基于PDC的注意相關(guān)腦電因效網(wǎng)絡(luò)分析.pdf

1、研究大腦皮層中注意相關(guān)的腦網(wǎng)絡(luò)機(jī)制具有重要的學(xué)術(shù)價(jià)值。為描述大腦皮層之間的相互作用，神經(jīng)學(xué)家們提出了大量的腦電網(wǎng)絡(luò)的分析方法，如互信息量、互相關(guān)、同步似然等。這些腦電分析方法只適合于分析無方向的功能性腦網(wǎng)絡(luò)(functional networks)，對網(wǎng)絡(luò)節(jié)點(diǎn)之間的相互影響或信息流向卻無能為力。而基于格蘭杰因果性(causality analysis，GC)的部分定向相干分析(partial directed coherence，PDC

2、)能成功的揭示皮層相互作用的方向和強(qiáng)度。因此，本文借助PDC的分析方法，試圖描述注意相關(guān)的大腦皮層之間的網(wǎng)絡(luò)。
　　本文設(shè)計(jì)了兩組不同的注意品質(zhì)實(shí)驗(yàn)，并采集了19名志愿者的腦電信號(hào)。通過局域均值分解算法(local mean decomposition,LMD)提取了前四個(gè)分量作為特征向量，并采用了支持向量機(jī)(support vector machine，SVM)的方式實(shí)現(xiàn)分類，從而識(shí)別出了腦電信號(hào)中注意相關(guān)的導(dǎo)聯(lián)。本文以選擇的導(dǎo)

3、聯(lián)作為網(wǎng)絡(luò)節(jié)點(diǎn)，對每名被試的腦電數(shù)據(jù)建立了多通道自回歸模型(multivariate autoregressive model，MVAR)，并借助PDC的方法，在Delta、Theta、Alpha、Beta頻帶上分別建立了注意相關(guān)的皮層因效性網(wǎng)絡(luò)(effective networks)。最后，本文從圖論的角度出發(fā)，研究了各個(gè)頻帶上因效性網(wǎng)絡(luò)的基本統(tǒng)計(jì)特性，并與同維度的隨機(jī)網(wǎng)絡(luò)進(jìn)行了對比。
　　本文的研究表明(1)表征注意和非注意的