脑电大礼包源定位与功能分析connectivity

1、ThefunctionalsignificanceofThedirectionalandcausalThefunctionalsignificanceofThedirectionalandcausalTheisticaldependencennspatiallyremotebrain(e.g.,spatiallyremotebrainareasThefunctionalsignificanceThefunctionalsignificanceof Themeasures usedin Themeasures usedin1.ClassicMeasures:Correlation, Cross-

2、Correlation,Coherence,PhaseSlope2.MeasuresbasedonPhaseSynchronization:Phase-LockingValue,Phase-LagWeightedPhase-LagIndex,Rhoindex,DirectionalityPhase3.MeasuresbasedonGeneralizedSynchronization:Sindex,Nindex,Hindex,Lindex,MSynchronization4.MeasuresbasedonInformationTheory:（Partial）MututalInformation,

3、Transfer5.MeasuresbasedonGrangerCausality:GrangerCausality,PartialDirectedDirectedTransfer Classical1.PearsonsCorrelationCoefficient Classical1.PearsonsCorrelationCoefficient取值范围：-1 如果两个信号完全负（线性）相关，则取值为-1；如果两个信号完全正（线性）相关，则取值为性相关关系（可能存在非线性关联），则取值为 Classical2. MagnitudeSquaredCoherence Classical2. Mag

4、nitudeSquaredCoherence(i.e.,相干（COH）coherencyfunction(K)取值范围：0 全相关，则COHxy(f) 在频率f性相关，则COHxy(f) 0；在频率f PhaseSynchronization PhaseSynchronization理论背景：PhaseSynchronization(PS)指的是，两个相互耦合的神经振荡活动的相位（phase）同步化（ PhaseSynchronization PhaseSynchronization PhaseSynchronization PhaseSynchronization PhaseSynchron

5、ization PhaseSynchronization（2）对x(t)和y(t)变换（Hilbert PhaseSynchronization1.Phase PhaseSynchronization1.PhaseLockingValueMeanPhase取值范围：0 PhaseSynchronization PhaseSynchronizationPLV=PLV= Classical Classical PhaseSynchronization2. PhaseSynchronization2.Phase-LagIndex取值范围：0 PhaseSynchronization3.Weighte

6、d PhaseSynchronization3.WeightedPhase-LagIndex取值范围：0 GeneralizedSynchronization：当两个信号存在广义同步化（ GeneralizedSynchronization：当两个信号存在广义同步化（GS）时，一个信号是另一个信号的函数，即yf(x)如果两个信号存在GS，会引起如下结果如果x(t)在两个时间点ti和tj的模式相似，那么y(t)基于GS的指标中，最常用的是SynchronizationLikelihood GeneralizedSynchronization GeneralizedSynchronization基

7、于GS的指标中，最常用的是SynchronizationLikelihoodSynchronizationLikelihood(SL)SynchronizationLikelihood(SL)是基于混沌系统分析的指标，需要指定嵌入维度、时间延迟、window、numberofnearestneighbours和Pref取值范围：Pref GrangerCausality1.ClassicalLinearGrangerCausality：假设有两个时间序列数据x(t)和y(t) GrangerCausality1.ClassicalLinearGrangerCausality：假设有两个时间序列

8、数据x(t)和y(t)想y(t-1)，在x(t)至x(t)的“信息流 GrangerCausality1.Classical GrangerCausality1.ClassicalLinearGrangerCausality上述自回归模型中，x(n)、x(n-k)（k1p）、y(n)和y(n-k)（k1p）是已知的，p值可以通过Criterion或BayesianInformationCriterion估计得到。上述两个模型中，需要估计的模型是系数a GrangerCausality1.Classical GrangerCausality1.ClassicalLinearGrangerCaus

9、ality估计模型系数a 之后，可以得到残差项uxy和uyx GrangerCausality1.ClassicalLinear GrangerCausality1.ClassicalLinearGrangerCausality如果存在自y到x原因（GrangerCausality），下式应大于的 GrangerCausality2.Partial GrangerCausality2.PartialDirectedCoherence3.DirectTranferFunction InformationTheoretic熵（Shannon InformationTheoretic熵（Shanno

10、n在基于信息论的指标中，最常见的是互信息（mutualinformationMI）和转移熵（tranferentropyTE） InformationTheoretic1. InformationTheoretic1.MutualInformation如果x(t)和y(t)两个信号相互独立，则MI0；否则，MI0。MI InformationTheoretic1.Transfer InformationTheoretic1.TransferEntropy取值范围：TE等于0表示x(t)和y(t)两个信号互相独立；TE大于0表示存在x(t)至y(t)的信息流（x(t)是 FunctionalCo

11、nnectivity:静息态EEG FunctionalConnectivity:静息态EEG的PLV计算：（1）对脑电数据滤波，得到关心的频段（例如alpha频段（2）对静息态EEG数据进行分段（一般2秒一段）；（3）使用Hilbert变换得到相位；（4）在每个分段，计算两个通道之间在每个时间点的相位差，进而计算该分段的事件相关EEG的PLV计算：（1）对脑电数据进行预处理时，分段应该适当长一些（例如你关心时间段是-0.21s，分段长度应该至少为-0.51.3s）；（2）对脑电数据利用STFT和wavelet进行时频分析；（3）假关心channel 1和channel2的PLV，应该首先计算每个试次、两个道每个时频点的相位差；（4）在每