一种基于最大信息系数的脑自调节机制指标相干性获取方法

1.本发明涉及脑自调节机制技术领域，具体而言，尤其涉及一种基于最大信息系数的脑自调节机制指标相干性获取方法。


背景技术：

2.目前针对大脑的脑自我调节机制能力，对血压和血流指标相关性的分析方法主要传递函数分析法，小波相干分析法。各方法的主要思路如下：其中传递函数分析法是衡量脑自调节机制的传统方法，是利用传递函数，在静息状态的前提条件下，分析血压(刺激或者输入信号)与脑血流(反应或者输出信号)之间的动态关系的方法。其中小波相干分析法是利用小波时域分析从多时间尺度对平均血动脉压，脑组织氧饱和度的谱功率和动态关系进行量化，通过比较在不同区间内的相位、增益同向或反向变化，来这两个指标间的变化关系。
3.目前脑自调节机制领域指标相干性分析方法存在如下问题：(1)传递函数分析这是衡量的传统方法。但是这种方式是在静息状态的前提条件下进行分析的。在实际应用的很多领域中，指标与指标之间都是动态变化的，该方法具有一定的局限性。虽然理论上可行，传递函数分析方法在实践中存在相当大的主观性，这限制了研究之间的比较，也阻碍了其应用。(2)小波相干分析法，变量指标的相干性区分效果不是很明显，对结果的解释性较弱，不能准确直接的说明哪类相干，哪类不相干。不能明确给出平均血动脉压，脑组织氧饱和度这两个指标的相干程度的衡量结果。


技术实现要素：

4.根据现有技术存在的问题，本发明对平均血动脉压，脑组织氧饱和度这两个具有一定关系的指标通过使用最大信息系数的计算方法获取指标间的相干性，具体技术方案包括如下步骤：
5.将平均血动脉压、脑组织氧饱和度两项指标信号的数据整合到二维散点图中，基于一定大小的网格对散点图进行划分，根据互信息计算公式计算互信息，不断改变网格大小分布得到最大互信息；
6.分别选取不同分割尺寸下的最大互信息，将其归一化放入特征矩阵中；
7.将特征矩阵归一化的结果代入mic计算公式，从而将特征矩阵中的数据点放入三维空间形成一个曲面，该曲面最高点数值为所求得的最大互信息系数mic；
8.将平均血动脉压、脑组织氧饱和度以及最大互信息系数mic作为样本输入信息，采用逻辑回归lr方法、根据样本输入信息对分类边界线建立回归公式，寻找最优参数从而对样本输入信息进行相关性分类；
9.采用混淆矩阵得到真阳性tp、假阳性fp、假阴性fn和真阴性tn，基于上述参数获得逻辑回归lr方法的评价指标，其中评价指标包括准确率、精确率和召回率；
10.使用留一交叉验证法对输入样本信息进行逐一验证，设有k组样本输入信息，将其
中一组作为测试对象，其余k-1组作为训练对象，采用上述方法依次测试k组输入样本信息，将所有组测试结果取平均值，得到整体的验证结果。
11.进一步的，将二维散点图分成m
×
n大小的网格，m代表网格行数，n代表网格列数，将落在某一网格的数据点的概率作为该网格的估计，设网格(a,b)的概率估计为p(a,b)，
12.根据互信息计算公式计算出互信息：
[0013][0014]
再按照2
×
2大小的网格对散点图进行划分，根据互信息计算公式计算出互信息，再不断改变网格的大小分布得到最大互信息记作x
22
；
[0015]
基于上述方式按照2
×
3网格进行划分，计算出最大互信息得到x
23
；
[0016]
以此类推直到获得m
×
n尺寸网格最大互信息为止。
[0017]
进一步的，基于不同尺寸网格计算得到的最大互信息，将最大互信息输入至特征矩阵x中：
[0018][0019]
再将该特征矩阵中的最大互信息x
ab
进行归一化处理。
[0020]
进一步的，设已知平均血动脉压和脑组织氧饱和度的n个观测值为d，大小为a
×
b的二维网格集合用ω(a,b)来表示、且g∈ω(a,b)，a(g)、b(g)表示基于网格的离散变量；
[0021]
将获取的不同尺寸网格下的最大互信息进行理论计算，则平均血动脉压和脑组织氧饱和度之间的mic公式为：
[0022][0023]
其中i(a(g),b(g))表示其互信息，b为最大网格数；
[0024]
定义个限制变量b，使得m
×
n《b，其中
[0025]
b＝f(data_size)＝n
0.6
[0026]
从而将二维特征矩阵x归一化的各个最大互信息放到一个三维空间中，形成一个曲面；
[0027]
曲面将由(a-1)
×
(b-1)个数据点构成，而这个曲面最高点的数值即为这两个变量的最大信息系数mic，其取值范围是[0,1]。
[0028]
进一步的，获得逻辑回归lr方法的评价指标时：
[0029]
其中准确率accuracy是衡量算法对于预测结果总体分类正确的比例，accuracy＝(tp tn)/(tp fp fn tn)；
[0030]
其中精确率p是衡量算法正样本的预测准确率，p＝tp/(tp fp)；
[0031]
其中召回率r是衡量算法对所有正样本的预测全面性，r＝tp/(tp fn)；
[0032]
采用精确率p和召回率r的调和平均值衡量查准率对查全率的相对重要性，
[0033]
[0034]
通过上述评价指标从整体预测水平、正样本预测准确性、正样本的预测全面性对算法分类性能进行指标的可视化呈现。
[0035]
综上，本发明的技术方案公开了一种基于最大信息系数的脑自调节机制指标相干性获取方法，该方法分析计算过程清晰明了，准确性高，可靠性较高，能够得出指标间相干性大小的具体数值，解释性强。可以通过此计算方法得出脑自调节机制在实际运作中，平均血动脉压，脑组织氧饱和度两个指标的相干性大小；也可以应用在数据指标具有相关性的其他领域，探究某些相关指标与实际结果的关系。
附图说明
[0036]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0037]
图1为本发明方法的流程图。
[0038]
图2为本发明方法中最大互信息系数mic的计算流程图。
[0039]
图3为本发明方法中数据指标相干性训练流程图。
具体实施方式
[0040]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0041]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0042]
如图1所示，本发明提供了一种基于最大信息系数的脑自调节机制指标相干性获取方法，具体包括如下步骤：
[0043]
s1:将平均血动脉压、脑组织氧饱和度两项指标信号的数据整合到二维散点图中，基于一定大小的网格对散点图进行划分，根据互信息计算公式计算互信息，不断改变网格大小分布得到最大互信息；
[0044]
s2:分别选取不同分割尺寸下的最大互信息，组成特征矩阵，并将其归一化；
[0045]
s3:将特征矩阵归一化的结果代入mic计算公式，即将特征矩阵中的数据点放入三维空间形成一个曲面，该曲面最高点数值为所求得的最大互信息系数mic；
[0046]
s4:将平均血动脉压、脑组织氧饱和度以及最大互信息系数mic作为样本输入信
息，采用逻辑回归lr方法、根据样本输入信息对分类边界线建立回归公式，寻找最优参数从而对样本输入信息进行相关性分类；
[0047]
s5:采用混淆矩阵得到真阳性tp、假阳性fp、假阴性fn和真阴性tn，基于上述参数获得逻辑回归lr方法的评价指标，其中评价指标包括准确率、精确率和召回率；
[0048]
s6:使用留一交叉验证法对输入样本信息进行逐一验证，设有k组样本输入信息，将其中一组作为测试对象，其余k-1组作为训练对象，采用上述方法依次测试k组输入样本信息，将所有组测试结果取平均值，得到整体的验证结果。
[0049]
s1中具体采用如下方式：
[0050]
s11：首先将两个指标信号：平均血动脉压，脑组织氧饱和度的数据放置到一张二维散点图中。再将这个二维空间分成m
×
n大小的网格，m代表网格行数，n代表网格列数，将落在某一网格的数据点的概率作为该网格的估计，设网格(a,b)的概率估计为p(a,b)。
[0051]
s12:根据互信息计算公式计算出互信息：
[0052][0053]
s13：再按照2
×
2大小的网格对散点图进行划分，根据互信息计算公式计算出互信息。再不断改变2
×
2网格的大小分布，得到最大互信息记作x
22
。
[0054]
s14：接下来仿照上述步骤继续按照2
×
3网格进行划分，计算出最大互信息得到x
23
[0055]
s15:以此类推到m
×
n尺寸网格最大互信息为止；
[0056]
如图2所示，s2中具体采用如下方式：
[0057]
s21:把s1步骤，这些不同尺寸网格下计算得到的最大互信息，组成特征矩阵x中，如下所示：
[0058][0059]
s22：由于上述所有最大互信息x
ab
是在不同尺寸网格计算得到的，所以数值可能存在较大差异，不利于矩阵x中这些最大互信息之间的比较分析。
[0060]
s23：通过将标准化，控制数值范围在0～1之间，来解决这个问题。即将特征矩阵中的最大互信息x
ab
进行归一化。用公式表示如下：
[0061][0062]
s3中具体采用如下方式：
[0063]
s31：综上，若已知两个相干指标平均血动脉压，脑组织氧饱和度的n个观测值d，大小为a
×
b的二维网格集合用ω(a,b)来表示，且g∈ω(a,b)，a(g)、b(g)表示基于网格的离散变量。
[0064]
s32；将上述步骤计算得到的数值带入理论计算，那么这两个变量间的mic公式如下：
[0065]
[0066]
其中i(a(g),b(g))表示其互信息，b为最大网格数。
[0067]
s33:理想情况希望每个网格中都有数据点落入，但达到理想态需要分割很精细，即网格分辨率很高。这极大影响mic的计算复杂度，所以网格大小m
×
n的选取很重要。为了便于运算定义一个限制变量b[14]，使得m
×
n《b，其中
[0068]
b＝f(data_size)＝n
0.6
[0069]
s34：即将特征矩阵x归一化的各个最大互信息放到一个三维空间中，形成一个曲面
[0070]
s35：曲面将由(a-1)
×
(b-1)个数据点构成，而这个曲面最高点的数值即为这两个变量的最大信息系数mic，其取值范围是[0,1]。
[0071]
s4中具体采用如下方式：
[0072]
s41:为了探究平均血动脉压，脑组织氧饱和度两者相关性mic最大信息系数，实现分类的可靠性。实验选用逻辑回归lr进行分类学习。逻辑回归是机器学习中经典的分类预测算法，常用于解决分类问题，适合用于本实验的分类。
[0073]
s42：将平均血动脉压、脑组织氧饱和度以及最大互信息系数mic作为样本输入信息，通过训练集进行学习，建立一个从输入空间x到输出空间y(离散值)的映射。
[0074]
s43：根据现有数据对分类边界线(decision boundary)建立回归公式，通过寻找最优参数来正确地分类数据。
[0075]
s44:求解能够让模型对数据拟合程度最高的参数值，由此构建函数y(x)，然后将特征矩阵输入此函数来计算出结果。
[0076]
s45：由上得到样本数据在不同类别下的条件概率，比较条件概率值的大小，将输入样本x分到概率值较大的那一类。
[0077]
s5中具体采用如下方式：
[0078]
s51：将每组输入样本数据，根据实际结果给予标签，整个实验算法基于有监督学习。混淆矩阵是一个误差矩阵，能够评估监督学习算法性能。
[0079]
s52：对于一个二分类问题来说，混淆矩阵可以将一个训练模型对测试集的所有预测结果出现的情况都表示出来。采用混淆矩阵得到真阳性tp、假阳性fp、假阴性fn和真阴性tn，以及基于上述参数计算得到的评价指标，包括准确率、精确率和召回率
[0080]
s53：tp为真正例表示未知样本在实际中为正例也被模型预测为正例的样本个数；fp为假正例表示未知样本实际中为负例却被模型预测为正类的样本个数；fn为假反例表示未知样本实际中为正例却被模型预测为负类的样本个数；tn为正反例表示未知样本实际中为负例也被模型预测为负类的样本个数。
[0081]
s54：准确率(accuracy)这个指标用来衡量算法对于预测结果总体分类正确的比例。accuracy＝(tp tn)/(tp fp fn tn)
[0082]
查准率(精确率)p为在被模型预测为正例的样本中，预测结果正确的比例，衡量算法对所有正样本的预测全面性；p＝tp/(tp fp)
[0083]
查全率(召回率)r为在实际是为正例的样本数中被模型预测正确的比例，衡量算法对所有正样本的预测全面性；r＝tp/(tp fn)
[0084]
由于查准率和查全率是一对矛盾的度量，两者往往难以同时达到最高，采用两者的折中指标来评价模型的性能就变得更为合适——f:精确率p和召回率r的调和平均值，衡
量了查准率和查全率的相对重要性。
[0085][0086]
s55：通过上述多个评价指标，对算法性能分析进行可视化呈现。
[0087]
如图3所示，s6中具体采用如下方式：
[0088]
s61：分别将每一组的样本数据作为测试对象，其余的数据作为训练样本，进行交叉验证，即留一交叉验证，具体流程如下。
[0089]
s62：将数据集，以每一组样本数据为一个整体，将这些数据划分为k个互斥子集，即分成k个输入样本。
[0090]
s63：其中k-1个子集作为训练集来训练模型，剩下的那个子集作为测试集来对模型进行验证；如此不重复的选择，可以得到k组不同的训练集和测试集，每一组都是一种验证组合。
[0091]
s64：每一组的预测结果，表明算法模型对该组测试样本，平均血动脉压，脑组织氧饱和度二者相干性分类的准确性。
[0092]
s63：最后将上述每一组的预测结果整合，求出k组实验结果的均值，即得到整体的验证结果。
[0093]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。