基于熟人和陌生人的視聽覺信息,通過記錄對應的腦電信號,對大腦在熟人和陌生人信息刺激下的認知機制展開研究.首先,通過記錄被試在視聽刺激下的腦電信號,得到對應不同刺激下的事件相關腦電位.通過計算不同導聯間的相位傳遞熵構建有向功能網絡,最后對重點網絡參數進行分析.結果表明,相比陌生人信息誘發(fā)的有向網絡,熟人信息誘發(fā)網絡中關鍵節(jié)點的作用加強,網絡聚集能力增強;熟人信息誘發(fā)網絡的連接更加趨向于全腦化,不同腦區(qū)間的信息交換加強,整個網絡結構更有利于完成對熟人信息的識別.
【部分圖文】：

講?同刺激狀態(tài)下的EＲP信號．利用EEGLAB工具包對原始EEG信號完成預處理，主要包括濾波、剔除漂移嚴重的偽跡信號，對壞電極信號進行插值［4，17］．之后根據不同的刺激類型對EEG信號進行分段得到EＲP信號，其中每段長度為1024ms，數據從刺激開始前100ms到刺激之后的923ms;然后通過對EＲP信號的ICA處理剔除可能的眼電偽跡，最后將干凈的EＲP信號按照不同的刺激類型進行平均，即為單個被試的EＲP信號，再對所有被試的EＲP信號進行總平均得到最后的EＲP信號［4，17］，如圖1所示．圖1Pz導聯EＲP總平均信號Fig.1AveragedEＲPsignalatPz2有向連接分析———相位傳遞熵通過記錄人在不同狀態(tài)下的腦電信號能夠研究大腦在這些認知狀態(tài)下的工作機制，而有向連接分析能夠客觀地表征人在不同認知狀態(tài)下大腦的信息流通以及不同腦區(qū)神經活動的變化．相位傳遞熵(phasetransferentropy，PTE)是一種新穎的基于相位關系的測量信號之間有向連接的方法．相比其他的有向連接方法，其對大范圍分析的延遲值和大樣本數據都有很好的效果，而且對冗余參數有更好的魯棒性，同時具有更高的計算效率［12－13］．對于一個給定頻率范圍的信號X(t)，可通過對其進行復濾波(比如Morlet小波變換或希爾伯特變換)得到S(t)=A(t)exp(iθ(t))，其中θ(t)為X(t)對應的瞬時相位時間序列．然后對給定的分析延遲δ，定義其PTE為［12］PTEX→Y=H(θy(t)，θy(t'))+H(θy(t')，θx(t'))－H(θy(t'))－H(θy(t)，θy(t')，θx(t'))．(1)其中:θ(t)為S(t)對應的相位;θx(t')

械ジ觥?成對或是3個的相位數據點的裝箱操作，建立一個對應的基于單直方圖的概率密度函數．箱的寬度可以根據Scott判據來確定:hj=σj/N1/3，其中hj是相位時間序列θj(j=y(t)，y(t')或x(t'))的箱寬，N為采樣點，σj為對應相位的標準偏差．在本文中θy(t)，θy(t')和θx(t')箱的數量為kj=2π/hj．最后，通過總的數據點數除以該箱中的數據點數得到每一個箱的概率值．對于不同狀態(tài)的兩組數據，分別計算了PTE，得到有向連接矩陣如圖2所示，圖中橫、縱坐標為30個通道名稱，矩陣中不同顏色表示從橫軸到縱軸的有向連接權值．圖2所有被試在不同狀態(tài)下30導聯信號之間PTE有向功能網絡連接總平均矩陣Fig.2AveragedPTEdirectedfunctionalnetworkmatrixofthethirty-channelsignalsforallsubjects(a)—陌生;(b)—熟悉．3腦電功能網絡分析表征腦功能網絡連接的參數有很多［10，15］，其中最主要的是網絡度(degree，d)以及度分布(degreedistribution，P(d))、聚集系數(clusteringcoefficient，C)和特征路徑長度(characteristicpathlength，L)．節(jié)點度定位為與該節(jié)點直接相連的邊的條數，對于有向網絡來說，節(jié)點的度包括出度(dout，離開該節(jié)點的連接邊數)和入度(din，進入該節(jié)點的連接邊數)．節(jié)點的度越大表示該節(jié)點的連接越多，則該節(jié)點在網絡中的作用就越重要．度分布是網絡中最基本的一個拓撲性質，它表示在網絡中等概率隨機選取的節(jié)點度值正好為滿足d=k(k為正數)的概率，在實際分析中一般使用網絡中度值為k的節(jié)點總數占總節(jié)點數的比例來近似表示．聚集系數表示了網絡的集團化程

4有向功能網絡構建及結果分析從圖2可以直觀地看出，被試對熟人和陌生人的PTE連接矩陣是有區(qū)別的．為了突出功能網絡中的重點連接邊，本文考慮選擇合適的閾值來濾除權值較小的連接邊，這樣能夠更加明確地理解認知過程中信息的流通及變化［4，8］．為了選擇合適的閾值，首先計算了兩種狀態(tài)下有向加權連接網絡的C和L的比值隨閾值變化的關系，如圖3所示．圖3兩種狀態(tài)下腦功能網絡參數比C/L隨閾值變化關系Fig.3CurvesofC/Lvaryingwiththethresholdundertwostates對所有被試數據在不同閾值下的統(tǒng)計分析(T檢驗)表明，只有在閾值為0.55(t=－3.202，p=0.006)，0.6(t=2.367，p=0.04)以及0.65(t=2.881，p=0.01)時，兩組網絡參數之間存在顯著差異．從圖2可以看出，權值連接邊在0.6以上的部分還是比較多的．因此本文使用較大閾值0.65對上述網絡進行篩選．圖4所示為經過篩選之后的腦網絡拓撲連接關系，圖中節(jié)點編號從左到右，從上到下依次為1～30．陌生人網絡信息流通主要走向前額區(qū)、中央區(qū)以及后頂區(qū)，流入到枕圖4閾值篩選后兩種狀態(tài)下腦拓撲網絡連接圖Fig.4Topologynetworksforthetwoconditionswiththechosenthreshold(a)—陌生人;(b)—熟人．區(qū)和顳區(qū)的很少;在熟人網絡中信息流通涉及全腦的各個區(qū)域，也有大量的連接網絡從頂區(qū)走向顳區(qū)和枕區(qū)．可以看出，相比陌生人連接網絡，熟人網絡連接中的較大連接邊更多，分布更加趨于全腦化，全腦不同腦區(qū)之間的信息流通更加頻繁．為了定量地描述網絡的結構，計算了上述網絡的C和L，從圖5可以看出，兩種狀態(tài)下C和L的變化表現出相反的趨勢，這個和對無向網絡的結論是一致的［4，8］，熟人網絡的C值增大，
【參考文獻】

相關期刊論文 前3條

1 黃璐;王宏;;基于約束獨立分量分析的腦電特征提取[J];東北大學學報(自然科學版);2014年03期

2 高軍峰;王沛;鄭崇勛;;基于P300和機器學習的測謊方法研究[J];西安交通大學學報;2010年10期

3 梁夏;王金輝;賀永;;人腦連接組研究:腦結構網絡和腦功能網絡[J];科學通報;2010年16期

【共引文獻】

相關期刊論文 前10條

1 劉肖艷;鄒艷;江婷;康莊;彭潔;艾育華;劉哲星;;基于DTI的視神經脊髓炎譜系疾病患者腦結構網絡的拓撲屬性改變研究[J];中華神經醫(yī)學雜志;2018年05期

2 蘭曉川;李福鎖;楊志;李治勇;劉濤;李琪根;張揚;雷瑞;黎海濤;禹智波;;偏頭痛靜息態(tài)功能磁共振成像的研究進展[J];神經疾病與精神衛(wèi)生;2017年08期

3 Zhi-Song Lv;Chen-Ping Zhu;Pei Nie;Jing Zhao;Hui-Jie Yang;Yan-Jun Wang;Chin-Kun Hu;;Exponential distance distribution of connected neurons in simulations of two-dimensional in vitro neural network development[J];Frontiers of Physics;2017年03期

4 何高奇;胡云奉;楊宇;魏文浩;;基于rs-fMRI數據的腦功能網絡構建與分析[J];華東理工大學學報(自然科學版);2015年06期

5 鐘毅欣;趙建農;;靜息態(tài)腦功能網絡分析方法及在肝性腦病的研究進展[J];國際醫(yī)學放射學雜志;2015年06期

6 王春方;孫長城;王勇軍;綦宏志;趙欣;周鵬;張穎;萬柏坤;明東;杜金剛;;精神障礙疾病的神經生理信號復雜度研究進展[J];國際生物醫(yī)學工程雜志;2015年05期

7 高佳;王蔚;;基于稀疏貝葉斯網絡的情緒腦電的有效性腦網絡研究[J];生物醫(yī)學工程學雜志;2015年05期

8 韓凌;王宏;李春勝;;基于多變量希爾伯特頻域模型的癲癇發(fā)作預測[J];東北大學學報(自然科學版);2015年10期

9 王春方;孫長城;張希;王勇軍;綦宏志;何峰;趙欣;張穎;萬柏坤;杜金剛;明東;;基于偏定向相干性(PDC)的腦卒中后抑郁癥患者腦網絡研究[J];中國生物醫(yī)學工程學報;2015年04期

10 吳靜;戴培山;趙亞麗;李玲;盛韓偉;李新春;;成人注意缺陷多動障礙靜息態(tài)功能連接分析[J];中國醫(yī)學物理學雜志;2015年04期

【二級參考文獻】

相關期刊論文 前3條

1 劉曉志;馮大偉;楊英華;秦樹凱;;基于核獨立分量分析的盲多用戶檢測算法[J];東北大學學報(自然科學版);2012年06期

2 劉沖;趙海濱;李春勝;王宏;;基于CSP與SVM算法的運動想象腦電信號分類[J];東北大學學報(自然科學版);2010年08期

3 周亮,楊文俊,廖四照,鄒海強;模擬盜竊者與熟悉現場者在測謊實驗中事件相關電位的比較研究[J];中國臨床心理學雜志;2000年02期

【相似文獻】

相關期刊論文 前10條

1 常文文;王宏;化成城;王翹秀;;基于有向網絡的人物信息誘發(fā)腦電信號特征[J];東北大學學報(自然科學版);2019年01期

2 張娜;唐賢倫;劉慶;;基于半監(jiān)督學習的腦電信號特征提取及識別[J];工程科學與技術;2017年S2期

3 石喬莉;王延輝;李信政;;基于腦電信號的駕駛疲勞的研究[J];世界最新醫(yī)學信息文摘;2017年55期

4 魯強;劉玉軍;徐建蘭;張進祿;;一種適用于清醒動物腦電信號采集的固定裝置[J];首都醫(yī)科大學學報;2011年06期

5 潘軍,周守昌,黃尚廉;腦電信號非線性動力學處理方法的研究[J];重慶大學學報(自然科學版);1997年01期

6 孟欣，歐陽楷;腦電信號的幾個非線性動力學分析方法[J];北京生物醫(yī)學工程;1997年03期

7 殷盺;陳宇;;基于方差和深度學習的腦電信號分類算法[J];黑龍江工程學院學報;2017年06期

8 劉剛;李曉歐;;腦電信號識別及其在機械手臂控制中的應用[J];生物醫(yī)學工程研究;2016年04期

9 譚發(fā)江;趙德春;孫齊峰;方程;趙興;皮喜田;劉歡;;便攜式腦電信號采集與處理系統(tǒng)（英文）[J];航天醫(yī)學與醫(yī)學工程;2016年03期

10 吳小培,馮煥清,周荷琴,王濤;獨立分量分析及其在腦電信號預處理中的應用[J];北京生物醫(yī)學工程;2001年01期

相關博士學位論文 前3條

1 馬小飛;認知任務下的腦電動力學分析[D];南京大學;2017年

2 張婷琳;從局部到全局腦電感知模式的研究[D];浙江大學;2017年

3 姚林;刺激輔助的腦電信號特征增強方法與混合式腦機接口[D];上海交通大學;2015年

相關碩士學位論文 前10條

1 佟歌;基于深度學習的運動想象腦電信號分類算法研究[D];哈爾濱工程大學;2018年

2 原博煒;BCI系統(tǒng)的腦電信號分析和類腦避障策略[D];東華大學;2018年

3 許麗;基于腦電的情緒識別研究[D];昆明理工大學;2018年

4 楊贊杰;基于度量學習的腦電信號情緒識別方法研究[D];哈爾濱工業(yè)大學;2018年

5 李陽丹;基于生物電控制的人機交互技術研究[D];杭州電子科技大學;2018年

6 張韓;基于深度學習的腦電信號識別技術研究[D];山東師范大學;2018年

7 辛雨航;基于半監(jiān)督與時序模型的腦電信號特征提取方法研究[D];山東大學;2018年

8 焦凱強;腦電信號中的頻譜不對稱指數特征與情緒識別研究[D];鄭州大學;2018年

9 袁俊;基于低功耗藍牙的腦電信號采集與處理系統(tǒng)設計[D];湖南大學;2018年

10 安恩瑩;基于時序信息的腦電信號分類[D];北京郵電大學;2018年

本文編號：2864456