个人 申请域名做网站,wordpress首页不显示post,免费咨询律师的电话是多少,网站建设中 模板 下载基于EEG/MEG信号的大尺度脑功能网络分析 Q: 什么是基于EEG/MEG信号的大尺度脑功能网络分析#xff1f; A: 基于脑电图#xff08;EEG#xff09;或脑磁图#xff08;MEG#xff09;信号的大尺度脑功能网络分析是一种研究大脑活动的方法#xff0c;旨在探索脑区之间的功能…基于EEG/MEG信号的大尺度脑功能网络分析 Q: 什么是基于EEG/MEG信号的大尺度脑功能网络分析 A: 基于脑电图EEG或脑磁图MEG信号的大尺度脑功能网络分析是一种研究大脑活动的方法旨在探索脑区之间的功能连接和信息传递。 概述
基于EEG/MEG信号的大尺度脑功能网络分析的优势 1借助源定位技术可同时获得较高的时间ms级和空间分辨率mm级 2可提供丰富的频率信息 3便宜性成本、数据长度的要求等
基于EEG/MEG信号的大尺度脑功能网络分析技术 1基于地形图聚类的微状态Microstate分析 2隐马科夫模型Hidden Markov ModelHMM 3独立成分分析Independent Component AnalysisICA
静息态EEG微状态分析对数据的要求
静息态电极全脑覆盖且电极数目大于20个数据长度预处理后最终长度大于3min对数据质量及预处理的要求全脑平均参考各个电极有空间坐标、较高数据质量特别是无坏电极
微状态分析中的基本概念
Global Field PowerGFP某个时间点地形图所有电极电压值的标准差 1GFP是reference-free的指标 2GFP可用于描述某时刻地形图的电场强度GFP较高的地形图较为“陡峭”、信噪比高
描述地形图之间的相似性或不相似性的指标 1总体地形图不相似性Global Map DissimilarityGMDGMD取值范围为0两个地形图分别处以其GFP后完全相同到2两个地形图分别除以其GFP后极性完全反转。都除以GFP的目的是使两个地形图排除强度的影响可以理解为归一化到某一个纬度在进行比较 2空间相关系数Spatial Correlation CoefficientSCCSCC取值范围为-1两个地形图分别除以其GFP后极性完全反转到1两个地形图分别除以其GFP后完全相同
微状态分析概述 下图上方波形是采集到的一段脑电信号每一个波形是一个电极的信号一共四秒每一个时刻都可以绘制一个地形图比如采样率是1000Hz采集一分钟的数据就会有60x100060000个地形图所以可以绘制上万个地形图。即得到地形图的时间序列。 然后对地形图的时间序列聚类聚类使用的就是GMD和SCC相似性高的或者SCC高的进行聚类。 一般来说都可以聚类为四类地形图得到这四类地形图就可以分析每一个时刻点属于哪一类地形图。因为每个时刻点的地形图都可以分别跟四类地形图求SCC和GMD看哪个相似性最高。最后就可以得到下图最后一行的时间序列每种颜色分别表示属于哪一类。 上面得到的时间序列可以验证概述中所描述的(1)“地形图的拓扑结构总是在一定时间内保持想对稳定的状态之后迅速转换为另一个在一定时间内保持相对稳定的状态”刚开始灰色属于B类一段时间后又是绿色属于A类一般时间又变成灰色…(2)“在地形图拓扑结构保持相对稳定的一段时间范围内地形图的强度GFP可能增大或降低”在时间序列中颜色表示类别包络表示GFP 可以看到在同一个类别的连续时间内GFP值也是一直变化的。
关于微状态分析中的几个问题 静息态EEG信号微状态分析的经典流程 基于k-means的微状态类别识别流程 流程和一般的聚类是相同的只不过这里初始化的k个点是k个地形图比如下面的例子在十个地形图中随机选择两个地形图作为模板分别命名为A、B。 然后分别求十个地形图与A、B的空间相关系数或GMD这线图中绿色的点表示与B的相似度黄色的点表示与A的相似度最后选择相似度高的类别将每一个地形图归类第一个聚类结果是十个地形图类别分别是AAA BB AA B AA。然后对所有的A类地形图求平均得到新的模板A对所有B类地形图求平均得到新的模板B。重复上面的步骤再进行聚类直到A和B不再更新终止算法。
基于T-AAHC的微状态类别识别流程 每个时间点为一个类别有n个地形图数据就可以分为n类然后找最坏的类别如何找最好的类别比如找方差解释比例最小的类别也就是最不重要的类别。将最坏的类别分配给相关性最高的类别剩下就为n-1个类别在找最坏的…不断迭代。
微状态分析的软件/工具箱 微状态技术学习必看文献
