论文部分内容阅读
目前,脑科学研究的热潮已在国内外兴起。大脑是一个非常复杂的系统,多个神经元、神经元集群或脑区相互连接成了庞杂的结构网络,因而脑功能网络已成为探索大脑信息处理和传递机制的有效手段之一,可为康复医疗、辅助控制、神经系统疾病诊断等提供科学依据,具有重要的理论意义和应用价值。在脑功能网络研究中,具有方向性的效应连接不仅描述网络节点之间的统计意义上的因果关系,而且能够反映信息在节点之间的传播方向,日益受到学者们的关注。本文以多导联运动想象EEG信号作为研究对象,针对传统Granger因果关系(GC)方法存在的问题,深入研究了基于滞后阶数自适应选择和copula模型的多变量因果关系分析方法,用来识别C3、C4和Cz为典型代表的不同脑区之间的因果影响。本文的主要工作及研究成果如下:(1)针对传统GC方法没有考虑多变量时间序列中通常存在的时滞依赖结构以及模型系数对因果关联性的影响,提出了一种基于改进后向时间选择(mBTS)的新型因果关系分析方法。该方法首先采用mBTS方法动态选取回归模型中每个变量的滞后阶数,然后利用模型的残差和系数重新定义变量之间因果关系的强度,有效提高了对真实因果关系的估计性能。与同类方法的仿真实验和运动想象脑电数据实验结果验证了所提方法的有效性。(2)针对基于线性回归框架的GC方法主要受限于检测线性因果关系的缺点,提出了一种基于copula的条件因果关系分析方法。首先通过时间序列的历史信息计算多个变量的联合分布函数,其次计算基于核函数估计方法的边缘条件分布,并结合秩统计方法估计经验条件copula密度函数,然后应用Bernstein逼近法估计最优的copula密度函数,最后在最优估计基础上构造基于对数似然比的条件因果关系。与线性GC、方差GC、核GC等方法的仿真实验和运动想象脑电数据实验比较表明,所提方法能有效捕捉非线性、高阶等复杂的因果关系。(3)实际运动想象EEG信号的采集与因果分析应用。首先介绍了 EEG信号研究基础、实验背景以及设计方案,然后对运动想象EEG信号进行采集和处理,最后采用8种因果关系方法分析C3、C4和Cz所在三个脑区之间的相互影响。实验结果表明,相对同类方法,所提方法能够较好地评估多导联运动想象EEG信号的因果影响。