brain connectivity---脑连接学习---论文阅读，python简单实现

最新推荐文章于 2024-07-13 15:39:33 发布

情绪识别博士

最新推荐文章于 2024-07-13 15:39:33 发布

阅读量1.3k

点赞数

分类专栏：脑机接口文章标签： python 人工智能

本文链接：https://blog.csdn.net/qq_39495934/article/details/113106885

版权

学习一个使用python可以可视化脑波的运动轨迹
SCoT—a source connectivity toolbox for Python
该文章使用MVARICA方法实现了盲源分解和连通性估计的例程。

背景知识
量化大脑区域之间的相互作用是神经科学中重要且有用的工具。
在空间上分开的大脑区域形成动态大规模网络，这些网络通过功能和有效的连通性来描述。
虽然功能连通性可以衡量同步激活，但有效连通性可以解释区域之间的因果关系。

可以通过使用VAR模型从多通道EEG推导连接性。
估算源活动的常用方法包括原定位技术和独立成分分析（ICA）。ICA无需依赖头部模型即可执行EEG通道的盲分解。从ICA获得的源信号可以解释为源自皮层偶极子。

**MVARICA **

EEG–> PCA–>VAR–> ICA
首先通过应用主成分分析（PCA）对EEG进行转换：yn = Cxn = CMsn
yn中的信号包含PCA转换后的EEG
修剪PCA转换矩阵C以除去对总EEG方差贡献最小的成分。此步骤减小了后续处理的维数，并限制了MVARICA发现的光源数量。
其次，将具有系数A（k）和残差过程rn的VAR模型拟合为yn：yn = p k = 1 A（k）yn-k + rn
将拟合到yn的VAR模型与描述源激活的VAR模型相关联：A(k) = (CM)B(k) (CM) −1 ；
rn = (CM)en
在第三步中，用ICA对残差进行分解，以获得对变换CMˆ的估计
通常，MVARICA适用于多重试验数据。可以采用不同的策略来获得VAR残差r，具体取决于数据上的平稳性假设。

CSPVARICA
EEG–> CSP–>VAR–> ICA
MVARICA通过丢弃对总EEG方差贡献最小的主成分来降低输入维数。但是，感兴趣的EEG组件通常具有较低的信噪比。因此，PCA可能会删除此类组件，同时保留较高方差的噪声。
建议使用通用空间模式（CSP）代替PCA
以上内容参考于这篇论文，感兴趣的小伙伴可以阅读：
Billinger, M., Brunner, C., & MÃ¼ller-Putz, G. R. (2014). SCoT: a Python toolbox for EEG source connectivity. Frontiers in Neuroinformatics, 8. doi:10.3389/fninf.2014.00022

下边是实现方法

def main():
    # Read EEG data
    raweeg, times, fs, ch_names = dataset.read_file('E:/ffmpeg-latest-win64-static/ERP/result/video_1/210113_0006_EEG.edf')#eeg信号保存到edf中
    #eeg.shape(18, 319500)
    triggers = np.linspace(int(0), int(319500), 320)#将信号2秒分为一段，共分为320段信号
    triggers = triggers[:-1]#去掉最后一段
    print(triggers)
    classes = np.random.randint(0,