基于多维复杂度的精神分裂症脑磁信号区分

为了更有效地识别脑磁信号,提出一种基于多维复杂度的脑磁信号分类方法。首先提取信号的AR模型系数、频带能量、近似熵和Lempel-Ziv复杂度作为特征。然后运用增L减R搜索算法结合距离准则选择通道。最后采用遗传算法选择特征子集,分别运用BP神经网络和SVM分类器检测特征子集的性能并对信号分类。实验结果表明精神分裂症患者的近似熵和Lempel-Ziv复杂度都高于正常人,患者的脑磁信号可能更加复杂。增L减R搜索算法选择的通道大多分布在颞叶区,即颞叶区域的通道可能携带了更多的差异信息。采用BP神经网络和SVM对特征数据分类,分别得到了98.5%和99.75%的正确率。

基于偏相关系数的脑功能连接分析

大脑是一个具有高度复杂性的信息处理系统,拥有丰富且复杂的结构与功能,其功能的执行主要依赖于脑功能区之间的相互作用所构成的网络实现。研究采用偏相关系数分析方法,在阈值的设定研究基础上,进一步引入节点度的概念,用于反馈节点之间连接强度的大小。对13例精神分裂症患者和24例正常人在静息态下273个通道的脑磁(MEG)信号进行分析,探索正常组与患者组之间脑功能连接的差异性。研究表明精神病患者在大部分脑区有显著的功能连接,在额叶和颞叶以及脑边缘部分与正常人有显著性差异,推测这些异常连接区域有可能与精神分裂症的病理有关。