EEG加权网络建立及分析过程

Processing step 数据采集→数据预处理→转换参考(REST) →提取感兴趣电极 数据及坐标→计算相干矩阵→以相干值为权重，构建加权网络， 求出网络属性→统计分析不同频段的网络属性→若有显著性局 部差异，再进一步进行局部分析（→查阅文献→结果）
Thank You For Attention
Patients and controls Subjects: • The study involved 10 patients (mean age 75.4 years, SD 7.79; 5 males) with a diagnosis of probable Mild Cognitive Impairment disease and 13 healthy control subjects (mean age 73.8 years, SD 7.11; 5 males) Frequency bands: • theta (4–8 Hz), alpha (8–13 Hz), beta (13–30 Hz) and gamma (30–40 Hz) Brain regions： • EEG sensors were grouped into five regions (frontal, temporal, central, parietal and occipital) for each hemisphere
work analysis MCMCI患者在alpha频段的相干强度有明显降低，网络 属性也发生了显著性的变化：聚类系数减低、最短路径长度变 长。其子网络（额叶之间以及额叶与枕叶之间）的网络属性变 化更为显著。聚类系数可以从一定程度上度量网络的局部信息 传输能力，最短路径长度是度量网络的全局传输能力，MCI患 者alpha频段聚类系数变小，路径长度变长，‘小世界’属性降 低，从局部和全局上反映了大脑信息传递能力的减弱，这可能 与MCI患者记忆功能的衰退有一定的影响。
6.Statistical analysis 对不同频段的网络属性进行统计分析,使用T(双测)检验来检测是 否具有显著性差异(α＜0.05)，以及网络属性的标准差。
7.Local analysis 观察患者和被试的两类平均相干矩阵，用imagesc命令画图， 用颜色表示表示其值的大小，观察全局差异和局部差异，若有 明显的局部差异，则进一步对某一频段的局部位置分析其网络 属性，选出相干矩阵中感兴趣部分，计算其网络属性。
5.Graph analysis 以两导数据之间的平均相干作为作为加权网络的权重wij，分别 计算不同频段的网络属性（聚类系数和最短路径长度）。
聚类系数：
最短路劲长度：
5.Graph analysis
被试编号 数据5 数据6 数据8 数据12 数据13 数据16 数据17 数据26 数据31 数据35 数据3 数据4 数据14 数据19 数据20 数据21 数据22 数据23 数据27 theta/C 0.390047 0.268235 0.250126 0.22484 0.339918 0.282365 0.260385 0.29626 0.24997 0.329427 0.342442 0.299336 0.302903 0.237825 0.341702 0.335794 0.402737 0.283212 0.307897 theta/L 2.450686 3.298618 3.444061 4.060771 2.801068 3.17919 3.443417 2.830667 3.51039 2.790793 2.623052 2.981726 3.129433 3.807156 2.699714 2.762265 2.38262 3.255418 2.894783 alpha/C 0.388471 0.316269 0.290271 0.302126 0.437855 0.315217 0.284515 0.271004 0.288482 0.361145 0.470011 0.457319 0.289331 0.414514 0.451649 0.507351 0.542601 0.382558 0.431368 alpha/L 2.435889 2.881319 3.026295 3.012865 2.185244 2.859585 3.190744 3.141591 3.091782 2.572821 1.981034 2.05568 3.188354 2.286118 2.100698 1.904204 1.787455 2.474857 2.192553 beta/C 0.265558 0.236283 0.282214 0.241902 0.250324 0.262054 0.256053 0.236393 0.256015 0.227222 0.271496 0.306115 0.230071 0.21462 0.240174 0.266364 0.284123 0.234593 0.311877 beta/L 3.357888 3.84844 3.174598 3.794556 3.604758 3.444321 3.539379 3.769851 3.520588 3.869724 3.228649 2.999578 3.90374 4.292664 3.717351 3.396356 3.267497 3.785156 2.95493 gamma/C 0.27024 0.2173 0.22485 0.215407 0.26093 0.208691 0.232882 0.281348 0.204919 0.21836 0.223564 0.228925 0.213076 0.186484 0.211548 0.25408 0.262442 0.205812 0.253469 gamma/L 3.350481 4.24506 4.029207 4.237742 3.501322 4.343931 3.837924 3.275042 4.469564 4.068922 3.979754 3.884074 4.358102 4.989609 4.349379 3.563162 3.485228 4.434736 3.630364
1.Data acquisition Using a 65-channel whole-head EEG system
2.Data preprocessing 0.5Hz HPF，0~40Hz BPF
3.REST tranformation processing 取出65导电极数据中的65-5-2=58导数据及其名称，转换成无 限远参考，再取出58导中的21到感兴趣数据。因为所给的数据 中只有名称而没有坐标，故借助BP中名称与给定数据中的一致 的坐标(Fp1,FPz,Fp2,F7,F3,FZ,F4,F8,T7,C3,Cz,C4,T8,P7,P3,Pz,P4,P8,O1,Oz,O2 )
4.Coherence Matrix • 求电极之间的平均相干值，建立不同频段间的相干矩阵：选出 10段数据（每段约取2s），每段数据再分四个频段(theta,alpha, beta,gamma)分别求其相干矩阵，产生4个21×21的相干矩阵， 累加10段数据4个不同频段的相干矩阵，然后求其平均相干矩 阵。 • 算法循环次数：10×4×21×21→10×21×21