基于改进的符号转移熵的生理电信号耦合网络研究a.docVIP

基于改进的符号转移熵的生理电信号耦合网络研究* 吴莎1)，李锦2）, 王俊1)? 1)（南京邮电大学，图像处理与图像通信江苏省重点实验室，南京 210003） 2)(陕西师范大学，物理学与信息技术学院，西安710062) 摘要：本文在原有转移熵的研究基础上，采取一种改进的时间序列符号化处理方法，计算脑电、心电、肌电之间的符号转移熵，以量化彼此之间的耦合作用，与传统算法所得结果比较，效果更为显著，能更好的捕捉交互中的动态信息。此外，本文还对睡眠分期的生理电信号进行同样改进方法的耦合量化处理，综合得到不同时期的耦合网络。实验表明，生理电信号相互之间存在紧密的交互，网络内部耦合强度随时间和生理状态的不同发生动态的改变，通过量化结果我们可以较为清晰的分析不同生理系统不同时期的交互强度与变化，为医学实践生理与病理的检测与研究提供了一种有效的处理方法。 关键词：生理电信号，耦合网络，符号转移熵 PACS： (国家自然科学基金(批准号61201029和江苏省自然科学基金(批准号:BK2011759,BK2011565)资助的课题. ? 通讯联系人: E- mail:wangj@njupt.edu.cn 1 引 言 人体有着复杂的生理系统，在神经中枢的调节下表现出高度的复杂性与非平稳、间歇性和非线性行为，每一处控制机能都在不断的相互作用并构成一个综合的网络，任何一个系统的故障都会导致整个网络的崩溃。识别和量化不同系统、不同类型交互作用的动态网络是一个很大的挑战。由于潜在的控制机制的变化，生理动力系统在不同的生理状态和病理条件下会随时间发生瞬时的改变。不同系统之间各种耦合作用与反馈交互加剧了这种复杂性，使其更加难以捉摸。想要量化这些生理交互很难，因为一个系统与其它系统之间可能存在多个同步交互，而且耦合强度还随时间不断变化。 近年来，研究发现网络具有复杂的拓扑结构，由简单的交互作用、网络鲁棒性研究转而集中于自组织和复杂网络行为的探索。然而，探究复杂网络的拓扑结构和动力学之间的关系仍然不易，特别当网络是由各种不同类型交互的不同系统组成，想要识别综合生理系统网络的交互作用、研究不同生理状态下该网络的动态演化，发展用于量化不同系统之间相互作用的方法十分必要。 本文在原有符号转移熵研究的基础上，采取一种改进的时间序列符号化处理方法，并用该算法计算脑电、心电、肌电之间的符号转移熵，以量化彼此之间的耦合作用，与传统算法所得结果比较，具有明显的优越性。此外，本文还将该方法应用于量化睡眠期生理电信号的耦合作用，综合得到清醒期与睡眠期的生理电信号耦合网络，并作进一步分析。生理电信号相互之间存在紧密的交互，改进的STE可以量化彼此之间的这种耦合作用。不同生理系统电信号之间的耦合作用强度不同，并在睡眠分期随生理状态不同的情况下发生动态的演化。 2 改进的符号转移熵 信源的熵率： ， （1） 其中，。研究多个过程之间的动力学信息，需要将熵率推广到多个系统，这就有： ， （2） 当I和J相互独立时， 。 （3） 因此，定义转移熵TE（Transfer Entropy）： 。 （4） 传统的符号转移熵STE (Symbolic Transfer Entropy)计算方法采用静态划分，由于时间序列的非平稳性，结果会受到严重影响。本文采用的是一种改进的动态自适应分割方法，对于序列X（嵌入维数为m）的每一个m维矢量，计算其基本尺度BS（Basic Scale）， 。 （5） 这里采用作为符号划分的标准。每一个m维矢量，BS不同，划分标准也将动态变化，时间序列就转换成m维的符号序列： ，，， （6） （7） 其中， 为第i个m维矢量的均值，BS是相应的基本尺度 [14]。是常量，取值过小会加重噪声的影响，取值过大无法较好的捕捉信号中的动态信息。 3 基于改进的STE生理电信号睡眠分期耦合网络研究 3.1 实验数据 本文使用的清醒期、睡眠期EEG(electroencephalogram)信号、ECG(electrocardiosignal)信号、EMG(electromyographic signal)信号数据取自PhysioBank的MIT-BIH Polysomnographic Database。该数据库中记录的是多参数睡眠数据，包含1导EEG信号、1导ECG、1导EMG和1导EOG(eyectro-oculogram)等多导睡眠信号，数据记录时长达6个小时，附带以30