【技术实现步骤摘要】
本专利技术属于脑电/脑磁信号处理及成像，更具体地，涉及一种基于经验贝叶斯的低秩噪声和脑源活动求解系统及方法。
技术介绍
1、大脑作为中枢神经系统的最重要部分，是感知、记忆、学习、行为等活动过程的核心，也是探究机体病变的窗口，通过利用脑外电磁采样数据进行的脑成像是探究大脑活动机理的重要方法，能实现对脑认知过程和功能障碍脑活动的定位与评估，对于探究脑内功能区的定位、感知脑内活动动态等有着重要价值，在大脑的研究和临床中有着广泛的应用。
2、脑电源成像逆问题是通过采样脑电磁数据反演脑内神经元活动信息的过程，是脑电源成像的核心。脑源成像中的一个持久挑战是联合去除传感器阵列恢复大脑信号。模型中的噪声统计对稀疏源恢复的成功起着至关重要的作用。尤其是噪音传感器数据的协方差决定了贝叶斯框架的工作。现有技术对于如何估计源活动和传感器噪声已有一定研究，但是如何能够稳健而且鲁棒的同时估计脑源活动和噪声一直是利用脑电/脑磁采样数据对脑活动进行成像的一个具有挑战性的课题。
技术实现思路
1、针对现有技术的至少一个缺陷或改进需求，本专利技术提供了一种基于经验贝叶斯的低秩噪声和脑源活动求解系统及方法，可以在高斯和真实脑噪声条件下重构复杂的脑源活动和噪声，并且计算效率高。
2、为实现上述目的，按照本专利技术的第一方面，提供了一种脑源活动与噪声因子同时估计的求解系统，包括：
3、数据输入模块，用于获取脑源活动采样数据和导联场矩阵；
4、采样数据生成模块，用于根据所述脑源
5、脑源参数更新模块，用于将所述脑电采样数据生成模型转换为满足高斯分布的概率模型，所述概率模型中采用脑源参数对角协方差矩阵对脑源活动建模，根据所述概率模型计算更新所述脑源参数对角协方差矩阵；
6、噪声因子更新模块，用于采用贝叶斯因子分析方法来计算更新所述噪声因子统计协方差；
7、脑源活动成像模块，用于调用所述脑源参数更新模块和所述噪声因子更新模块计算所述脑源参数对角协方差矩阵、所述噪声因子统计协方差的求解值，根据所述脑源活动采样数据、所述导联场矩阵、所述脑源参数对角协方差矩阵的求解值、所述噪声因子统计协方差的求解值，计算求解脑源活动时间序列。
8、进一步地，所述调用所述脑源参数更新模块和所述噪声因子更新模块计算所述脑源参数对角协方差矩阵、所述噪声因子统计协方差的求解值，包括步骤：
9、重复调用所述脑源参数更新模块和所述噪声因子更新模块，以不断迭代更新所述脑源参数对角协方差矩阵、所述噪声因子统计协方差的值，直至满足迭代终止条件时停止迭代更新，将停止迭代更新时所述脑源参数对角协方差矩阵、所述噪声因子统计协方差的值作为所述脑源参数对角协方差矩阵、所述噪声因子统计协方差的求解值。
10、进一步地，所述重复调用所述脑源参数更新模块和所述噪声因子更新模块，以不断迭代更新所述脑源参数脑源参数对角协方差矩阵、所述噪声因子统计协方差的值，包括步骤：
11、随机设置所述脑源参数脑源参数对角协方差矩阵、所述噪声因子统计协方差的初始值，调用所述脑源参数更新模块和所述噪声因子更新模块，以根据所述脑源参数脑源参数对角协方差矩阵的初始值、所述噪声因子统计协方差的初始值，计算所述脑源参数脑源参数对角协方差矩阵的更新值、所述噪声因子统计协方差的更新值；
12、重复调用所述脑源参数更新模块和所述噪声因子更新模块，以根据所述脑源参数脑源参数对角协方差矩阵、所述噪声因子统计协方差迭代前的值，计算所述脑源参数脑源参数对角协方差矩阵的、所述噪声因子统计协方差迭代后的更新值。
13、进一步地，所述脑电采样数据生成模型为：
14、y＝lx+avk+δ，其中，y表示所述脑源活动采样数据，l表示导向场矩阵，x表示待计算求解的脑源活动时间序列，a为干扰混合矩阵，vk为干扰的因子活度，δ为建模噪声；
15、所述噪声因子模型为：
16、
17、其中，λ为所述噪声因子统计协方差，ii是一个m×m维度的单位矩阵，m表示采样通道数量，r表示秩的噪声统计，σ表示添加的噪声干扰，ni表示第i个模拟的噪声，t表示矩阵转置。
18、进一步地，所述概率模型为：
19、
20、
21、
22、其中，yk表示y在时刻k的数据，1≤k≤k，k表示总采样时长，xk表示x在时刻k的数据，φ表示所述脑源参数对角协方差矩阵，表示脑源活动的后验均值，γ表示脑源活动的后验精度矩阵，p(|)表示条件概率分布，p()表示概率分布，表示高斯分布。
23、进一步地，迭代更新所述脑源参数对角协方差矩阵的值包括步骤：
24、根据φ和λ迭代前的值计算γ，计算公式为：γ＝φ+ltλγ；
25、根据γ计算计算公式为:
26、根据γ以及计算φ迭代后的更新值，计算公式为：
27、
28、其中，φj表示估计的第j个脑源超参数，1≤j≤p，[.]j,j表示[γ-1ltλl]中第(j,j)个元素，表示第j个脑源活动的后验均值。
29、进一步地，迭代更新所述噪声因子统计协方差的值包括步骤：
30、根据a、ω-1，计算求得噪声因子统计协方差估计值ω为对角精度矩阵；
31、根据噪声因子统计协方差估计值计算θ(φ,λ)＝e[log p(y,x∣φ,λ)，θ()表示代价函数，e()表示期望值，可以获得噪声因子统计协方差更新后的值计算公式为
32、
33、进一步地，所述满足迭代终止条件时停止迭代更新是：
34、构建函数
35、
36、当函数log p(y,x∣φ,λ)收敛时停止迭代更新。
37、进一步地，所述计算求解脑源活动时间序列包括步骤，
38、根据获得迭代中止时的的γ，λ的求解值，通过计算出脑源活动时间序列。
39、按照本专利技术的第二方面，提供了一种脑源活动与噪声因子同时估计的求解方法，包括步骤：
40、获取脑源活动采样数据和导联场矩阵；
41、根据所述脑源活动采样数据构建脑电采样数据生成模型，对所述脑电采样数据生成模型中的噪声采用噪声因子统计协方差构建噪声因子模型；
42、将所述脑电采样数据生成模型转换为满足高斯分布的概率模型，所述概率模型中采用脑源参数对角协方差矩阵对脑源活动建模，根据所述概率模型计算更新所述脑源参数对角协方差矩阵；
43、采用贝叶斯因子分析方法来计算更新所述噪声因子统计协方差；
44、通过迭代更新计算所述脑源参数对角协方差矩阵、所述噪声因子统计协方差的求解值，根据所述脑源活动采样数据、所述导联场矩阵、所述脑源参数对角协方差矩阵的求解值、所述噪声因子统计协方差的求解值本文档来自技高网...
【技术保护点】
1.一种脑源活动与噪声因子同时估计的求解系统，其特征在于，包括：
2.如权利要求1所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，所述调用所述脑源参数更新模块和所述噪声因子更新模块计算所述脑源参数对角协方差矩阵、所述噪声因子统计协方差的求解值，包括步骤：
3.如权利要求2所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，所述重复调用所述脑源参数更新模块和所述噪声因子更新模块，以不断迭代更新所述脑源参数脑源参数对角协方差矩阵、所述噪声因子统计协方差的值，包括步骤：
4.如权利要求2所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，所述脑电采样数据生成模型为：
5.如权利要求4所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，所述概率模型为：
6.如权利要求5所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，迭代更新所述脑源参数对角协方差矩阵的值包括步骤：
7.如权利要求6所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，迭代更新所述噪声因子统计协方差
8.如权利要求7所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，所述满足迭代终止条件时停止迭代更新是：
9.如权利要求8所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，所述计算求解脑源活动时间序列包括步骤，
10.一种脑源活动与噪声因子同时估计的求解方法，其特征在于，包括步骤：
...【技术特征摘要】
1.一种脑源活动与噪声因子同时估计的求解系统，其特征在于，包括：
2.如权利要求1所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，所述调用所述脑源参数更新模块和所述噪声因子更新模块计算所述脑源参数对角协方差矩阵、所述噪声因子统计协方差的求解值，包括步骤：
3.如权利要求2所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，所述重复调用所述脑源参数更新模块和所述噪声因子更新模块，以不断迭代更新所述脑源参数脑源参数对角协方差矩阵、所述噪声因子统计协方差的值，包括步骤：
4.如权利要求2所述的一种脑源活动与噪声因子同时估计的求解系统，其特征在于，所述脑电采样数据生成模型为：
5.如权利要求4所述的一种脑源...
【专利技术属性】
技术研发人员：蔡畅，郭锦成，蔡帆，马凯，柯河朋，王佳慧，陈靓影，
申请(专利权)人：华中师范大学，
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。