1.一种基于脑电动态功能连接的帕金森步态冻结识别方法,其特征在于,包括以下步骤:S1:采集帕金森疾病患者进行冻结步态与非冻结步态交替事件时的脑电数据,构建个性化分类数据集,并对所述数据集进行预处理,将预处理后的脑电数据分解为五个频段δ,θ,α,β,γ;
S2:将分解频段后的脑电数据进行微状态分析,在目标频段筛选出主导微状态原型模板;
S3:对目标频段内的主导微状态原型模板通过相位-相位耦合PPC和相位滞后指数PLI进行动态功能连接分析;PPC用于研究各频带之间的相位耦合情况,PLI用于研究频带内部的协调作用,使用PLI和PPC用于从频带间和频带内的相位同步和协调耦合情况进行研究;
S4:对功能连接按主导微状态原型模板聚类,保留优化的微状态类别作为主导微状态类别来构建优化后的MCNf框架;
S5:在筛选出的主导微状态类别中提取时间变异性TV特征与空间变异性SV特征,SV特征通过对该类别微状态的空间特征求和获得,TV特征则提取对应的时间动态特征;
S6:将步骤S5提取的TV与SV特征输入分类器中,以区分帕金森步态冻结状态与非冻结步态状态。
2.根据权利要求1所述的基于脑电动态功能连接的帕金森步态冻结识别方法,其特征在于,在步骤S1中,对数据集进行预处理的步骤包括:对所述数据集统一重采样至500Hz,进行多模态伪迹剔除与独立成分分析去除眼动干扰叠加平均参考后应用0.5–100Hz带通滤波保留生理相关频段,最终筛选出25个电极数据用于后续微状态分析。
3.根据权利要求1所述的基于脑电动态功能连接的帕金森步态冻结识别方法,其特征在于,步骤S2的具体步骤包括:S201:将预处理后的脑电数据计算全局场电位GFP,基于GFP峰值地形图进行K均值聚类提取微状态原型,并通过解释方差最大化方法优化聚类效果,GFP的计算公式为:,
其中,N为电极数量,Vi(t)表示第i个电极在t时刻的电压值,V(t)为空间平均电压;
S202:执行微状态时间窗分割,在目标频段中,通过GFP峰值对齐的K均值聚类识别五个主导微状态原型模板M1–M5,即累计贡献大于65%的全局解释方差并覆盖具有显著空间地形差异的时间连续脑电片段;
S203:通过时间参数对五类微状态的动态转换及稳定性进行量化表征。
4.根据权利要求1所述的基于脑电动态功能连接的帕金森步态冻结识别方法,其特征在于,在步骤S3中,对目标频段内的主导微状态原型模板通过PPC进行功能连接分析的具体步骤包括:S301:选取预定义低频频段与高频频段相位信号对,将低频段脑电信号输入基于滤波的多类微状态网络,提取其对应微状态模板对齐的时间区间,标记为第一信号;
S302:基于微状态模板时间窗,对第一信号与高频频段相位信号进行希尔伯特变换获取瞬时相位序列;
S303:计算相位锁定值PLV,量化第一信号与高频频段相位信号间的跨频相位同步强度,生成25电极×25电极的跨频电极间耦合矩阵以表征频段间交互作用。
5.根据权利要求1所述的基于脑电动态功能连接的帕金森步态冻结识别方法,其特征在于,在步骤S3中,对目标频段内的主导微状态原型模板通过PLI进行功能连接分析的具体步骤包括:S311:对基于微状态模板时间窗的带内脑电信号进行希尔伯特变换提取瞬时相位序列;
S312:计算PLI量化25个电极两两间的相位锁定强度,形成25×25同步矩阵以捕捉带内功能连接动态,计算公式为:,
其中,表示tk时刻的瞬时相位差, 代表时间平均运算。
6.根据权利要求1所述的基于脑电动态功能连接的帕金森步态冻结识别方法,其特征在于,在步骤S5中,在筛选出的主导微状态类别中提取TV特征的具体步骤包括:S501:将脑电记录划分为五类微状态簇,每簇对应时序功能连接矩阵序列;
S502:对于某微状态簇内的每个功能连接矩阵,时间变异性TV计算公式为:,
提取第i列形成25×v矩阵,对于一个微状态簇中的每个功能连接矩阵,提取其第 i列代表第i个电极的连接模式,v为微状态簇内矩阵数,Fp(i,:)表示第p个矩阵中第i电极的连接模式,Fq(i,:)表示第q个矩阵中第i电极的连接模式,Ti表示对应i编号的时间变异性;
S503:计算所有列向量间皮尔逊相关性;
S504:遍历25电极及五类微状态簇后生成25×5 TV特征矩阵。
7.根据权利要求1所述的基于脑电动态功能连接的帕金森步态冻结识别方法,其特征在于,在步骤S5中,在筛选出的主导微状态类别中提取SV特征的具体步骤包括:S511:对第i电极,1≤i≤25,从某微状态簇中的每个功能连接矩阵中提取其第i行,Fs(i,j)代表电极i在不同时间点的连接强度向量,堆叠为25×v矩阵,v为簇内矩阵数;空间变异性SV计算公式为:,
其中,Si表示对应编号为i的空间变异性,i、j、h均为电极;
S512:计算所有行对间皮尔逊相关性;
S513:遍历25电极及五类微状态簇后生成25×5 SV特征矩阵。
8.根据权利要求1所述的基于脑电动态功能连接的帕金森步态冻结识别方法,其特征在于,在步骤S5中,TV量化特定电极连接模式随时间波动程度,趋近1提示与帕金森冻结步态相关的时间失稳性;SV则表征连接分布的空间异质性,其升高反映基底节-丘脑皮层网络失同步导致的交互紊乱。
9.根据权利要求1所述的基于脑电动态功能连接的帕金森步态冻结识别方法,其特征在于,在步骤S6中,所述分类器采用支持向量机作为机器学习模型,该模型运用高斯核函数对样本数据进行分类。
10.一种基于脑电动态功能连接的帕金森步态冻结识别系统,其特征在于,包括:数据预处理与分解模块,用于采集帕金森疾病患者进行冻结步态与非冻结步态交替事件时的脑电数据,构建个性化分类数据集,并对所述数据集进行预处理,将预处理后的脑电数据分解为五个频段δ,θ,α,β,γ;
微状态原型模板分割模块,用于将分解频段后的脑电数据进行微状态分析,在目标频段筛选出主导微状态原型模板;
功能连接分析模块,用于对目标频段内的主导微状态原型模板通过相位-相位耦合PPC和相位滞后指数PLI进行动态功能连接分析;PPC用于研究各频带之间的相位耦合情况,PLI用于研究频带内部的协调作用,使用PLI和PPC用于从频带间和频带内的相位同步和协调耦合情况进行研究;
功能连接聚簇模块,用于对功能连接按主导微状态原型模板聚类,保留优化的微状态类别作为主导微状态类别来构建优化后的MCNf框架;
时空变异指标提取模块,用于在筛选出的主导微状态类别中提取时间变异性TV特征与空间变异性SV特征,SV特征通过对该类别微状态的空间特征求和获得,TV特征则提取对应的时间动态特征;
特征分类模块,用于将所述时空变异指标提取模块提取的TV与SV特征输入分类器中,以区分帕金森步态冻结状态与非冻结步态状态。