基于时变参数的一阶自回归模型和符号转移熵的脑电信号分析

摘要

脑电信号是脑神经细胞电生理活动在大脑皮层或头皮表面的总体反映,它包含了大量的病理与生理信息,因此,医学上常采用脑电信号对疾病进行诊断和治疗.在脑电信号的研究和分析当中,非线性动力学的方法占据着极其重要的作用.AR模型是一种线性的模型,在分析平稳随机的时间序列中有很大的用处,但由于脑电信号是一种非平稳时间序列,因此AR模型很少用在脑电信号的分析当中,在2015年,Claus Metzner和Christoph Mark等人提出了时变参数的一阶自回归模型,它可以用来分析任意复杂度的时间序列,本论文将时变参数的一阶自回归模型引入到脑电信号的分析当中,以下是本文所做的工作: 一.本文采用时变参数的一阶自回归模型来分析癫痫脑电信号和正常人的脑电信号,采用对称通道Fp1和Fp2作为输入信号,为这两个通道的信号构建时变参数的一阶自回归模型,在构建模型之后,采用贝叶斯推断的方法提取特征参数(qt,at).通过比较特征参数at的自相关函数的峰值发现:癫痫患者特征参数at的自相关函数的峰值总是大于正常人的特征参数at的自相关函数的峰值.因此,可以得出,时变参数的一阶自回归模型可以用来区分癫痫脑电和正常人脑电. 二.本文采用时变参数的一阶自回归模型分析清醒期的脑电信号和睡眠Ⅰ期的脑电信号,采用C4-A1通道的脑电数据作为输入信号,为该一维信号构建时变参数的一阶自回归模型,在构建模型前,需要对C4-A1通道的脑电数据做出采样,采样间隔分别为τ=1,2,3,4,5,6,7,验结果发现当τ=4时区分效果最好,在构建好模型后,同样是采用贝叶斯推断的方法提取特征参数(qt,at),通过比较特征参数at的自相关函数的峰值发现:清醒期的特征参数at的自相关函数的峰值总是比睡眠Ⅰ期的值要大.因此,可以得出,时变参数的一阶自回归模型可以用来分析清醒期和睡眠Ⅰ期的睡眠分期脑电信号,用作区分之用. 三.本文采用排列熵符号化的符号转移熵对清醒期和睡眠Ⅰ期的脑电和心电的耦合性进行了分析,实验结果表明,清醒期的脑电信号和心电信号的耦合性总是大于睡眠Ⅰ期脑电信号和心电信号的耦合性.并且,无论是在清醒期,还是在睡眠Ⅰ期,从脑电到心电的耦合性,总是大于从心电到脑电的耦合性.因此,可以得出,采用排列熵符号化的符号转移熵的方法可以用来分析睡眠分期的心脑电的耦合性.

目录

第一个书签之前