本发明涉及一种脑电信号非线性分析方法及系统。
背景技术：
1、脑电是一种记录大脑神经元活动的技术。其可以检测到大脑皮层中的神经元放电，从而生成一系列波形。脑电信号可以用于研究抑郁症、癫痫、阿尔茨海默病、认知障碍等多种疾病。基于熵的非线性分析方法可以有效地表征脑电信号的随机变化模式。
2、目前的熵方法大都研究全频段或者单个频段的信息，这样做显然忽略了不同频段信号之间的关系，由于脑电信号是由许多频段的信号构成的，每个频带的信号代表了不同的脑活动模式，不同频段之间存在相互关系。例如，alpha波与theta波之间存在一种反向关系，即当alpha波很强烈时，theta波总是很弱，反之亦然。因此，通过同时测量脑区不同频段信号，可以更全面地了解脑活动的整体情况。但是，传统复杂度分析方法由于其自身原理所限，普遍存在方法论的限制。例如：忽略了不同频段信号之间的关系，无法全面地了解脑活动的整体情况。
3、可见，现有技术仅能对全频段或者单个频段的脑电信息进行研究，无法全面地了解脑活动整体情况的问题亟待解决。
技术实现思路
1、有鉴于此，有必要提供一种脑电信号非线性分析方法及系统。
2、本发明提供一种脑电信号非线性分析方法，该方法包括如下步骤：s1，获取预设总时间段内的静息态脑电信号，对静息态脑电信号进行预处理，得到目标脑电信号；s2，对目标脑电信号进行分频，得到多个频段对应的目标脑电信号集；s3，基于各频段对应的目标脑电信号集构建时频矩阵；s4，利用时频矩阵构建包含各频段在特定时间点对应部分子目标脑电信号的多个时频域；s5，分别计算每两个时频域之间的差值距离，基于差值距离构建两个时频域之间的距离矩阵；s6，对距离矩阵中各频段进行特征重构，得到特征重构序列；s7，基于特征重构序列计算多频段熵。
3、优选地，所述的预处理包括：通道定位、去除无用电极、滤波、分段、去坏段替坏导、去除ica伪迹成分、极端值去伪迹以及重参考。
4、优选地，所述的步骤s2包括：
5、采用多频段分解方法，将目标脑电信号分为alpha频段、beta频段以及theta频段对应的子目标脑电信号：
6、；
7、；
8、；
9、其中，、、分别为alpha频段、beta频段以及theta频段在预设总时间段n中的每个单位时间点对应的目标脑电信号；、、分别为alpha频段、beta频段以及theta频段在预设总时间段n对应的目标脑电信号。
10、优选地，所述的步骤s3包括：
11、基于alpha频段、beta频段以及theta频段在预设总时间段n对应的目标脑电信号构建时频矩阵：
12、
13、其中，代表预设总时间段n内的目标脑电信号构成的时频矩阵；、、分别为alpha频段、beta频段以及theta频段在预设总时间段n中的每个单位时间点对应的目标脑电信号。
14、优选地，所述的步骤s4包括：
15、基于时频矩阵构建在预设子时间段n内包含alpha频段、beta频段以及theta频段的时频域；其中i为特定时间点对应的时频域，1≤i≤n－m＋1，即为：
16、(1)
17、（2）
18、基于上式(1)、(2)，得到：
19、
20、其中，m为预设的嵌入维度；代表嵌入维度m、全频段在特定时间点i对应的目标脑电信号集；1≤n≤n；1≤i≤n－m＋1；是指各频段在特定时间点i对应的目标脑电信号集；h代表alpha频段、beta频段或theta频段。
21、优选地，所述的步骤s5包括：
22、将计算两个时频域对应各频段之间的差值的最大值，作为差值距离；并利用如下公式计算任意两个时频域之间的距离矩阵：
23、
24、其中，、分别为嵌入维度m、全频段在特定时间点i、j对应的目标脑电信号集；、分别为各频段在特定时间点i、j对应的目标脑电信号集；1＜i＜n－m＋1；1＜j＜n－m＋1；i≠j；h代表alpha频段、beta频段或theta频段。
25、优选地，所述的步骤s6包括：
26、利用如下公式表示距离矩阵：
27、
28、其中，代表各频段在特定时间点i、j之间的差值的最大值；h代表alpha频段、beta频段或theta频段；
29、按照数值大小升序排列距离矩阵中各频段的距离特征，得到特征排序结果；其中，距离特征为各频段在特定时间点i、j之间的差值的最大值、、；
30、特征排序结果为：≤；
31、其中，、、为各距离特征在重构分量中的下标索引值；
32、根据特征排序结果生成特征重构序列：
33、
34、其中，为距离矩阵对应的特征重构序列； l=1，2... k； k≤3!。
35、优选地，所述的步骤s7包括：
36、基于香农熵的定义，将多频段熵定义为：
37、
38、计算不同特征重构序列的出现概率，每一种3维特征重构序列的概率分别为p1、p2、p3...pk，1≤j≤k，为预设总时间段对应的多频段熵；
39、将计算得到的多频段熵进行归一化处理：
40、0≤≤/ln(3!)≤1
41、其中，为预设总时间段对应的多频段熵；为预设总时间段对应的目标多频段熵；3!为不同特征重构序列的出现总数量。
42、本发明还提供一种脑电信号非线性分析系统，该系统包括数据预处理模块、信号分频模块、时频矩阵构建模块、时频域构建模块、距离计算模块、特征重构模块以及多频段熵计算模块，其中：
43、所述数据预处理模块用于获取预设总时间段内的静息态脑电信号，对静息态脑电信号进行预处理，得到目标脑电信号；
44、所述信号分频模块用于对目标脑电信号进行分频，得到多个频段对应的目标脑电信号集；
45、所述时频矩阵构建模块用于基于各频段对应的目标脑电信号集构建时频矩阵；
46、所述时频域构建模块用于利用时频矩阵构建包含各频段在特定时间点对应部分子目标脑电信号的多个时频域；
47、所述距离计算模块用于分别计算每两个时频域之间的差值距离，基于差值距离构建两个时频域之间的距离矩阵；
48、所述特征重构模块用于对距离矩阵中各频段进行特征重构，得到特征重构序列；
49、所述多频段熵计算模块用于基于特征重构序列计算多频段熵。
50、本发明能够解决现有技术仅能对全频段或者单个频段的脑电信息进行研究，无法全面地了解脑活动整体情况的问题。本发明深入挖掘了频段之间的模式信息，综合了时间及频段信息进行研究，并引入了排序符号化思想提高了抗噪能力，可以应用于脑电信号数据的复杂度分析，提高了脑电信号非线性分析的准确率、特异性和敏感性。
1.一种脑电信号非线性分析方法，其特征在于，该方法包括如下步骤：
2.如权利要求1所述的方法，其特征在于，所述的预处理包括：通道定位、去除无用电极、滤波、分段、去坏段替坏导、去除ica伪迹成分、极端值去伪迹以及重参考。
3.如权利要求2所述的方法，其特征在于，所述的步骤s2包括：
4.如权利要求3所述的方法，其特征在于，所述的步骤s3包括：
5.如权利要求4所述的方法，其特征在于，所述的步骤s4包括：
6.如权利要求5所述的方法，其特征在于，所述的步骤s5包括：
7.如权利要求6所述的方法，其特征在于，所述的步骤s6包括：
8.如权利要求7所述的方法，其特征在于，所述的步骤s7包括：
9.一种脑电信号非线性分析系统，其特征在于，该系统包括数据预处理模块、信号分频模块、时频矩阵构建模块、时频域构建模块、距离计算模块、特征重构模块以及多频段熵计算模块，其中：
