精分EEG脑网络同步稳定性研究

doi:10.3778/j.issn.1002-8331.1803-0455

计算机工程与应用 ›› 2019, Vol. 55 ›› Issue (5): 60-64.DOI: 10.3778/j.issn.1002-8331.1803-0455

精分EEG脑网络同步稳定性研究

姚蓉1，杨雄1，杨鹏飞1，阴桂梅1，2，李海芳1

1.太原理工大学信息与计算机学院，太原 030600
2.太原师范学院计算机系，山西晋中 030619

出版日期:2019-03-01 发布日期:2019-03-06

Study on Synchronization Stability of Compelx Brain Network：Schizophrenia EEG

YAO Rong1, YANG Xiong1, YANG Pengfei1, YIN Guimei1，2, LI Haifang1

1.College of Information and Computer, Taiyuan University of Technology, Taiyuan 030600, China
2.Department of Compute Science, Taiyuan Normal University, Jinzhong, Shanxi 030619, China

Online:2019-03-01 Published:2019-03-06

摘要/Abstract

摘要： 为了深入表征和刻画精神分裂症患者大脑活动时各个电极通道的状态变化，通过利用复杂网络同步稳定理论以及精分工作记忆实验范式对EEG信号进行分析。从复杂网络角度出发构建脑功能网络，并利用特征谱比值法分析脑网络及其同步性随时间的演化过程。对比实验表明精分患者和正常对照组同步能力具有很大差异且差异主要源于对应脑网络的一个局部化区域S的不同，并通过设计对比实验进一步验证此区域对脑网络同步影响的有效性。脑网络同步稳定区域S的发现对研究神经精神性疾病下脑网络的演化过程提供了新的思路。

关键词: 脑电图, 精神分裂症, 工作记忆, 复杂网络, 脑网络同步

Abstract: In order to further characterize changes in the state of each electrode channel during brain activity in schizophrenic patients, the article uses complex network synchronization stability theory and the working memory SMST experimental paradigm to analyze the EEG signals. The brain function network is constructed from the perspective of complex networks and the evolution of the brain network and its synchronization over time is analyzed using the characteristic spectrum ratio method. Comparing the simulation experiments, it shows that the synchronization ability of the refined patients and the normal control group is very different and the difference is mainly due to the difference in a localized region S of the corresponding brain network. The comparative experiments are designed to further verify the effect of this region on the synchronization of brain networks. The discovery of the brain-synchronous and stable region S has provided new ideas for studying the evolution of brain networks under neuropsychiatric diseases.

Key words: Electroencephalogram（EEG）, schizophrenia, working memory, complex network, brain network synchronization

姚蓉1，杨雄1，杨鹏飞1，阴桂梅1，2，李海芳1. 精分EEG脑网络同步稳定性研究[J]. 计算机工程与应用, 2019, 55(5): 60-64.

YAO Rong1, YANG Xiong1, YANG Pengfei1, YIN Guimei1，2, LI Haifang1. Study on Synchronization Stability of Compelx Brain Network：Schizophrenia EEG[J]. Computer Engineering and Applications, 2019, 55(5): 60-64.

[1]	王方，张雪英，胡风云，李凤莲. 集成分类器对脑卒中患者脑电的分类[J]. 计算机工程与应用, 2021, 57(24): 276-282.
[2]	马满福，郭晨彪，李勇，张钟颖，张强，王常青. 基于结构熵的注意力流网络异构性研究[J]. 计算机工程与应用, 2021, 57(23): 98-105.
[3]	石宇强，田永政，张雨琦，石小秋. 运用含复杂网络结构的多种群遗传算法求解FJSP[J]. 计算机工程与应用, 2021, 57(2): 257-266.
[4]	李金海，何有世，张鹏. 融合情境语义推理及社会网络的团购推荐研究[J]. 计算机工程与应用, 2021, 57(18): 163-171.
[5]	罗渠，冯静雯，赖虹宇，李涛，邓伟，刘凯，张军鹏. 精神分裂症和抑郁症患者静息态脑电分类[J]. 计算机工程与应用, 2021, 57(13): 138-146.
[6]	王安，顾益军. 基于社区划分的节点重要性评估方法[J]. 计算机工程与应用, 2020, 56(8): 42-48.
[7]	陈杰，程胜，徐梦，史豪斌. 面向医疗辅助诊断的可视化多属性决策方法[J]. 计算机工程与应用, 2020, 56(8): 249-255.
[8]	赵亮，朱征宇. 融入K-核迭代因子的重叠社区发现算法[J]. 计算机工程与应用, 2020, 56(3): 61-67.
[9]	田程，胡廷，曹锐，相洁. 模糊熵和深度学习在精神分裂症中的应用研究[J]. 计算机工程与应用, 2020, 56(3): 152-158.
[10]	杜轻，辛守庭，雷新宇，于海涛. 基于脑网络和TSK模糊系统的癫痫脑电识别[J]. 计算机工程与应用, 2020, 56(2): 133-140.
[11]	易成岐，郭鑫，童楠楠，窦悦，陈东，王建冬. 基于启发式社团发现模型的创新态势研判算法[J]. 计算机工程与应用, 2020, 56(15): 74-79.
[12]	蔡菲，张鑫，牟晓慧，陈杰，蔡珣. 深度非负矩阵分解的链路预测方法研究[J]. 计算机工程与应用, 2020, 56(15): 153-161.
[13]	张昕，郭阳. 复杂网络中的一种介度熵抗毁性度量方法[J]. 计算机工程与应用, 2020, 56(12): 105-111.
[14]	盛津芳，刘家广，王斌. 基于Katz自动编码器的城市路网链路预测模型[J]. 计算机工程与应用, 2019, 55(8): 116-123.
[15]	王灿，李凤莲，胡风云，张雪英，贾文辉. 面向特征融合的脑卒中脑电信号分类方法[J]. 计算机工程与应用, 2019, 55(24): 154-158.

精分EEG脑网络同步稳定性研究

Study on Synchronization Stability of Compelx Brain Network：Schizophrenia EEG

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics