[发明专利]一种多尺度时间序列生理信号的因果网络分析方法

权利要求书

1.一种多尺度时间序列生理信号的因果网络分析方法，其特征在于：包括以下步骤：

S1.输入待分析的生理信号：

u₁＝{u_1,1,u_1,2,...,u_1,t}

u₂＝{u_2,1,u_2,2,...,u_2,t}

......

u_m＝{u_m,1,u_m,2,...,u_m,t}

利用NA-MEMD算法对待分析的生理信号u₁,u₂,...,u_m进行分解：

......

......

其中，表示利用NA-MEMD算法对信号进行分解，NA-MEMD算法是指基于噪声辅助的多元经验模式分解算法，m表示输入的生理信号数目，并且满足m≥2，t∈N⁺，N⁺表示正整数；表示NA-MEMD算法选择的辅助噪声，互不相关且均为随机高斯噪声，为选择的辅助噪声数目，n表示每个输入的生理信号分解后得到的IMF信号个数；

S2.对于两个不同的生理信号u_i,u_j，进行因果分析，i＝1,2,...m,j＝1,2...,m,且i≠j，分析过程如下：

S201.将生理信号u_i分解得到的信号{IMF_i,1,IMF_i,2,...,IMF_i,n}与生理信号u_j分解得到的信号{IMF_j,1,IMF_j,2,...,IMF_j,n}进行配对，得到n个IMF对：

(IMF_i,1,IMF_j,1),(IMF_i,2,IMF_j,2),....,(IMF_i,n,IMF_j,n)；

每个IMF对中，两个IMF信号的时间长度相等；

S202.计算每一个IMF对的平均瞬时相位差，并将计算得到的平均瞬时相位差与预设的阈值进行比较，筛选出平均瞬时相位差小于预设阈值的IMF对，生成ICC集：

其中，中k₁的表示为{IMF_i,1,IMF_i,2,...,IMF_i,n}中的第k₁个信号，中k₁的表示为{IMF_j,1,IMF_j,2,...,IMF_j,n}中的第k₁个信号；

中k₂的表示为{IMF_i,1,IMF_i,2,...,IMF_i,n}中的第k₂个信号，中k₂的表示为{IMF_j,1,IMF_j,2,...,IMF_j,n}中的第k₂个信号；

同理，中的表示为{IMF_i,1,IMF_i,2,...,IMF_i,n}中的第个信号，中的表示为{IMF_j，1,IMF_j，2,...,IMF_j，n}中的第个信号；

表示ICC集中的IMF对个数；

S203 .分别计算ICC集中每一个IMF对的相位相关性；

其中，T表示IMF_i,k和IMF_j,k的时间长度，φ_i,k(t)表示IMF_i,k在时刻t的瞬时相位，φ_j,k(t)表示IMF_j,k在时刻t的瞬时相位；

S204.信号重分解：

从ICC集中各序号对应的IMF对中，筛选出频率最大的IMF对：由于NA-MEMD算法分解出来的IMF信号频率是由大到小排列的，故筛选出频率最大的IMF对为

利用原始信号u_j减去得到u′_j，利用u′_j替换掉输入信号组u₁,u₂,...,u_m中u_j，然后对替换后的输入信号组进行NA-MEMD分解；

分解后取出u′_j对应的分解信号{IMF′_j,1,IMF′_j,2,...,IMF′_j,n}

利用原始信号u_i减去得到u′_i，利用u′_i替换掉输入信号组u₁,u₂,...,u_m中u_i，然后对替换后的输入信号组进行NA-MEMD分解；

分解后取出u′_i对应的分解信号{IMF′_i,1,IMF′_i,2,...,IMF′_i,n}；

S205.计算u_i对u_j的因果以及u_j对u_i的因果

式中，是u_i分解得到的第k个IMF的方差，表示u_j分解得到的第k个IMF的方差；W_k为中间变量；

获取绝对因果强度ACS：

S206.根据绝对因果强度ACS，计算如下比值：

若该比值大于1，则u_i为因，u_j为果；

若该比值小于1，则u_i为果，u_j为因；

若该比值等于1，则u_i、u_j无因果关系或者互为因果；

由此得到u_i、u_j的因果分析结果；

S3.对于u₁,u₂,...,u_m中任意两个信号，重复执行步骤S2，直至得到u₁,u₂,...,u_m中各个信号两两之间的因果关系，形成因果网络。

2.根据权利要求1所述的一种多尺度时间序列生理信号的因果网络分析方法，其特征在于：所述步骤S202包括：

S2021.设定各个IMF对的平均瞬时相位差阈值δ₁,δ₂,...δ_n；

S2022.计算第h个IMF对(IMF_i,h,IMF_j,h)的平均瞬时相位差：

设mean(φ_i,h)表示IMF_i,h的平均瞬时相位，即IMF_i,h在时间长度内的瞬时相位平均值；mean(φ_j,h)表示IMF_j,h的平均瞬时相位，即IMF_j,h时间长度内的瞬时相位平均值；

则第h个IMF对(IMF_i,h,IMF_j,h)的平均瞬时相位差为：

|mean(φ_i,h)-mean(φ_j,h)|；

将|mean(φ_i,h)-mean(φ_j,h)|与对应阈值δ_h进行比较，判断是否满足：

|mean(φ_i,h)-mean(φ_j,h)|＜δ_h；

如果满足，则将对应的(IMF_i,h,IMF_j,h)加入ICC集中；

若不满足，则抛弃(IMF_i,h,IMF_j,h)；

S2023.在h＝1,2,...n时，分别重复执行步骤S2022，最终得到ICC集为：