加权多重多尺度熵及其在孤独症儿童脑电信号分析中的应用

本文针对传统多尺度熵在多尺度化过程中信息丢失问题，提出一种加权多重多尺度熵特征提取算法。该算法在各尺度上构建了从大到小的多重数据序列，考虑多重数据序列对该尺度样本熵的贡献程度不同，计算各个序列在该尺度序列中所占比重，以此作为系数重构各尺度样本熵。相比于传统多尺度熵算法，该算法不但克服了信息丢失问题，还充分考虑了序列的相关性与对总熵值的贡献程度，减小了尺度间的波动，更能挖掘脑电信号的细节信息。基于该算法，本文分析了孤独症（ASD）儿童脑电信号特征，与样本熵、传统多尺度熵及延搁取值法多重多尺度熵算法比较，分类准确率分别提高了 23.0%、10.4% 与 6.4%。基于该算法对比分析孤独症儿童与对照组健康儿童的 19 通道脑电信号，结果表明除 FP2 通道外，其余通道的熵值均显示健康儿童略高于孤独症儿童，且 F3、F7、F8、C3、P3 通道的熵值差异具有统计学意义（P<0.05）。本文通过对各个脑区加权多重多尺度熵进行分类，发现前颞叶区域通道（F7、F8）的分类准确率最高，表明前颞叶可以作为评估孤独症儿童脑功能状态的敏感脑区