论文部分内容阅读
纯净的脑电信号(Electroencephalogram,EEG)更有利于探索大脑的信息传递方式，研究多个通道的EEG信号构成的有向脑网络，对理解不同脑区之间的信息传递方式及掌握脑紊乱致病因具有重大意义。该文研究了一种基于噪声协助的多变量经验模态分解(Noise Assisted Multivariate Empirical Mode Decomposition，NA-MEMD)的去噪方法，并对去噪后的EEG进行有向脑网络研究。
首先，通过NA-MEMD算法将多个通道的仿真信号分解成多个(Intrinsic Mode Function，IMF)分量。接着，通过归一化的加权排序互信息(Normalized Weighted Permutation Mutual Information，NWPMI)算法计算各个通道上的仿真信号与其IMF分量、引入的噪声通道信号及其IMF分量、仿真信号IMF分量与噪声IMF分量之间的相关性，继而计算各个IMF分量的有效因子，以完成IMF分量的筛选。将所筛选的IMF分量相加，完成信号的重构。该文分别对多个通道的混合正弦信号、Jansen模型构成的仿脑电信号进行仿真分析，并且验证该重构信号方法的可靠性。
其次，研究了两种多元自回归模型(Multi Variable Auto-Regressive，MVAR)的参数识别算法，Nuttall Strand(简称NS)算法与L1范数算法。并且介绍了基于MVAR的偏有向相干(Part Directed Coherence，PDC)算法。通过仿真对两种算法的性能进行多方面比较，分别为：不同耦合系数下计算出来的PDC对其他通道信号之间的同步方向的影响，不同的通道数目对通道之间同步方向的影响，以及不同大小的噪声对通道之间同步方向的影响。仿真结果显示基于NS的PDC算法较基于L1范数的PDC算法稳定，并将其应用到对轻度认知障碍(Mild Cognitive Impairment，MCI)患者的EEG中。
最后，研究复杂网络理论中的度以及入度、出度、局部传递效率等脑网络指标，并分析在不同频段下MCI与正常人的EEG的有向连接矩阵。发现在Beta频段下的出度及Gamma频段下的局部效率具有显著差异性，并与神经心理学量表得分呈现相关性。
首先，通过NA-MEMD算法将多个通道的仿真信号分解成多个(Intrinsic Mode Function，IMF)分量。接着，通过归一化的加权排序互信息(Normalized Weighted Permutation Mutual Information，NWPMI)算法计算各个通道上的仿真信号与其IMF分量、引入的噪声通道信号及其IMF分量、仿真信号IMF分量与噪声IMF分量之间的相关性，继而计算各个IMF分量的有效因子，以完成IMF分量的筛选。将所筛选的IMF分量相加，完成信号的重构。该文分别对多个通道的混合正弦信号、Jansen模型构成的仿脑电信号进行仿真分析，并且验证该重构信号方法的可靠性。
其次，研究了两种多元自回归模型(Multi Variable Auto-Regressive，MVAR)的参数识别算法，Nuttall Strand(简称NS)算法与L1范数算法。并且介绍了基于MVAR的偏有向相干(Part Directed Coherence，PDC)算法。通过仿真对两种算法的性能进行多方面比较，分别为：不同耦合系数下计算出来的PDC对其他通道信号之间的同步方向的影响，不同的通道数目对通道之间同步方向的影响，以及不同大小的噪声对通道之间同步方向的影响。仿真结果显示基于NS的PDC算法较基于L1范数的PDC算法稳定，并将其应用到对轻度认知障碍(Mild Cognitive Impairment，MCI)患者的EEG中。
最后，研究复杂网络理论中的度以及入度、出度、局部传递效率等脑网络指标，并分析在不同频段下MCI与正常人的EEG的有向连接矩阵。发现在Beta频段下的出度及Gamma频段下的局部效率具有显著差异性，并与神经心理学量表得分呈现相关性。