一种分区域脑电建模和对角块模型脑电通道社团分类方法

技术领域

本发明涉及生物电信号处理和聚类领域，尤其是一种分区域脑电建模和对角块模型脑电通道社团分类方法。

背景技术

随着计算神经科学的发展，对脑电信号进行建模成为人们研究大脑组织节后，研究脑电信号的产生和信息处理机制的一个新的途径。

目前大脑神经模型主要分为两类，第一类实在微观层次上对神经元的建模，对神经元的建模有利于人类理解大脑最基本的工作原理，但大脑由上亿种不同种类的神经细胞构成，大脑功能也是众多神经元群协同工作的结果，因此仅从微观层次上研究是远远不够的。第二类模型称作为集总参数模型，例如神经元群模型(以下简称NMM)，该模型是从神经系统“组织结构”的角度构建脑电信号，采用集总的状态变量表示神经网络中整个细胞群的平均行为。耦合的NMM可以反映神经元群之间的相互联系，目前的多通道脑电信号建模，虽然能够模拟耦合对脑电信号的影响，但是无法表明是那个区域的脑电。

针对此问题，需要提出一种多通道脑电建模，能够反应不同大脑区域的脑电信号，对研究各个区域脑电信号之间的关系在医学、生物等领域有着重要意义。

发明内容

本发明需要解决的技术问题是提供一种分区域脑电建模和对角块模型脑电通道社团分类方法，通过寻找脑电通道之间的社团结构，能够反应不同大脑区域的脑电信号之间的关系。

为解决上述技术问题，本发明所采用的技术方案是：

一种分区域脑电建模和对角块模型脑电通道社团分类方法，包括以下步骤：

S1、数据生成：建立多通道耦合神经元群脑电模型，并利用多通道耦合神经元群脑电模型生成多通道脑电数据；

S2、判断聚类数：基于轮廓系数对生成的多通道耦合神经元群脑电模型选择聚类超参数；

S3、寻找社团结构：使用块混合模型方法对生成的脑电数据通道进行社团结构分类。

本发明技术方案的进一步改进在于：S1具体包括以下步骤：

S1.1基本神经元模型建模：将突触前信息转化为突触后信息；

S1.2根据S1.1中的基本神经元模型建模建立多动态神经元模型；

S1.3根据S1.2中的多动态神经元模型建立多通道耦合神经元群脑电模型。

本发明技术方案的进一步改进在于：S1.1中，所述突触前信息包括动作电位的平均脉冲密度，所述突触后信息包括突触后膜兴奋或抑制点位；设置单通道的基本神经元模型，其他非锥体细胞的突出后信息，对于单位冲击响应分别为：

其中，h

线性函数h

其中，G表示兴奋性平均细胞增益H

通过静态非线性函数将平均膜电压转化成动作点位的平均密度，即平均点燃率，并作为线性变换函数的输入；静态非线性函数表示为：

其中，S(v)为动作点位的平均密度，为非线性函数，v为平均膜电压，2e

基本神经细胞群落模型由以下微分方程表示：

其中y

模拟的脑电波(Electroencephalogram，简称EEG)信号为兴奋性和抑制性突出后电位的和：

y(t)＝y

本发明技术方案的进一步改进在于：S1.2中，通过调整转函数h中的兴奋性和抑制性参数H

本发明技术方案的进一步改进在于：S1.3中，通过将锥体细胞动作电位的平均脉冲密度加以相应的延时，作为其他区域发兴奋性输入，形成大脑不同区域之间的耦合，将S1.2中的多动态神经元模型扩展为多通道耦合神经模型，j通道对k通道的耦合脑电波信号为：

其中，q

多通道耦合神经元群脑电模型用微分方程表示为：

其中，j＝1,2,…,M，表示产生M个通道的脑电信号；i＝1,2,…,N仍表示存在N个不同动态特性并联的子群。

求出对应的解之后，根据S1.1中模拟的脑电波信号公式得到多通道脑电信号：

其中，j＝1,2,…,M，表示产生M个通道的脑电信号；i＝1,2,…,N仍表示存在N个不同动态特性并联的子群，y

本发明技术方案的进一步改进在于：S2具体包括以下步骤：

S2.1计算轮廓系数；

针对S1中生成的多通道脑电数据，把每个通道看作一个向量对于不同的聚类数来进行聚类，并计算他们的轮廓系数，设第i通道的轮廓系数为S(i)：

其中，a(i)为簇内不相似度，表示i向量到同簇内其他点不相似程度的平均值，体现凝聚度，b(i)表示簇间不相似度，表示i向量到其他簇的不相似程度的最小值，体现分离度；

S2.2计算最近簇；

用第i个通道到第k簇所有样本的平均距离作为衡量该点到该簇的距离，之后选择离X

其中，X

S2.3选择聚类数；

求出所有样本的轮廓系数之后再求平均值，得到平均轮廓系数，选择轮廓系数平均效果最好的聚类数作为S3中社团结构的数量。

本发明技术方案的进一步改进在于：聚类数为4。

本发明技术方案的进一步改进在于：S3具体包括以下步骤：

S3.1生成相似度矩阵：对于给定的一组C维的N个数据样本{x

S3.2社团关系可视化：把S3.1中得到的相似性矩阵W按行方向搜索最大值，判断聚类结果，显示其索引根据聚类结果排序的相似度矩阵。

本发明技术方案的进一步改进在于：S3.1中，假定数据可以被分为K个簇，给每个样本x

当x

z

其中，π是k元素向量，表示每个集群被分配的概率服从狄利克雷分布：

π～Dirichlet(λ) (3.2)

其中，π为狄利克雷分布的样本，λ为狄利克雷分布的浓度参数；

如果x

相似矩阵W中所有元素满足0＜W

其中，Θ

根据公式(3.4)，计算Θ

由于采用了上述技术方案，本发明取得的技术进步是：

1、本发明根据δ波常在额部出现，只发生在皮质中，θ波散布于额区、中央区、颞区，顶区亦有少量，α波是大脑皮层处于清醒放松状态时点活动的主要表现，β波中央和区额区最为明显，γ波额区及中央区最多，对使用Jansen神经元模型的生成δ、θ、α、β和γ这5种脑电节律信号在不同皮层区域赋予不同的权重，达到了大脑皮层不同区域脑电信号区分的效果。

2、本发明通过将用于脑电数据进行分类的BMM算法首次应用于对脑电通道进行分类，寻找在一次运动想象中哪些脑电通道的相关性更强，达到了明显的体现社团中各个通道相似性的结果。

附图说明

图1是本发明中的分区域脑电建模和对角块模型脑电通道社团分类方法流程图；

图2是本发明中单通道神经元群模型框图；

图3是本发明中多动态神经元群模型框图；

图4是本发明中生成的14通道脑电数据；

图5是本发明中64通道脑电数据使用轮廓系数SC对生成的脑电模型选择聚类超参数的大小；

图6是本发明中使用BMM算法对64个脑电通道寻找社团结构的结果。

具体实施方式

下面结合附图及实施例对本发明做进一步详细说明：

大脑各区域以及各个通道之间的关联性在医学领域和生物领域有着重要的意义，因此寻找脑电通道之间的社团结构就成为脑电领域重要的研究方向之一，需要将脑电通道分成几组。聚类是一项发现数据中的结构和有趣模式的任务，基于相似矩阵的方法已经在不同的应用中取得了很大的成功。然而，在以相似矩阵为输入的生成模型中，用于聚类的工作有限。在聚类问题中，需要确保同一聚类内的样本相似，而来自不同聚类的样本不太相似。因此，给定一个相似度矩阵，如果按照聚类指标对相似度矩阵的指标进行排序，对角线块中的元素通常具有较大的值，因为这些元素衡量的是同一聚类中的样本之间的相似性；而非对角线块中的元素通常具有较小的值，因为这些元素衡量的是来自不同聚类的样本之间的相似性。针对这一点，需要提出一种基于相似矩阵的概率聚类模型，称为块混合模型(Block Mixture Model，以下简称BMM)。它是一种产生式模型，通过发现相似矩阵中的块对角线结构来发现簇。作为一种贝叶斯方法，BMM考虑了模型的不确定性，允许我们在模型之前提供信息，并防止过度拟合。在此之前BMM方法只对脑电数据进行分类，在这里用于对脑电通道进行分类，能够更明显的表示社团结构。

如图1所示，一种分区域脑电建模和对角块模型脑电通道社团分类方法，包括以下步骤：

S1、数据生成：建立多通道耦合神经元群脑电模型，并利用多通道耦合神经元群脑电模型生成多通道脑电数据；具体包括以下步骤：

S1.1基本神经元模型建模：将突触前信息转化为突触后信息；所述突触前信息包括动作电位的平均脉冲密度，所述突触后信息包括突触后膜兴奋或抑制点位；设置单通道的基本神经元模型，其他非锥体细胞的突出后信息，对于单位冲击响应分别为：

其中，h

线性函数h

其中，G表示兴奋性平均细胞增益H

通过静态非线性函数将平均膜电压转化成动作点位的平均密度，即平均点燃率，并作为线性变换函数的输入；静态非线性函数表示为：

其中，S(v)为动作点位的平均密度，为非线性函数，v为平均膜电压，2e

综上所述，根据图2所示，基本神经细胞群落模型由以下微分方程表示：

其中y

模拟的脑电波(Electroencephalogram，简称EEG)信号为兴奋性和抑制性突出后电位的和：

y(t)＝y

S1.2根据S1.1中的基本神经元模型建模建立多动态神经元模型；

通过调整转函数h中的兴奋性和抑制性参数H

S1.3根据S1.2中的多动态神经元模型建立多通道耦合神经元群脑电模型；

根据神经生理学研究证实，大脑功能是由较远距离的区域之间的强耦合形成的，且大脑皮层对较远目标的输出是兴奋性的，考虑到较远脑区之间的耦合存在延时，引入新的延迟时间参数。

综上所述，通过将锥体细胞动作电位的平均脉冲密度加以相应的延时，作为其他区域发兴奋性输入，形成大脑不同区域之间的耦合，将S1.2中的多动态神经元模型扩展为多通道耦合神经模型，如图3所示；

j通道对k通道的耦合脑电波信号为：

其中，q

多通道耦合神经元群脑电模型用微分方程表示为：

其中，j＝1,2,…,M，表示产生M个通道的脑电信号；i＝1,2,…,N仍表示存在N个不同动态特性并联的子群。

求出对应的解之后，根据S1.1中模拟的脑电波信号公式得到多通道脑电信号：

其中，j＝1,2,…,M，表示产生M个通道的脑电信号；i＝1,2,…,N仍表示存在N个不同动态特性并联的子群，y

生成的14通道脑电信号如图4所示。

S2、判断聚类数：基于轮廓系数对生成的多通道耦合神经元群脑电模型选择聚类超参数；具体包括以下步骤：

S2.1计算轮廓系数；

针对S1中生成的多通道脑电数据，把每个通道看作一个向量对于不同的聚类数来进行聚类，并计算他们的轮廓系数，设第i通道的轮廓系数为S(i)：

其中，a(i)为簇内不相似度，表示i向量到同簇内其他点不相似程度的平均值，体现凝聚度，b(i)表示簇间不相似度，表示i向量到其他簇的不相似程度的最小值，体现分离度；

S2.2计算最近簇；

用第i个通道到第k簇所有样本的平均距离作为衡量该点到该簇的距离，之后选择离X

其中，X

S2.3选择聚类数；

求出所有样本的轮廓系数之后再求平均值，得到平均轮廓系数，簇内样本距离越近，簇间样本距离越远，平均轮廓系数就越大，选择轮廓系数平均效果最好的聚类数作为S3中社团结构的数量；各个通道的平均轮廓系数如图5所示，由图5可得，当聚类数为4的时候，综合各个通道的平均轮廓系数效果最好。

S3、寻找社团结构：使用块混合模型方法对生成的脑电数据通道进行社团结构分类；具体包括以下步骤：

S3.1生成相似度矩阵：对于给定的一组C维的N个数据样本{x

假定数据可以被分为K个簇，给每个样本x

当x

z

其中，π是k元素向量，表示每个集群被分配的概率服从狄利克雷分布：

π～Dirichlet(λ) (3.2)

其中，π为狄利克雷分布的样本，λ为狄利克雷分布的浓度参数；

如果x

相似矩阵W中所有元素满足0＜W

其中，Θ

根据公式(3.4)，计算Θ

S3.2社团关系可视化：把S3.1中得到的相似性矩阵W按行方向搜索最大值，判断聚类结果，显示其索引根据聚类结果排序的相似度矩阵。

由S1生成的64通道脑电信号，人工设置成四个社团，其中相邻的16个通道耦合强度较强，对通道应用BMM算法得到的社团结构如图6所示生成四个社团，对角块中的通道相似度较高，非对角块中的元素相似度较小。

综上所述，本发明通过寻找脑电通道之间的社团结构，能够反应不同大脑区域的脑电信号之间的关系。