本帖最后由 vera 于 2024-9-19 18:42 编辑
脑电信号（EEG）的功能性连接特征主要反映了大脑不同区域之间在神经活动上的相互关联和协同作用。这些特征对于理解大脑的认知功能、疾病状态以及脑网络动态变化具有重要意义。以下是一些常见的脑电信号功能性连接特征：
1. 相锁值（Phase-Locking Value, PLV）
基本原理
PLV 衡量两个信号在相位上的一致性，反映它们在特定频率下的相位同步程度。PLV 是一个在0到1之间的值，其中1表示完全同步，0表示完全不同步。
计算公式
实现步骤- 预处理：对EEG信号进行滤波，选择感兴趣的频段。
- 相位提取：对滤波后的信号进行短时傅里叶变换（STFT）或小波变换，提取相位信息。
- 计算PLV：按照公式计算每个时间点的相位差的复数平均值的模值。
- 统计分析：计算PLV的统计特性，如在整个时间窗口内的PLV值。
2. 相滞指数（Phase Lag Index, PLI）
基本原理
PLI是一种衡量两个信号之间相位滞后程度的指标，它量化了两个信号在特定频率上相位差的符号变化。相位滞后可能表明信号之间存在信息传递的方向性。
计算公式
实现步骤- 预处理：对信号进行频段滤波。
- 相位提取：提取信号的相位信息。
- 计算PLI：计算相位差的正弦值的符号函数的平均值。
- 统计分析：分析PLI的变化，如在不同脑区或时间窗中的PLI值。
3. 皮尔逊相关系数（Pearson Correlation Coefficient）
基本原理
皮尔逊相关系数衡量两个信号之间的线性关系强度，值的范围从-1到1，值为1表示完全正相关，-1表示完全负相关，0表示无相关性。
计算公式
实现步骤- 预处理：去噪声和滤波。
- 信号对齐：对不同脑区的信号进行时间对齐。
- 计算相关系数：计算信号的协方差和标准差，并使用公式计算皮尔逊相关系数。
- 统计分析：分析不同脑区之间的相关性。
4. Granger因果分析（Granger Causality Analysis）
基本原理
Granger因果分析用来确定一个信号是否可以用来预测另一个信号的未来值。它基于时间序列建模，评估信号间的因果关系。
计算公式
实现步骤- 预处理：对时间序列数据进行预处理，去噪和滤波。
- 建模：使用线性回归模型建立滞后项模型。
- 计算F统计量：计算F统计量，以检验是否有因果关系。
- 假设检验：使用F统计量的p值进行假设检验，判断因果关系的显著性。
5. 互信息（Mutual Information）
基本原理
互信息衡量两个信号间的信息共享量，即一个信号对另一个信号信息的贡献，能够捕捉非线性关系。
计算公式
实现步骤- 离散化信号：将信号分段或离散化以估计概率分布。
- 计算概率分布：估计联合和边际概率分布。
- 计算互信息：使用公式计算互信息值。
- 分析结果：分析互信息的大小，评估信号间的非线性关系。
总结
这些功能性连接特征帮助研究人员理解大脑不同区域之间的互动和信息传递机制，广泛应用于认知研究、临床诊断和脑-计算机接口等领域。每种特征有其特定的计算方法和应用场景，根据研究目标和数据特性选择合适的特征分析方法能够更好地理解大脑的功能连接和动态行为。
|
