【正文】 6(3):197 ，2009:45568 李巖，李小俚，科學通報，2007,52(7):5209 Mirchandami G。三、研究步驟、方法及措施 （1）通過對相關(guān)資料的查閱，學習有關(guān)腦電信號的基本知識，對腦電信號的知識有整體的了解；（2）學習信息論里有關(guān)互信息的相關(guān)知識，重點學習有關(guān)互信息的算法，通過互信息的定義法逐步加深理解；（3）學習使用MATLAB軟件，熟悉軟件的使用方法；（4）根據(jù)設計的方法原理進行軟件編程，仿真，然后進行分析?；バ畔?mutual information, MI)以信息論為基礎，通過測量兩個時間變量各自及其聯(lián)合概率密度分布，利用熵的概念，來量化兩個時間變量之間的統(tǒng)計獨立性近年來基于時域的、頻域和基于參數(shù)的互信息估計方法廣泛的應用到分析大腦各區(qū)域腦電活動的相互作用，例如老年癡呆的患者長距離區(qū)域之間的互信息要小于正常人，而癲癇發(fā)作時病灶區(qū)域各通道之間的互信息要高于其他區(qū)域和癲癇間歇期[10]。例如相位同步、非線性獨立性、互信息和非線性相關(guān)等[4]。大腦的活動需要整合分布在大腦各區(qū)域的功能，且通過各區(qū)域間持續(xù)的相互作用實現(xiàn)，需要神經(jīng)元群調(diào)節(jié)自身的動態(tài)特征，鎖定在一定時間和頻帶范圍內(nèi)，即神經(jīng)生物學理論中的同步現(xiàn)象。通過對腦電信號建模及同步分析，可以揭示大腦各個區(qū)域如何進行信息的整合、諧調(diào)和傳播，有助于深入理解腦部功能紊亂機理，尤其對神經(jīng)功能疾病的診斷、預防和治療具有重要意義。20世紀70年代，隨著計算機技術(shù)和信息處理技術(shù)的迅猛發(fā)展，腦電信號分析才進入了計算機定量分析的階段。在這里，請接受我誠摯的謝意！附錄1燕 山 大 學 本科畢業(yè)設計（論文）開題報告課題名稱： 學院（系）： 年級專業(yè)： 學生姓名： 指導教師： 完成日期： 一、綜述本課題國內(nèi)外研究動態(tài)，說明選題的依據(jù)和意義1848年德國神經(jīng)電生理學家Du ，德國的HansBerge于1924年用兩根白金針狀電極通過頭部外傷患者的顱骨缺損部位插入大腦皮層，成功的記錄到了有規(guī)則的腦電活動，并將腦電活動稱為腦電圖[2]，這一發(fā)現(xiàn)揭開了腦電信號研究的序幕。因此，我才能克服一個個困難和疑惑，直至本論文的完成。不僅使我掌握了基本的研究方法，還使我明白了許多待人接物與人相處的道理。參考文獻1 ,2007:57712 ，2009:45563 P. Forgacs, H. Von Gizycki, M. Harhula. The wavelet transformed EEG: a new method oftrialbytrial evaluation of saccaderelated cortical activity. Suppl Clin Neurophysiol, 2006,59:1831894 S. Slobounov, C. Cao, W. Sebastianelli. Differential effect of first versus second concussiveepisodes on wavelet information quality of EEG. Clin Neurophysiol, 2009, 120(5):8628675 P. Rapp, I. Zimmerman, A. Alano. Experimental studies of chaotic neural behaviour cellularactivity and electroencephalographic signal. H Othmer (ed), Nonliner Oscillations in Biology andChemistry, Lecture notes in Biomathematics, Springer, 1985:1752056 A. Babloyantz. Chaotic dynamics in brain activity. E Basar (ed), Dynamics of sensory andcognitive processing by the brain, Springer, 1988:1962027 田心，1999,22(2):1931988 董國亞，1999,4:8139 童勤業(yè)，1993,9(4):64565010 李小俚，歐陽高翔，中國生物醫(yī)學工程學報，2006,3:34635011 曹雪虹，：清華大學出版社，2008:73612 賀太綱，盧廣文，2000,17(2):20921313 萬柏坤，鄭旭媛，2002,21(3):21521814 王雪峰，肖波，:上海科學技術(shù)出版社，2001:14615 林嘉宇，王躍科，1999,15:2202516 賈文艷，高上凱，2004,21(2):32532817 ,廣西師范大學,2000:1545致謝論文是在我的導師的悉心指導下完成的。本文的研究工作在將來還需要再繼續(xù)深入的研究，綜合各類方法計算得到的腦電信號特征參數(shù)，提高癲癇發(fā)作預測算法的性能，為癲癇臨床應用和發(fā)作預測提供理論方法。本論文的研究工作還存在很多不足之處，對于基于排序模式的互信息的分析不是很到位，由于時間問題，所研究課題還存在未解決問題?；谂判蚰Ｊ椒治龅幕バ畔⒐烙嫹椒軌蚋行У乜坍嬆Ｐ椭旭詈舷禂?shù)的變化，且具有更好的抗噪聲干擾能力。基于排序模式分析方法，通過在時域內(nèi)對時間序列模式分類，來實現(xiàn)復雜概率分布估計，從而直接估計出時間序列的信息量。本文重點介紹說明了基于互信息的腦電信號的研究方法，詳細說明了基于排序模式的互信息的腦電信號同步分析方法。本文立足于雙通道腦電信號，研究了雙通道腦電信號同步分析方法，為臨床上癲癇的診斷、防預、控制以及治療提供了幫助。結(jié)論腦電信號中包含了大量的生理與病理信息，是研究癲癇的一個重要而有力的工具，在臨床醫(yī)學和腦科學的研究中都起著不可替代的重要作用。通過仿真分析表明，基于排序模式的互信息估計能夠有效地刻畫模型中耦合系數(shù)的變化。腦電信號的超同步放電也是癲癇發(fā)作的重要特征，癲癇發(fā)作時發(fā)作區(qū)域神經(jīng)網(wǎng)絡間的相關(guān)性達到最高值，此時腦電信號的互信息最大。在癲癇發(fā)作時，腦電信號呈現(xiàn)明顯的高幅值放電。 癲癇腦電信號的互信息分析將互信息的方法應用于分析腦電信號，利用癲癇監(jiān)測系統(tǒng)采集局灶性癲癇病人的顱內(nèi)腦電信號。當信噪比為0dB時，由于疊加的噪聲強度太大，完全破壞了原始腦電信號的內(nèi)在特性，導致估計的歸一化互信息值非常接近于0，隨著信噪比值的增加互信息值也逐漸增加。當取嵌入維數(shù)m=3時，數(shù)據(jù)長度大于1000時，估計的互信息值已經(jīng)穩(wěn)定在一個相對平穩(wěn)的區(qū)域波動。 數(shù)據(jù)長度對互信息估計的影響分析數(shù)據(jù)長度對互信息估計的影響，若當數(shù)據(jù)長度為400時，取嵌入維數(shù)m=4，計算的排序互信息明顯偏大，這是因為維數(shù)m=4時有24*24種聯(lián)合排序模式，當腦電信號太短時某些排序模式不能出現(xiàn)，使得估計的排序模式聯(lián)合概率分布變得更為陡峭，聯(lián)合熵估計值偏低，從而導致互信息估計偏高。這表明互信息方法能夠刻畫耦合Henon模型序列隨耦合系數(shù)c變化的同步關(guān)系。當耦合系數(shù)c逐漸增加時驅(qū)動系統(tǒng)X對響應系統(tǒng)Y的作用越來越強，以致達到完全同步。 耦合系數(shù)對互信息估計的影響首先，分析耦合Henon映射序列在不同耦合系數(shù)c時的互信息估計。因此，太大或太小的延遲時間τ都會使得狀態(tài)向量包含原始信號的信息偏小，從而導致低估互信號值。另一個重要的參數(shù)是延遲時間τ，理論上在沒有噪聲的情況下，τ是可以任意選取的，但是在噪聲情況下，τ的選取極大地影響互信息的計算。若維數(shù)m 選取的太小(小于3)，則狀態(tài)向量只有很少的排序模式，使得排序互信息計算偏差很大；若維數(shù)m 選取的太大，分析有限數(shù)據(jù)長度的腦電信號，會使有些排序模式因為數(shù)據(jù)限制而無法出現(xiàn)，導致不正確地排序模式概率估計，使得排序互信息出現(xiàn)有偏估計，通常導致互信息值高估?？梢郧宄氐玫剑赾趨于1時，X與Y之間的耦合關(guān)系達到最大。在圖35中，當耦合系數(shù)c=，x1與y1之間的耦合關(guān)系開始表現(xiàn)的更加明顯，此時耦合系數(shù)繼續(xù)增大，如圖36所示，x1與y1的點在圖中幾乎快要重合，由此可以看出驅(qū)動系統(tǒng)X對響應系統(tǒng)Y的作用將要達到最大。圖33 c=0時當耦合系數(shù)c=0時，x與y的相互關(guān)系：由圖33中點的分布情況，我們可以看出，x1與y1之間的相互作用并不明顯，兩者之間并沒有很大的相關(guān)性，驅(qū)動系統(tǒng)X對產(chǎn)生的響應系統(tǒng)Y的作用并不顯著，在此耦合系數(shù)下，Henon映射生成的時間序列關(guān)系如上圖。y1=(c*xx1*yy1++(1c)*yy1.^2)+by*yy2。根據(jù)X與Y的映射關(guān)系可以得到用Matlab實現(xiàn)Henon映射的如下程序：x1=.^2+bx*xx2。圖32 排序互信息的算法流程圖 耦合的Henon映射考慮耦合的Henon映射，假設X為驅(qū)動系統(tǒng)，表達式如下： Y為響應系統(tǒng)，表達式如下： 式中，c為耦合系數(shù)，取值范圍為01，c值越大表示驅(qū)動系統(tǒng)X對響應系統(tǒng)Y的作用越大，如圖33334所示驅(qū)動X與響應Y的關(guān)系。 排序互信息的算法流程圖 根據(jù)上述排序互信息的算法，我們可以對其中的原理公式進行編程，在此之前我們可以總結(jié)出求得排序互信息的流程，其具體布驟如圖32所示。首先對分別單通道腦電信號X的排序模式進行分析，將所有排序模式相同的的向量歸為一組，統(tǒng)計出每一種排序模式出現(xiàn)的次數(shù)，就可以得到每一種模式出現(xiàn)的概率，計算如下： 定義腦電信號X 的排序模式概率分布為px，相似地可得到腦電信號Y的排序模式概率分布py。因此，在m維空間中的每個向量，都能唯一的映射到m種排序模式i。給定腦電序列X和Y，嵌入到m維空間中，得到向量和，m為嵌入維數(shù)，τ為延遲時間?；バ畔⒖梢院饬恳粋€變量攜帶另一個變量測度，其值越大，表明二隨機變量相關(guān)程度越強，反之相關(guān)性越小?？啥x歸一化互信息NMI： 式中，NMI在01變化?；バ畔⑹菍ΨQ的度量X和Y的相互關(guān)系，且是一個非負的度量指標，當且僅當X和Y相互獨立時I(X。(3) I(X。(2) I(X。Y)=I(Y。設隨機變量X和Y的聯(lián)合概率密度分布函數(shù)為p(x, y)，可定義隨機變量X 和Y的聯(lián)合熵： 對于離散隨機變量X，概率密度函數(shù)的估計方法各不相同，最經(jīng)典的方法就是直方圖法，即將離散隨機變量X分為b個區(qū)域，X={x1，x2…，xb}，考察離散序列的值落在每個區(qū)間的個數(shù)，可以獲得變量X在各個區(qū)域的概率，即事件{X=xi}的概率： 那么根據(jù)離散隨機序列變量X的概率密度函數(shù)px，即可得到離散序列的信息熵： 類似，可以定義離散隨機變量位于bb個區(qū)域中的概率，獲得事件{X=xi，Y=yi}的概率： 根據(jù)離散隨機變量X和Y的聯(lián)合概率密度pxy，獲得離散序列的聯(lián)合熵： 基于信息熵，可以定義互信息： I(X。 互信息 基于信息熵的測量已經(jīng)廣泛的用于分析非線性系統(tǒng)，信息熵可以用來描述時間序列隨機性的程度，可以量化隨機變量之間概率分布的差異，互信息可以用于測量信號之間的統(tǒng)計獨立性[11]。對于兩個時間系統(tǒng)X和Y的時間變量，首先重構(gòu)其延遲向量和，這里稱為嵌入維數(shù)，稱為延遲時間。K2xy（f）的取值范圍從0（特定頻率處二信號不相關(guān)）到1（特定頻率處二信號完全相關(guān)），廣泛應用于檢測腦電信號在一段頻帶范圍內(nèi)的一致性。實際中，通常采用滑動平均技術(shù)來改進譜估計器的性能，將EEG信號分為M個等長的時段，對每個時段進行譜估計后進行平均，一致性通?？捎梢韵鹿接嬎悖? 式中表示M段數(shù)據(jù)的平均。 一致性一致性(coherence)可以從頻域上量化雙變量信號的線性相關(guān)性，一致性又稱為幅度均方一致性或一致譜?；ハ嚓P(guān)函數(shù)的值域范圍是從1（完全線性反相關(guān)）到1(完全線性相關(guān))。 互相關(guān)互相關(guān)函數(shù)是一種古老典型、算法簡單的相關(guān)性測量方法，廣泛應用于計算兩路信號之間的線性相關(guān)。 本章小結(jié) 本章對腦電信號同步的分析方法進行了研究，從單通道腦電信號的分析，雙通道腦電信號的分析和多通道腦電信號的分析三方面進行了介紹，闡明了腦電信號研究的逐層深入的研究方法以及各個研究方法對腦電信號研究的意義，揭示了腦電信號研究的重要性。偏直接一致(partial directed coherence, PDC)和直接轉(zhuǎn)換函數(shù)(directed transferfunction, DTF)是基于多變量自回歸模型(multivariate autoregressive, MAR)，對Granger因果關(guān)系在頻域的一種描述，是一種線性的方法，可以描述特定頻帶內(nèi)多