【摘要】：工作記憶(working memeory,WM)是一種較短時間范圍內的記憶形式,在進行學習、記憶、思維及問題解決等高等認知活動中,大腦需要對信息進行加工和存儲,這就需要工作記憶這種機制來進行處理。在工作記憶中有中央執(zhí)行系統(tǒng)、視覺空間存儲器和語音環(huán)路三個組成部分共同決定工作記憶中信息的編碼、存儲形式和提取等。有研究表明,大多數(shù)精神疾病患者會出現(xiàn)認知障礙,其中工作記憶障礙是精神疾病患者的主要認知障礙。EEG以其成本低廉、無創(chuàng)性及便攜性等特點常用于疾病的診斷及早期干預中。傳統(tǒng)的EEG分析方法有時域分析、頻域分析、時頻分析等,但是這些方法只適用于線性分析。近年來,將非線性動力學及復雜網絡理論應用在EEG信號的分析當中,試圖能夠更好地分析出EEG信號中的特性以及腦網絡拓撲結構在不同狀態(tài)下的變化規(guī)律。傳統(tǒng)的EEG腦網絡構建方法是將EEG信號的電極作為網絡節(jié)點,節(jié)點之間的關系作為網絡的連邊,但是這種網絡構建方法沒有充分利用EEG高時間分辨率的特性。Zhang等人首先提出了偽周期時間序列網絡構建的方法,廣大學者在此基礎上進一步研究并提出了不同的構建方法,目的是能夠充分利用EEG的高時間分辨率,更好地了解EEG的時間特性。本文提出了一種構建時間序列復雜網絡的新方法。在精分數(shù)據上對構建的時間序列復雜網絡進行了分析,首先從時間角度利用復雜網絡方法分析了正常人與病人所構建的時間序列網絡屬性的差異;其次從空間角度分析了通道之間構建的復雜網絡拓撲結構的相似性,進一步找出正常人與患者之間的差異。從時間和空間兩個角度分析EEG數(shù)據,挖掘精神分裂癥患者疾病與正常被試構建的時間序列網絡之間的差異,為精神分裂癥患者的研究提供了一種新的研究思路。具體內容主要包括:(1)使用微狀態(tài)(microstate)對EEG信號分析,驗證微狀態(tài)方法能夠應用在所使用的數(shù)據集。本研究分析了微狀態(tài)的微狀態(tài)數(shù)、平均持續(xù)時間和狀態(tài)轉移概率,證明了微狀態(tài)適用于所使用的EEG數(shù)據,為時間序列復雜網絡的構建提供了理論支持。(2)基于微狀態(tài)方法對EEG數(shù)據進行分段,構建時間序列復雜網絡。構建時間序列網絡時選擇微狀態(tài)劃分的時間段作為網絡的節(jié)點,并對劃分的時間段提取特征,從中選擇有效的特征向量作為各時間段的特征,時間段特征向量之間的相關系數(shù)作為網絡的邊,由此可以得到各個通道多個稀疏度下的時間序列復雜網絡。(3)分析所構建的時間序列復雜網絡差異。首先分析時間序列復雜網絡的全局屬性和局部屬性,對所求的網絡屬性分析比較,了解正常人與精神分裂癥患者構建的時間序列復雜網絡的特點,進一步分析復雜網絡差異性較大的通道,分析病灶處差異性較大的網絡屬性進而能反映出時間序列的差異。其次分析構建的時間序列復雜網絡網絡拓撲結構的相似性,通過比較正常人與精神分裂癥患者各自通道之間的相似性,將相似性較大的聯(lián)系表示出來,可以分析正常人與精神分裂癥患者通道網絡之間相似性之間的關系。
【圖文】：

電極位置

14圖 2-3 采集到的 EEG 數(shù)據Figure 2-3 EEG data collected本研究使用數(shù)據集中 20 例為精神類病人，，病人在過去 6 個月內均無藥物濫用或經精神病學診斷的歷史。20 名正常人作為對照組。工作記憶中一個完整的任務分為編階段（encoding）、保持階段（maintenance）和檢索階段（retrieval），時間長度分為 5 秒、3 秒和 2.5 秒。每個人挑選出 20 個完整的任務數(shù)據進行分析。每個任務分為個階段和兩個頻段（θ(4～7 Hz)、 (7～14 Hz)）。為接下來的實驗做準備。
【學位授予單位】：太原理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：O157.5;R318

【相似文獻】

相關期刊論文 前10條

1 孫其法;閆秋艷;閆欣鳴;;基于多樣化top-k shapelets轉換的時間序列分類方法[J];計算機應用;2017年02期

2 王金策;楊寧;;時間序列趨勢預測[J];現(xiàn)代計算機(專業(yè)版);2017年02期

3 彭佳星;肖基毅;;基于分型轉折點的證券時間序列分段表示法[J];商;2016年31期

4 劉偉龍;;基于ARMA模型的股價預測及實證研究[J];智富時代;2017年02期

5 周仰;;《漫長的告別》(年度資助攝影圖書)[J];中國攝影;2017年04期

6 王嵬;;王嵬作品[J];當代油畫;2017年07期

7 劉明華;張晉昕;;時間序列的異常點診斷方法[J];中國衛(wèi)生統(tǒng)計;2011年04期

8 郭崇慧;蘇木亞;;基于獨立成分分析的時間序列譜聚類方法[J];系統(tǒng)工程理論與實踐;2011年10期

9 王佳林;王斌;楊曉春;;面向不確定時間序列的分類方法[J];計算機研究與發(fā)展;2011年S3期

10 萬里;廖建新;朱曉民;倪萍;;一種基于頻繁模式的時間序列分類框架[J];電子與信息學報;2010年02期

相關會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預報方法及其應用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學術年會論文集[C];1999年

2 張可;李媛;柴毅;黃磊;;基于分段趨勢的符號化時間序列聚類表示[A];第37屆中國控制會議論文集（D）[C];2018年

3 徐光晶;;統(tǒng)計學在大地電磁測深時間序列處理中的應用[A];2017中國地球科學聯(lián)合學術年會論文集（二十九）——專題57：電磁地球物理學研究及其應用[C];2017年

4 毛宇清;王詠青;王革麗;;支持向量機方法應用于理想時間序列的預測研究[A];中國氣象學會2008年年會氣候預測研究與預測方法分會場論文集[C];2008年

5 吳麗娜;黃領梅;沈冰;呂繼強;;黃河上游降水時間序列混沌特性識別與預測年限分析[A];水系統(tǒng)與水資源可持續(xù)管理——第七屆中國水論壇論文集[C];2009年

6 吳堅忠;路子愚;鄭應平;;時間序列社會悖論模型及分析[A];1989年控制理論及其應用年會論文集（上）[C];1989年

7 雷敏;孟光;謝洪波;Kerreie Mengersen;Peter Bartlett;;嵌入維數(shù)對復雜時間序列的熵分析的影響研究[A];中國力學大會-2015論文摘要集[C];2015年

8 王兆甲;王海良;;一種相似時間序列挖掘算法及其在汽車運動分析中的應用[A];2014中國汽車工程學會年會論文集[C];2014年

9 林忠輝;莫興國;薛玲;;用NDVI時間序列確定作物物侯和作物類型判別[A];第十四屆全國遙感技術學術交流會論文摘要集[C];2003年

10 王冬;章家義;陳宗;;配電網時間序列數(shù)據的云計算集群快速壓縮模型[A];2017年江西省電機工程學會年會論文集[C];2018年

相關重要報紙文章 前10條

1 王曉寶 楊永恒 永安期貨;淺析波動率的均值回復特征[N];期貨日報;2017年

2 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

3 國家統(tǒng)計局核算司 呂峰;不變價GDP時間序列數(shù)據的構造[N];中國信息報;2016年

4 ;《時間序列與金融數(shù)據分析》[N];中國信息報;2004年

5 何德旭 王朝陽;時間序列計量經濟學：協(xié)整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

6 劉俏;讓數(shù)據坦白真相[N];21世紀經濟報道;2003年

7 卞紀;我國多時間序列濕地遙感制圖完成[N];中國氣象報;2011年

8 權證一級交易商 國信證券;正股走勢及時間序列主導下半年權證市場運行結構[N];證券時報;2006年

9 廣發(fā)期貨股指研究小組 謝貞聯(lián);Hurst指數(shù)提示市場升勢或將形成[N];上海證券報;2012年

10 丁睿 中糧期貨研究院;試論指數(shù)HP濾波分析法的應用[N];期貨日報;2014年

相關博士學位論文 前10條

1 康峻;基于時間序列遙感數(shù)據的植被精細分類與覆蓋度反演研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2018年

2 林蕾;基于循環(huán)神經網絡模型的遙感影像時間序列分類及變化檢測方法研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2018年

3 丁紅;柳江徑流分析與預測研究[D];武漢理工大學;2016年

4 馬俊;GPS坐標時間序列嚴密三維噪聲模型建立方法[D];武漢大學;2018年

5 周超;集成時間序列InSAR技術的滑坡早期識別與預測研究[D];中國地質大學;2018年

6 丁超;MODIS時間序列重建方法與應用[D];中國地質大學(北京);2018年

7 魏永強;煤礦瓦斯監(jiān)測數(shù)據插值與預測研究[D];中國礦業(yè)大學(北京);2015年

8 楊玉軍;基于機器學習的時間序列模型研究及其應用[D];電子科技大學;2018年

9 魯韻帆;隨機交互金融模型的構建及金融時間序列的統(tǒng)計分析[D];北京交通大學;2018年

10 郭珩;復雜網絡在非線性時間序列分析中的應用[D];華東師范大學;2018年

相關碩士學位論文 前10條

1 吳亞彬;基于情感時間序列的P2P網貸企業(yè)輿情態(tài)勢研判技術研究與實現(xiàn)[D];北京郵電大學;2019年

2 原媛;量化交易中數(shù)據分析技術的研究與實現(xiàn)[D];北京郵電大學;2019年

3 宋駿;基于時間序列的UGC數(shù)量與質量預測技術研究[D];北京郵電大學;2019年

4 王晶;多源時間序列數(shù)據的建模分析與預測[D];北京郵電大學;2019年

5 胡姣姣;基于深度學習的飛行器遙測時間序列數(shù)據異常檢測與預測方法研究[D];西安理工大學;2019年

6 白曉剛;時間序列互作網絡及在宏基因組中的應用[D];河北科技大學;2019年

7 孫鐵凝;回聲狀態(tài)網絡優(yōu)化及其應用研究[D];廣西師范大學;2019年

8 楊雄;EEG時序特征選取及其腦網絡構建與分析[D];太原理工大學;2019年

9 韓如愿;兩種基于數(shù)據驅動的庫存預測方法研究[D];廈門大學;2017年

10 曹西娟;模糊時間序列在鉆井風險概率中的預測及應用[D];西南石油大學;2018年

本文編號：2619535