文摘

低频振荡是人类大脑活动的一个重要属性,和低频率波动的振幅(ALFF)是一种有效的方法来反映低频振荡的特点,已广泛应用于治疗脑部疾病等领域。然而,由于当前的低精度分析方法对低频信号提取ALFF,我们提出Fourier-based synchrosqueezing变换(FSST),这通常是用在信号处理领域中提取ALFF低频功率谱的全职的维度。的低频特征提取信号与FSST和快速傅里叶变换(FFT)静息状态的数据。很明显,FSST更低频率的信号中提取特征,这是明显不同于FFT。

1。介绍

近年来,随着大数据的快速发展,尤其是人工智能技术,智能方法已成为越来越受欢迎的经营和管理优化的复杂的大系统,通常出现在生态环境、通信网络、信息学、生物学等学科。广泛的研究都集中在医学和卫生等深层神经网络,神经科学和脑科学相关目的,数据收集,准确分析、监控、和连接可用的医疗资源和医疗服务(1- - - - - -6]。

大脑是由1011神经元和一般1015其中互联可以处理大量信息。他们的形状和大小是不同的,他们的结构是不同的。组件的神经元可分为细胞体,树突和轴突。来自其他神经元的信号估计到突触和发送到胞体。一旦信号进入细胞维持身体超过阈值,神经元燃烧,通过信号传递给其他神经元轴突(7]。

低频波动的振幅(ALFF)是一个很好的测量大脑活动指数信号,这是获得大脑体素信号的功率谱计算使用时频(TF)时间序列分析方法(8- - - - - -11]。它被认为是能够直接反映神经活动的自发的同步变化在静止状态(12,13),在某种程度上反映了之间的交互和神经网络连接相关的大脑区域,已验证研究的视觉刺激的差异引起的眼睛打开和关闭。此外,ALFF可以作为一个起点对于理解大脑疾病和能帮助揭示许多病理机制,比如一些精神疾病(14,15]。因此,提高分析的准确性ALFF具有积极作用的提高大脑科学研究和治疗心理疾病16- - - - - -19]。

许多信号,如音频信号和医疗数据(心电图和胸运动信号)可以建模为叠加的调幅和调频调幅-调频模式。线性技术,如小波变换和快速傅里叶变换(FFT)被广泛用来表示信号在TF域的特征(20.- - - - - -24]。然而,他们都有相同的限制;也就是说,他们不能找到一个信号在时间和频率任意精度。即使一种改进的TF表示方法叫做“重新分配”的方法(RM)提出,其主要问题是重新分配转换不再是可逆的和不允许的方式重建。此外,很难实现的时间和频率分辨率之间的兼容性,因为频率分辨率取决于分析窗口的长度,并分析窗口长度需要根据频率固定。特别是,如果一个信号的周期不是常数,如对象的样本信号相对活跃,分析精度降低(25,26]。因此,FFT不能分析信号的特点,在特定的时间准确,导致大量的信号信息损失,尤其不适合大脑科学分析。

在分析音频信号(27,28),另一个分阶段的方法称为“synchrosqueezing变换”(SST)。其目的是类似于,RM的是敏锐的时间尺度表示由小波变换,并允许检索模式的优势。基于小波场的原理,一个扩展的海温TF表示短时傅里叶变换称为Fourier-based synchrosqueezing变换(FSST)提出了29日),证明这种方法是健壮的小型有界扰动和噪声(30.]。此外,一些研究提出改进现有FSST利用高阶振幅和相位近似计算更精确的模态分量的瞬时频率估计的信号。实现一个完美的浓度和重建在更广泛的调幅-调频模式,和最真实的强烈信号由调制调幅-调频模式,如啾啾参与雷达(31日),语音处理(32),或引力波9,11,33]。因此,这种技术提供了一个高度集中的TF表示各种各样的调幅-调频多组分信号,使模式的重建精度高;我们假设FSST可用于大脑科学的时间序列分析,提高分析精度。

在目前的研究中,我们提出并尝试应用FSST脑波分析和比较结果通过FFT和FSST分析使用数据没有任务休息状态。基于学习和改善前ALFF算法,在整个时域ALFF重新计算。根据与传统ALFF价值观的比较,我们证明FSST是一个高度精确的方法,该收益率显著改善TF的重建信号。这种技术是有效的分析和可视化ALFF价值观和脑电波的变化。

2。材料和方法

作为Fourier-related FFT变换通常用于分析有机信号,如脑电波信号。傅里叶变换可以表示如下: 在哪里t是分析窗口长度(f1= 1 /t,n是一个正整数)。方程(1)是解决傅里叶系数来确定。的傅里叶变换用于分析一个完全周期信号的分析窗口t计算频率(nf1)取决于窗口的长度t频繁出现错误,非调和分析的信号频率。此外,如果改变对象的采样信号的频率相对活跃在短时间内,减少分析窗口的长度增加时间分辨率也降低了频率分辨率;结果分析精度降低。

我们都知道,它是不适合描述非平稳的信号时域或频域表示。因此,短时傅里叶变换)介绍和定义如下: 在哪里 的共轭复数吗 。然后,频谱对应 ,和原始信号f可以从STFT中提取条件下 不消失,不断在0:

如果f分析,这意味着什么 ,然后 ;积分(3只发生在R+。

Synchrosqueezing变换可以单独和调整信号不同模式的重新分配系数系列或频率,以避免不确定性的线性变换。它可以分析和压缩低频振幅,获得更准确的大功率信号,并在大脑区域找到活跃点。信号可以清楚的表达,同时保持信号的可逆性。

的Fourier-based synchrosqueezing变换(FSST)技术是一种新近提出的分析方法有一些优点,就是明证合成和观测到的重力波信号的数字处理(34,35]。时间t和频率 预计通过锐化模糊STFT表示使用以下FSST瞬时频率: ∂的地方t的偏导数是吗t。的确, 重新分配到一个新的位置( )使用以下synchrosqueezing接线员: 在哪里γ是阈值。通过集成 相应的山脊附近 ,的kth模式是重建约,因为沿频率轴系数是重新分配,和FSST认为因果关系的本质: 在哪里 是一个估计的 和参数d使补偿不精确的近似 的 和误差估计如果通过 。此外,近似 之前必须计算检索模式 。因此,一种常用的技术,是基于脊提取预测 和K是已知的(33]。因此,FSST作为一个高度精确的频率分析方法可以用来分析脑电波在目前的研究中,提高分析精度。

2.1。实验

47个参与者20 s-40s没有精神疾病的静息状态的历史参与本研究。所有参与者提供书面同意参加,和伦理从制度伦理委员会批准了36,37]。避免外部设备的影响,实验是在消声室进行灯光。

功能成像,回波平面成像和快速梯度回波图像是通过三维t1磁化与相关信息见表1分别为(38- - - - - -40]。

表1
回波平面成像的相关信息和快速梯度回波图像。

所有47个参与者的闭眼休息的实验中使用的样本数据。每个条件由240功能卷;在数据选择方面,我们抛弃最初的10点数量和储备120卷。

算法的改进主要是反映在功率谱的计算及选择;的分析条件下,大脑的活动是最明显的,活跃在这一块的数据,FFT和FSST都选择时间序列的平均值0.01 - -0.1赫兹的频带的数据长度20 - 420年代的总长度9分钟。分析窗口长度是2 ABS(数据)/样本长度。此外,FFT和FSST算法用于提取ALFF值并进行比较分析;相应的系数值ALFF提取如下(表2)。

表2
系数的值ALFF FFT和FSST静息状态的实验。

3所示。结果与讨论

每个参与者的实验数据中提取两次。我们将这两组数据分成Test1和Test2;FFT和FSST用于分析两组的数据。结果参与者32为例图所示1因为它是特异性的,Test1 FSST, Test1 FFT, Test2 FSST,分别和Test2 FFT。每组图片显示12横截面的大脑,和相应的位置每个截面的纵向视图所示大脑区域在右下角的每组图像。


图1
两组数据的分析结果从参与者使用FSST 33和FFT技术。

尽管FSST的高振幅和FFT是静止状态,只有大约3000 FSST和FFT的区别是显而易见的。从图像的角度来看,FSST检测结果不能解决由FFT和他们的平均系数,这证明FSST比FFT更准确和敏感数据分析和图像提取和突出。FSST特别强调了额上穹窿,腹直肌,和其他领域,有价值的科学研究大脑活动和精神疾病。因此,FSST和FFT的区别很大,其准确性也更高。

自振幅低频段使用在这个实验中,这些值的平均金额应该进行FFT分析这些多个探测点,然后判断获得的频率功率谱的比值低频段(0.01 - -0.1赫兹)每个频带;获得频率功率谱分析,以确定这些点符合低频振幅属性。进一步分析这些信号的意义,我们引入平均相关系数关联提取的信号,计算平均值,如下图所示。

我们可以清楚地看到,在平均系数和低频率比的两组数据,多个检测部分FSST确实优于FFT,如图2。因为低频系数的意义可以反映ALFF指数的意义和低频振幅的差异是造成这种差异的原因的低频系数,低频振幅值的目标这一实验能显示ALFF的特点。因此,这也证明FSST显然优于FFT分析的ALFF价值,强劲的低频特性和提取低频特征更明显的能力。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图2
每个参与者的平均系数和较低的频率比在低频段使用FSST和FFT。

图3显示的区域 值小于0.05考试。组18相邻像素点(SPM)的边缘连接,默认值和体素号码200作为集群大小参数,对这些区域进行集群阅读,和该地区的体素选择大于70集群的显示器,由于区域的数量太大。积极的价值是该地区FSST之间的显著差异和FFT。负值代表地区FFT和FSST之间存在显著差异。如图2FSST和FFT也显示在图上存在显著差异3。


图3
区别FSST和FFT Test1和Test2的结果。

基于性能的分析和实际的效果,证明了改进算法的重要性。ALFF指数的性能大大改善,促进ALFF及其的应用价值。

4所示。结论

目前,关于人类大脑的研究职业塑性发展迅速,但ALFF研究需要进一步加强。由于复杂性和各种各样的EEG信号,提取信号的时间序列的信息可以有效地减少无知造成的信号频带的浓度。

基于之前的研究,本文提出了FSST算法来提高分辨率,提高分析的准确性ALFF,旨在提高ALFF的可视化效果和低频信号的提取效果。从实验结果,证明之间有显著差异的总体分析影响FSST在静息状态和FFT, FSST的提取精度显著提高,可以反映脑电波的TF结构特征明显。

此外,FSST可以检测大脑动态时间序列的变化。处理后,信号的TF地图可以恢复到一个更大的程度上。基于恢复信号的准确性和低频率的特征属性,它是证明FSST算法的检测和分析是可行的在时域ALFF。在未来,我们将验证的适用性FSST ALFF任务相关的实验。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究受到了自然科学基金资助下的中国江苏高等教育机构19 kjb160001和19 kjb520004,连云港城市海燕项目授予2019 - qd - 004, TianQin教育部重点实验室项目,中山大学,开放基金项目下的江苏海洋资源开发研究所授予JSIMR202018。作者要感谢秦裕为他的贡献在这一工作的早期阶段。