[发明专利]一种驾驶疲劳相关的EEG功能连接动态特性的分析方法

权利要求书

1.一种驾驶疲劳相关的EEG功能连接动态特性的分析方法，其特征在于包括：

使用独立分量分析和小波包变换对EEG数据进行预处理；

基于滑动窗口方法将预处理后的EEG数据构建成动态特性的时间脑网络；

基于时间效率分析框架测量所述时间脑网络的时空拓扑；

对所述时间脑网络的时空拓扑进行统计分析，获得驾驶疲劳相关行为表现与所述时间脑网络的动态特性之间的相关性，所述相关性包括时空全局效率、时空局部效率和时空邻近中心度；

其中，所述基于滑动窗口方法将预处理后的EEG数据构建成动态特性的时间脑网络包括：

将所述预处理后的EEG数据表示成静态网络，所述静态网络为二进制NxN矩阵，其中N表示EEG帽的电极数量；

选择适合的窗口长度和步长，滑动窗口依次遍历整个时间序列，所述时间序列的长度为采集EEG数据的实验时长；

在每个所述静态网络中使用相位滞后指数估算功能连接的PLI值；

采用稀疏度方法，将高于阈值的所述PLI值设置为1，低于阈值的所述PLI值设置为0，从而构成二值化邻接网络，以此作为所述时间脑网络的快照；

将所述静态网络依据时间序列排列构成具有动态特性的时间脑网络。

2.根据权利要求1所述的一种驾驶疲劳相关的EEG功能连接动态特性的分析方法，其特征在于，所述使用独立分量分析和小波包变换对EEG数据进行预处理包括：

采集眨眼伪影数据，所述眨眼伪影数据包括水平眼电图HEOG数据和垂直眼电图VEOG数据；

使用独立分量分析查找和删除EEG数据中与所述眨眼伪影数据高度相关的成分；

移除筛选后的EEG数据的基线；

使用小波包变换将所述EEG数据分解为三个标准频段，分别为α频段、β频段和θ频段；

按测试时间将EEG数据划分为清醒状态数据和疲劳状态数据。

3.根据权利要求1所述的一种驾驶疲劳相关的EEG功能连接动态特性的分析方法，其特征在于，所述基于时间效率分析框架测量所述时间脑网络的时空拓扑包括：

在时间尺度上计算成对节点的时间距离，所述时间距离表示被定义为时空路径所经过的时间窗口的最小数量；

计算时空全局效率；

计算时空局部效率；

使用时空邻近中心度评估节点级时间脑网络的时空特征。

4.一种驾驶疲劳相关的EEG功能连接动态特性的分析装置，其特征在于：包括

预处理单元，用于使用独立分量分析和小波包变换对EEG数据进行预处理；

构建单元，用于基于滑动窗口方法将预处理后的EEG数据构建成动态特性的时间脑网络；

时空拓扑计算单元，用于基于时间效率分析框架测量所述时间脑网络的时空拓扑；

统计分析单元，用于对所述时间脑网络的时空拓扑进行统计分析，获得驾驶疲劳相关行为表现与所述时间脑网络的动态特性之间的相关性，所述相关性包括时空全局效率、时空局部效率和时空邻近中心度；

其中，所述构建单元包括：

矩阵构建单元，用于将所述预处理后的EEG数据表示成静态网络，所述静态网络为二进制NxN矩阵，其中N表示EEG帽的电极数量；

滑动窗口处理单元，用于选择适合的窗口长度和步长，滑动窗口依次遍历整个时间序列，所述时间序列的长度为采集EEG数据的实验时长；

PLI计算单元，用于在每个所述静态网络中使用相位滞后指数估算功能连接的PLI值；

二值化计算单元，采用稀疏度方法，将高于阈值的所述PLI值设置为1，低于阈值的所述PLI值设置为0，从而构成二值化邻接网络，以此作为所述时间脑网络的快照；

动态特性组建单元，用于将所述静态网络依据时间序列排列构成具有动态特性的时间脑网络。