一种非线性数据全局互相关性的并行定量计算方法

摘要

本发明公开了一种非线性数据全局互相关性的并行定量计算方法，采用高性能并行计算中的CPU多线程技术和基于CUDA的GPGPU多线程方法开发并行NLI算法，将并行计算思想融入到算法中去，改进并提高算法的性能，辅助多通道信号的分析，将数据的处理从双通道扩展到多通道，并结合S估计器将数据的分析从局部到整体再到局部这样一个过程，量化信号一定区域范围内的同步强度，从原始数据中挖掘出更多更准确更有用的信息来分析多通道信号的同步问题，在保留其算法效果的同时大大提高其执行效率。实验证明，本方法在实际的多通道非线性数据互相关性分析中具有更好的效率和可用性。

主权项

一种非线性数据全局互相关性的并行定量计算方法，其特征在于，包括以下步骤：步骤1：对M通道原始脑电数据shuru进行直接分解，M＞2，以两两通道数据最为原始数据进入下层循环；设定初始通道i＝1，j＝1；步骤2：取第i通道原始数据shurui；步骤3：取第j通道原始数据shuruj；步骤4：设置数据时间窗Epoch和滑动距离Overlap；步骤5：设定初始循环次数为t＝1，计算循环次数N：N＝length(shuru‑Epoch)/(Epoch‑Overlap)步骤4：按照时间窗从数据输入shurui和shuruj里取数据，计算当前窗口数据偏移量(t‑1)*(Epoch‑Overlap)，得到当前数据X_t(k)和Y_t(k)；步骤5：运用NLI算法计算两个数据的相关性，得到独立性测量S、H、N、M；步骤6：判断t＞N是否成立；若是，则顺序执行下述步骤6；若否，则t＝t+1，并回转执行所述步骤4；步骤7：判断j＞M是否成立；若是，则顺序执行下述步骤8；若否，则j＝j+1，并回转执行所述步骤3；步骤8：判断i＞M是否成立；若是，则顺序执行下述步骤9；若否，则i＝i+1，并回转执行所述步骤2；步骤9：对独立性测量S、H、N、M组成的相关性矩阵进行特征值特征向量分解；对数据矩阵X_M×T＝{x_i(k)}，i＝1,…,M，k＝1,…,T的协方差矩阵C进行特征值分解，其中M表示通道数量，T表示时间窗内的数据点数，获得特征值λ_i，并对其进行归一化，得到归一化特征值：${{\lambda }_i}^{\prime }=\frac{{\lambda }_i}{\underset{i=1}{\overset{M}{\Sigma }}{\lambda }_i}=\frac{{\lambda }_i}{tr\left(C\right)};$式中tr(C)为协方差矩阵的迹；步骤10：基于特征值特征向量计算S估计器，S估计器的定义为：$S=1+\frac{\underset{i=1}{\overset{M}{\Sigma }}{{\lambda }_i}^{\prime }log\left({{\lambda }_i}^{\prime }\right)}{\log \left(M\right)}\in [0,1].$