基于Renyi熵的复杂网络研究及在心算识别中的应用.pdfVIP

摘要

心算任务可以提高认知控制和工作记忆、注意力和专注力并可以引起脑电信号

(electroencephalogram,EEG)的变化，反映不同大脑区域之间的协调和信息传递。本文基于EEG

分析大脑信号变化，研究不同心算任务对大脑的影响。同时，利用复杂网络理论对心算任务

的脑网络进行研究，实现EEG信号的分类以及心算任务的识别。

本文的主要研究内容如下：

首先，为了更好地研究心算任务对大脑的影响，本研究设计了五种不同难度的心算任务，

以较静息状态和不同负荷的心算工作之间大脑信号的差异。行为分析结果表明，随着心算任

务难度的增加和工作记忆负荷的增加，反应时间逐渐增加，准确率下降。同时，本文以相位

锁定值作为脑网络连接边权重，更准确地表征心算状态下各脑区之间的信息流协作关系，解

决了EEG信号频率和幅度的成分干扰问题。本文的研究发现，在不同状态下，大脑区域同步

的最高连接强度显示在θ频带，并且在心算任务中额叶区域的同步更高。

其次，针对传统网络复杂度评估算法的不足，提出了一种改进的Renyi熵算法(RFB)来研

究心算任务下的脑电网络，引入了两个重要的网络属性——分形维数和介数中心性，以提高

网络复杂度的测量能力。为了评估该方法的可靠性和有效性，使用了一系列由简单的最近邻

耦合网络和六个真实世界的网络组成的复杂网络。最后，将新算法用于评估心算和静息状态

下大脑网络的复杂性。静息状态和心算状态下大脑网络的复杂性在α频带的三个结构熵测度

上表现出显著差异。经过特征筛选最终在支持向量机(SVM)中获得了88.42%的评价准确率。

最后，针对传统的节点重要性评估方法无法全面地衡量网络特征的问题，提出了一种基

于Renyi熵的方法(RSFB)来评估复杂网络节点的重要性，以揭示心算过程中不同大脑区域的

重要性。该算法同时考虑了节点的局部和全局拓扑信息，结合了salton指数和介数中心性，

并充分考虑了节点和相邻节点的影响。以单调性、SIR模型和Kendall相关系数为评价标准对

该算法进行了验证，并在六种不同的真实网络上与其他经典方法进行了比较。RSFB算法从

不同的大脑区域提取重要节点并进行排序，发现不同频段下大脑区域节点的重要性存在显著

差异。将不同工作心算状态下的节点重要性序列作为的特征向量进行状态分类，在SVM分

类器的最高分类准确率可以达到90.21%。

总的来说，研究提出的RFB和RSFB方法在评估大脑网络特性方面具有较高的准确性和

可靠性，并成功地应用于心算任务识别中。有助于了解大脑不同频段下的功能特征以及各个

脑区之间的相互作用，为神经科学和脑机接口技术的发展提供更深入的基础研究和理论支持。

关键词:心算，脑电，复杂网络，网络复杂度，节点重要性

Abstract

Mentalarithmetictaskscanimprovecognitivecontrolandworkingmemory,attentionand

concentrationandcancausechangesinelectroencephalogram(EEG)signals,reflecting

coordinationandinformationtransferbetweendifferentbrainregions.Inthisthsis,weanalysebrain

signalchangesbasedonEEGtoinvestigatetheeffectsofdifferentmentalarithmetictasksonthe

brain.Atthesametime,thebrainnetworkofthementalarithmetictaskisinvestigatedusing

complexnetworktheorytoachievetheclassificationofEEGsignalsandtheidentification