目的为了研究运动想象过程中脑功能网络(brain functional network,BFN)的时频变化特征及对运动想象任务识别的影响,本文提出一种个性化皮尔逊相关系数(personalized Pearson correlation coefficient,PPCC)并用于动态BFN的构建与特征...目的为了研究运动想象过程中脑功能网络(brain functional network,BFN)的时频变化特征及对运动想象任务识别的影响,本文提出一种个性化皮尔逊相关系数(personalized Pearson correlation coefficient,PPCC)并用于动态BFN的构建与特征提取方法。方法首先,对各受试者运动想象脑电(motor imagery EEG,MI-EEG)频带范围进行两级筛选,获得其最优频带;然后,将运动想象时间段进行分割,计算各子时段最优频带MI-EEG的PPCC,并用于构建个性化的动态BFN;进而,计算各个BFN的度作为网络特征,并将多时段的网络特征串行融合获得特征向量;最后,针对BCI Competition III Data Set IIIa和BCI Competition IV Data Set 2a数据集,采用支持向量机检验特征的有效性。结果在两个公共数据集上,本文方法的10×10折交叉验证最高识别率分别为100.00%和68.84%。与基于共空间模式和基于PCC的BFN特征提取方法相比,具有明显的优势,双样本t检验的结果也充分表明了PPCC的优越性。结论与PCC相比,基于PPCC能构建出可客观地展现运动想象个性化特点的动态BFN,反映了不同受试者运动想象时大脑激活的差异性,及其在时域和频域同时呈现的动态变化特点,有效增强了特征提取的自适应性。展开更多
文摘目的为了研究运动想象过程中脑功能网络(brain functional network,BFN)的时频变化特征及对运动想象任务识别的影响,本文提出一种个性化皮尔逊相关系数(personalized Pearson correlation coefficient,PPCC)并用于动态BFN的构建与特征提取方法。方法首先,对各受试者运动想象脑电(motor imagery EEG,MI-EEG)频带范围进行两级筛选,获得其最优频带;然后,将运动想象时间段进行分割,计算各子时段最优频带MI-EEG的PPCC,并用于构建个性化的动态BFN;进而,计算各个BFN的度作为网络特征,并将多时段的网络特征串行融合获得特征向量;最后,针对BCI Competition III Data Set IIIa和BCI Competition IV Data Set 2a数据集,采用支持向量机检验特征的有效性。结果在两个公共数据集上,本文方法的10×10折交叉验证最高识别率分别为100.00%和68.84%。与基于共空间模式和基于PCC的BFN特征提取方法相比,具有明显的优势,双样本t检验的结果也充分表明了PPCC的优越性。结论与PCC相比,基于PPCC能构建出可客观地展现运动想象个性化特点的动态BFN,反映了不同受试者运动想象时大脑激活的差异性,及其在时域和频域同时呈现的动态变化特点,有效增强了特征提取的自适应性。
