基于全局图振幅排列熵的EEG心算分类研究

心算是生活中常使用到的技能，涉及到多种引起大脑活动变化认知加工环节，对于心算的脑电（Electroencephalogram，EEG）研究有助于提高对认知任务的研究水平。本文提出了一种全局图振幅排列熵（Amplitude permutation entropy for global graph，APEGG）应用于脑电心算研究，以弥补传统图排列熵（Permutation entropy for graph，PEG）无法全面反映脑网络节点周边邻居节点变化的缺陷，克服了脑电信号幅值不敏感的问题。首先采用相位锁定值构建了EEG脑网络，分析多导联脑电信号之间的同步性和相关性，然后计算了不同频段下脑网络的全局图振幅排列熵，最后运用支持向量机（Support vector machine，SVM）进行分类。使用脑电心算公开数据集进行仿真，分析了不同频段的心算状态与静息状态的熵值散点图，两种状态的熵值散点图表现出较大差异。心算状态与静息状态分类结果与其他算法比较表现出更好的效果。