NETL
摘要
时频（Time-frequency,TF）分析是一种针对多变量信号（MultivariateSignal，MS）的常见分析手段，它能够同时揭示信号在不同时间和频率下的特性。然而，它存在几个方面的不足，例如：（1）多数文献表明对于MS的时频分解是对单个信号分解，然后将分解后分量叠加成一个张量的过程，忽略了MS的整体性。（2）TF分析方法在应用时通常会忽略信号间的内在联系，没有考虑MS在网络拓扑结构上的联系。（3）传统的TF分析方法并没有将原始MS与其分解分量看成系统与子系统并分析其联系。 因此，本研究提出一种创新的分析方法——拓扑-时频（TopologicalTime-frequency,TTF）分析，并以多种神经系统疾病和健康对照组的多通道脑电信号（Electroencephalogram，EEG）为研究对象进行有效性验证，具体包括以下工作：首先主要应用动态模态分解（DynamicModeDecomposition,DMD）算法对EEG进行分解，得到蕴含有空间拓扑信息的动态模态（DynamicModes,DMs），这些DMs是实现TTF分析的基础。进而将DMs网络拓扑看作隐变量对TTF谱进行分解，得到拓扑随频率变化情况（拓扑-频率关系）和拓扑随时间变化情况（拓扑-时间关系）。接着对TTF谱和分解后获得的拓扑-频率关系和拓扑-时间关系进行特征参数提取，并从幅值和相位两个方面来进行统计性分析，经过Wilcoxon秩和检验和FDR校正后，结果显示多数特征具有显著性，由此证明了本研究TTF分析的有效性。最后，利用常用的十种机器学习方法，对所提特征进行疾病识别预测，并将TTF分析和传统的TF分析方法（经验小波变换，经验模态分解等）进行比较分析，结果证明TTF分析在分类工作中表现更优。因此，相较于传统的TF分析方法，TTF分析能够揭示更多对疾病诊断及识别有用的信息。 本研究证明了TTF分析如何为MS提供一种全面的描述方式，并进一步揭示了揭示个体子系统的独特特性以及它们如何与整个系统相互连接和影响，从而为理解复杂系统的结构和功能复杂性提供了新的视角和方法。这种创新的TF分析方法独特地考虑到了信号间的拓扑结构，因此将促进对复杂系统的深入研究和理解，为神经科学、生物医学工程、金融分析等多个领域内复杂数据分析技术的发展和创新提供了可能性。
关键词
脑电信号/时频分析/拓扑信息/动态模态分解/神经系统疾病引用本文复制引用
授予学位
硕士学科专业
生物医学工程导师
Pedro Antonio Valdes-Sosa/任鹏学位年度
2024学位授予单位
电子科技大学语种
中文中图分类号
R3