当前位置: 首页 > 专利查询>武汉大学专利>正文

一种基于贝叶斯估计的多层次多尺度层析成像方法技术

技术编号:18715072 阅读:65 留言:0更新日期:2018-08-21 23:19
本发明专利技术公开了一种基于贝叶斯估计的多层次多尺度层析成像方法,面对更复杂的不同尺度脑源活动问题时,首先将脑源空间分解为相互独立的体元,每个体元作为一个潜在的活动源。然后将所有的体元根据人脑解剖结构或者功能区分解为若干个区域,每个区域对应着不同的分布参数。另外,采用基于贝叶斯及其凸函数理论的方法对脑外采样数据进行分析,估计所有体元本征固有活动分布以及区域活动分布的协方差成分。基于上述模型框架提出两种方法:一种是体元最终活动的协方差成分只通过区域活动决定称为tling‑Champagne,另一种是体元的活动是由体元本征固有的活动和区域活动分布相加来决定,称为tree‑Champagne;最后通过模拟数据和真实脑数据对其进行性能分析,并得到了较好的效果。

A multilevel and multi-scale tomography method based on Bayesian estimation

The present invention discloses a multi-level and multi-scale tomography method based on Bayesian estimation. When facing more complex brain source activity problems of different scales, the brain source space is first decomposed into independent voxels, each voxel being a potential source of activity. Then all the voxels are divided into several regions according to the anatomical structure or function of human brain, each region corresponds to different distribution parameters. In addition, the extracerebral sampled data were analyzed based on Bayesian and convex function theory, and the covariance components of intrinsic activity distribution and regional activity distribution of all voxels were estimated. Based on the above model framework, two methods are proposed: one is that the covariance component of the final activity of voxels is determined only by regional activity, which is called tling_Champagne; the other is that the activity of voxels is determined by the addition of the intrinsic activity and the distribution of regional activity of voxels, which is called tree_Champagne; Finally, the simulation data and the truth are used. Real brain data are used to analyze its performance and get better results.

【技术实现步骤摘要】
一种基于贝叶斯估计的多层次多尺度层析成像方法
本专利技术属于脑科学与信息技术交叉学科领域,涉及一种脑磁图(Magnetoencephalography,MEG)、脑电场(Electroencephalogram,EEG)成像的方法,具体涉及一种基于贝叶斯估计的多层次多尺度层析成像方法。
技术介绍
人脑活动的成像在认知神经科学的研究中起着重要的作用,其可以促进人类对自身复杂活动时神经元工作机制的理解,在临床医学应用中,脑成像同样扮演着重要角色,特别对脑疾病患者比如脑肿瘤和癫痫手术的诊断、指导以及病灶的切除。然而,当前对脑源位置定位和活动时间序列估计是一个极具挑战的问题,因为潜在脑活动的源数目可以为成千上万,而脑外传感器数目仅仅只有数百个。脑磁图(MEG)和脑电场(EEG)是目前存在的两种无损的对脑电生理活动进行测量和成像方法,由于MEG和EEG分别测量脑内一簇神经元活动的电流在脑外产生的磁场和电场,其具有互补性。因此,基于MEG和EEG对脑活动的动态研究有着重要意义。本专利技术主要针对当前层析方法无法对多尺度源活动进行准确成像的问题,结合脑功能结构以及解剖结构对源空间的区域分割,提出了基于贝叶斯的多尺度源活动层析成像方法。近些年,众多学者通过MEG和EEG对脑源活动进行分析,提出了许多脑电磁源成像的方法,但是针对诸如一簇多个相邻偶极子活动或者是一簇多个相邻偶极子与独立偶极子同时活动的问题,始终无法找到有效解决方法。
技术实现思路
为了解决上述技术问题,本专利技术提出了一种全新的多层次多尺度MEG、EEG脑源重构通用模型的方法,可以看作是源重构方法的多层次多尺度扩展,旨在实现对多尺度源活动的重构。本专利技术所采用的技术方案是:一种基于贝叶斯估计的多层次多尺度层析成像方法,其特征在于,包括以下步骤:步骤1:多层次多尺度脑源概率模型的生成;步骤2:脑源活动分布及其区域活动分布的估计;步骤3:贝叶斯超参数协方差分布估计方法;步骤4:据MEG/EEG多尺度源活动层析成像。本专利技术首先将脑源空间分解为相互独立的体元,每个体元作为一个潜在的活动源。然后将所有的体元根据人脑解剖结构或者功能区分解为若干个区域,每个区域对应着不同的分布参数。假设每个体元的活动分布由两部分组成:本身固有活动分布和区域活动分布,同时假设位于同一个区域的体元有着相同的区域活动协方差成分,每个源的活动与传感器采集数据之间通过标准leadfield导向矩阵来联系,而leadfield是由大脑的结构和导电性来决定。基于贝叶斯及其凸函数理论的方法对脑外采样数据进行分析,估计所有体元本征固有活动分布以及区域活动分布的协方差成分。基于上述模型框架提出两种方法:一种是体元最终活动的协方差成分只通过区域活动决定称为tling-Champagne,另一种是体元的活动是由体元本征固有的活动和区域活动分布相加来决定,称为tree-Champagne;最后通过模拟数据和真实脑数据对其进行性能分析。相对于现有技术,本专利技术的有益效果是:针对现有的技术始终无法有效解决如一簇多个相邻偶极子活动或者是一簇多个相邻偶极子与独立偶极子同时活动的问题,本专利技术提出一个全新的多层次多尺度MEG、EEG脑源重构通用模型。该模型首先将脑源空间分解为相互独立的体元,每个体元作为一个潜在的活动源。然后将所有的体元根据人脑解剖结构或者功能区分解为若干个区域,每个区域对应着不同的分布参数,以实现对多尺度源活动的重构。附图说明图1为本专利技术实施例的流程图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术,下面结合附图及实施例对本专利技术作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本专利技术,并不用于限定本专利技术。基于贝叶斯估计的多层次多尺度层析成像方法主要包括对采样数据MEG/EEG模型的生成,脑源活动分布及其区域活动分布的估计,贝叶斯超参数协方差分布估计和多尺度源活动层析成像方法的求解。请见图1,本专利技术提供的一种基于贝叶斯估计的多层次多尺度层析成像方法,包括以下步骤:步骤1:多层次多尺度脑源概率模型的生成;具体步骤包括:步骤1.1:假设采样数据MEG/EEG是由脑内所有体元(网格点)的活动和所有脑区的活动以及传感器背景干扰噪声(包括脑、生物磁信息、环境干扰以及传感器噪声)组成。其数据采集的生成模型描述为:其中,是传感器在时刻t采集时间序列,dy为传感器采集点的数目,N是脑区分割产生的潜在脑源活动的数目,为第i个体元(潜在源活动的位置)leadfield矩阵,li的第k列表示假设第i个体元为单位强度活动偶极子时(固定方向为k)产生的外面传感器所能采集到的数据,ε表示噪声和干扰信息,为了简单计算,这里假设噪声与干扰为不相关的高斯分布si(t)表示第i个体元在时刻t的活动。步骤1.2:预先根据脑解剖结构或者功能分成R个区域(片),第j个脑区包含pj个体元活动,并且分割脑区之间相互独立互不重叠,且每一个体元只属于一个脑区。假设第j个区域的在时刻t的平均活动为可以抽象为一个dc维度的神经元电流偶极子,对于第j个脑区的投影:si(t)=gjzj(t)+vi(t)(2)其中gi为j脑区分布和第i个体元在时刻t的活动si(t)之间的加权矩阵,本专利技术假设vi(t)为体元i在t时刻的本征固有活动强度,与其它的体元活动之间具有相互独立性;zj(t)表示第j个区域的在时刻t的平均活动。将公式(2)带入公式(1)中可得:其中,表示为位于j区域的所有体元对应的leadfield矩阵求和,有ωj表示第j个区域的所有体元。定义扩展(体元扩展)leadfield矩阵为H,有:这里当i=1,…,N时,有hi=li;当i=N+1,…,N+R时,有定义时刻t的扩展体元活动序列为:x(t)=[v1(t),…,vN(t),z1(t),…,zR(t)]T=[x1(t),x2(t),…,xR+N(t)]T(5)当i=1,…,N时,有xi(t)=vi(t);当i=N+1,…,N+R时,有xi(t)=zi(t),将公式(4)和公式(5)带入公式(3)可得:y(t)=Hx(t)+ε(6)公式(6)即为专利技术所提出的通用新模型(多层次多尺度脑源概率模型)。对公式的简化表达,在tk采样数据y(tk)表示为yk,同样x(tk)表示为xk。方法对源活动的重构在时域和空间域进行,故有时域活动序列为X=[x1,x2,…,xK],采样数据为Y=[y1,y2,…,yK]。定义γi为xi的dc×dc先验协方差矩阵,且定义γ为dc(N+R)×dc(N+R)的块对角矩阵为:公式(6)中模型的先验分布假设为:将噪声和干扰活动分布带入可得条件概率分布为:这里∑ε为固定的已知噪声和干扰活动协方差矩阵。步骤2:脑源活动分布及其区域活动分布的估计;为了求解源活动X,首先定义后验概率分布p(X|Y)为:利用贝叶斯估计,后验概率分布的方差和均值表示为:公式(12)的后验均值也可以写成:上式中:为模型数据的协方差矩阵。故公式(13)可以表示为:故公式(13)的空间域滤波更新规则表示为:公式(16)为源活动时间序列更新规则。步骤3:贝叶斯超参数协方差分布估计方法;具体步骤包括:步骤3.1:根据上述公式(12)和(16)对脑源活动xk进行贝叶斯估计,然而只预先估计超参数γ的值,才能利用公本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯估计的多层次多尺度层析成像方法,其特征在于,包括以下步骤:步骤1:多层次多尺度脑源概率模型的生成;步骤2:脑源活动分布及其区域活动分布的估计;步骤3:贝叶斯超参数协方差分布估计方法;步骤4:据MEG/EEG多尺度源活动层析成像。

【技术特征摘要】
1.一种基于贝叶斯估计的多层次多尺度层析成像方法,其特征在于,包括以下步骤:步骤1:多层次多尺度脑源概率模型的生成;步骤2:脑源活动分布及其区域活动分布的估计;步骤3:贝叶斯超参数协方差分布估计方法;步骤4:据MEG/EEG多尺度源活动层析成像。2.根据权利要求1所述的基于贝叶斯估计的多层次多尺度层析成像方法,其特征在于,步骤1的具体实现包括以下子步骤:步骤1.1:假设采样数据MEG/EEG是由脑内所有体元的活动和所有脑区的活动以及传感器背景干扰噪声组成;数据采集的生成模型为:其中,是传感器在时刻t采集时间序列,dy为传感器采集点的数目,N是脑区分割产生的潜在脑源活动的数目,为第i个体元leadfield矩阵,li的第k列表示假设第i个体元为单位强度活动偶极子时产生的外面传感器所能采集到的数据,ε表示噪声和干扰信息;si(t)表示第i个体元在时刻t的活动;步骤1.2:预先根据脑解剖结构或者功能分成R个区域,第j个脑区包含pj个体元活动,并且分割脑区之间相互独立互不重叠,且每一个体元只属于一个脑区;假设第j个区域的在时刻t的平均活动为抽象为一个dc维度的神经元电流偶极子,对于第j个脑区的投影:si(t)=gjzj(t)+vi(t)(2)其中gi为j脑区分布和第i个体元在时刻t的活动si(t)之间的加权矩阵,vi(t)为体元i在t时刻的本征固有活动强度,与其它的体元活动之间具有相互独立性;其中zj(t)表示第j个区域的在时刻t的平均活动;将公式(2)带入公式(1)中得:其中,表示为位于j区域的所有体元对应的leadfield矩阵求和,ωj表示第j个区域的所有体元;定义体元扩展leadfield矩阵为H,有:这里当i=1,…,N时,有hi=li;当i=N+1,…,N+R时,有定义时刻t的扩展体元活动序列为:x(t)=[v1(t),…,vN(t),z1(t),…,zR(t)]T=[x1(t),x2(t),…,xR+N(t)]T(5)当i=1,…,N时,有xi(t)=vi(t);当i=N+1,…,N+R时,有xi(t)=zi(t),将公式(4)和公式(5)带入公式(3)可得:y(t)=Hx(t)+ε(6)公式(6)即为多层次多尺度脑源概率模型。3.根据权利要求2所述的基于贝叶斯估计的多层次多尺度层析成像方法,其特征在于:步骤1.2中对公式(6)进行简化表达,在tk采样数据y(tk)表示为yk,同样x(tk)表示为xk;故有时域活动序列为X=[x1,x2,…,xK],采样数据为Y=[y1,y2,…,yK];定义γi为xi的dc×dc先验...

【专利技术属性】
技术研发人员:陈丹蔡畅
申请(专利权)人:武汉大学
类型:发明
国别省市:湖北,42

网友询问留言 已有0条评论
  • 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。

1