一种基于随机矩阵分析的脑功能网络全节点检测方法

本发明涉及脑机接口研究，特别是涉及一种基于随机矩阵分析的脑功能网络全节点检测方法。

背景技术：

1、在基于脑电的脑机接口系统中，核心技术是实现脑电信号中的运动意图解码，为此研究者们从不同角度理解运动意图中的具体运动类型，提出了多种基于机器学习的理论的检测模型。目前，这些模型均可以在某些特定的运动类型中取得较高的识别精度，但是现阶段实现的意图分类主要还是集中在一些简单的运动，更加细节的运动，无法实现检测，因此现有技术缺乏对类型完备集合中的运动意图的特征化的表述，即缺乏一种实现精细化运动意图检测的方法。

技术实现思路

1、本发明的目的是提供一种基于随机矩阵分析的脑功能网络全节点检测方法，利用随机矩阵理论分析基于脑电信号的脑网络的特征值统计特性，以实现结果量化理论预测的准确性。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于随机矩阵分析的脑功能网络全节点检测方法，包括：

4、采集脑电信号，构建不同运动任务的功能脑网络，获取脑网络数据集，其中所述脑网络数据集以不同运动任务为标签划分类别；

5、基于随机理论对所述不同运动任务的功能脑网络进行差异性分析，获取符合差异阈值的功能脑网络，并对运动任务进行筛选；

6、获取筛选后运动任务的功能脑网络和节点特征并输入r-gcn模型，获取运动任务预测结果。

7、可选的，构建不同运动任务的功能脑网络后包括：利用滑动时间窗对所述不同运动任务的功能脑网络进行处理。

8、可选的，基于随机理论对所述不同运动任务的功能脑网络进行差异性分析包括：

9、基于所述脑网络数据集，获取hermitian矩阵；

10、基于所述hermitian矩阵，获取特征值；

11、基于所述随机理论对协方差矩阵的特征值进行统计，并根据wigner的半圆定律，获取测试函数；

12、基于所述测试函数，对所述不同运动任务的功能脑网络进行差异性分析。

13、可选的，基于所述测试函数，对所述不同运动任务的功能脑网络进行差异性分析包括：

14、将进行展开，获取展开后的特征值，其中是展开后的特征值，g(·)是数值曲线拟合估计函数，λi是hermitian矩阵特征值；

15、利用所述展开后的特征值，计算最近邻间距分布和数量方差，对所述不同运动任务的功能脑网络进行差异性分析。

16、可选的，所述测试函数为：

17、

18、其中，fx(φ)是wigner半圆分布函数，λj是样本协方差矩阵特征值，n是特征值数量。

19、可选的，所述r-gcn模型为：

20、

21、其中，表示编码图结构的正则化连接矩阵算子，是节点特征，是随机矩阵，σ是激活函数，φ是输出结果。

22、本发明的有益效果为：本发明通过数据拟合构建多任务下的脑网络数据集，滑动时间窗的使用有利于在数据集规模受限的情况下进行适度的扩充；随机矩阵理论对大脑系统的复杂网络角度拥有更加本质的刻画；不拘泥于特定的运动形式，探索完备集下的运动任务的识别分类；可通过多节点识别定位不同任务下的认知网络，探索不同运动任务本质的功能网络表征。本发明通过对脑电运动意图的识别与任务网络的特征化表示，为实现多任务的脑机接口系统识别提供新的方法。

技术特征：

1.一种基于随机矩阵分析的脑功能网络全节点检测方法，其特征在于，包括：

2.根据权利要求1所述的基于随机矩阵分析的脑功能网络全节点检测方法，其特征在于，构建不同运动任务的功能脑网络后包括：利用滑动时间窗对所述不同运动任务的功能脑网络进行处理。

3.根据权利要求1所述的基于随机矩阵分析的脑功能网络全节点检测方法，其特征在于，基于随机理论对所述不同运动任务的功能脑网络进行差异性分析包括：

4.根据权利要求3所述的基于随机矩阵分析的脑功能网络全节点检测方法，其特征在于，基于所述测试函数，对所述不同运动任务的功能脑网络进行差异性分析包括：

5.根据权利要求3所述的基于随机矩阵分析的脑功能网络全节点检测方法，其特征在于，所述测试函数为：

6.根据权利要求1所述的基于随机矩阵分析的脑功能网络全节点检测方法，其特征在于，所述r-gcn模型为：

技术总结本发明涉及一种基于随机矩阵分析的脑功能网络全节点检测方法，包括：采集脑电信号，构建不同运动任务的功能脑网络，获取脑网络数据集，其中所述脑网络数据集以不同运动任务为标签划分类别；基于随机理论对所述不同运动任务的功能脑网络进行差异性分析，获取符合差异阈值的功能脑网络，并对运动任务进行筛选；获取筛选后运动任务的功能脑网络和节点特征并输入R‑GCN模型，获取运动任务预测结果。本发明利用随机矩阵理论分析基于脑电信号的脑网络的特征值统计特性，以实现结果量化理论预测的准确性。技术研发人员：顾凌云,成宝芝,张媛媛,姜来浩,于敏昌受保护的技术使用者：常州工学院技术研发日：技术公布日：2024/10/10