本發(fā)明屬于機器學習和腦科學領域，具體涉及一種基于格蘭杰因果分析的腦電信息流交互識別方法和裝置。

背景技術：

1、在神經科學領域，對腦電信號（eeg）的分析是理解大腦功能的重要手段。腦電信號是由大腦皮層的神經元活動產生的電場變化，通過在皮層上放置電極來記錄。這些信號反映了大腦在各種認知任務中的動態(tài)過程，包括感知、注意、記憶和決策等。μecog是一種電生理技術，它從植入大腦表面的電極陣列記錄局部場電位。ecog信號的特點包括高空間分辨率（與eeg的幾毫米相比，μecog為幾微米），寬帶寬（0-500?hz相比于eeg的0-40?hz），高信噪比，以及由于電極陣列直接放置在皮層表面而減少了外部因素干擾的敏感性。這些特性使得ecog特別適合研究神經振蕩的詳細空間模式。

2、傳統(tǒng)的腦電信號分析方法主要關注于信號的功率譜特性，如功率譜密度分析和頻譜能量的變化。這些方法可以揭示大腦在不同狀態(tài)下的振蕩活動，如在睡眠、覺醒或特定認知任務中的腦電活動。然而，這些分析通常忽略了腦電信號的時序特性和動態(tài)交互，限制了對大腦復雜網絡動態(tài)的深入理解。

3、小波變換作為一種有效的時頻分析工具，因其能夠同時提供時間和頻率上的信息而受到關注。通過小波變換，可以檢測到腦電信號中的瞬時振蕩活動，這些活動與特定的神經認知過程密切相關。但它主要關注于信號本身的時頻特性，對于腦區(qū)間如何通過這些時頻特性進行信息交互的分析則相對有限。

4、格蘭杰因果（granger?causality,?gc）是一種評估時間序列之間因果關系的方法，通過分析一個信號是否能夠預測另一個信號的未來值來確定兩者之間是否存在因果關系。這種方法在經濟學、氣象學等領域取得了廣泛的應用，并逐漸被引入到神經科學的研究中。gc的引入為腦電信號分析提供了一種新的視角，使得研究者能夠探索腦區(qū)間的信息流向，而不僅僅是局部的腦電活動。然而，傳統(tǒng)的gc方法在處理高維腦電信號數(shù)據(jù)時存在一定的局限性，尤其是在處理具有復雜動態(tài)特性的大腦網絡時。

5、此外，傳統(tǒng)的腦電分析多通過平均足夠數(shù)量的單次試驗腦電圖反應來獲得事件相關電位（event-related?brain?potentials，erps），假設刺激引起的基本成分被鎖定到刺激起始，并且刺激之間的殘基平均值和給定的單次試驗只是噪音。然而，erps研究中的這一主導假設長期以來一直受到質疑。例如，erps可能由幾個連續(xù)的組件組成，不同的組件對于鎖定刺激的起始各不相同。在這種情況下，平均erps波形模糊了單次試驗中神經活動的表示。

技術實現(xiàn)思路

1、鑒于上述，本發(fā)明的目的是提供一種基于格蘭杰因果分析的腦電信號分析方法和裝置，其結合殘差迭代分解腦電重建和非參數(shù)格蘭杰因果分析（nonparametric?grangercausality,?npgc）兩種方式的優(yōu)勢，將不同腦區(qū)間的腦電格蘭杰因果值通過單點對多點均值的方式予以可視化到皮層呈現(xiàn)，從而展現(xiàn)不同腦區(qū)不同方向上頻率特異性的腦電信息流傳遞的時空模式，以提高對腦電信號在信息交互中時空動態(tài)特性的理解，為復雜的回憶和認知過程提供重要的神經科學分析依據(jù)。

2、為實現(xiàn)上述發(fā)明目的，實施例提供的一種基于格蘭杰因果分析的腦電信號分析方法，包括以下步驟：

3、獲取通過高密度的皮層腦電電極陣列采集不同腦區(qū)的腦電信號；

4、對腦電信號進行殘差迭代分解信號重建后進行信號預處理；

5、采用小波變換對預處理后的腦電信號進行時頻分析，提取腦電信號的局部時頻特征；

6、采用非參數(shù)格蘭杰因果分析并基于局部時頻特征分析兩兩電極間的格蘭杰因果值；

7、采用單點對多點均值的方式將腦區(qū)間的格蘭杰因果值投射到電極位點并可視化腦區(qū)間不同方向信息流交互時空模式。

8、采用殘差迭代分解對腦電信號進行重建，通過迭代過程將erps分解為具有不同潛伏期變異性的組分簇。利用小波變換的非參數(shù)格蘭杰因果分析方法對腦電信號進行時頻分析，提取信號的局部時頻特征。并將提取的時頻特征映射到皮層，可視化gc信息流并直觀體現(xiàn)高密度腦信號的信息交互。實現(xiàn)對于皮層的gc信息流模式的直觀表示，也可結合機器學習算法對分析結果進行進一步的處理。本研究為神經科學研究提供一種新的分析工具，以更好地理解大腦不同腦區(qū)間神經振蕩的信息交互機制。

9、優(yōu)選地，對腦電信號進行殘差迭代分解信號重建，包括：

10、通過迭代過程將腦電信號對應的事件相關電位erps分解為具有不同潛伏期變異性的腦電組分簇，包括初始潛伏期估計、基于刺激發(fā)生、反應時間和單次試驗潛伏期的分解、使用指定組分作為模板重新估計潛伏期，迭代上述步驟直至收斂。

11、優(yōu)選地，信號預處理包括信號分段、帶通濾波、去噪處理、重參考處理、以及標準化處理。

12、優(yōu)選地，采用非參數(shù)格蘭杰因果分析時，分析分為自下而上和自上而下兩種信息流動，分別對應下顳葉皮層至前額葉皮層和前額葉皮層至下顳葉皮層兩種方向。

13、優(yōu)選地，對信息流進行可視化交互包括：將非參數(shù)格蘭杰因果值采用單點對多點均值映射回大腦皮層進行不同方向上信息流交互時空模式的可視化。

14、優(yōu)選地，對信息流進行可視化交互還包括：通過計算某腦區(qū)每個電極相對其他腦區(qū)所有電極之間的因果性指標并映射回大腦皮層，構建了腦區(qū)間的方向性信息流交互可視化圖。

15、優(yōu)選地，采用復小波變換對預處理后的信號進行時頻分解。

16、為實現(xiàn)上述發(fā)明目的，本發(fā)明實施例提供了一種基于格蘭杰因果分析的腦電信號分析裝置，包括：

17、信號獲取模塊，其用于獲取通過高密度的皮層腦電電極陣列采集不同腦區(qū)的腦電信號；

18、信號處理模塊，其用于對腦電信號進行殘差迭代分解信號重建后進行信號預處理；

19、時頻分析模塊，其用于采用小波變換對預處理后的腦電信號進行時頻分析，提取腦電信號的局部時頻特征；

20、因果分析模塊，其用于采用非參數(shù)格蘭杰因果分析并基于局部時頻特征分析兩兩電極間的格蘭杰因果值；

21、可視化模塊，其用于采用單點對多點均值的方式將腦區(qū)間的格蘭杰因果值投射到電極位點并可視化腦區(qū)間不同方向信息流交互時空模式。

22、為實現(xiàn)上述發(fā)明目的，實施例還提供了一種計算設備，包括存儲器和一個或多個處理器，所述存儲器中存儲有可執(zhí)行代碼，所述一個或多個處理器執(zhí)行所述可執(zhí)行代碼時，用于實現(xiàn)上述基于格蘭杰因果分析的腦電信號分析方法。

23、為實現(xiàn)上述發(fā)明目的，實施例還提供了一種計算機可讀存儲介質，其上存儲有程序，該程序被處理器執(zhí)行時，實現(xiàn)上述基于格蘭杰因果分析的腦電信號分析方法。

24、與現(xiàn)有技術相比，本發(fā)明具有的有益效果至少包括：

25、本發(fā)明采用基于ride重建的非參數(shù)格蘭杰因果分析（npgc）來評估獼猴在被動觀察和顏色感知任務中腦電信號中的因果關系?；趃c創(chuàng)新性的映射到皮層并可視化信息流交互效果，經過ride校正的腦電信號更能有效地防止失真，并且能根據(jù)已知事件標記與估值延遲的組合來有效地提取組件成分。npgc與傳統(tǒng)的參數(shù)化gc方法相比不需要對數(shù)據(jù)進行線性假設，能夠更好地處理非線性和非高斯特性的數(shù)且在計算上更為高效，適合于處理大規(guī)模的腦電信號數(shù)據(jù)。

26、在格蘭杰因果分布圖的構建方面，通過計算每個腦區(qū)與其他所有腦區(qū)之間的因果性指標，構建了腦區(qū)間的信息流可視化圖。這些分布圖揭示了在視覺感知和記憶回溯及維持過程中，腦區(qū)間的信息流向和動態(tài)交互的時空模式。通過分析這些分布圖，可以進一步探究不同腦區(qū)信息流在不同頻段不同方向的時空分布，也可結合模式識別的方式深入探索神經機制或從神經科學的視角探索不同腦區(qū)間的神經信息交互模式。