本帖最后由 vera 于 2024-9-20 14:46 编辑
脑电信号的非线性动力学特征分析技术主要用于捕捉EEG信号中潜在的非线性行为，如混沌、随机性和非线性相互作用。混沌是指在确定性系统中，虽然系统的行为遵循确定的规律，但其对初始条件的极端敏感性会导致系统状态的不可预测性。下面介绍一些常见的非线性动力学特征分析技术：
1. 相空间重构（Phase Space Reconstruction）
基本原理
将一维EEG时间序列嵌入到高维相空间中，观察系统的动态轨迹。通过相空间的形态，可以识别EEG信号中的混沌特性、周期性和准周期行为。相空间重构用于揭示脑信号的隐藏动态特征。常与其他混沌分析工具（如递归图、李雅普诺夫指数）结合使用。
计算公式
实现步骤
- 使用自相关函数或平均互信息法确定时间延迟τ
- 使用假最近邻法确定嵌入维数m
- 根据时间延迟和嵌入维数，进行时间序列的相空间重构
2. 李雅普诺夫指数（Lyapunov Exponent）
基本原理
李雅普诺夫指数用于衡量EEG信号对初始条件的敏感度，最大李雅普诺夫指数为正值意味着信号具有混沌特性。
计算公式
实现步骤- 对EEG信号进行相空间重构，得到轨迹。
- 选择相邻的轨迹并跟踪它们的时间演化。
- 计算两轨迹的距离随时间的变化，并根据公式计算李雅普诺夫指数。
3. 分形维数（Fractal Dimension）
基本原理
分形维数用于描述数据的几何复杂性和自相似性。它反映了信号在不同尺度下的自相似性，通常用于分析图形或空间数据的几何特性。
计算方法- 盒计数法（Box-Counting Method）：将信号分割成多个小区域（盒子），统计每个盒子包含的数据点数，然后计算盒子数目与盒子大小的关系，从而得到分形维数。
- Higuchi 分形维数：通过分析时间序列在不同尺度上的折叠长度来估计其分形维数。
4. 多尺度熵（Multiscale Entropy, MSE）
基本原理
在不同时间尺度上评估EEG信号的熵值，揭示信号的多尺度复杂性。MSE常用于研究不同意识状态（如昏迷、清醒）下脑电信号的复杂性。
计算步骤- 对时间序列进行降采样，得到不同时间尺度的序列。
- 对每个时间尺度的序列计算样本熵。
- 绘制熵值随时间尺度变化的曲线。
5.复杂网络分析（Complex Network Analysis）
基本原理
基于EEG信号的时间序列构建复杂网络，分析大脑不同区域之间的非线性相互作用。常用的指标包括节点的度、聚类系数和路径长度，用于描述大脑的网络拓扑结构。
实现步骤- 将EEG信号分割成多个时间段。
- 根据时间段之间的相似性构建网络节点和边。
- 计算网络的各种拓扑特征，如度分布、聚类系数等。
6. 递归图（Recurrence Plot, RP）
基本原理
递归图是一种用于可视化EEG信号递归行为的工具，展示了时间序列在相空间中的相似性和重复性。递归图可以揭示信号的混沌、周期性或转变行为。
计算步骤- 对EEG信号进行相空间重构。
- 计算每对点之间的距离，并绘制递归图。
- 通过递归图观察信号的动态结构，如周期性、突变等。
这些非线性动力学特征分析技术在脑电信号的研究中被广泛应用，尤其是在癫痫、意识状态监测、脑机接口等领域。每种技术通过不同的方式捕捉EEG信号中的非线性、复杂性和混沌特性，为大脑活动的理解提供了多样的视角，有助于揭示大脑功能状态和潜在的病理变化。
|
