[发明专利]基于脑电信号的动态脑网络节点同步行为分析方法

说明书

本发明公开了基于脑电信号的动态脑网络节点一致性行为分析方法，对脑电信号预处理及再处理，构造基于脑电信号的脑功能网络；构造基于脑电信号的复杂动态脑网络一致性模型；构造复杂动态脑网络模型节点一致性行为判别式，从而判断脑网络节点行为的一致性、稳定性。本发明可用于验证复杂动态脑网络节点行为的一致性。

技术领域

本发明属于脑电信号处理技术领域，特别是涉及一种基于脑电信号的动态脑网络节点一致性行为分析方法。

背景技术

复杂网络节点行为一致性判别是复杂网络动力学研究中非常重要的一个研究方向，由于复杂网络结构特点的复杂性，对网络中节点的行为一致性带来了多方面的影响。这个方向一直是近年来研究的重点。目前，复杂网络大部分节点的行为一致性研究主要是讨论由节点构成的复杂网络拓扑一致性行为的影响，但一致性行为的过程很少被研究。实际上，一致性行为的过程是非常重要的，因为一致性行为是一个渐进的过程。一致性行为过程的研究有助于揭示复杂系统的演化机制，探索网络节点全部达到一致性时所发生的有趣现象。

复杂网络节点行为一致性发现也就是复杂网络同步性的研究，1990年，Pecora和Carroll开创性地实现混沌同步，人们先后提出了一系列可以实现混沌同步的有效方法。自从1998年Nature上的“小世界网络”和1999年Nature Science上的“无标度网络”两篇开创性文章发表之后，复杂网络的研究掀起了一股热潮。复杂网络的同步同样得到了广泛的研究。2000年后，汪小帆和陈关荣等研究了耦合振子的连续系统的复杂网络的同步稳定模型，该模型主要研究了网络结构对动力学网络节点一致性行为的影响；Arenas等人通过分析网络的一致性行为过程而揭示出网络的结构特点，但其方法仅适用于具有层次结构的群落网络，实际上很多群落网络并不具备层次结构。但是他们的工作主要集中针对不同的复杂网络类型相应的复杂网络同步理论研究。

近几年，将非线性方法用于分析一致性时，其中主要应用的是相位同步法，该方法将幅度和相位信息分离，仅考虑相位信息，因此对信号的平稳性要求不高。为此，尧德中、周群等人提出利用分段prony的方法改进频率分辩率和相位分辩率，从而提高一致性判断的抗噪声能力。目前从复杂网络层面上看，混沌理论和一致性行为的研究还需进一步探讨。

将复杂网络应用在脑疾病的研究中，为脑疾病的诊断和治疗提供了另一种思路。脑网络是一种复杂网络，且具有无标度，小世界等一系列属性，对于脑网络的研究，大多数研究团队侧重于在时间序列以及熵值检测上进行研究。然而这些方法比对的是时间序列或是电极间的差异，并没有从整体上对网络属性进行分析。节点一致性行为的判断是作为影响网络性能的指标，对于复杂网络有着重要影响。因此从复杂动力学的角度构造出一种适用于观察脑网络的节点一致性行为演化过程的模型具有非常重要研究意义和价值。

发明内容

本发明在于提供一种基于脑电信号的动态脑网络节点一致性行为分析方法，可用于验证复杂动态脑网络节点的稳定性。

为解决上述技术问题，本发明所采用的技术方案是，基于脑电信号的动态脑网络节点一致性行为分析方法，按照以下步骤进行：

步骤一，对脑电信号的信号预处理及根据Walter分类方法进行分频；

步骤二，构造基于脑电信号的脑功能网络；

步骤三，构造基于脑电信号的复杂动态脑网络节点一致性模型；

步骤四，构造复杂动态脑网络模型节点一致性行为判别式，从而判断脑网络节点行为的一致性、稳定性。

进一步的，所述步骤一按照以下步骤进行：先对脑电信号的原始信号转换参考电极，将参考电极转换为全脑平均参考电极；然后去眼电、去除伪迹、滤波；然后将工作记忆脑电信号根据SMST实验范式再处理以下步骤：

步骤1、分阶段：将每个被试的脑电数据分为三个阶段：encoding，maintenance以及retrieval阶段；