基于图论的不同情绪状态下脑网络功能连接研究

目的:基于脑电(electroencephalogram,EEG)信号探究个体在不同情绪状态下大脑网络的功能连接变化情况,并根据全局图论指标量化分析脑功能网络属性的差异性变化。方法:在多模态情绪数据库(Database for Emotion Analysis Using Physiological Signals,DEAP)中提取平静状态(作为平静状态组)和压力状态(作为压力状态组)的EEG信号,并根据EEG信号的预处理过程划分Theta频段([4,8)Hz)、Alpha频段([8,13)Hz)、Beta频段([13,31)Hz)和Gamma频段([31,45)Hz)4个频段,计算每个频段的相位锁值(phase locking value,PLV),得到PLV脑网络矩阵,然后利用小世界属性、聚类系数、特征路径长度3种全局图论属性指标对PLV网络矩阵的属性进行拓扑结构分析。比较2组情绪状态的脑网络功能连接情况,并分析2组情绪状态的全局图论属性指标的差异性。采用SPSS 25.0软件进行统计学分析。结果:2组情绪状态的功能连接比较表明,4个频段不同脑区连通性差异有统计学意义(P<0.05)。与平静状态组相比,压力状态组在Gamma频段的小世界属性显著减小,在Alpha、Beta和Gamma频段的聚类系数和特征路径长度显著增大,差异有统计学意义(P<0.05);在Theta频段,压力状态组与平静状态组的全局图论属性指标相近,差异无统计学意义(P>0.05)。结论:该研究证实了个体不同情绪状态能够在大脑功能连接方面得到显著表征,小世界属性、聚类系数和特征路径长度3个全局图论属性指标可以作为情绪状态识别的关键特征参数,为情绪状态及情感相关的脑功能疾病的诊断治疗研究提供了理论依据。

面向知识自动化的磨矿系统操作员脑认知特征与控制效果的相关分析

面向知识型工作自动化,研究了流程工业生产过程中操作人员的脑认知特征与操作控制水平之间的关键,建立了一种基于操作员脑网络特征的操作熟练程度隐性知识的显性化模型.采用关注信号瞬时相位、基于希尔伯特变换的相位锁方法,构建了脑功能网络(Functional brain network,FBN).基于磨矿系统操作员脑功能网络的图论参数与社区连接强度,建立了特征空间,采用支持向量机与神经网络进行特征分类.结果表明,在高频区,熟练操作员(熟手)的脑功能网络连接强度明显高于不熟练操作员(生手):在低频部分则生手的脑功能网络连接强度略高,其特征分类准确率为87.24%.磨矿系统操作过程中形成的溢流粒度(Grinding particle size,GPS)曲线可以初略地反映操作人员的熟练程度,本文在深入分析了其溢流粒度曲线与操作员脑网络特征的基础上,发现相对于溢流粒度曲线操作员的脑网络特征可以更全面地描述操作控制水平(特别在操作开始时间段),采用脑网络特征识别操作控制水平在时间上超前于溢流粒度曲线识别方法.本研究对于将知识工作者的认知特征引入到流程工业控制中,具有一定的借鉴意义.

基于脑电同步的嗅觉仿生模型优化研究

以提高嗅觉系统模型的仿生度为目标,研究了嗅觉模型优化问题。考虑到同步状态是脑电信号间普遍出现的现象,以嗅觉模型输出之间是否出现同步状态为研究目标。研究的关键点包括如下几个:(1)优化指标:以信号的相位信息为对象,将模型输出信号之间的相位同步程度作为优化指标,并采用锁相位方法计算相位同步程度;(2)输出信号选择:考虑到嗅皮层在信息处理中的作用,以嗅皮层中兴奋性的NII层节点输出作为模型输出;(3)参数优化:考虑到对神经调质兴奋度的模拟,以增益系数为优化参数,并基于锁相位方法通过计算确定参数的优化值。研究结果表明,对增益系统的优化可以提高模型输出信号的相位同步程度,当增益系数取值在5附近时,模型输出呈现出的同步特性最为明显。

下肢截肢患者的脑功能连接

目的探究静息状态下,下肢截肢患者脑电信号在多频段上脑功能连接的变化。方法2020年11月至2021年6月,采集22例健康成年人(对照组)和18例下肢截肢患者(患者组)静息态脑电图,以相位锁值构建功能连接矩阵,比较两组间差异。结果患者组α频段(t=3.433,P=0.001)和β频段(t=3.806,P=0.001)功能连接明显减弱,δ频段(t=1.429,P=0.161)和θ频段(t=1.211,P=0.233)功能连接与对照组无显著性差异。结论下肢截肢患者脑电α、β频段功能连接减弱,导致多个脑区功能重塑,包括相关肢体投射脑区、额叶、颞叶、枕叶等。

基于改进锁相位算法的脑区功能同步性研究

锁相位算法是分析脑区同步特性的有效方法。基于传统锁相位算法只针对脑电信号的相位分量进行分析,而不能有效地分析脑电信号的其他特征分量的问题,本文提出了一种改进锁相位算法。该算法首先基于经验模态分解获得固有模态函数,以此作为希尔伯特变换的输入求出所需瞬时幅值,计算锁幅值。基于此算法,不仅可以度量脑电信号采集位点之间的变化情况,而且可以度量各个位点自身的脑电信号瞬时振幅的变化情况,从而达到提取脑电信号同步特征的效果。本文采集了14名受试者在不同难度认知任务下的脑电信号,并基于改进锁相位算法,分析大脑在完成认知任务过程中各脑区之间的同步性。结果表明,大脑幅值同步程度与认知活动之间呈负相关,且大脑中央区和顶叶最为敏感。基于改进锁相位算法进行的同步性量化,能够真实地反映数据之间的生物信息,为大脑同步性研究提供了一种新的方法,为更好地探索脑区的相关性与同步性提供新思路。

改进模糊熵算法及其在孤独症儿童脑电分析中的应用

模糊熵(Fuzzy entropy,Fuzzy En)是衡量时间序列在维数变化时产生新模式的概率,反映时间序列复杂性和无规则程度的参数指标.本文针对传统模糊熵算法只针对时间信号序列进行总体分析,忽略了瞬时信号变化的问题,提出了一种改进模糊熵的算法.算法将指数函数的宽度进行了优化设置,设置为0.15倍一阶差分时间序列的标准差,以此保证充分提取时间序列瞬时复杂性特征.与传统模糊熵相比,改进模糊熵包含更多时间模式信息.基于改进模糊熵结合锁相位算法,分析孤独症儿童脑电信号(Electroencephalogram,EEG)复杂性与同步性,结果表明:孤独症(Autism spectrum disorders,ASD)前颞叶的脑电信号同步性下降、复杂性降低,具有显著性差异(P<0.05).