申请/专利权人：燕山大学

申请日：2022-09-27

公开（公告）日：2024-05-17

公开（公告）号：CN115644893B

主分类号：A61B5/372

分类号：A61B5/372;A61B5/374;G06F18/2321;G06F18/24

优先权：

专利状态码：有效-授权

法律状态：2024.05.17#授权;2023.02.17#实质审查的生效;2023.01.31#公开

摘要：本发明公开了一种分区域脑电建模和对角块模型脑电通道社团分类方法，属于生物电信号处理和聚类领域，包括以下步骤：S1、数据生成：建立多通道耦合神经元群脑电模型，并利用多通道耦合神经元群脑电模型生成多通道脑电数据；S2、判断聚类数：基于轮廓系数对生成的多通道耦合神经元群脑电模型选择聚类超参数；S3、寻找社团结构：使用块混合模型方法对生成的脑电数据通道进行社团结构分类。本发明通过寻找脑电通道之间的社团结构，能够反应不同大脑区域的脑电信号之间的关系。

主权项：1.一种分区域脑电建模和对角块模型脑电通道社团分类方法，其特征在于：包括以下步骤：S1、数据生成：建立多通道耦合神经元群脑电模型，并利用多通道耦合神经元群脑电模型生成多通道脑电数据；S1具体包括以下步骤：S1.1基本神经元群模型建模：将突触前信息转化为突触后信息；S1.1中，所述突触前信息包括动作电位的平均脉冲密度，所述突触后信息包括突触后膜兴奋或抑制点位；设置单通道的基本神经元模型，其他非锥体细胞的突出后信息，对于单位冲击响应分别为： 其中，he为兴奋性突触后膜电压，hi为抑制性突触后膜电压；u为单位冲激响应；He和Hi分别为兴奋性和抑制性平均细胞增益，用于调节突触后电压的最大值；τe和τi分别为奋性和抑制性平均时间常数的和；线性函数het和hit由如下形式的一阶微分方程描述： 其中，G表示兴奋性平均细胞增益He、抑制性平均细胞增益Hi，g表示兴奋平均时间常数的和τe、抑制性平均时间常数的和τi；xt和zt分别为子群的输入和输出信号；通过静态非线性函数将平均膜电压转化成动作点位的平均密度，即平均点燃率，并作为线性变换函数的输入；静态非线性函数表示为： 其中，Sv为动作点位的平均密度，为非线性函数，v为平均膜电压，2e0为最大点燃率，v0为相对于点燃率e0的突触后点位，r表示S型函数的弯曲程度，v为突触前平均膜电位；基本神经元群模型由以下微分方程表示： 其中y0t、y1t和y2t分别为单通道基本神经元群模型中锥体细胞的兴奋性输出、非锥体细胞的兴奋性输出和非锥体细胞的抑制性输出，高斯分布的兴奋输入pt为来自不定区域和皮层下区域的所有外界输入；常数C1、C2、C3和C4为锥体细胞群和中间神经元群见的平均突触链接数；模拟的脑电波Electroencephalogram，简称EEG信号为兴奋性和抑制性突出后电位的和：yt＝y1t-y2tS1.2根据S1.1中的基本神经元群模型建模建立多动态神经元群模型；S1.2中，通过调整转函数h中的兴奋性和抑制性参数He,i和τe,i，调整兴奋性和抑制性细胞群之间的动态平衡，单通道基本神经元群模型能够产生多种脑电信号，通过参数调节生成的脑电信号包括δ、θ、α、β和γ波；令每一个细胞子群由δ、θ、α、β和γ波五种神经振荡器构成，根据各个脑区域每种波所占权重不同，来改变各种波的权重，设权重为W＝{a,b,c,d,e}∈[0,1]，其中a+b+c+d+e＝1；S1.3根据S1.2中的多动态神经元群模型建立多通道耦合神经元群脑电模型；S1.3中，通过将锥体细胞动作电位的平均脉冲密度加以相应的延时，作为其他区域发兴奋性输入，形成大脑不同区域之间的耦合，将S1.2中的多动态神经元模型扩展为多通道耦合神经模型，j通道对k通道的耦合脑电波信号为： 其中，qkj表示j通道对k通道的耦合系数，RMx＝x-meanx为去均值函数，S函数为非线性函数，τ为延迟时间，i＝1,2,…,N表示存在N个不同动态特性并联的子群；多通道耦合神经元群脑电模型用微分方程表示为： 其中，j＝1,2,…,M，表示产生M个通道的脑电信号；i＝1,2,…,N仍表示存在N个不同动态特性并联的子群；求出对应的解之后，根据S1.1中模拟的脑电波信号公式得到多通道脑电信号： 其中，j＝1,2,…,M，表示产生M个通道的脑电信号；i＝1,2,…,N仍表示存在N个不同动态特性并联的子群，y1表示兴奋性细胞的输出电位，y2表示抑制性细胞的输出电位，y表示最后输出的脑电信号；S2、判断聚类数：基于轮廓系数对生成的多通道耦合神经元群脑电模型选择聚类超参数；S2具体包括以下步骤：S2.1计算轮廓系数；针对S1中生成的多通道脑电数据，把每个通道看作一个向量对于不同的聚类数来进行聚类，并计算他们的轮廓系数，设第i通道的轮廓系数为Si： 其中，ai为簇内不相似度，表示i向量到同簇内其他点不相似程度的平均值，体现凝聚度，bi表示簇间不相似度，表示i向量到其他簇的不相似程度的最小值，体现分离度；S2.2计算最近簇；用第i个通道到第k簇所有样本的平均距离作为衡量该通道到该簇的距离，之后选择离Xi最近的一个簇作为最近簇；设最近簇为C： 其中，Xi为第i个通道，p为某个簇Ck中的样本；S2.3选择聚类数；求出所有样本的轮廓系数之后再求平均值，得到平均轮廓系数，选择轮廓系数平均效果最好的聚类数作为S3中社团结构的数量；S3、寻找社团结构：使用块混合模型方法对生成的脑电数据通道进行社团结构分类；S3具体包括以下步骤：S3.1生成相似度矩阵：对于给定的一组C维的N个数据样本{x1,x2,...,xN}，其中使用高斯核构造相似度矩阵W；S3.1中，假定数据可以被分为K个簇，给每个样本xn分配K个元素簇的指示符znk，并组成K阶向量，表示为： 当xn属于第k个元素簇时znk＝1，否则为znk＝0，因此zn遵循一个绝对分布：zn～Categoricalπ3.1其中，π是k元素向量，表示每个集群被分配的概率服从狄利克雷分布：π～Dirichletλ3.2其中，π为狄利克雷分布的样本，λ为狄利克雷分布的浓度参数；如果xi和xj属于相同的簇k，则zikzjk＝1并且wij属于第k个对角块，则设zikzjk为对角区块中的指示符，为非对角块区域的指示符；相似矩阵W中所有元素满足0＜Wij≤1，因此使用beta分布对W进行建模，beat分布是定义在区间0，1上的分布，由两个正形状参数α和β参数化；假设相似矩阵W能够被分成k个簇，Wij的概率密度为： 其中，Θk＝αk,βk表示Wij在对角块中Bate分布的参数，Θ0＝α0,β0表示Wij在非对角块中Bate分布的参数；ζ和η为Θ的超参数： 根据公式3.4，计算Θk,k＝1,...,K，根据公式3.5计算Θ0；根据公式3.2计算π，根据公式3.1计算zn，n＝1,...N，根据公式3.3计算Wij,i＝1,...,N,j＝1,...,N，由于W是对称矩阵，可以只计算上三角阵；由上所述求得相似性矩阵W；S3.2社团关系可视化：把S3.1中得到的相似性矩阵W按行方向搜索最大值，判断聚类结果，显示其索引根据聚类结果排序的相似度矩阵。

全文数据：

权利要求：

百度查询： 燕山大学 一种分区域脑电建模和对角块模型脑电通道社团分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD