基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法技术

本发明专利技术公开了一种基于稀疏贝叶斯学习的稳态诱发响应(SSR)脑源定位方法。本发明专利技术首先将稳态诱发响应记录分为多个数据段，通过快速傅里叶变换提取各段稳态诱发响应记录数据段的频域信息并构造数据矩阵。然后设置迭代自动停止条件以及稀疏支撑向量和自发脑电‑电噪声联合功率向量的初始值。而后迭代更新信号的后验均值与后验协方差并由此更新稀疏支撑向量和自发脑电‑电噪声联合功率向量。最后，当迭代结束时利用最新的稀疏支撑向量给出源定位结果。本发明专利技术在频域上对稳态诱发响应源定位问题进行建模，结合多段数据中信号的联合稀疏性，在稀疏贝叶斯学习框架下给出了适用于各种稳态诱发响应的脑源定位方法。

Brain source localization of steady-state evoked response based on Sparse Bayesian learning

【技术实现步骤摘要】
基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法
本专利技术涉及稳态诱发响应领域，具体涉及一种基于稀疏贝叶斯学习(SBL)的稳态诱发响应(SSR)脑源定位方法。
技术介绍
稳态诱发响应(SSR)是由周期性刺激信号诱发产生的脑电图(EEG)信号成分，具有与周期性刺激信号频率相同的正弦信号形式。与瞬态诱发电位相比，稳态诱发响应具有易于使用傅立叶分析在频域上分辨信号和噪声的优点。目前对稳态诱发响应的研究主要集中在听觉、视觉和体感等领域，在医学领域有重要的潜在应用价值。如听觉稳态响应由周期性的听觉刺激产生，可用于听力测试，麻醉监测和神经学评估，而视觉稳态诱发响应可能与被试的注意力运作方式有关。从EEG信号起源的角度阐明认知过程的基本机制一直是亟待解决的问题。在头皮上通过电极采集到的脑电记录可以反映大脑内部的神经元活动，对脑电记录和神经元电生理活动关系的合理建模成为解决脑源定位问题的关键。经过几十年的研究，已经有很多关于脑源定位的研究。就源模型的选择而言，通常更倾向于分布式源模型。与等效电流偶极子模型相比，分布式源模型不对源的数量作假设，而且可以得到更好的定位精度。当使用分布式源模型时，利用观测到的EEG数据对激活神经元的空间分布进行估计是一个严重欠定的逆问题。为约束解空间，需要引入合理的先验假设。传统的线性分布式方法通常使用固定并且已知的先验假设，而人为主观设定的先验假设很大程度上影响了源定位结果的准确性。为了得到从数据角度考虑下更为合理的先验条件，越来越多的研究将贝叶斯方法引入脑源定位问题，在贝叶斯框架中以先验分布的形式嵌入先验假设，并通过贝叶斯推理过程确定合适的先验。虽然稳态诱发响应在频域上的特征是稀疏的，可以通过傅里叶分析在频域上对稳态诱发响应源定位问题进行简化，然而目前还没有研究针对稳态诱发响应特征提出的源定位方法。基于稳态诱发响应在频域上的特征，在贝叶斯框架下建立一个适用于稳态诱发响应脑源定位方法将具有十分重要的意义。目前尚无已公开专利应用解决基于稀疏贝叶斯学习方法的稳态诱发响应脑源定位问题，但是有一些论文提出了有关贝叶斯方法应用于瞬态诱发电位的脑源定位问题，如：文献(WipfandNagarajan,AunifiedBayesianframeworkforMEG/EEGsourceimaging)分析并扩展了适用于源定位问题的几大类贝叶斯方法，包括经验贝叶斯方法，标准MAP估计和多元变分贝叶斯近似，结合现有方法进行改进，提出了可应用于脑电图/脑磁图源成像的统一贝叶斯框架。文献(Saha,etal.EvaluatingthePerformanceofBSBLMethodologyforEEGSourceLocalizationOnaRealisticHeadModel)和(Costa,etal.BayesianEEGSourceLocalizationUsingaStructuredSparsityPrior)提出为了提高源定位算法的性能，还需要考虑结构稀疏性，并在贝叶斯框架中分别引入了内部块体结构信息和多元Bernoulli-Laplacian结构稀疏先验。综合当前研究现状，贝叶斯方法应用于脑源定位问题具有很好的优势，但应用于稳态诱发响应脑源定位还需要提出切实可行的方法。传统技术存在以下技术问题：1、需要人为设定先验假设或经验参数，很大程度上限制并影响了源定位的结果。2、未充分利用稳态诱发响应的频域信息进行源定位分析。3、未充分利用数据段间的联合稀疏性。4、低信噪比情况下，源定位结果空间分辨率不足。
技术实现思路
本专利技术要解决的技术问题是提供一种基于稀疏贝叶斯学习(SBL)的稳态诱发响应(SSR)脑源定位方法，(1)如何在频域上对稳态诱发响应脑源定位问题进行建模；(2)如何在不需要预设经验参数或变量的前提下，完全基于采集到的脑电记录数据对源的位置进行估计；(3)如何充分利用多段稳态诱发响应脑电数据之间的联合稀疏性，利用多段稳态诱发响应数据进行源定位；(4)如何在低信噪比条件下得到较为精确的稳态诱发响应脑源定位结果。为了解决上述技术问题，本专利技术提供了一种基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法，包括：步骤1.将M个电极采集到稳态诱发响应的头皮记录分为L段；经过对L段数据的预处理以提高信噪比，得到L个数据段xl(t),l＝1,2,…L；步骤2.对各数据段对应的xl(t)进行快速傅里叶变换，即FFT，提取xl(t)在刺激频点f0处的复数分量并将L个数据段对应的整合为联合稳态诱发响应多数据段结构信息的矩阵X，其中其中(·)Τ表示转置；若有多个被试的数据，将他们的数据矩阵横向排列整合成一个矩阵X；步骤3.设置迭代程序的参数：迭代阈值ε和最大迭代次数Niter，并对迭代程序中的各变量初始化：稀疏支撑向量α初始化为αinit，自发脑电-电噪声联合功率向量γ初始化为γinit；步骤4.利用稳态诱发响应数据信息矩阵X、头模型和电极分布对应的导程场导程矩阵旧的稀疏支撑向量α和自发脑电-电噪声联合功率向量γ计算第l段数据对应的源信号的后验均值向量μl和后验协方差矩阵Σl；步骤5.根据μl、Σl计算稀疏支撑向量α和自发脑电-电噪声联合功率向量γ的更新值αnew和γnew；步骤6.判断是否满足迭代停止条件：迭代次数n≥Niter或若不满足则令α＝αnew，γ＝γnew，回到步骤4继续执行迭代；否则结束迭代，输出稀疏支撑向量α，得到源定位结果。在其中一个实施例中，对数据进行预处理以包括：数据的基线校正与叠加平均。在其中一个实施例中，对迭代程序中的各变量的初始化包括：(1)稀疏支撑向量α初始化为其中(·)Η表示共轭转置，⊙表示Hadamard积，而||·||F表示Frobenius范数；(2)第l段数据对应的自发脑电-电噪声联合功率γl初始化为在其中一个实施例中，利用稳态诱发响应数据信息矩阵X、头模型和电极分布对应的导程场矩阵旧的稀疏支撑向量α和自发脑电-电噪声联合功率向量γ计算μl和Σl包括：(1)其中Λ＝diag(α)；(2)在其中一个实施例中，根据μl和Σl计算稀疏支撑向量α和自发脑电-电噪声联合功率向量γ的更新值αnew和γnew包括：(1)其中αnew[n]为αnew的第n个元素，(·)*表示共轭运算，Σl[n,n]为Σl的第(n,n)个元素，μl[n]为μl的第n个元素；(2)其中γnew[l]为γnew的第l个元素，Re(·)和tr(·)分别为取实部和求迹运算。在其中一个实施例中，头模型和电极分布对应的导程场矩阵的计算包括：(1)使用边界元方法(BEM)或有限元法(FEM)计算由头皮、头骨和皮质组成的3层真实头模型；(2)在皮质表面上以N个均匀分布的三角网格表示分布式偶极子的空间位置；(3)结合M导联的脑电采集电极在头皮上的空间信息，通过OpenMEEG软件计算出基于真实头模型的导程场矩阵其规本文档来自技高网...

【技术保护点】
1.一种基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法，其特征在于，包括：/n步骤1.将M个电极采集到稳态诱发响应的头皮记录分为L段；经过对L段数据的预处理以提高信噪比，得到L个数据段x

【技术特征摘要】
1.一种基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法，其特征在于，包括：
步骤1.将M个电极采集到稳态诱发响应的头皮记录分为L段；经过对L段数据的预处理以提高信噪比，得到L个数据段xl(t),l＝1,2,…L。
步骤2.对各数据段对应的xl(t)进行快速傅里叶变换，即FFT，提取xl(t)在刺激频点f0处的复数分量并将L个数据段对应的整合为联合稳态诱发响应多数据段结构信息的矩阵X，其中(·)Τ表示转置；若有多个被试的数据，将他们的数据矩阵横向排列整合成一个矩阵X；
步骤3.设置迭代程序的参数：误差阈值ε和最大迭代次数Niter，并对迭代程序中的各变量初始化：稀疏支撑向量α初始化为αinit，自发脑电-电噪声联合功率向量γ初始化为γinit；
步骤4.利用稳态诱发响应数据信息矩阵X、头模型和电极分布对应的导程场矩阵旧的稀疏支撑向量α和自发脑电-电噪声联合功率向量γ计算第l段数据对应的源信号的后验均值向量μl和后验协方差矩阵Σl；
步骤5.根据μl、Σl计算稀疏支撑向量α和自发脑电-电噪声联合功率向量γ的更新值αnew和γnew；
步骤6.判断是否满足迭代停止条件：迭代次数n≥Niter或若不满足则令α＝αnew，γ＝γnew，回到步骤4继续执行迭代；否则结束迭代，输出稀疏支撑向量α，得到源定位结果。


2.如权利要求1所述的基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法，其特征在于，对数据进行预处理以包括：数据的基线校正与叠加平均。


3.如权利要求1所述的基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法，其特征在于，对迭代程序中的各变量的初始化包括：
(1)稀疏支撑向量α初始化为其中(·)Η表示共轭转置，⊙表示Hadamard积，而||·||F表示Frobenius范数；
(2)第l段数据对应的自发脑电-电噪声联合功率γl初始化为l＝1,2,…,L。


4.如权利要求1所述的基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法，其特征在于，利用稳态诱发响应数据信息矩阵X、头模型和电极分布对应的导程场矩阵旧的稀疏支撑向量α和自发脑电-电噪声联合功率向量γ计算μl和Σl包括：
(1)其中Λ＝diag(α)；
(2)


5.如权利要求1所述的基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法，其特征在于，根据μl和Σl计算稀疏支撑向量α和自发脑电-电噪声联合功率向量γ的更新值αnew和γnew包括：
(1)n＝1,2,…,N，其中αnew[n]为αnew的第n个元素，(·)*表示共轭运算，Σl[n,n]为Σl的第(n,n)个元素，μl[n]为μl的第n个元素；
(2)l＝1,2,…,L，其中γnew[l]为γnew的第l个元素，Re(·)和tr(·)分别为取实部和求迹运算。


6....

【专利技术属性】
技术研发人员：胡南，陈婷婷，曲铭雯，孙兵，王加俊，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32