實驗室討論

波形的複雜性

腦電圖分析中波形複雜度的一種新度量方法

目前還不清楚腦電圖信號的哪些特征對大腦狀態和結果最有信息。與傳統的熵和複雜性度量相比,采用不同假設的新的複雜性度量能夠更好地預測認知表現。

腦電圖文獻顯示了各種指標與精神狀態或結果之間的相關性。然而,到目前為止,很少有指標在個人水平上具有非常明確的診斷和預測潛力,因此總是有動力以新的方式觀察腦電圖信號,特別是在個體之間發散或具有高方差的新指標,有更好的機會區分大腦狀態和結果。在這裏,我們描述了一種新的信號複雜性測量方法,它可能比其他熵/複雜性測量方法更好(Parameshwaran等人,J Neurosci Methods, 2019)。本質上,這個度量,稱為波形複雜度,(CW),以一種不基於窄頻譜帶的方式描述信號在時域內波形模式的多樣性。

它是如何工作的

計算Cw非常簡單。它涉及到

  • 隨機選擇信號中不重疊的部分
  • 使用相關度量r比較它們在波形形狀上的相似程度(相關度量與振幅無關,因此它是波形形狀相似性的度量)
  • 計算1-|r|的值,本質上是這些波形的分集分布
  • 求多樣性分布的中位數。

圖1:從[1]開始

這個過程需要幾個關鍵假設:

  • 信號的段長度為750女士被發現是最優的,因為它是個體間方差最大的持續時間。
  • 要采樣的段數——通常為了獲得最大的比較數,應該對總信號的~40%進行采樣。小於這個值,信號采樣就不夠。不僅如此,你還限製了分割信號的方式。
  • 信號的長度你可以把這個指標應用到-一般來說,如果你計算持續時間小於一分鍾的信號的這個指標它是不穩定的,所以你會希望一個理想的信號至少長2分鍾。

優於其他熵/複雜度度量

有一些證據表明,這個指標可能a)與認知有一定的相關性,b)比其他熵/複雜性指標(所有這些都是應用於時間序列的算法,試圖量化信號中的可變性)做得更好——它與模式識別任務得分的相關性比其他熵指標要好得多。

它與其他熵/複雜度度量有何不同

雖然所有應用於時間序列的熵和複雜性指標都試圖量化可變性,但對於信號的哪些方麵值得量化的假設產生了差異。熵度量通過嚐試基於信號中“事件”的概率分布來計算多樣性度量來做到這一點。伟德app苹果版二维码然而,當應用於複雜(或大型互連)係統(如大腦)產生的時間序列時,存在的挑戰是,信號的底層生成器尚不完全清楚(見相關文章)腦電圖信號測量什麼?),主要的挑戰是什麼構成有意義的事件或功能的性質尚不清楚。樣本熵以及它的導數多尺度熵例如,包括定義一個事件的長度尺度(通常是2或3個數據點),一個比較兩個事件的距離度量(通常是歐幾裏德距離,對於長段來說計算成本很高),以及選擇一個相似閾值來定義何時兩個事件被認為是相同的。伟德app苹果版二维码這裏提出的測量方法在相對較長的時間尺度上比較波形形狀,而不引入閾值參數進行比較。然而,這些假設是否與潛在的信號相關是很重要的,在很多方麵,這些假設可能會嚴重誤解相關的東西。思考這個問題的一個方法是:

如果你在計算語音音頻信號的複雜性,並且你知道這是人類語言,那麼通過單詞之間的停頓來定義“事件”顯然是有意義的,每個單詞之間的停頓可以是100到500的數量級伟德app苹果版二维码女士可以這麼說,但每個詞都有很大的不同。然而,不知道這一點,你幾乎是在猜測。如果你選5個女士,你會得到一些數字,但這是沒有意義的。這是在時域內。如果你做一個光譜變換,你甚至會失去所有的“詞”內容——這是時域的一個特征。這將更加扭曲你真正想要確定的東西。其次,什麼構成類似的“事件”?發音相似的音段,如“pat”和“bat”,意思可能不同,但僅僅因為它們的發音相同就被定義為相同。因此,當你在黑暗中刺痛時,就像我們在處理腦電圖這樣的信號一樣,它值得對特征和比較方法進行廣泛的探索。找到一個在辨別大腦狀態方麵表現更好的指標,就可以提供一些關於信號中什麼是重要的線索。

參考文獻

Parameshwaran等,波形複雜度:腦電圖分析中的一種新度量,《神經科學方法》2019

留下回複