matlab plv,一种基于微状态的脑功能网络构建方法与流程

本发明涉及脑功能网络研究技术领域，更具体而言，涉及一种基于微状态的脑功能网络构建方法。

背景技术：

复杂网络作为近年来一种新兴的数据分析方法，被应用于各个方面。由于大脑是一个十分复杂的系统，不同神经元之间相互联系构成了一个复杂的脑网络，且这个网络具有非线性、混沌等方面的特点，因此人们逐渐使用复杂网络理论对大脑进行研究。通常脑网络可以分为结构性网络以及功能性网络。结构性网络主要是以大脑的脑区为节点，以它们之间的连接关系作为边，常见于功能性磁共振成像(functional magnetic resonance imaging，fMRI)网络。功能性脑网络同样是以脑区为节点，以它们之间的相关性作为边，通常脑电图技术(Electroencephalography，EEG)网络则是功能网络。

人脑电活动可以通过EEG获得，具有高时间分辨率以及相当好的空间分辨率。微状态作为一种越来越受欢迎的分析方法，通常被用来分析大脑活动的变化。1987年，Lehmann根据EEG脑地形图的拓扑变化，首次提出了微状态的概念。认为微状态能够反映出全局脑功能状态变化是不连续以及非线性的。2009年，Lehmann根据实验确定一个微状态持续的时间为80-120ms，且不能平滑地转换为另一个状态，是突然变化的。微状态揭示了人脑活动90％的变化可以由四个微状态之间的转换来解释。这四类微状态之间的转换可以代表任何个体中大脑活动的变化。

目前使用EEG构建脑功能网络通常是以电极作为网络的节点，以各个电极在一段时间内的相互联系作为边。然而，由于EEG信号的时间分辨率是毫秒级，且EEG信号是一段连续的脑电信号，所以必然会存在大量的冗余信息。这就会导致计算通道之间联系的时间开销会特别大。微状态能够反映一段时间内大脑整体活动的状态，揭示大脑活动的变化。目前对微状态的研究主要是基于微状态之间的转换以及每个微状态出现的次数，对微状态其他方面的研究很少见。

技术实现要素：

为了克服现有技术中所存在的不足，本发明提供一种基于微状态的脑功能网络构建方法，从复杂脑功能网络构建的角度出发，降低了构建脑功能网络时间复杂度，研究不同微状态时间序列构建的脑网络与微状态本身之间联系。

为了解决上述技术问题，本发明所采用的技术方案为：

一种基于微状态的脑功能网络构建方法，包括以下步骤：

S1、对EEG信号进行预处理，减少电信号的噪声与伪迹，提高信噪比，为后续的特征提取和模式识别结果提供高质量的数据，包括：

1)将EEG原始信号当中的四个活动电极去除掉；

2)将EEG数据的参考电极转换为全脑平均参考电极，脑记录系统高密集分布，电极密度高，故采用“平均参考”，平均参考的优点，在整个球面上求和时，根据欧姆定律，外侧正电流与内侧副电流之和为0，使得其他电极的信息更加明显，便于后续处理和分析；

3)根据采集EEG信号时所依据的实验范式对EEG信号进行分段，分为保持、编码和检索三个阶段；

4)除去步骤3)分段EEG信号中的眼电伪迹；

5)将步骤4)中去眼点后数据进行滤波，分为四个频段；

S2、计算脑电信号的微状态，包括：

1)计算脑电数据的总体场功率(Global field power，简称GFP)：

式中，GFP为总体场功率，xn为第n个通道的电压观测值，N为通道总数，为所有通道的电压平均值；

2)根据步骤1)所得的总体场功率时间序列，求取它的极大值所对应的时间点，将这些时间点在原始EEG时间序列中所对应的电位信息单独拿出来放在一起，得到总体场功率极大值时间点处所对应的时间序列，因为此时的脑电信号具有最大的信噪比，而位于两个极大值之间的信号，它们的地形图有着相似的结构，GFP极大值点处的地形图能够代替周围时间点；

3)根据K-均值算法(K-means)，对每个被试的总体场功率极大值时间序列进行计算，每个被试的总