EEG信号瞬时同步性分析.docxVIP

EEG信号瞬时同步性分析 从解剖学角度,人的大脑皮层被划分成若干区域。研究脑皮层不同区域之间功能协作的机制一直是认知和神经科学关注的重要问题之一。人在感知和识别物体时,相关的脑区自动发生了同步化的神经活动[1,2],而且,同步现象越来越被认识到是大脑不同区域之间交换信息的重要特征。在临床医学中,神经学科医生发现,一些难以治愈的神经性疾病,如癫痫等,是由于大脑整体或局部整合过程的不足或异常造成的,这与相关脑区的同步性有关。因此,越来越多的学者研究脑皮层不同区域之间的同步性,以求在一些神经性疾病的治疗上取得突破。大脑认知活动会引起EEG信号在不同时段、不同频段的同步性变化。因此,研究EEG信号在不同时段、不同频段的同步性是揭开大脑认知过程奥秘的重要手段。 研究信号同步性的方法大致可以分为两类:非参数化方法与参数化方法。非参数化方法有互信息、小波变换、希尔伯特变换等,是以积分变换为基础的。该类方法假定信号的自相关函数在数据观测区以外等于零,因此估计出来的功率谱很难与信号的真实功率谱相匹配,因而是一种低分辨率的谱估计方法。比如,用下式计算相干系数: Cxy(ω)=(Fx)(ω)(Fy)*(ω)(1) 式中:(Fx)表示傅里叶变换;ω只能是离散频率,频率分辨率则不太令人满意。相对于基于积分变换的非参数化方法,参数化方法在这方面就优越很多。在文献中,应用多种非参数化方法对本文第二部分中提到的三组数据的同步性进行了分析。 在众多参数化方法中,B.Schack等提出的一种基于ARMA模型的分析信号瞬时同步性算法是其中的翘首。相对于非参数化方法,该基于ARMA模型的现代谱估计方法能较好地改善谱估计的质量,并提高频率分辨率。这里应用该算法对三组EEG数据进行分析。 1 数据和方法 1.1 数据 这里应用上述算法分析两个EEG通道中的三组数据的同步性。EEG信号由安置在雄性成年老鼠左右前额皮层的两个电极获取。所有信号都以安置在小脑的电极作为参考,并且先经过1~100 Hz的滤波器滤波后,再以200 Hz的采样率采样得到。每组数据段长度为5 s,即1 000个数据采样点。三组数据分别记为A,B,C,如图1所示。 图1 A,B,C三组EEG数据 1.2 方法 算法的基本思路是将两个通道的EEG信号看成二维平稳过程,并以ARMA模型建模,模型参数随时间变化。模型的适合标准是模型的预测误差最小化。根据这一标准,模型在每一个采样点都进行校正。因此,模型参数是时间的函数。具体算法如下[4-6]: 以x={(x1ix2i)T}i=0,1,2,…表示记录中两个通道的EEG信号。该信号用ARMA模型建模: n+∑pk=1Ak(n)n-k=zn-∑qj=1Bj(n)zn-j(2) 式中:p,q是模型的阶数;z是二维独立白噪声过程。Ak(n)和Bj(n)是2×2的参数矩阵,其计算方法如下: k(n)=Ak(n-1)-cnenxTn-k;k=1,2,…,p(3) j(n)=Bj(n-1)-cnenxTn-j;j=1,2,…,q(4) 上述两式中,en,cn分别满足: e0=0(5) en=xn+∑pk=1k(n-1)xn-k+ ∑qj=1j(n-1)en-j(6) cn=f/[1+21(n)+22(n)](7) 2i(0)=0(8) 2i(n)=2i(n-1)-cs[2i(n-1)-(xn)2i] i=1,2;n=1,2,…(9) f1/p+q,0cs 1 /cs 在模型建立完成后,第二步就是对每个采样点的谱密度矩阵的参数的计算。瞬时参数矩阵An(λ)和Bn(λ)分别为: An(λ)=I+∑pk=1k(n)e-ikλ(10) Bn(λ)=I+∑qj=1j(n)e-ijλ(11) 则瞬时传递函数为: Hn(λ)=A-1n(λ)*Bn(λ)(12) 瞬时协方差矩阵Sn为: Sij(0)=0(13) Sij(n)=Sij(n-1)-cs[Sij(n-1)-einejn] i=1,2;n=1,2,…;0cs 1(14) /cs 每个采样点的谱密度矩阵为: fn (λ) =Hn (λ)*H*nT(λ)(15) fn(λ)=f11,n(λ)f12,n(λ) f21,n(λ)f22,n(λ)(16) 因此,谱密度矩阵是关于频率与时间的函数。在每个采样点的相干系数为: 2n=f12,n(λ)2f11,n(λ)*f22,n(λ)(17) 对某一特定的频率