基于 pdc的注意相关脑电因效网络分析-生物医学工程专业论文.docxVIP

摘要 摘要 摘要 研究大脑皮层中注意相关的脑网络机制具有重要的学术价值。为描述大脑皮 层之间的相互作用，神经学家们提出了大量的脑电网络的分析方法，如互信息量、 互相关、同步似然等。这些脑电分析方法只适合于分析无方向的功能性脑网络 (functional networks)，对网络节点之间的相互影响或信息流向却无能为力。而基 于 格 兰 杰 因 果 性 (causality analysis, GC) 的 部 分 定 向 相 干 分 析 (partial directed coherence，PDC)能成功的揭示皮层相互作用的方向和强度。因此，本文借助 PDC 的分析方法，试图描述注意相关的大脑皮层之间的网络。 本文设计了两组不同的注意品质实验，并采集了 19 名志愿者的脑电信号。通 过局域均值分解算法（local mean decomposition, LMD）提取了前四个分量作为特 征向量，并采用了支持向量机（support vector machine, SVM)的方式实现分类，从 而识别出了脑电信号中注意相关的导联。本文以选择的导联作为网络节点，对每 名被试的脑电数据建立了多通道自回归模型（multivariate autoregressive model， MVAR），并借助 PDC 的方法，在 Delta、Theta、Alpha、Beta 频带上分别建立了 注意相关的皮层因效性网络(effective networks)。最后，本文从图论的角度出发， 研究了各个频带上因效性网络的基本统计特性，并与同维度的随机网络进行了对 比。 本文的研究表明（1）表征注意和非注意的导联主要集中在额部和顶部。（2） 不同注意品质下，皮层网络连接不同。注意状态下皮层间存在更频繁的信息流动。 （3）不同频带下，注意相关脑网络的效率不同。在 Beta 频带上，局部效率相对 Delta、Theta、Alpha 更低，但是全局效率较其它频段更高。（4）从两组注意品质 实验中得到的皮层连接网络与同维度的随机网络相比，后者具有更高的全局效率 和局部效率。 关键词：因效性网络 格兰杰因果性 部分定向相干分析 Ab Abstract Abstract Understanding the neural mechanisms of cerebral cortex is of great importance. Though neurologists have developed a large number of EEG analysis methods to describe the interactions between the cerebral cortex, such as mutual information， mutual coherence, cross-correlation, these methods can only describe the undirected functional network. However, PDC，based on the Granger Causality, successfully reveals the interactions of cerebral cortex, both in terms of direction and intensity. This paper based on the multi-channel EEG autoregressive model and the PDC analysis, attempts to interpret the attention related cerebral cortex interactions. In this study, nineteen subjects were recruited to perform two attention-related tasks, including attention and inattention. The local mean decomposition algorithm was used to extract features from EEGs and the support vector machine was used as classifiers for classification. In this way, we found the feature electrode regarding the experiment. Then the PDC analysis based on the Granger Causality