基于互信息的EEG脑网络情感识别（六）——网络属性及特征提取

最新推荐文章于 2024-06-14 09:30:24 发布
最新推荐文章于 2024-06-14 09:30:24 发布
阅读量5.4k 收藏 71
点赞数 15
分类专栏： 脑机接口 文章标签： 网络属性 脑网络 特征提取 情感识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pary__for/article/details/96837949
版权
上一篇文章介绍了矩阵的二值化，并建立了二值矩阵
这篇主要讲一下网络属性的计算，也就是特征的提取
网络属性

这里我参考的一篇论文里，选取了五种全局属性和两种局部属性，用他们作为特征进行情感识别。下面先对这几个属性做一个概述。

  • 全局属性：
    • 聚类系数
      聚类系数是用来表示图中节点的聚集程度。规则网络与小世界网络具有较高的聚类系数，而随机网络的聚类系数则较低。Ci 表示的是第 i 个节点的聚类系数，ki 表示是节点 i 的全部邻接点数目。
      在这里插入图片描述
    • 平均最短路径长度
      平均最短路径长度是用来表示节点之间传输信息的能力。网络的最短路径长度越短，脑区的功能整合水平越高。Lmn代表从节点m到节点n之间的最短路径长度，N为网络中的节点的总数。
      在这里插入图片描述
    • 全局效率
      全局效率是用来表示全局信息的处理能力，以及信息传输能力。可以较好的度量网络的全局信息处理和传输能力，以及网络的整合程度。Lmn代表从节点m到节点n之间的最短路径长度，N为网络中的节点的总数。
      在这里插入图片描述
    • 局部效率
      局部效率是用来表示局部信息的处理能力，以及信息传输能力。N为网络中的节点的总数。Eg为网络的全局效率。
      在这里插入图片描述
    • 同配系数
      同配是指节点更倾向于和它自身相似的点相连接。q代表每条边两边端点的度值的方差，dm、dm 分别代表一条边两端节点的度值。根据网络中节点的趋势可以分为同配网络与异配网络。同配的是指节点趋于和它近似的节点相连；反之，就称该网络是异配的。
      在这里插入图片描述
  • 局部属性：
    • 节点度
      节点度是用来度量图G中一个节点m与其他节点n之间的连接性的属性指标，定义为图G中连接一个节点的相应的边数，是节点的出度与其入度的和。节点度是复杂网络分析当中使用的最为广泛的局部属性之一。
      在这里插入图片描述
    • 中间中心度
      中间中心度是节点 m 到节点 n 的最短路径长度是衡量图中节点在图中的中心性大小的指标，是常见的网络局部属性的一种。
      在这里插入图片描述
关于代码

这里说一下，Matlab里有一个工具包，里面有计算这些属性的函数，大家可以下载这个工具包，自行查找。
下面把BCT工具箱的链接给出：——> 复杂网络工具箱（可以点击进行下载~）
注： 这里面的函数名称都是英文，有些可能翻译出来不完全准确，当时我找的时候还费了点时间，所以这里把需要用到的给标注出来，其他的大家就自己去翻译啦

  • 聚类系数：clustering_coef_bin
  • 平均最短路径长度：charpath
  • 全局效率：efficiency_bin
  • 局部效率：efficiency_bin
  • 同配系数：assortativity_bin
  • 节点度：degrees_und
  • 中间中心度：betweenness_bin
    （这些都是用于无向网的）
计算网络属性，提取特征

有了以上的准备，下来就简单了，对之前求出的二值矩阵分别计算网络属性，然后求平均值，作为一个MI矩阵的网络属性。这里就不详细说明了，直接上代码了。


pathname1='E:\脑电数据集\二值化矩阵修改\';
pathname3='E:\脑电数据集\网络属性修改\';
%32个被试者
clustering=[];
for k=1:32
    if k<10
        filename1=sprintf('s0%d\\',k);
    end
    if k>=10
        filename1=sprintf('s%d\\',k);
    end
    pathname2=[pathname1,filename1];    
    pathname4=[pathname3,filename1];   
    mkdir(pathname3,filename1);    
    %每人40次试验
    for j=1:40
       if k<10
           filename2=sprintf('s0%d-%d',k,j);  
           filename3=sprintf('s0%d-%d\\',k,j); 
       end
       if k>=10
           filename2=sprintf('s%d-%d',k,j);
           filename3=sprintf('s%d-%d\\',k,j);
       end
       mkdir(pathname4,filename3);
       pathname5=[pathname2,filename3];   
       pathname6=[pathname4,filename3];   
       
       for i=1:20
           filename4=sprintf('%d',i);
           xx=load([pathname5,filename4]);   %'E:\脑电数据集\二值化矩阵修改\s01\s01-1\1.mat'
           labels=xx.labels;
        
           %聚类系数
           Theta.MI1.clustering=sum(clustering_coef_bu(xx.Theta.MI1))/32;
           Theta.MI2.clustering=sum(clustering_coef_bu(xx.Theta.MI2))/32;
           Alpha.MI1.clustering=sum(clustering_coef_bu(xx.Alpha.MI1))/32;
           Alpha.MI2.clustering=sum(clustering_coef_bu(xx.Alpha.MI2))/32;
           Beta1.MI1.clustering=sum(clustering_coef_bu(xx.Beta1.MI1))/32;
           Beta1.MI2.clustering=sum(clustering_coef_bu(xx.Beta1.MI2))/32;
           Beta2.MI1.clustering=sum(clustering_coef_bu(xx.Beta2.MI1))/32;
           Beta2.MI2.clustering=sum(clustering_coef_bu(xx.Beta2.MI2))/32;           
           %同配系数
           Theta.MI1.assortativity=assortativity_bin(xx.Theta.MI1,0);
           Theta.MI2.assortativity=assortativity_bin(xx.Theta.MI2,0);
           Alpha.MI1.assortativity=assortativity_bin(xx.Alpha.MI1,0);
           Alpha.MI2.assortativity=assortativity_bin(xx.Alpha.MI2,0);
           Beta1.MI1.assortativity=assortativity_bin(xx.Beta1.MI1,0);
           Beta1.MI2.assortativity=assortativity_bin(xx.Beta1.MI2,0);
           Beta2.MI1.assortativity=assortativity_bin(xx.Beta2.MI1,0);
           Beta2.MI2.assortativity=assortativity_bin(xx.Beta2.MI2,0);
           %全局效率
           Theta.MI1.globalefficiency=efficiency_bin(xx.Theta.MI1);
           Theta.MI2.globalefficiency=efficiency_bin(xx.Theta.MI2);
           Alpha.MI1.globalefficiency=efficiency_bin(xx.Alpha.MI1);
           Alpha.MI2.globalefficiency=efficiency_bin(xx.Alpha.MI2);
           Beta1.MI1.globalefficiency=efficiency_bin(xx.Beta1.MI1);
           Beta1.MI2.globalefficiency=efficiency_bin(xx.Beta1.MI2);
           Beta2.MI1.globalefficiency=efficiency_bin(xx.Beta2.MI1);
           Beta2.MI2.globalefficiency=efficiency_bin(xx.Beta2.MI2);
           %局部效率
           Theta.MI1.localefficiency=sum(efficiency_bin(xx.Theta.MI1,1))/32;
           Theta.MI2.localefficiency=sum(efficiency_bin(xx.Theta.MI2,1))/32;
           Alpha.MI1.localefficiency=sum(efficiency_bin(xx.Alpha.MI1,1))/32;
           Alpha.MI2.localefficiency=sum(efficiency_bin(xx.Alpha.MI2,1))/32;
           Beta1.MI1.localefficiency=sum(efficiency_bin(xx.Beta1.MI1,1))/32;
           Beta1.MI2.localefficiency=sum(efficiency_bin(xx.Beta1.MI2,1))/32;
           Beta2.MI1.localefficiency=sum(efficiency_bin(xx.Beta2.MI1,1))/32;
           Beta2.MI2.localefficiency=sum(efficiency_bin(xx.Beta2.MI2,1))/32;
           %平均最短路径长度
           Theta.MI1.path=charpath(xx.Theta.MI1);
           Theta.MI2.path=charpath(xx.Theta.MI2);
           Alpha.MI1.path=charpath(xx.Alpha.MI1);
           Alpha.MI2.path=charpath(xx.Alpha.MI2);
           Beta1.MI1.path=charpath(xx.Beta1.MI1);
           Beta1.MI2.path=charpath(xx.Beta1.MI2);
           Beta2.MI1.path=charpath(xx.Beta2.MI1);
           Beta2.MI2.path=charpath(xx.Beta2.MI2);
           %节点度
           Theta.MI1.modedegree=sum(degrees_und(xx.Theta.MI1))/32;
           Theta.MI2.modedegree=sum(degrees_und(xx.Theta.MI2))/32;
           Alpha.MI1.modedegree=sum(degrees_und(xx.Alpha.MI1))/32;
           Alpha.MI2.modedegree=sum(degrees_und(xx.Alpha.MI2))/32;
           Beta1.MI1.modedegree=sum(degrees_und(xx.Beta1.MI1))/32;
           Beta1.MI2.modedegree=sum(degrees_und(xx.Beta1.MI2))/32;
           Beta2.MI1.modedegree=sum(degrees_und(xx.Beta2.MI1))/32;
           Beta2.MI2.modedegree=sum(degrees_und(xx.Beta2.MI2))/32;
           %中间中心度
           Theta.MI1.betweenness=sum(betweenness_bin(xx.Theta.MI1))/32;
           Theta.MI2.betweenness=sum(betweenness_bin(xx.Theta.MI2))/32;
           Alpha.MI1.betweenness=sum(betweenness_bin(xx.Alpha.MI1))/32;
           Alpha.MI2.betweenness=sum(betweenness_bin(xx.Alpha.MI2))/32;
           Beta1.MI1.betweenness=sum(betweenness_bin(xx.Beta1.MI1))/32;
           Beta1.MI2.betweenness=sum(betweenness_bin(xx.Beta1.MI2))/32;
           Beta2.MI1.betweenness=sum(betweenness_bin(xx.Beta2.MI1))/32;
           Beta2.MI2.betweenness=sum(betweenness_bin(xx.Beta2.MI2))/32;
           
           save([pathname6,filename4],'Theta','Alpha','Beta1','Beta2','labels');
       end
    end
end

该文章是学习笔记，后续会继续更新

Zzz5270
关注
  • 15
    点赞
  • 踩
  • 71
    收藏
    觉得还不错? 一键收藏
  • 13
    评论
专栏目录
脑网络拓扑属性（二）
clancy_wu的博客
03-13 992
global efficiency & nodal efficiency：global efficiency 也是评价网络整合能力的，但是要更真实有效，它评价的是网络内所有子网络系统整体的信息传递效率。degree centrality 只评价连接，不评价质量，例如节点J 具有很高的degree centrality，是因为它的邻接节点具有很多degree而不是它本身。即，有多个功能区域而用很短的路径连接这些功能区域，因此小世界网络是整合的又是分离的。直接相连的两点，连向第3个点后，再连接其他点的概率。
EEG做情感识别
07-23
EEG做情感识别EEG做情感识别EEG做情感识别EEG做情感识别。
探秘情绪的电波语言：基于EEG与DEAP数据集的情绪识别神器
最新发布
gitblog_00091的博客
06-14 328
探秘情绪的电波语言：基于EEG与DEAP数据集的情绪识别神器 项目地址:https://gitcode.com/Piyush-Bhardwaj/EEG-based-emotion-analysis-using-DEAP-dataset-for-Supervised-Machine-Learning 项目介绍 在科技与情感交汇的前沿，一款利用脑电图（EEG）信号进行情绪分类的开源项目横空出世——EE...
[脑网络参数2 3]常用的脑网络计算的参数及其意义-功能整合参数 function segregation以及分割与整合的平衡-小世界
qq_38350969的博客
06-17 1109
2 功能整合的参数 （function integration） 包括
EEG情感分析综述（一）
gaoyang5015的博客
11-04 442
EEG信号情感分析
eeg脑网络分析
03-02
用于使用eeg数据构建脑网络指标，并且能够对这些指标进行分析
健康老年人的EEG静息态脑网络
悦影科技
09-24 607
最近的研究强调了与健康老化有关的大规模大脑网络的变化，其最终目的是帮助区分正常的神经认知老化和同样随着年龄增长而产生的神经退行性疾病。功能性磁共振成像（fMRI）的新证据表明，特定大脑网络的连接模式，特别是默认模式网络（DMN），将阿尔茨海默病患者与健康人区分开来。此外，支持高水平认知的大规模大脑系统的破坏性改变被证明伴随着行为层面的认知下降，这在老龄人口中是普遍观察到的，即使他们没有疾病。虽然fMRI对于评估大脑网络的功能变化很有用，但它的高成本和有限的可及性使那些需要大量人口的研究望而却步。在这项研究中
p特征_脑网络_复杂网络matlab_matlab_模式识别特征_
09-29
在IT领域，尤其是在神经科学与数据处理中，"p特征_脑网络_复杂网络matlab_matlab_模式识别特征_"这个标题所涵盖的知识点主要集中在以下几个方面： 1. **脑网络**：脑网络是神经科学中的一个重要概念，它研究大脑中...
EEG情感识别中基于集成深度学习模型的多分析域特征融合
01-12
提出一种基于集成深度学习模型的情感...在DEAP数据集上进行的实验显示,胶质链能够挖掘和利用EEG不同通道之间的相关性信息,而集成深度学习模型能够有效集成EEG信号在时域、频域和时频域蕴含的情感状态相关的显著性信息.
Eeg数据的特征提取和BP神经网络的技术研究
06-01
特征提取是从原始EEG信号中提取有意义信息的过程，而BP神经网络则是一种在机器学习和深度学习中常见的模型，用于模式识别和预测任务。 在特征提取方面，EEG数据通常经过以下步骤处理： 1. 预处理：去除噪声，如...
eeg_feature_extraction.rar_EEG_EEG 波段提取_gooseugv_波段特征_脑电波
07-14
在神经科学领域，EEG...总结来说，"eeg_feature_extraction.rar"是一个关于EEG波段提取的资源，它可以帮助研究人员和专业人士分析EEG数据，提取出代表大脑不同状态的特征，从而增进对大脑活动的理解。
脑网络拓扑属性解读（二）
01-07
度的分布（degree distribution）：反映网络容易受到侵犯的特征之一。具有幂律度分布（power-law degree distribution）的复杂网络对逐渐随机恶化具有弹性，但容易受到高度中心节点的中断。既往研究显示一些网络具有局部行为类似幂律度分布，这被认为是弹性的有效标记。 分类系数（assortativity coefficient）：是连接（link）两端的所有节点的度之间的相关系数。这也是网络弹性的有效标记（同上述），是反映网络容易受到侵犯的特征之一。 在这两个指标上得分较低的单个中心节点，如果中断，可能会损害全局网络功能。 在网络受到侵犯时，若此时测试弹性，谨慎
互信息计算matlab代码-BUBCONT2:BUBCONT2
05-28
互信息计算matlab代码BUBCONT2 在该实验中，通过在每个Bubble试验中随机生成的带有10个高斯Kong径的Bubble蒙版来显示刺激。 同时记录行为和EEG表现。 使用Matlab 2015b ， eeglab 13.4.4b ， LIMO工具箱对该项目进行了分析。 我们上传了三个拆分文件夹（＆＆），分别涉及原始EEG数据，预处理和以下分析。 注意：首先运行runmefirst.m来设置路径。 然后使用以数字开头的名称运行主脚本。 前处理 bubcont2_prepro包含： 一个如何预处理一个参与者的EEG数据的示例（ig过滤器，ICA，CSD）。 1prepro_preica_bubcont2.m 2prepro_ica_bubcont2.m 3prepro_postica_bubcont2.m 4bubblemasks_rebuild_bubcont2.m ：重新组织EEG数据以释放存储空间。 5make_dat_bubcont2.m ：重建气泡蒙版。 6n170_elec_selection.m ：选择在自定义时间过程中显示最小电压的电极和感兴趣的电极，并保存该电
NBS_脑功能网络_脑网络分析_脑连接工具箱_脑网络_matlab_
10-03
Brain Connectivity Toolbox 是一个MATLAB工具箱
基于集成卷积神经网络的脑电情感识别.pdf
09-25
《基于集成卷积神经网络的脑电情感识别》这篇论文主要探讨了如何运用深度学习中的卷积神经网络（CNN）来进行脑电情感识别。在情感识别领域，传统的研究方法依赖于面部表情、声音语调或其他生理信号，但这些方法存在...
matlab做的脑网络分析,eeg脑网络分析
weixin_42299728的博客
03-19 806
【实例简介】用于使用eeg数据构建脑网络指标，并且能够对这些指标进行分析【实例截图】【核心代码】BrainNetwork└── BrainNetwork├── callbacks│ ├── AR.fig│ ├── AR.m│ ├── Exit1_Callback.m│ ├── Loaddata_Callback.m│ ├── PB_property_Callback.m│ ...
基于LORETA的EEG静息态脑网络分析
u011661076的博客
10-24 1880
每个被试脑网络的数据存放在“Projections”文件夹中，“VEEG01_O-Tr-fICprojections”对应于老年组被试1，“VEEG01_Y-Tr-fICprojections”对应于青年组被试1。请根据提示‘双击此行’，在EEG文件夹中创建一个新文件夹(可以是任意名称，如TranspFica)，并在新文件夹中为ICA分析结果定义一个文本文件(如Tfica15)。最后，拖放20个老年组文件夹和20个青年组文件夹，总共必须有40行(如蓝色箭头所示)，表示40个文件夹，并单击Go。
脑机接口下运动想象 EEG 信号特征提取与89.3%识别率
本文主要探讨了在计算机三级嵌入式领域中的一个重要知识点——特征提取，特别是在脑机接口（Brain-Computer Interface, BCI）系统中，利用脑电图（Electroencephalogram, EEG）信号的特征提取与分类技术。...
评论 13
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值