基于图核的动态脑网络状态构建方法及其应用

动态脑网络能有效反映脑网络中连接结构的动态变化信息，被广泛使用于脑疾病的识别研究中。动态脑网络由一组连接矩阵组成。通常研究者会基于矩阵上三角元素向量的L2距离，计算所有样本连接矩阵的距离矩阵，使用状态聚类将这些连接矩阵划分为不同的状态。但是简单地使用L2距离，且在全部样本上进行状态聚类会导致忽视连接矩阵所代表的脑网络的图结构信息以及个体之间的差异。因此，提出一种新的基于图核的动态脑网络状态构建方法。该方法针对单个体的动态脑网络设计，使用图核衡量单个样本的动态脑网络连接矩阵之间的相似性，随后根据相似性矩阵，将连接矩阵与其最相似的矩阵进行合并。在精神分裂症数据集上验证该方法的有效性，其结果证明所提方法可以获取81.6%的分类精度。     

基于无阈值递归图和深度残差网络的脑电信号情感识别

提出基于无阈值递归图和深度残差网络相结合的脑电信号情感识别方法。基于非线性动力学理论,将脑电信号转化为无阈值递归图,克服了传统递归图分析中阈值选取的问题,同时脑电信号非线性特征被映射到二维平面。通过深度残差网络实现特征图非线性特征的自动提取,建立情感脑电分类模型,实现了单导联脑电信号情感识别。为进一步提高识别精度,联合四个单导联识别结果,采用“投票法”完成多导联脑电信号情感状态的联合识别。仿真结果表明,对Fp1、Fp2、F3、F4单导联脑电信号情感识别,平均准确率分别为93.82%、93.62%、94.54%、92.92%;多导联平均准确率为94.95%,提高了识别的准确率,具有很大的实用价值。     

基于脑功能网络和共空间模式分析脑电情绪识别

传统脑网络的情绪分类将聚类系数、平均最短路径等拓扑属性作为分类特征。针对这些属性易受网络连接阈值和特征选择的影响,难以完全表征不同情绪状态下的网络空间拓扑结构差异的问题,提出了一种基于脑网络和共空间模式的脑电情绪识别方法(EEG emotion classification based on common spatial patterns of brain networks topology,EEC-CSP-BNT)。该算法基于互信息在各个子频段内计算电极间的功能连接矩阵,同时利用共空间模式(common spatial pattern,CSP)分析学习空间滤波器,构建分类特征,最后通过分类器(如Fisher线性判别、支持向量机、K最近邻)实现基于脑电的情绪分类。基于DEAP和SEED数据集的实验结果表明,相比于脑网络拓扑属性,EEC-CSP-BNT能有效提取脑网络拓扑结构的分类信息,提高脑电情绪识别性能。     

静息态功能脑连接的空间动态分析及分类研究

现有的精神疾病分类模型仅采用脑网络的静态指标作为特征,忽略了脑网络的空间动态信息,导致分类性能不高。为克服这一局限性,提升分类模型的性能,提出了基于功能脑连接空间动态的分类方法。通过高维模板对脑连接进行空间动态分析,提取脑连接空间动态特征。利用统计分析进行特征选择,构建基于静息态功能脑连接的分类模型。通过对抑郁症患者与正常被试的分类实验结果表明,脑连接空间动态特征的分类准确率（83.0%）比传统采用脑网络的静态指标特征的分类准确率（77.8%）高5.2个百分点。     

基于微状态方法的癫痫脑电信号识别研究

目的 癫痫发作时脑神经元异常放电,严重危及人的生命,准确识别癫痫脑电信号对癫痫诊断具有重大意义,对此使用微状态分析法对癫痫脑电信号进行识别研究。方法 各选取11名癫痫患者和健康人,计算癫痫发作、未发作和健康人脑电微状态的传统特征（出现频率、平均持续时间、覆盖率和转移概率）、Hurst指数、动态特征（ACF和AIF）,进行差异性分析并使用SVM进行分类。结果1-40 Hz,癫痫发作和健康人、癫痫发作和未发作、癫痫未发作和健康人的传统特征、Hurst指数、动态特征均有显著差异,三种特征融合的准确率分别为99.9%、96.3%、96.3%,均高于其它频带（delta、theta、alpha、beta和 gamma）的准确率。结论 癫痫脑电微状态特征能被准确识别,1-40 Hz多参数特征融合能有效提高分类准确率。     

基于脑电网络图特征的情绪识别研究

针对情绪脑电信号提出一种网络图特征学习与情绪识别算法。首先,利用情绪脑电数据构建对应的情绪脑电网络;其次,在由情绪脑电网络尺度定义的高维空间构建脑电网络样本间的局部邻接关系图以挖掘样本集的分布特性,进而得到样本集的图拉普拉斯矩阵;在此基础上,进一步利用谱图理论对情绪脑电网络的最优低维空间映射进行求解,在保留原始样本局部邻接关系的前提下实现对情绪脑电网络的降维与重新表达,并将每个情绪脑电网络样本表示成1组脑电网络特征集;最后利用提取到的情绪脑电网络特征集,结合支持向量机分类学习算法,针对情绪识别任务进行识别模型的训练和学习,实现对情绪状态的准确解码与识别。在国际公开情绪脑电数据集的实验结果表明：相较于传统情绪识别算法,本文所提方法能有效提升情绪识别准确率,在基于公开数据集的多类情绪识别任务中分别达到91.85%（SEED数据集, 3类）、79.36%（MAHNOB-HCI数据集,3类）和79%（DEAP数据集,4类）的稳健识别效果。     

多特征融合的脑电情绪分类

为进一步探究不同类型特征互补性对脑电情绪分类的影响,提出一种基于多特征融合的脑电情绪分类新方法。对预处理后的脑电信号进行DE、MST和SampEn特征提取,采用双样本T检验去除冗余筛选出最优特征并融合,采用SVM分类模型来识别不同的情绪状态。在SEED-Ⅳ数据集上的实验结果表明,单一特征中DE的平均分类准确率最高（77.86%）,而融合非线性SampEn特征与功能连接MST属性后平均分类准确率得到进一步提升（84.58%）,不同时间段采集的数据上重测实验则证明了该方法的有效性与稳定性。     

基于脑电空间域表征可视化的情感识别研究*

鉴于情感脑电蕴含丰富的空间模式特征，提出一种基于二维空间域表征可视化的情感识别方法。首先，提取多通道脑电Gamma频段的微分熵（Differential Entropy，DE）特征并根据导联位置映射至9×9的二维空间进行拓扑重构，使用三次插值方法进一步提高空间域特征图的分辨率；然后，针对性地设计了一种深度残差网络（Residual Network，ResNet）模型作为情感脑电解码器对情感脑电信号（Electroencephalogram，EEG）进行深层抽象特征的自动提取和端到端分类；最后，通过梯度加权类激活映射（Gradient-weighted Class Activation Mapping，Grad-CAM）方法对输入特征图进行可解释性分析，依据热力图分布定位对特定情感状态识别具有较大贡献的空间脑区。在SEED数据集上进行了相关情感识别实验，三种情感类别分类平均准确率为94.88%，达到了较先进的性能。     

MCI患者高阶动态功能连接的图论网络构建方法及分类

针对在低阶脑网络应用图论忽视了功能连接高阶动态性的问题,提出了一种基于高阶动态功能连接的图论网络构建方法(GNC-HodFC),提取高阶FC网络的图论特征以对轻度认知障碍患者和健康被试者进行差异性分析及分类。首先定义了表征高阶动态脑网络连接的图论节点和边;然后利用滑动窗相关技术提取低阶功能连接信息,提出平稳性判据,选取最优特征子集以构建图论的节点;最后提出自适应阈值策略对高阶动态功能连接信息进行选取以构建图论的边,最终完成高阶动态脑网络的图构建。实验结果表明,GNC-HodFC的平均分类准确率可以达到70.5%,优于其他三种对比方法,且患者组和健康组的图论特征中存在显著性差异,GNC-HodFC方法可以为轻度认知障碍的诊断提供新的辅助手段。     

基于时间序列复杂网络的癫痫脑电分类研究

大脑是一个高度复杂的系统,而且脑电信号噪声背景强,信号微弱,传统的脑电信号特征提取方法不能全面反应脑电信号的特征信息,因此,提出一种与复杂网络理论的相结合,以时间序列为基础构造复杂网络的癫痫脑电分类方法。首先将癫痫脑电信号的时间序列分段处理,每一段作为网络的一个节点,通过Pearson相关计算节点之间的关系来构造网络的连接矩阵,然后通过连接矩阵计算网络特征参数,并对特征参数进行统计分析构造特征向量,最后,使用SVM、逻辑回归和K-NN等分类器进行分类研究。结果显示,该方法对数据集A-E、AB-CDE和ABCD-E的分类准确率分别达到96.67%、94.00%和94.33%。实验结果表明,作为传统时间、频率分析的替代方法,该方法是可用于对脑电信号进行模式识别分类的,能够有效对癫痫脑电信号分类识别。     

基于高阶最小生成树脑网络的多特征融合分类方法

现有的基于脑疾病的分类方法的研究使用的都是传统的低阶功能连接网络。低阶功能连接网络可能会忽略复杂的大脑区域之间动态的相互作用的模式。高阶功能连接网络能够反映网络中包含的丰富的动态时间信息,但原有的高阶功能连接网络使用聚类的方法降低了数据维度,使得构建的网络无法进行有效的神经学解释;其次,高阶功能连接网络由于规模较大,在利用复杂网络或图理论计算一些拓扑指标时消耗较大。基于此,提出了一种高阶最小生成树网络的构建方法,然后计算了传统的可量化网络指标(度和离心率)并结合频繁子图挖掘技术来挖掘具有判别能力的子网络,最后采用多核支持向量机进行分类。实验结果表明所提方法的分类精确度高达97.54%,获得了很好的分类性能。     

Dynamic screening of autistic children in various mental states using pattern of connectivity between brain regions

In this study, a dynamic screening strategy is proposed to discriminate subjects with autistic spectrum disorder (ASD) from healthy controls. The ASD is defined as a neurodevelopmental disorder that disrupts normal patterns of connectivity between the brain regions. Therefore, the potential use of such abnormality for autism screening is investigated. The connectivity patterns are estimated from electroencephalogram (EEG) data collected from 8 brain regions under various mental states. The EEG data of 12 healthy controls and 6 autistic children (age matched in 7–10) were collected during eyes-open and eyes-close resting states as well as when subjects were exposed to affective faces (happy, sad and calm). Subsequently, the subjects were classified as autistic or healthy groups based on their brain connectivity patterns using pattern recognition techniques. Performance of the proposed system in each mental state is separately evaluated. The results present higher recognition rates using functional connectivity features when compared against other existing feature extraction methods.     

基于传递熵关键因果连接的情感识别方法

人脑在情绪活动中呈现的信息流是复杂多变的,因此理解脑区间的动态交互过程至关重要,但是基于原始脑电信号构建的情绪网络包含了许多与情绪无关的冗余信息.针对此问题,提出一种在不丢失关键因果信息的前提下去除情绪无关网络连接的方法,并验证其在情感识别过程中的有效性.首先,基于传递熵因果分析方法对积极、中性和消极情绪构建归一化传递熵矩阵,再从积极、消极情绪矩阵中减去中性情绪矩阵,最后基于简化后的矩阵构建因效性脑网络并利用图论分析不同情绪的网络连通性.通过在DEAP数据集上的验证发现,该方法有效地提高了情感识别准确率.     

基于PCA的离散小波自回归情感识别

针对情感识别进行研究,提出基于主成分分析法（PCA）过滤小波变换结合自回归模型提取的信号特征方法,并基于梯度提升分类树以实现情感分类.将特征提取的重点放在脑电信号变化情况以及小波分量变化情况作为脑电信号特征.采用Koelstra等提出的分析人类情绪状态的多模态标准数据库DEAP,提取8种正负情绪代表各个脑区的14个通道脑电数据.结果表明,算法对8种情感两两分类识别平均准确率为95.76%,最高准确率为98.75%,可为情感识别提供帮助.     

采用多路图注意力网络的情绪脑电信号识别方法

情绪是一种大脑产生的主观认知的概括。脑信号解码技术可以以一种较客观的方式来有效地研究人的情绪及其相关认知行为。本文提出了一种基于图注意力网络的脑电情绪识别方法(multi-path graph attention networks, MPGAT),该方法通过对脑电信号通道建图,利用卷积层提取脑电信号的时域特征以及各频带的特征,使用图注意力网络进一步捕捉情绪脑电信号的局部特征以及各脑区之间的内在功能关系,进而构建出更好的脑电信号表征。MPGAT在SEED和SEED-IV数据集的跨被试情绪识别平均准确率分别为86.03%、72.71%,在DREAMER数据集的效价(valence)和唤醒(arousal)维度的跨被试平均准确率分别为76.35%和75.46%,达到并部分超过了目前最先进脑电情绪识别方法的性能。本文所提出的脑电信号处理方法有望为情绪认知科学研究与情绪脑机接口系统提供新的技术手段。     

动态功能脑网络模型的多任务融合Lasso方法

目的 传统的静息态功能性磁共振成像（fMRI）的功能脑网络（FBN）研究是基于在整个扫描过程中FBN固定不变的假设。但是,最近的研究表明FBN是动态变化的,而且其中蕴含着丰富的信息。本文提出一种多任务融合最小绝对值收缩和选择算子（Lasso）方法来构建静息态fMRI的动态FBN。 方法 提出的多任务融合Lasso方法可以在构建动态FBN时,保留网络的稀疏性及子序列的时间平滑性。具体来说,首先用滑动窗方法得到交叠的静息态fMRI子序列;然后用多任务融合Lasso方法联合地估计一个样本的所有子序列的功能连接从而构建动态FBN,用k均值聚类算法得到每类样本子序列的功能连接的聚类中心,并将所有类的聚类中心组成回归矩阵;最后根据回归矩阵求样本的回归系数,将其作为特征进行分类,验证多任务融合Lasso方法对动态FBN建模的有效性。 结果 采用公开的fMRI数据集来验证多任务融合Lasso模型构建动态FBN的分类效果。实验使用阿尔兹海默症神经影像学计划（ADNI）公开的fMRI数据集中的阿尔兹海默症患者、早期轻度认知功能障碍患者和健康被试3组数据,并用准确率、灵敏度和特异度来评估算法的分类性能。在3组二分类实验中,本文方法分别达到了92.31%、80.00%和84.00%的准确率。实验结果表明,与静态FBN模型和其他传统的动态FBN模型相比,本文方法能取得更好的分类效果。结论 本文提出的多任务融合Lasso构建动态FBN的方法,能有效地保留网络的稀疏性和子序列的时间平滑性,同时提高算法的分类效果,在一定程度上为脑部疾病的诊断提供帮助。多任务融合Lasso模型可以用于动态FBN的构建,挖掘功能连接的动态信息,同时整个算法可以用于基于fMRI数据的脑部疾病的分类研究中。     

基于功能连接信息熵的精神分裂症EEG分类研究

为了提高精神分裂症的有效诊断,利用网络功能连接信息熵的方法对51例精神分裂症患者和56例年龄匹配的正常人的脑电信号（Electroencephalogram,EEG）进行了分类。通过采用分频技术、相位同步分析方法、信息熵方法、支持向量机（Support Vector Machine,SVM）分类方法,大幅提高了分类准确率（98.13%）,实现了对精神分裂症的有效诊断。该分类方法主要涉及两阶段：利用分频技术和相位同步分析方法,获得各频段的脑电信号在各个时间点的功能连接矩阵;基于整个时间域上的功能连接计算各频段的信息熵,并将其分别作为功能脑网络的分类特征训练SVM分类器,进而对两组被试分类。分类结果表明,该方法大幅提高了精神分裂症检测的准确率。     

基于图卷积网络的运动想象识别

运动想象识别将大脑的神经活动信号转为编码输出以实现意念控制,是脑机接口的一个重要研究方向.近年来深度学习算法的应用进一步提高了运动想象识别的准确率,但是当前基于深度学习的运动想象分析都将多路脑电信号作为二维矩阵信号,忽视了不同节点的空间关联信息.为了解决这个问题,将图卷积网络算法应用到运动想象分类中,通过多个节点脑电信...