CN119423782A 分频带脑电微状态分析方法 （徐州医科大学附属医院）

本发明公开了一种分频带脑电微状态分析状态分析方法中忽略脑电信号不同节律信息脑活动的空间差异性的问题，通过比较Delta(1_31Hz)和Gamma(31_51Hz)五个频带下FOG和非FOG现频率，为进一步揭示FOG的不同发病机制提供2分别用于表示FOG发作或未发作，以添加标签后的数据构建数据集，并划分训练集和测试采用k_means聚类算法将步骤2得到的五个训练集数据分割为四个微状态S0逐时间点计算五个训练集以及测试集中的输入数据与每个微状态模板的五个模型预测对应的训练集和测试集对应的时序序列。针对各微状态的转移概率矩阵，A和B分别为非发病状态和发病状态针对各微状态的平均持续时间，A和B分别为非发病状态和发病状态3针对各微状态的出现频率，A和B分别为非发病状态和发病状态得到最终差异度后，再用1_差异度得到相似度；其中，相似度0_30％为存在相似度，8.根据权利要求7所述的方法，其特征在于，所述步骤4中使用pycr4和摆动角范围等，通过分析这些数据来进一步判断FOG的可能原因；二是通过脑电图这些信息都是反映该频段下特定大脑活动的重要信息，也可能是揭示FOG发病与非发病状[0005]为了解决现有技术中存在的问题，本发明提出了一种创新的脑电微状态分析方14Hz)、beta(12_31Hz)和gamma(31_51Hz)。得到data_delta_train、data_delta_test、5[0013]使用pycrostates的predict函数对脑电信号分配微状态，即用这5个模型预测对分配一个与它相似度最高的微状态。最终得到time_series_delta_train、time_series_train、time_series_alpha_test、time_series_beta_train、time_series_beta_test、time_series_gamma_t6[0035](2)实际差异程度随差异度指标值单调增加，不同差异程度的数据指标值不可相(8_14Hz)、Beta(12_31Hz)和Gamma(31_51Hz)五个频带下FOG和非FOG状态的微状态转移概7[0063]脑电信号节律信息通常被分为不同的频率波段，包括delta波(1_4Hz)、theta波8理解患者在FOG发生前后的注意力和放松状[0083]微状态S2与主观内感受_自主神经处理有关。它涉及到与情绪和自主神经系统相一步揭示大脑不同的工作状态从而对FOG的不同发生机理给出更详细解释提供了可能，具theta(4_8Hz)、alpha(8_14Hz)、beta(12_31Hz)和gamma(31_51Hztrain、data_delta_test；data_theta_train、data_theta_test；data_alpha_traint、9最终ModKmeans采用赢者通吃取法，即将每个时刻分配且仅分配一个与它相似度最高的微状态。最终得到time_series_delta_train、time_series_delta_test；time_series_time_series_gamma_test共10个时序序列。如计算某一微状态(如S0)的转移概率矩阵指标的显[0132]表2某一被试的某一脑电频率波段，根据微状态转移概率矩阵区分发病数据与非[0134]表3某一被试的某一脑电频率波段，根据微状态平均持续时间区分发病数据与非[0137]表4某一被试的某一脑电频率波段，根据微状态出现频率区分发病数据与非发病[0140]根据表2知：微状态转移概率矩阵指标对发病数据与非发病数据的区分度普遍较[0141]根据表3知：微状态平均持续时间指标对发病数据与非发病数据的区分度同样普[0143]总而言之，通过对delta频段和gamma频段的指标分析能够对确定FOG的出现起到[0145]为了验证本发明提出的方法的可复现性，采用同样的方法对008在不同的时间进试集的各指标值为纵轴，绘制出如图5_7所示，并计算皮尔逊相关系数；从图中可以看出