多通道腦電信號間定向關聯(lián)評估方法研究.pdf

1、在神經(jīng)科學和生物醫(yī)學工程領域，隨著腦功能成像技術和腦功能關聯(lián)分析技術的快速發(fā)展，大腦功能相關性與功能區(qū)域連接結構圖等方面的研究取得了重大進展，并為人們更好地理解大腦神經(jīng)活動與其展現(xiàn)出來的復雜功能之間的關系開創(chuàng)了一種重要的研究途徑。根據(jù)目前生理結構解剖學和神經(jīng)系統(tǒng)動態(tài)影像等技術已取得的研究成果，可以將人類的大腦皮層看作是一個由大量神經(jīng)元相互作用、相互關聯(lián)而構成極其復雜的動力學系統(tǒng)。為檢測和評估該動力學系統(tǒng)在大腦神經(jīng)活動過程中的網(wǎng)絡結構和定

2、向關聯(lián)信息，目前主要的研究方法是對同時采集到的多通道腦電信號間隱藏著的定向關聯(lián)信息作進一步的分析與評估。
　　本論文主要圍繞多通道腦電信號間的定向關聯(lián)評估問題進行研究，提出了新的多元信號模型和評估分析方法，并解決了目前一些分析方法中存在的重要缺陷。
　　首先，在簡單介紹多元信號間定向關聯(lián)評估方法的發(fā)展現(xiàn)狀后，針對自適應定向傳遞函數(shù)(ADTF)方法無法準確區(qū)分和評估瞬間定向關聯(lián)和時延定向關聯(lián)的問題，提出了動態(tài)因果排序(DCO)

3、新算法，并詳述了如何構建擴展時變多元自回歸頻域模型。在此基礎上，又分別提出了用于評估瞬間定向關聯(lián)的瞬間作用因子(IEF)方法和用于評估時延定向關聯(lián)的time-lagged ADTF方法。多個仿真實驗研究的分析結果顯示了DCO新算法具有非常高的排序準確率，而IEF方法則能夠有效地對瞬間定向關聯(lián)進行實時跟蹤，同時time-lagged ADTF方法比傳統(tǒng)的ADTF方法更能準確描述多元信號間的時延定向關聯(lián)作用。
　　其次，將DCO新算法

4、、IEF方法和time-lagged ADTF方法應用到真實的多通道視覺誘發(fā)電位(VEP)信號研究中，并與傳統(tǒng)的ADTF方法結果進行比較，證實了VEP信號間定向關聯(lián)結構存在異側性特征的現(xiàn)象。
　　為解決多元信號在弱耦合情況下的相位定向關聯(lián)評估問題，本文又提出了基于帶噪聲項Kuramoto模型的定向關聯(lián)指標(DI)方法和源信號指標(SI)方法，分別用于評估多元信號間的相位定向關聯(lián)結構和源信號的辨識，并通過多個仿真研究的分析結果顯示了

5、DI方法在多元信號弱耦合情況下比傳統(tǒng)的ADTF方法具有更高的源信號辨識準確率以及更好的評估性能，同時DI方法還具有有效分辨多元信號間直接和間接定向關聯(lián)的能力。
　　最后，將提出的DI方法和SI方法對多組癲癇病人發(fā)作間歇期的皮層電位信號進行了分析，獲得了皮層腦電信號相位耦合的定向關聯(lián)結構圖，評估了其可能的癲癇發(fā)作源區(qū)域位置。通過與傳統(tǒng)的ADTF方法結果的比較，揭示了病人大腦皮層右半球前額葉位置有可能是癲癇發(fā)作間歇時段內的次要影響源區(qū)