一种基于隐马尔可夫的大脑微状态辨析方法及装置制造方法及图纸

本发明专利技术公开了一种基于隐马尔可夫的大脑微状态辨析方法及装置，选取孤独症群体和健康发育群体的原始时序脑电信号数据作为观测序列数据，通过隐马尔可夫模型的构建和解码过程完成隐大脑微状态的辨析。针对获取到的大脑微状态隐过程序列，计算一系列时域维度和频域维度上的统计指标。最终对不同病理群体之间大脑微状态的变化过程和动态活动模式进行量化描述和对比分析，形成可供分析参考的神经标志物结论。本发明专利技术提出一种将观察视角从静态平均大脑结构转换为动态时变大脑微状态结构的脑电数据建模方式，可从个体角度提供一种毫秒尺度大脑状态分析模式，通过确切的辨析结果和可靠的描述指标可有效对不同病理状态的大脑活动模式进行解释和对比分析。模式进行解释和对比分析。模式进行解释和对比分析。

【技术实现步骤摘要】
一种基于隐马尔可夫的大脑微状态辨析方法及装置


[0001]本专利技术涉及计算机
，是一种基于静息态脑电的大脑微状态辨析方法，具体涉及一种基于隐马尔可夫模型的隐大脑微状态辨析及不同病理群体之间可供参考对比分析的神经标志物构建方法，尤其涉及一种基于隐马尔可夫的大脑微状态辨析方法及装置。

技术介绍

[0002]孤独症是一种谱系障碍，其病理成因机制不明，具有异质性和复杂性。因此，在临床医学评估过程中，需要可从大脑发育的角度找到可供参考对比分析的神经标志物指标，对个体水平上的大脑状态进行评估。脑电图数据是大脑表面用电极记录脑活动随时间变化的电位曲线，是观测大脑皮层活动的窗口，也是大脑区域间协同工作的关键。对脑电信号的充分了解，能够从神经元以及脑电生理信号角度综合系统的探索大脑的奥秘，进而深入分析脑功能状态以及脑活动规律。
[0003]传统基于脑电特征分析方式的指标提取计算方法着重于强调各脑区或各频段大脑振荡模式的平均功能定位，无法对大尺度脑网络功能的动态活动模式进行挖掘和探索。而大脑微状态分析方法则可以将观察视角从静态平均大脑结构转换为动态时变大脑微状态结构，可对大脑中重复出现的微观动态活动模式进行捕捉，能够获取融合空间信息的脑电在时间维度的动态变化过程，可为患病个体提供一种毫秒尺度大脑状态分析的方式，也是当前对脑功能障碍疾病和大脑神经功能模式进行研究的有效可靠指标之一。
[0004]现有技术中，基于静息态大脑微状态的相关研究方法集中在基于聚类方法的单被试水平微状态鉴别，试图将脑电时序数据分解到一组具有相似地形图拓扑结构的大脑微状态演变组合中，但是这种基于通道间电压标准差的地形图拓扑结构的聚类方式破坏了大脑空间上的离散性。此外，这种基于相似性的聚类方式会导致结果具有一定的随机性，同时也需要大量迭代实验来选取相对表示较好的结果。

技术实现思路

[0005]为了对孤独症及正常被试个体的静息态大脑随着时间推移产生变化的多元动态脑电特征进行自适应的分析，从个体水平和群体水平上捕捉大脑微结构模式，和相应大脑功能障碍进行联系并建立丰富可靠的神经标志物指标，本专利技术提出一种基于隐马尔可夫模型的大脑微状态时间序列过程辨析方法，以多元高斯分布的观察模型视角对大脑微状态进行建模，完全以数据驱动的方式自适应提取瞬时且重复出现的大脑微状态结构，在毫秒级时间尺度上获取时域、频域和空域上的描述指标，通过辨析结果和描述指标对不同病理状态的大脑活动模式进行解释和对比分析，改善了辨析效果。
[0006]为了实现上述目的，本专利技术技术方案为：
[0007]第一方面提供了一种基于隐马尔可夫的大脑微状态辨析方法，包括：
[0008]S1：获取健康群体和患病群体的原始脑电数据，经一系列预处理操作获得干净的
时序脑电信号数据；
[0009]S2：基于个体水平将获得的干净的时序脑电信号数据作为隐马尔可夫建模过程中的观测序列，完成隐马尔可夫模型的构建；
[0010]S3：将隐大脑微状态类别定义为四种静息态大脑微状态类别，对构建的隐马尔可夫模型进行训练；
[0011]S4：对训练得到的隐马尔可夫模型进行解码操作，得到四种不同静息态大脑微状态类别的状态时间过程序列；
[0012]S5：针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行时域维度统计指标的计算；
[0013]S6：针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行频域维度统计指标的计算；
[0014]S7：对健康群体与患病群体之间的统计指标进行解释和对比分析，构建神经生物学标志，用以分析不同病理状态下大脑活动模式的差异性。
[0015]在一种实施方式中，步骤S2包括：
[0016]S2.1：定义大脑微状态辨析隐马尔科夫模型λ＝(N，M，A，B，π)，其中N是隐藏状态数目，M是每个状态可能的观察值数目，A是与时间无关的状态转移概率矩阵，B是在给定状态下的观察值概率分布矩阵，π是初始状态空间的概率分布，所有隐藏状态空间集合为所有可观测序列空间集合为即长度为T的隐藏状态序列I＝{i1，i2，...，i
T
}对应的观测序列为O＝{o1，o2，...，o
T
}；
[0017]S2.2：定义隐马尔可夫模型假设条件，假设条件包括齐次马尔可夫假设和观测独立性假设，其中，齐次马尔可夫假设是指在一系列事件中，某一给定事件发生的概率只取决于上一时刻发生的事件，即在任意时刻t的状态i
t
只依赖于前一时刻t
‑
1的状态i
t
‑1，与其他时刻的状态及观测无关，观测独立性假设是指，任意时刻t的观测值o
t
只依赖于当前时刻t的马尔科夫链状态i
t
，与其他状态及观测值无关。
[0018]在一种实施方式中，步骤S3包括：
[0019]将短时反复出现的瞬时大脑状态定义为大脑微状态，其为不能直接观测需要推断的有限隐状态集合；时序脑电信号数据作为隐马尔可夫模型的观测序列，其为能够直接观测到的结果，作为对隐状态序列进行解码的观测空间集合；
[0020]定义时序脑电信号数据在不同时间点上的数据对应时间t上的大脑微状态为x
t
∈{1，2，...，K}；
[0021]将观测序列脑电时序信号数据y
t
输入隐马尔可夫模型，推断出最可能出现的大脑微状态隐状态序列x
t
，在每个时间点t每个状态x
t
有对应的活跃概率p
t
。
[0022]在一种实施方式中，步骤S4包括：
[0023]通过隐马尔可夫解码过程提取大脑微状态时间过程序列，同时将大脑微状态的数据概率观测模式用多元高斯分布进行表示：
[0024][0025]其中μ
k
是数据的均值矩阵，∑
k
是对通道之间方差和协变方式编码的协方差矩阵，通过多元高斯分布完成对基于多个通道之间特性的单个大脑微状态的建模过程，每个大脑微状态通过多元高斯分布的参数进行表征。
[0026]在一种实施方式中，步骤S5包括：
[0027]计算每个大脑微状态在整个记录时间中总共出现的次数，即单个大脑微状态类别的状态出现次数；
[0028]计算每个微状态在整体记录时间中占据主导地位时覆盖范围的总占比，即单个大脑微状态类别出现的状态覆盖占比；
[0029]计算某个大脑微状态出现后，在切换到另一种微状态前保持稳定活跃的平均持续时间长度，即单个大脑微状态类别出现的平均持续时间；
[0030]计算某个特定大脑微状态连续活跃出现的平均时间间隔，即单个大脑微状态类别出现的平均间隔时间。
[0031]在一种实施方式中，步骤S6包括：
[0032]S6.1：基于步骤S4得到的对应不同静息态大脑微状态类别的时间过程序列，映射到原始本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐马尔可夫的大脑微状态辨析方法，其特征在于，包括：S1：获取健康群体和患病群体的原始脑电数据，经一系列预处理操作获得干净的时序脑电信号数据；S2：基于个体水平将获得的干净的时序脑电信号数据作为隐马尔可夫建模过程中的观测序列，完成隐马尔可夫模型的构建；S3：将隐大脑微状态类别定义为四种静息态大脑微状态类别，对构建的隐马尔可夫模型进行训练；S4：对训练得到的隐马尔可夫模型进行解码操作，得到四种不同静息态大脑微状态类别的状态时间过程序列；S5：针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行时域维度统计指标的计算；S6：针对解码操作得到的四种不同静息态大脑微状态类别的状态时间过程序列，在基于群体水平的基础上进行频域维度统计指标的计算；S7：对健康群体与患病群体之间的统计指标进行解释和对比分析，构建神经生物学标志，用以分析不同病理状态下大脑活动模式的差异性。2.如权利要求1所述的基于隐马尔可夫的大脑微状态辨析方法，其特征在于，步骤S2包括：S2.1：定义大脑微状态辨析隐马尔科夫模型λ＝(N,M,A,B,π)，其中N是隐藏状态数目，M是每个状态可能的观察值数目，A是与时间无关的状态转移概率矩阵，B是在给定状态下的观察值概率分布矩阵，π是初始状态空间的概率分布，所有隐藏状态空间集合为Q，所有可观测序列空间集合为即Q＝{q1,q2,
…
,q
N
}，v＝{v1,v2,
…
,c
M
}，长度为T的隐藏状态序列I＝{i1,i2,
…
,i
T
}对应的观测序列为O＝{o1,o2,
…
,o
T
}；S2.2：定义隐马尔可夫模型假设条件，假设条件包括齐次马尔可夫假设和观测独立性假设，其中，齐次马尔可夫假设是指在一系列事件中，某一给定事件发生的概率只取决于上一时刻发生的事件，即在任意时刻t的状态i
t
只依赖于前一时刻t
‑
1的状态i
t
‑1，与其他时刻的状态及观测无关，观测独立性假设是指，任意时刻t的观测值o
t
只依赖于当前时刻t的马尔科夫链状态i
t
，与其他状态及观测值无关。3.如权利要求1所述的基于隐马尔可夫的大脑微状态辨析方法，其特征在于，步骤S3包括：将短时反复出现的瞬时大脑状态定义为大脑微状态，其为不能直接观测需要推断的有限隐状态集合；时序脑电信号数据作为隐马尔可夫模型的观测序列，其为能够直接观测到的结果，作为对隐状态序列进行解码的观测空间集合；定义时序脑电信号数据在不同时间点上的数据对应时间t上的大脑微状态为x
t
∈{1,2,
…
,K}；将观测序列脑电时序信号数据y
t
输入隐马尔可夫模型，推断出最可能出现的大脑微状态隐状态序列x
t
，在每个时间点t每个状态x
t
有对应的活跃概率p
t
。4.如权利要求1所述的基于隐马尔可夫的大脑微状态辨析方法，其特征在于，步骤S4包括：
通过隐马尔可夫解码过程提取大脑微状态时间过程序列，同时将大脑微状态的数据概率观测模式用多元高斯分布进行表示：其中μ
k
是数据的均值...

【专利技术属性】
技术研发人员：陈丹，周美琪，高腾飞，
申请(专利权)人：武汉大学，
类型：发明
国别省市：