时刻来计算锁相值，可以较好地反映大脑神经元放电的过程。因此，步骤s1包括：

s11：计算全脑域功率gfp，其中k为总的导联通电极数，代表k个节点，i为第i路导联，vi(t)为第i路导联的eeg信号，vmean(t)为t时刻k路导联信号的平均值。

s12：获取gfp的峰值时刻，记为时间序列t＝[t1,t2,t3...tn]。

如图2所示，[t1,t2,t3...tn]对就的时刻即为gfp曲线的峰值时刻。

s13：在时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内，计算每两路导联脑电信号之间的锁相值。

锁相值plv的计算公式为：其中为两路导联脑电信号的相位关系值，n为时间序列[t1,t2,t3...tn]中每个时刻ti(i∈[1,n])为中心时间的一段时间范围内的采样点数。而两路导联脑电信号的相位关系值可以通过信号的时频分析来计算，包括短时傅里叶变换、小波变换、希尔伯特黄变换和cohen类时频分布等。

s14：根据所述每两路导联脑电信号之间的锁相值反映节点之间的联系，以此建立大脑功能网络。

由步骤s13会计算得到时间序列[t1,t2,t3...tn]每个时刻ti(i∈[1,n])对应的多个锁相值，取这个多锁相值的平均值或其取其中的最大值来作为每两路导联脑电信号之间的锁相值指标，以此来描述两个节点之间的联系，因此可以建立带权的大脑功能网络图，节点与节点之间的权值即为锁相值指标；也可建立无权的大脑功能网络图，将锁相值指标与一阈值相比较，若锁相值指标大于或等于阈值，则判定节点之间有连接关系，或锁相值指标小于阈值，则判定节点之间没有连接关系，由此建立无权的大脑功能网络图。

对于大脑功能性网络图g，该图的无权邻接矩阵为w，其元素ωij计算如下：

若任两个节点i与j的eeg信号间的锁相值plvij大于等于阈值δ，则认为大脑区域的节点i和j之间有连接关系，邻接矩阵w对应的元素ωij＝1，反之，ωij＝0，表示大脑区域的节点i与j之间有没有连接关系。

整个大脑功能网络图的建立过程图3所示，计算每两路脑电图信号的锁相值，得到一个有权重的邻接矩阵，再将锁相值与一阈值比较，建立大脑网络连接图的无权重邻接矩阵。

s2：根据所述大脑功能网络，进行社区划分，将大脑功能网络分成若干个社区，大脑功能网络的节点都具有属于某个社区的标签。

对于图连接，社区是指同一社区内的节点与节点之间的连接很紧密，而社区与社区之间的连接比较稀疏。常用的社区划分算法有：gn算法、fast-gn算法、louvian算法、rak算法和lpam算法等。通过社区划分，就可以述网络模体为节点的连接模式。

模体是在网络中反复出现的相互作用的基本模式，其出现频率远高于其在具有相同节点和连线数的随机网络中出现的频率。本申请网络模体结构为不同数量的不同社区节点的不同连接方式，也即网络模体结构考虑节点所属的社区和节点的连接模式。

s4：统计不同网络模体的模体结构数量，建立网络模体特征向量。

为判断真实网络中的一个子图是否为模体，需要产生与真实网络规模和度分布一致的大量随机网络，并通过与随机网络比较计算z值以评价子图统计意义。网络模体发现包括随机网络建模，子图搜索和模体评价三个步骤。

1.随机网络建模。首先要求随机网络具有与真实网络类似的统计性质。度分布是复杂网络最重要的全局统计性质，因此通常建立与真实网络具有相同度分布的随机网络。其次，随机网络需保持真实网络的度序列。依据度序列生成随机网络有交换算法，匹配算法和gowiththewinner算法等。

2.子图搜索。模体是满足下列条件的网络子图:(1)该子图在与真实网络对应的随机网络中出现的次数大于它在真实网络中出现次数的概率是很小的,通常要求这个概率小于某个阈值p，如p＝0:01；(2)该子图在真实网络中出现的次数nreal不小于某个下限u,如u＝4；(3)该子图在真实网络中出现的次数nreal明显高于它在随机网络中出现的次数nrand，一般要求(nreal-nrand)>0.1nrand。

3.模体评价。对于模体mi,它在真实网络中出现的次数记为nreali,它在随机网络中出现的次数记为nrandi，nrandi的平均值记为<nrandi>标准差为σrand,那么模体mi在该真实网络中的z得分为：

z得分用来衡量模体的重要性，z得分越大表明模体在网络中越重要。

模体一般由少数几个节点连接构成,在大多数网络中,三个节点和四个节点构成的模体较为常见。如图5所示，为3节点模体和4节点模体的模体结构。对于无向网络，三个节点构成的模体有两种结构，四个节点构成八种情况。如果考虑上节点属于不同的社区，假设大脑功能性网络图分为3个社区，则三节点连接的情况和四节点的部分连接情况如图6所示。

由于节点加上社区标签，模体结构会比较多，可以先寻找没有标签的模体结构，再以寻找到的模体结构，继续寻找带标签的模体结构。

最后，根据不同模体结构的数量建立网络模体特征向量，可以取z得分最高的n个值来作为网络模体特征向量的参数。

s5：根据所述网络模体特征向量，完成脑电图智能分类。

根据所述大脑功能网络的模体特征向量，配合脑电图信号的标签，例如脑电图是正常人的脑电图信号，或者神经系统相关疾病患者的脑电图信号，再利用机器学习相关的分类算法，完成脑电图智能分类训练，这些分类算法包括支持向量机、knn、决策树、贝叶斯分类器和神经网络等，最后根据训练的分类模型完成脑电图分类。

以下对本发明的脑电图信号分析的方法的过程和具体应用进行描述。

首先，根据所要分析的脑电图信号，通过每两路导联节点的全脑域功率峰值附近时刻的锁相值，判断节点的连接关系，建立大脑功能网络；对大脑功能网络进行社区划分，划分为若干个社区，每个节点都有一个社区标签；之后，识别不同的网络模体，建立网络模体特征向量；最后，根据网络模体特征向量完成脑电图分类训练，再根据训练好的模型识别有病变的脑电图。

相对于现有技术，本发明的基于社区划分算法的脑电图信号分析方法通过全脑域功率峰值附近时刻的锁相值建立大脑功能网络，再通过识别大脑功能网络中的带社区划分的模体结构与数量来分析大脑功能，该方法从高阶网络的角度，可以有效度量大脑功能网络的全局连通性以及刻画大脑的功能模块划分，可以较准确地描述大脑的特征与状态，将该方法应用在大脑神经系统相关疾病患者的大脑功能性网络上，能为这些疾病的智能判断、预警及治疗提供一种全新的方法。

本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。