(10)申請(qǐng)公布號(hào)CN120216935A(21)申請(qǐng)?zhí)?02510696111.9(22)申請(qǐng)日2025.05.28(71)申請(qǐng)人腦機(jī)交互與人機(jī)共融海河實(shí)驗(yàn)室地址300392天津市濱海新區(qū)濱海高新產(chǎn)業(yè)區(qū)蘭苑路五號(hào)A座-1001(72)發(fā)明人劉洪興倪廣健朱家寧(74)專(zhuān)利代理機(jī)構(gòu)天津創(chuàng)智睿誠(chéng)知識(shí)產(chǎn)權(quán)代理有限公司12251專(zhuān)利代理師李薇田陽(yáng) (54)發(fā)明名稱(chēng)基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法及系統(tǒng)(57)摘要本發(fā)明公開(kāi)了一種基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法及系統(tǒng)，所述方法包括以下步驟：采集復(fù)雜聲學(xué)環(huán)境下空間聽(tīng)覺(jué)注意任務(wù)誘發(fā)多個(gè)腦區(qū)的腦電信號(hào)，并進(jìn)行腦電數(shù)據(jù)預(yù)處理；構(gòu)建多層節(jié)律網(wǎng)絡(luò)和多層時(shí)變網(wǎng)絡(luò)；基于多層節(jié)律網(wǎng)絡(luò)和多層時(shí)變網(wǎng)腦絡(luò)構(gòu)建跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)，并利用層間相關(guān)性和層間條件概率確定所述跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)的核心網(wǎng)絡(luò)層；對(duì)所述核心網(wǎng)絡(luò)層的網(wǎng)絡(luò)屬性進(jìn)行量化分析獲得各責(zé)任腦區(qū)之間的連接模式和協(xié)同工作方式。本發(fā)明通過(guò)構(gòu)建四維超連接網(wǎng)絡(luò)，21.一種基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法，其特征在于，包括以下步驟：步驟1,采集復(fù)雜聲學(xué)環(huán)境下空間聽(tīng)覺(jué)注意任務(wù)誘發(fā)多個(gè)腦區(qū)的腦電信號(hào)，并進(jìn)行腦電數(shù)據(jù)預(yù)處理；步驟2,基于步驟1得到的預(yù)處理好的腦電數(shù)據(jù)，提取不同頻段的腦電信號(hào)，基于連通性指標(biāo)對(duì)不同頻段以及同一頻段的腦電信號(hào)相互耦合作用進(jìn)行量化分析，進(jìn)而構(gòu)建多層節(jié)律步驟3,基于步驟1得到的預(yù)處理好的腦電數(shù)據(jù)，構(gòu)建微狀態(tài)時(shí)空序列，所述微狀態(tài)時(shí)空序列作為微狀態(tài)幀，基于連通性指標(biāo)對(duì)不同微狀態(tài)幀以及同一微狀態(tài)幀的腦電信號(hào)相互耦合作用進(jìn)行量化分析，進(jìn)而構(gòu)建多層時(shí)變網(wǎng)絡(luò)；步驟4,基于步驟2獲得的多層節(jié)律網(wǎng)絡(luò)和步驟3獲得的多層時(shí)變網(wǎng)絡(luò)構(gòu)建跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)，并利用層間相關(guān)性和層間條件概率確定所述跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)的核心網(wǎng)絡(luò)層；對(duì)所述核心網(wǎng)絡(luò)層的網(wǎng)絡(luò)屬性進(jìn)行量化分析獲得各責(zé)任腦區(qū)之間的連接模式和協(xié)同工作方式。2.如權(quán)利要求1所述的基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法，其特征在于，所述步驟1中，通過(guò)圓形揚(yáng)聲器陣列創(chuàng)建包含多個(gè)聲源的復(fù)雜聲學(xué)環(huán)境，其中一個(gè)為目標(biāo)聲源，其余為干擾聲源，所述目標(biāo)聲源和干擾聲源中均引入背景噪聲，參與者在執(zhí)行空間聽(tīng)覺(jué)注意任務(wù)時(shí)，判斷目標(biāo)聲源方向。3.如權(quán)利要求1所述的基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法，其特征在于，所述步驟1中，使用非侵入式腦電設(shè)備的64個(gè)電極通道采集不同腦區(qū)的腦電信號(hào)，每一個(gè)電極通道作為一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)。4.如權(quán)利要求1所述的基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法，其特征在于，所述步驟1中，腦電數(shù)據(jù)預(yù)處理步驟包括濾波、去偽影、分段、基線(xiàn)校定長(zhǎng)度時(shí)間窗的腦電數(shù)據(jù)。5.如權(quán)利要求1所述的基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法，其特征在于，所述步驟2中，對(duì)步驟1得到的每一個(gè)固定長(zhǎng)度時(shí)間窗的腦電數(shù)據(jù)進(jìn)行頻率分解，提取不同指標(biāo)為相位同步、廣義同步或部分有向相干，利用所述連通性指標(biāo)計(jì)算所述同一頻段內(nèi)所有網(wǎng)絡(luò)節(jié)點(diǎn)的腦電信號(hào)之間的耦合強(qiáng)度，并依次計(jì)算不同頻段之間的各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的腦電信號(hào)之間的耦合強(qiáng)度，進(jìn)而構(gòu)建多層節(jié)律網(wǎng)絡(luò)。6.如權(quán)利要求1所述的基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法，其特征在于，所述步驟3中，基于Cartool軟件利用空間聚類(lèi)算法從步驟1得到的所有的固定長(zhǎng)度時(shí)間窗的腦電數(shù)據(jù)中提取最佳微狀態(tài)模板，再將所述最佳微狀態(tài)模板應(yīng)用于定位不同角度下固定長(zhǎng)度時(shí)間窗的腦電數(shù)據(jù)中，通過(guò)模板匹配方法識(shí)別相似的腦電活動(dòng)模式，從而構(gòu)建微狀態(tài)時(shí)空序列，所述微狀態(tài)時(shí)空序列由多個(gè)微狀態(tài)幀構(gòu)成，所述連通性指標(biāo)為相位同步、廣義同步或部分有向相干，利用所述連通性指標(biāo)計(jì)算相同微狀態(tài)幀內(nèi)所有網(wǎng)絡(luò)節(jié)點(diǎn)的腦電信號(hào)之間的耦合強(qiáng)度，并依次計(jì)算不同微狀態(tài)幀之間的各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的腦電信號(hào)之間的耦合強(qiáng)7.如權(quán)利要求1所述的基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法，其特征在于，所述步驟4中，運(yùn)用圖論分析方法對(duì)所述核心網(wǎng)絡(luò)層的網(wǎng)絡(luò)屬性進(jìn)行量化分析，所述網(wǎng)絡(luò)屬38.如權(quán)利要求1所述的基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合9.如權(quán)利要求1所述的基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合10.基于如權(quán)利要求1所述的基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法的系統(tǒng)，所述實(shí)驗(yàn)設(shè)計(jì)模塊自動(dòng)生成并調(diào)整實(shí)驗(yàn)范式，所述實(shí)驗(yàn)設(shè)計(jì)所述多層網(wǎng)絡(luò)構(gòu)建與分析模塊包括用于生成所述跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)的超連接網(wǎng)絡(luò)生成單元、用于對(duì)所述跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)進(jìn)行定量分析的相關(guān)性與條件所述可視化與報(bào)告生成模塊用于對(duì)所述多層網(wǎng)絡(luò)構(gòu)建與分析模塊的分析結(jié)果進(jìn)行可4基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法及系統(tǒng)技術(shù)領(lǐng)域[0001]本發(fā)明涉及聽(tīng)覺(jué)腦機(jī)接口技術(shù)領(lǐng)域，特別是涉及一種基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法及系統(tǒng)。背景技術(shù)[0002]空間聽(tīng)覺(jué)注意是指?jìng)€(gè)體在復(fù)雜聽(tīng)覺(jué)環(huán)境中，選擇性聚焦于特定空間位置的聽(tīng)覺(jué)信息，同時(shí)抑制其他無(wú)關(guān)噪聲或干擾聲源。該能力是人類(lèi)在多聲源環(huán)境中進(jìn)行目標(biāo)聲源識(shí)別、尾酒會(huì)效應(yīng)”中，個(gè)體能夠通過(guò)空間聽(tīng)覺(jué)注意將注意力集中于目標(biāo)對(duì)話(huà)者的聲音，同時(shí)忽略周?chē)谋尘霸肼暫推渌勗?huà)聲。對(duì)于聽(tīng)損患者(如人工耳蝸用戶(hù)),空間聽(tīng)覺(jué)注意能力的缺失會(huì)極大降低其在復(fù)雜環(huán)境中的言語(yǔ)感知能力，因此，深入研究其神經(jīng)機(jī)制對(duì)于提升聽(tīng)覺(jué)康復(fù)和輔助設(shè)備性能具有重要意義。[0003]近年來(lái)，眾多研究采用多種技術(shù)手段深入探索了復(fù)雜聲學(xué)環(huán)境下空間聽(tīng)覺(jué)注意的神經(jīng)基礎(chǔ)。功能磁共振成像研究發(fā)現(xiàn)，在復(fù)雜環(huán)境中個(gè)體的雙側(cè)后上顳回、前島、補(bǔ)充運(yùn)動(dòng)區(qū)和前頂葉網(wǎng)絡(luò)等腦區(qū)的活動(dòng)顯著增強(qiáng)。體素?fù)p傷行為映射研究顯示，右側(cè)顳平面和左側(cè)下額回在空間聽(tīng)覺(jué)選擇性注意過(guò)程中扮演著關(guān)鍵角色。腦磁圖研究表明左側(cè)中央前回在空間聽(tīng)覺(jué)注意的執(zhí)行過(guò)程中會(huì)出現(xiàn)特定的激活模式。而腦電圖具有非侵入式和高時(shí)間分辨率等優(yōu)勢(shì)，關(guān)于腦電圖相關(guān)研究發(fā)現(xiàn)在多個(gè)干擾源的環(huán)境中，空間注意分配與特定事件相關(guān)電位(如失匹配負(fù)波、P3a和P3b成分)之間存在相關(guān)性。盡管這些研究揭示了復(fù)雜環(huán)境中空間聽(tīng)覺(jué)注意所涉及的大腦神經(jīng)活動(dòng)的復(fù)雜性和時(shí)序性，然而，不同腦區(qū)之間的動(dòng)態(tài)連接模式尚未得到深入闡明。[0004]空間聽(tīng)覺(jué)注意是多個(gè)腦區(qū)交互協(xié)調(diào)的復(fù)雜認(rèn)知過(guò)程，涉及傳統(tǒng)的聽(tīng)覺(jué)處理區(qū)域(如初級(jí)聽(tīng)覺(jué)皮層和聽(tīng)覺(jué)聯(lián)絡(luò)區(qū)),以及與注意力、記憶和執(zhí)行功能相關(guān)的前額葉、頂葉等腦區(qū)。但現(xiàn)有方法多采用靜態(tài)腦網(wǎng)絡(luò)分析或單一時(shí)間/頻率維度分析，難以全面刻畫(huà)大腦在執(zhí)行空間聽(tīng)覺(jué)注意任務(wù)時(shí)不同腦區(qū)的動(dòng)態(tài)耦合模式。因此，亟需開(kāi)發(fā)一種能夠跨時(shí)間、跨頻率分析空間聽(tīng)覺(jué)注意腦功能動(dòng)態(tài)耦合的方法，以揭示大腦在復(fù)雜環(huán)境中的空間聽(tīng)覺(jué)注意網(wǎng)絡(luò)交互機(jī)制，并為聽(tīng)覺(jué)腦機(jī)接口技術(shù)的發(fā)展提供創(chuàng)新性解決方案。發(fā)明內(nèi)容[0005]本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)中存在的技術(shù)缺陷，而提供一種基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法及系統(tǒng)。[0006]為實(shí)現(xiàn)本發(fā)明的目的所采用的技術(shù)方案是：一種基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法，包括以下步驟：步驟1,采集復(fù)雜聲學(xué)環(huán)境下空間聽(tīng)覺(jué)注意任務(wù)誘發(fā)多個(gè)腦區(qū)的腦電信號(hào)，并進(jìn)行腦電數(shù)據(jù)預(yù)處理；步驟2,基于步驟1得到的預(yù)處理好的腦電數(shù)據(jù)，提取不同頻段的腦電信號(hào)，基于連5通性指標(biāo)對(duì)不同頻段以及同一頻段的腦電信號(hào)相互耦合作用進(jìn)行量化分析，進(jìn)而構(gòu)建多層節(jié)律網(wǎng)絡(luò)；步驟3,基于步驟1得到的預(yù)處理好的腦電數(shù)據(jù)，構(gòu)建微狀態(tài)時(shí)空序列，所述微狀態(tài)時(shí)空序列作為微狀態(tài)幀，基于連通性指標(biāo)對(duì)不同微狀態(tài)幀以及同一微狀態(tài)幀的腦電信號(hào)相互耦合作用進(jìn)行量化分析，進(jìn)而構(gòu)建多層時(shí)變網(wǎng)絡(luò)；步驟4,基于步驟2獲得的多層節(jié)律網(wǎng)絡(luò)和步驟3獲得的多層時(shí)變網(wǎng)絡(luò)構(gòu)建跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)，并利用層間相關(guān)性和層間條件概率確定所述跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)的核心網(wǎng)絡(luò)層；對(duì)所述核心網(wǎng)絡(luò)層的網(wǎng)絡(luò)屬性進(jìn)行量化分析獲得各責(zé)任腦區(qū)之間的連接模式和協(xié)同工作方式。[0007]在上述技術(shù)方案中，所述步驟1中，通過(guò)圓形揚(yáng)聲器陣列創(chuàng)建包含多個(gè)聲源的復(fù)雜聲學(xué)環(huán)境，其中一個(gè)為目標(biāo)聲源，其余為干擾聲源，所述目標(biāo)聲源和干擾聲源中均引入背景噪聲，參與者在執(zhí)行空間聽(tīng)覺(jué)注意任務(wù)時(shí)，判斷目標(biāo)聲源方向。[0008]在上述技術(shù)方案中，所述步驟1中，使用非侵入式腦電設(shè)備的64個(gè)電極通道采集不同腦區(qū)的腦電信號(hào)，每一個(gè)電極通道作為一個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)。[0009]在上述技術(shù)方案中，所述步驟1中，腦電數(shù)據(jù)預(yù)處理步驟包括濾波、去偽影、分段、基線(xiàn)校正以及重參考，得到固定長(zhǎng)度時(shí)間窗的腦電數(shù)據(jù)。[0010]在上述技術(shù)方案中，所述步驟2中，對(duì)步驟1得到的每一個(gè)固定長(zhǎng)度時(shí)間窗的腦電beta波及gamma波，所述連通性指標(biāo)為相位同步、廣義同步或部分有向相干，利用所述連通性指標(biāo)計(jì)算所述同一頻段內(nèi)所有網(wǎng)絡(luò)節(jié)點(diǎn)的腦電信號(hào)之間的耦合強(qiáng)度，并依次計(jì)算不同頻段之間的各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的腦電信號(hào)之間的耦合強(qiáng)度，進(jìn)而構(gòu)建多層節(jié)律網(wǎng)絡(luò)。[0011]在上述技術(shù)方案中，所述步驟3中，基于Cartool軟件利用空間聚類(lèi)算法從步驟1得到的所有的固定長(zhǎng)度時(shí)間窗的腦電數(shù)據(jù)中提取最佳微狀態(tài)模板，再將所述最佳微狀態(tài)模板應(yīng)用于定位不同角度下固定長(zhǎng)度時(shí)間窗的腦電數(shù)據(jù)中，通過(guò)模板匹配方法識(shí)別相似的腦電活動(dòng)模式，從而構(gòu)建微狀態(tài)時(shí)空序列，所述微狀態(tài)時(shí)空序列由多個(gè)微狀態(tài)幀構(gòu)成，所述連通性指標(biāo)為相位同步、廣義同步或部分有向相干，利用所述連通性指標(biāo)計(jì)算相同微狀態(tài)幀內(nèi)所有網(wǎng)絡(luò)節(jié)點(diǎn)的腦電信號(hào)之間的耦合強(qiáng)度，并依次計(jì)算不同微狀態(tài)幀之間的各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)的腦電信號(hào)之間的耦合強(qiáng)度，進(jìn)而構(gòu)建多層時(shí)變網(wǎng)絡(luò)。[0012]在上述技術(shù)方案中，所述步驟4中，所述跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)為四維超連接網(wǎng)絡(luò)，第一維度用于表征不同的微狀態(tài)幀，反映大腦神經(jīng)活動(dòng)在時(shí)間進(jìn)程中的不同階段；第二維度代表不同的頻段，體現(xiàn)大腦在不同頻率層面的活動(dòng)特征；第三維度和第四維度分別用于描述同一層內(nèi)和不同層之間的連接強(qiáng)度，精確量化腦網(wǎng)絡(luò)中各網(wǎng)絡(luò)節(jié)點(diǎn)之間的相互作用關(guān)系。[0013]在上述技術(shù)方案中，所述步驟4中，運(yùn)用圖論分析方法對(duì)所述核心網(wǎng)絡(luò)層的網(wǎng)絡(luò)屬性進(jìn)行量化分析，所述網(wǎng)絡(luò)屬性為聚類(lèi)系數(shù)、全局效率、節(jié)點(diǎn)度或最小特[0014]在上述技術(shù)方案中，所述步驟4中，通過(guò)皮爾遜相關(guān)系數(shù)計(jì)算層間相關(guān)性：6其中，LLC(Wm,;j,Wn;;)為兩個(gè)網(wǎng)絡(luò)所述實(shí)驗(yàn)設(shè)計(jì)模塊自動(dòng)生成并調(diào)整實(shí)驗(yàn)范式，所述實(shí)驗(yàn)所述多層網(wǎng)絡(luò)構(gòu)建與分析模塊包括用于生成所述跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)的超連接網(wǎng)絡(luò)生成單元、用于對(duì)所述跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)進(jìn)行定量分析的相關(guān)性與所述可視化與報(bào)告生成模塊用于對(duì)所述多層網(wǎng)絡(luò)構(gòu)建與分析模塊的分析結(jié)果進(jìn)(4)構(gòu)建高效自動(dòng)化分析系統(tǒng)：本發(fā)明構(gòu)建的多層網(wǎng)絡(luò)耦合的空間聽(tīng)覺(jué)注意動(dòng)態(tài)7為聽(tīng)覺(jué)認(rèn)知研究和臨床評(píng)估提供便捷、高效的工具。附圖說(shuō)明[0018]圖1為基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法流程圖。[0019]圖2為復(fù)雜聲學(xué)環(huán)境下空間聽(tīng)覺(jué)注意實(shí)驗(yàn)范式圖，其中，(a)為實(shí)驗(yàn)示意圖，(b)為實(shí)驗(yàn)流程圖。[0020]圖3為構(gòu)建多層節(jié)律網(wǎng)絡(luò)示意圖。[0021]圖4為構(gòu)建微狀態(tài)時(shí)空序列示意圖。[0022]圖5為構(gòu)建多層時(shí)變網(wǎng)絡(luò)示意圖。[0023]圖6為超連接矩陣的核心網(wǎng)絡(luò)層示意圖。[0024]圖7為基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析系統(tǒng)示意圖。具體實(shí)施方式[0025]以下結(jié)合具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。[0026]實(shí)施例1[0027]如圖1所示，一種基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法，包括以下步步驟1,采集復(fù)雜聲學(xué)環(huán)境下空間聽(tīng)覺(jué)注意任務(wù)下多個(gè)腦區(qū)誘發(fā)的腦電信號(hào)，進(jìn)行腦電數(shù)據(jù)預(yù)處理；步驟2,基于步驟1得到的預(yù)處理好的腦電數(shù)據(jù)，提取不同頻段的腦電信號(hào)，基于連通性指標(biāo)對(duì)不同頻段以及同一頻段的腦電信號(hào)相互耦合作用進(jìn)行量化分析，進(jìn)而構(gòu)建多層步驟3,基于步驟1得到的預(yù)處理好的腦電數(shù)據(jù)，構(gòu)建微狀態(tài)時(shí)空序列，所述微狀態(tài)時(shí)空序列作為微狀態(tài)幀，基于連通性指標(biāo)對(duì)不同微狀態(tài)幀以及同一微狀態(tài)幀的腦電信號(hào)相互耦合作用進(jìn)行量化分析，構(gòu)建多層時(shí)變網(wǎng)絡(luò)；步驟4,基于步驟2獲得的多層節(jié)律網(wǎng)絡(luò)和步驟3獲得的多層時(shí)變網(wǎng)腦絡(luò)構(gòu)建跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)，并利用層間相關(guān)性和層間條件概率確定所述跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)的核心網(wǎng)絡(luò)層；對(duì)所述核心網(wǎng)絡(luò)層的網(wǎng)絡(luò)屬性進(jìn)行量化分析獲得各責(zé)任腦區(qū)之間的連接模式和協(xié)同工作方式。[0028]實(shí)施例2[0029]本實(shí)施例在實(shí)施例1的基礎(chǔ)上進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。[0030]一種基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注意動(dòng)態(tài)耦合分析方法，包括以下步驟。[0031]步驟1:基于揚(yáng)聲器陣列設(shè)計(jì)復(fù)雜聲學(xué)環(huán)境下空間聽(tīng)覺(jué)注意實(shí)驗(yàn)范式，其中包括：步驟1.1,搭建復(fù)雜多聲源環(huán)境。通過(guò)圓形揚(yáng)聲器陣列創(chuàng)建包含多個(gè)聲源的聲學(xué)環(huán)境，以模擬復(fù)雜聽(tīng)覺(jué)場(chǎng)景。以設(shè)置四個(gè)聲源為例，將四個(gè)揚(yáng)聲器分別布置于受試者中平面兩句、音樂(lè)片段等作為刺激素材，并指定一個(gè)作為目標(biāo)聲源，其余聲源則作為干擾聲源。該設(shè)8計(jì)旨在增強(qiáng)實(shí)驗(yàn)的生態(tài)效度，并有效誘發(fā)受試者在空間聽(tīng)覺(jué)注意任務(wù)中的腦響應(yīng)；步驟1.2,構(gòu)建背景噪聲環(huán)境。在步驟1.1所選刺激素材的基礎(chǔ)上，引入背景噪聲，以增強(qiáng)實(shí)驗(yàn)的現(xiàn)實(shí)場(chǎng)景模擬。所述背景噪聲包括但不限于街道嘈雜聲、室內(nèi)多人交談聲等。采用音頻處理軟件(如AdobeAudition)將背景噪聲與原始刺激素材進(jìn)行混合處理，以形成不同信噪比的噪聲環(huán)境，例如0dB和10dB信噪比條件。此外，利用音頻處理軟件對(duì)所有刺激素材進(jìn)行歸一化處理，以確保其均方根振幅和持續(xù)時(shí)間一致；體序列示意如圖2中(b)所示。實(shí)驗(yàn)共包含200組刺激，并劃分為兩個(gè)模塊進(jìn)行。在實(shí)驗(yàn)過(guò)程中，四個(gè)聲源(一個(gè)目標(biāo)聲源和三個(gè)干擾聲源)同步且隨機(jī)地從揚(yáng)聲器播放，受試者需在每組刺激結(jié)束后2000ms內(nèi)，通過(guò)按鍵輸入方式判斷目標(biāo)聲源方向。為降低前次刺激對(duì)后續(xù)判斷的影響，每次刺激之間設(shè)定1000ms的沉默間隔。實(shí)驗(yàn)按照上述流程進(jìn)行，直至所有200組[0032]步驟2:基于非侵入式腦電設(shè)備采集腦電信號(hào)及數(shù)據(jù)預(yù)處理步驟2.1,腦電數(shù)據(jù)采集。受試者根據(jù)步驟1.3中設(shè)計(jì)的實(shí)驗(yàn)流程執(zhí)行空間聽(tīng)覺(jué)注意任務(wù)，同時(shí)采用64導(dǎo)聯(lián)的NeuroScanSynAmps2等專(zhuān)業(yè)腦電設(shè)備，對(duì)受試者在執(zhí)行任務(wù)時(shí)誘發(fā)的腦電數(shù)據(jù)進(jìn)行記錄。為確保采集數(shù)據(jù)的準(zhǔn)確性和可靠性，在記錄過(guò)程中需嚴(yán)格控制實(shí)驗(yàn)條件，使所有電極阻抗始終保持在10kΩ以下，設(shè)定采樣率為1000Hz。同時(shí)，應(yīng)用0.1-150Hz帶通濾波器及50Hz陷波濾波器對(duì)采集到的數(shù)據(jù)進(jìn)行初步處理，以減少噪聲干擾；用0.1-48Hz帶通濾波器對(duì)腦電數(shù)據(jù)進(jìn)行濾波，并將數(shù)據(jù)降采樣至250Hz。然后，使用獨(dú)立成分分析去除由眼球運(yùn)動(dòng)或眨眼引起的偽影。進(jìn)一步，將數(shù)據(jù)劃分為1200ms的時(shí)間窗(epoch),每個(gè)epoch包括刺激前200ms和刺激后1000ms,并使用前200ms的數(shù)據(jù)進(jìn)行基線(xiàn)余的epoch數(shù)據(jù)重新參考為所有電極的均值，統(tǒng)一數(shù)據(jù)參考標(biāo)準(zhǔn)，確保數(shù)據(jù)的一致性和可[0033]步驟3:基于連通性指標(biāo)構(gòu)建多層節(jié)律網(wǎng)絡(luò)，其中包括：步驟3.1,提取不同頻段腦電信號(hào)。運(yùn)用小波變換或短時(shí)傅里葉變換等信號(hào)處理技術(shù)，對(duì)步驟2.2獲取的epoch數(shù)據(jù)進(jìn)行頻率分解，提取不同頻段的腦電信號(hào)，包括但不限于建多層節(jié)律網(wǎng)絡(luò)；步驟3.2,構(gòu)建多層節(jié)律網(wǎng)絡(luò)。采用相位同步、廣義同步、部分有向相干等連通性指標(biāo)，對(duì)步驟3.1獲取的不同頻段(跨頻段)以及各自頻段(同頻段)的腦電信號(hào)相互耦合作用進(jìn)行量化分析，進(jìn)而構(gòu)建多層節(jié)律網(wǎng)絡(luò)，如圖3所示。具體的，計(jì)算各自頻段內(nèi)的耦合強(qiáng)度，例如使用上述指標(biāo)計(jì)算theta頻段內(nèi)所有網(wǎng)絡(luò)節(jié)點(diǎn)(如64個(gè)電極通道)之間的耦合強(qiáng)度；而針對(duì)不同頻段間的網(wǎng)絡(luò)耦合強(qiáng)度，使用上述指標(biāo)分別依次計(jì)算跨頻段之間的耦合強(qiáng)度(比如theta中第一個(gè)通道和alpha頻段的第二個(gè)通道間耦合強(qiáng)度);步驟3.3,多層節(jié)律網(wǎng)絡(luò)表現(xiàn)形式。M層節(jié)律腦網(wǎng)絡(luò)的構(gòu)建原理可通過(guò)以下公式9在上述公式體系中，diag(Wt)表示對(duì)角矩陣Wt,矩陣，t=1,2,3,……,M,M為分解的頻段數(shù)量，(V?B)表示各自頻段內(nèi)不同網(wǎng)絡(luò)節(jié)點(diǎn)的耦合強(qiáng)度。表示跨頻段的不同網(wǎng)絡(luò)節(jié)點(diǎn)的耦合強(qiáng)度，矩陣是一個(gè)所有元素都等于1的矩陣，即表示每層中的任何網(wǎng)絡(luò)節(jié)點(diǎn)都可絡(luò)節(jié)點(diǎn)數(shù)量。在該可視化表達(dá)中，對(duì)角線(xiàn)上的矩陣代表同頻段耦合，例如theta頻段內(nèi)各網(wǎng)絡(luò)節(jié)點(diǎn)之間的耦合，這種連接展示了同一頻段下不同腦區(qū)之間的耦合關(guān)系；而非對(duì)角線(xiàn)上的矩陣則代表跨頻段耦合，如theta頻段與gamma頻段之間網(wǎng)絡(luò)節(jié)點(diǎn)的耦合，跨頻段連接反映了不同頻段腦電活動(dòng)之間的協(xié)同作用，有助于揭示大腦在空間聽(tīng)覺(jué)注意任務(wù)中多頻段信息整合的機(jī)制。[0034]步驟4:基于連通性指標(biāo)構(gòu)建多層時(shí)變網(wǎng)絡(luò)，其中包括：步驟4.1,構(gòu)建微狀態(tài)時(shí)空序列?；诓襟E2.2處理后的epoch數(shù)據(jù)，運(yùn)用微狀態(tài)分析方法構(gòu)建微狀態(tài)時(shí)空序列。本過(guò)程主要在Cartool軟件中實(shí)現(xiàn)，具體步驟如下：基于所有epoch數(shù)據(jù)，利用空間聚類(lèi)算法提取最佳微狀態(tài)模板。該模板代表腦電數(shù)據(jù)在空間維度上的特征分布，反映大腦在特定認(rèn)知任務(wù)中的神經(jīng)電活動(dòng)模式。隨后，將擬合得到的最佳微狀態(tài)相似的腦電活動(dòng)模式，從而構(gòu)建得到四種微狀態(tài)時(shí)空序列(四種微狀態(tài)時(shí)空序列均包括W1至W6,不同的是W1至W6的微狀態(tài)幀)。最終，所得微狀態(tài)時(shí)空序列作為多層網(wǎng)絡(luò)的微狀態(tài)幀，為后續(xù)的構(gòu)建多層時(shí)變網(wǎng)絡(luò)構(gòu)建提供基礎(chǔ)，具體示意如圖4所示；步驟4.2,多層時(shí)變網(wǎng)絡(luò)構(gòu)建?；诓襟E4.1得到的微狀態(tài)幀(W1至W6),并結(jié)合步驟3.2中構(gòu)建多層節(jié)律網(wǎng)絡(luò)的方法，構(gòu)建多層時(shí)變網(wǎng)絡(luò)，具體步、部分有向相干等連通性指標(biāo)從跨時(shí)間和同時(shí)間尺度量化分析各網(wǎng)絡(luò)節(jié)點(diǎn)(如64個(gè)電極通道)相互耦合作用，進(jìn)而構(gòu)建多層時(shí)變網(wǎng)絡(luò)，如圖5所示，在跨時(shí)間尺度上，分析不同微狀態(tài)幀下(比如W1和W6微狀態(tài)幀)各網(wǎng)絡(luò)節(jié)點(diǎn)之間的耦合關(guān)系，以捕捉神經(jīng)活動(dòng)隨時(shí)間的動(dòng)態(tài)變化；在同時(shí)間尺度下，分析同一微狀態(tài)幀下(比如W1和W1微狀態(tài)幀)各網(wǎng)絡(luò)節(jié)點(diǎn)的耦合關(guān)系，以表征該時(shí)間窗的功能連接情況。所構(gòu)建的多層時(shí)變網(wǎng)絡(luò)能夠全面動(dòng)態(tài)地呈現(xiàn)大腦在空間聽(tīng)覺(jué)注意任務(wù)中不同腦區(qū)之間隨時(shí)間變化的功能連接特性；步驟4.3,多層網(wǎng)絡(luò)表現(xiàn)形式。依據(jù)步驟4.2構(gòu)建的多層時(shí)變網(wǎng)絡(luò)，采用步驟3.3可視化的原理和方法對(duì)多層時(shí)變網(wǎng)絡(luò)進(jìn)行可視化。多層時(shí)變網(wǎng)絡(luò)表現(xiàn)形式。P層時(shí)變腦網(wǎng)絡(luò)的構(gòu)建原理可通過(guò)以下公式(4)-(6)所示：有助于觀(guān)察大腦在某一瞬時(shí)的功能連接狀態(tài)。而非對(duì)角線(xiàn)上的矩陣表示跨時(shí)間尺度耦合，建的多層節(jié)律網(wǎng)絡(luò)與步驟4中構(gòu)建的多層時(shí)變網(wǎng)絡(luò)進(jìn)行耦合操作，從而構(gòu)建一個(gè)四維超連其中，LLC(Wm,;j,Wn;;)為兩個(gè)網(wǎng)絡(luò)[0038]層間條件概率被定義第m層中的連接邊仍然存在于第n層中的條件概率，如式[0039]通過(guò)上述相關(guān)性分析，例如當(dāng)發(fā)現(xiàn)200-300ms連接矩陣(W2-W3)與theta和間的連接模式和協(xié)同工作方式(如圖6中的連接線(xiàn)示意),從而深入理解大腦在空間聽(tīng)覺(jué)注[0042]本實(shí)施例基于實(shí)施例1或?qū)嵤├?中的分析步驟構(gòu)建基于多層網(wǎng)絡(luò)的空間聽(tīng)覺(jué)注(3)多層網(wǎng)絡(luò)構(gòu)建與分析模塊。該模塊支持基于不同節(jié)律及時(shí)間窗口的多層網(wǎng)絡(luò)構(gòu)建多層節(jié)律網(wǎng)絡(luò)。③多層時(shí)變網(wǎng)絡(luò)構(gòu)建模塊：基于微狀態(tài)時(shí)空序列，運(yùn)用連通性分析方法計(jì)算跨時(shí)間尺度的腦電耦合強(qiáng)度，以構(gòu)建多層時(shí)變網(wǎng)絡(luò)；(4)超連接網(wǎng)絡(luò)構(gòu)建模塊。該模塊負(fù)責(zé)耦合多層節(jié)律與多層時(shí)變網(wǎng)絡(luò)，生成跨時(shí)兩個(gè)維度，通過(guò)跨頻段及跨時(shí)間尺度的耦合操作，生成跨時(shí)間-頻率耦合超連接網(wǎng)絡(luò)(四維超連接網(wǎng)絡(luò)),以全面整合大腦在空間聽(tīng)覺(jué)任務(wù)中的神經(jīng)活動(dòng)模式。②相