本发明专利技术公开了一种基于微状态分析的脑电信号溯源重建方法及装置，本发明专利技术开创性地将脑电微状态分析融入溯源算法之中，以微状态分析结果为依据将脑电数据在时域上分割，对分割后的每段脑电信号分别进行溯源重建。本发明专利技术的溯源算法同时包含了空间约束和时间约束，利用时空变分贝叶斯方法计算溯源概率模型的后验分布，由数据驱动的方法确定时域基函数，并提前定义了空间先验指标。本发明专利技术的溯源算法可在确保准确率的同时，支持运用并行计算对算法效率进行优化。进行优化。进行优化。
【技术实现步骤摘要】
一种基于微状态分析的脑电信号溯源重建方法及装置
[0001]本专利技术属于脑电信号处理领域，具体涉及一种基于微状态分析的脑电信号溯源重建方法及装置。
技术介绍
[0002]脑电图(EEG)是一种非侵入的生理信号监测技术，它通过附在大脑头皮表面的多个电极检测大脑的电生理活动，能够敏感的反映大脑各个区域的神经电位变化，是研究人类大脑神经生理机制的重要工具。但是由于存在容积传导效应，脑电的空间分辨率非常有限，头皮脑电信号和真实的脑电源活动之间存在着误差。因此，近些年来研究者提出了脑电溯源成像来解决这个问题，通过溯源方法将大脑头皮的脑电信号投影颅内神经活动源上，进而对各个脑分区的活动状态进行分析判别，以更加精确的控制外部设备或监控脑区异常活动等。
[0003]脑电溯源成像是一个高度不适定的逆问题，解决方案需要从先验的生理学和解剖学知识中获得约束。常用的源成像技术主要是基于分布式源模型，通过估计皮层表面的电流密度分布实现溯源。基于最小二范数(L2
‑
norm)的最小范数方法是分布式源模型的最早解决方案，其中包括加权最小范数(wMNE)、低分辨率电磁断层扫描(LORETA)和标准化LORETA(sLORETA)。尽管这种方法的计算成本很低，但重建的源的空间特异性较差。另一种方案是基于稀疏约束方法，即L1
‑
norm、Lp
‑
norm和稀疏贝叶斯学习。然而，直接对源应用稀疏约束会产生过于聚焦的结果，而且稀疏约束主要是基于单个时间点，忽略了脑电信号的时间相关性。除了空间的先验知识以外，还可以结合时间信息更好地重建源活动的时空模式，如通过自回归(AR)模型、时间范数约束或时间基函数(TBF)来利用时间信息，从而实现源成像。与基于单个时间点的方法相比，这种源成像方法的性能有所提高，但针对高分辨率源空间时通常计算成本太高。同时，由于没有考虑到最佳时间窗口长度的选择，溯源精度仍有一定的提高空间。
[0004]现有技术的不足概括如下：目前广泛使用的溯源算法仅采用了空间上的约束，没有考虑时间信息，导致溯源结果易受噪声影响，准确率欠佳；一些先进的溯源算法虽然用到了空间约束和时间信息，但没有考虑时间窗长的选择，溯源算法的假设与实际应用中与大脑活动情况不符，导致其表现下降；同时采用空间约束和时间信息的算法往往运算复杂度高、耗时长。
技术实现思路
[0005]本专利技术的目的在于针对现有技术的不足，提供一种基于微状态分析的脑电信号溯源重建方法及装置，用于解决如下技术问题：1)在溯源算法内同时包含空间约束和时间约束，更准确地重建动态脑活动的时空特征；2)通过脑信号微状态分析选择最优时间窗长，从而优化溯源重建结果；3)优化溯源算法的运算过程，以及采用并行计算技术提升运算效率。
[0006]本专利技术的目的是通过以下技术方案实现的：
[0007]根据本说明书的第一方面，提供一种基于微状态分析的脑电信号溯源重建方法，该方法包括以下步骤：
[0008]S1，获取完整脑电数据进行微状态分析，按照微状态的划分结果将连续的脑电数据分割为若干段；
[0009]S2，对依据微状态分割后的脑电数据B，进行源成像求解；源成像模型表示为线性方程B＝LWΦ+LE+∈，其中L是已知的正向传导矩阵，Φ代表时域基函数，W代表每个源偶极子时域基函数的加权系数，E和∈均为误差项；将源成像模型进一步表示为概率分布形式；
[0010]S3，使用变分贝叶斯方法对S2得到的源成像模型的概率分布进行后验估计，即最大化模型的自由能
[0011]S4，对W、E、Ф对应的超参数进行更新；
[0012]S5，按照S3、S4的方法，持续对W、E、Ф及其对应的超参数进行更新，直至模型的自由能收敛；
[0013]S6，按时间顺序串联每一段脑电数据的溯源重建结果，得到完整的脑电信号溯源重建结果。
[0014]进一步地，步骤S1中，所述微状态分析流程依据EEGLAB微状态工具箱；所述微状态分析流程包括带通滤波、微状态聚类分析、微状态数量选择、信号分割。
[0015]进一步地，步骤S1中，所述带通滤波选用4
‑
30Hz滤波；所述微状态聚类分析选用改进后的k
‑
means算法聚类，计算微状态空间拓扑图；所述微状态数量根据全局可解释方差与交叉验证准则进行选择。
[0016]进一步地，步骤S2中，将源成像模型表示为如下概率分布形式：
[0017][0018][0019][0020][0021]其中T为脑电数据B时长，为正态分布函数，b
t
,φ
t
,e
t
分别为t时刻的脑电数据、时域基函数、误差值，I为单位矩阵，diag表示对角矩阵函数，K为时域基函数数量，w
i
为第i个时域基函数的加权系数，M是一个平滑的空间系数矩阵，T表示转置操作，Г＝diag(γ)控制每一个源偶极子的相对分布，Λ＝diag(λ)控制误差项的相对分布，控制每个时域基函数的贡献，α,γ,λ均为超参数。
[0022]进一步地，步骤S2中，W采用一个平滑的先验值，表示为M，M＝D
‑
τA，其中D和A分别
代表源偶极子的度矩阵和连接矩阵，τ为用户自定义的值，τ取(0,1)。
[0023]进一步地，步骤S2中，每一个源偶极子的贡献由1/γ来衡量，通过忽略贡献值低于设定阈值的源偶极子来加速计算；每一个时域基函数的贡献由1/α来衡量，通过忽略贡献值低于设定阈值的时域基函数来加速计算。
[0024]进一步地，其特征在于，步骤S3中，使用变分贝叶斯方法对源成像模型的概率分布进行后验估计，即最大化模型的自由能
[0025][0026]其中和均为概率分布函数，<
·
>
q(x)
＝∫
·
q(x)dx；
[0027]依据平均场估计方法：
[0028][0029]通过迭代更新参数使自由能最大化，其中w
k
更新方法如下所示：
[0030][0031][0032][0033][0034]其中分别表示每一轮迭代更新的w
k
,φ
k
,E，φ
k
表示第k个时域基函数，F＝LM
‑1，表示w
k
的协方差矩阵；
[0035]E的更新方法如下所示：
[0036][0037][0038][0039][0040]其中分别表示每一轮迭代更新的e
t
,W,φ
t
，φ
t
表示t时刻的时域基函数，Σ
e
表示E的协方差矩阵；
[0041]Ф的更新方法如下所示：
[0042][0043][0044][0045]其中Σ
φ
表示Φ的协方差矩阵。
[0046]进一步地，步骤S4中，对W、E、Ф对本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于微状态分析的脑电信号溯源重建方法，其特征在于，包括以下步骤：S1，获取完整脑电数据进行微状态分析，按照微状态的划分结果将连续的脑电数据分割为若干段；S2，对依据微状态分割后的脑电数据B，进行源成像求解；源成像模型表示为线性方程B＝LWΦ+LE+∈，其中L是已知的正向传导矩阵，Φ代表时域基函数，W代表每个源偶极子时域基函数的加权系数，E和∈均为误差项；将源成像模型进一步表示为概率分布形式；S3，使用变分贝叶斯方法对S2得到的源成像模型的概率分布进行后验估计，即最大化模型的自由能S4，对W、E、Ф对应的超参数进行更新；S5，按照S3、S4的方法，持续对W、E、Ф及其对应的超参数进行更新，直至模型的自由能收敛；S6，按时间顺序串联每一段脑电数据的溯源重建结果，得到完整的脑电信号溯源重建结果。2.根据权利要求1所述的基于微状态分析的脑电信号溯源重建方法，其特征在于，步骤S1中，所述微状态分析流程依据EEGLAB微状态工具箱；所述微状态分析流程包括带通滤波、微状态聚类分析、微状态数量选择、信号分割。3.根据权利要求2所述的基于微状态分析的脑电信号溯源重建方法，其特征在于，步骤S1中，所述带通滤波选用4
‑
30Hz滤波；所述微状态聚类分析选用改进后的k
‑
means算法聚类，计算微状态空间拓扑图；所述微状态数量根据全局可解释方差与交叉验证准则进行选择。4.根据权利要求1所述的基于微状态分析的脑电信号溯源重建方法，其特征在于，步骤S2中，将源成像模型表示为如下概率分布形式：S2中，将源成像模型表示为如下概率分布形式：S2中，将源成像模型表示为如下概率分布形式：S2中，将源成像模型表示为如下概率分布形式：其中T为脑电数据B时长，为正态分布函数，b
t
,φ
t
,e
t
分别为t时刻的脑电数据、时域基函数、误差值，I为单位矩阵，diag表示对角矩阵函数，K为时域基函数数量，w
i
为第i个时域基函数的加权系数，M是一个平滑的空间系数矩阵，T表示转置操作，Г＝diag(γ)控制每一个源偶极子的相对分布，Λ＝diag(λ)控制误差项的相对分布，控制每个时
域基函数的贡献，α,γ,λ均为超参数。5.根据权利要求4所述的基于微状态分析的脑电信号溯源重建方法，其特征在于，步骤S2中，W采用一个平滑的先验值，表示为M，M＝D
‑
τA，其中D和A分别代表源偶极子的度矩阵和连接矩阵，τ为用户自定义的值，τ取(0,1)。6.根据权利要求4所述的基于微状态分析的脑电信号溯源重...
【专利技术属性】
技术研发人员：孙煜，冯钊，王肃杰，徐梦茹，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。