一种同步EEG-fMRI脑电信号去BCG伪迹方法技术

本发明专利技术公开一种同步EEG

【技术实现步骤摘要】
一种同步EEG
‑
fMRI脑电信号去BCG伪迹方法


[0001]本专利技术涉及脑电信号预处理领域，具体涉及一种基于深度学习的去除同步EEG
‑
fMRI采集的脑电信号中BCG伪迹的方法。

技术介绍

[0002]随着脑科学研究的发展，脑电信号(EEG)与功能磁共振成像(fMRI)的结合引起了广泛的关注和研究。脑电信号对大脑神经放电活动进行直接测量，具有毫秒级的时间分辨率；而功能磁共振成像通过测量大脑血氧水平变化的方法间接测量大脑活动，具有毫米级的空间分辨率。EEG与fMRI在时空分辨率上的互补性，使得同步EEG
‑
fMRI能够为脑功能研究提供更为深入和全面的信息。
[0003]进行同步EEG
‑
fMRI研究首先面临的就是伪迹去除问题，其中EEG采集系统向fMRI信号引入的伪迹较小，不会显著影响fMRI成像质量；而核磁扫描系统则会向EEG信号中引入严重的伪迹，主要有以下三种：
[0004]1.脉冲伪迹(PA)：它是由脉冲射频引起的，其噪声频率与EEG信号的频率差异很大，一般使用70Hz的低通滤波即可去除。
[0005]2.梯度伪迹(GA)：它是在fMRI采集期间磁场切换引发的周期性伪迹，这些伪迹的幅度比EEG信号的幅度大10
‑
100倍，而且因为其自身的时移不变性，可以用模板法将其从EEG信号中去除。
[0006]3.心冲击伪迹(BCG伪迹)：它是在高强度的磁场条件下，由心跳引起的微小头动、头部血管随心跳而产生的扩张和收缩等多种因素导致的伪迹。此外，BCG伪迹因被试、脑电通道和磁共振扫描仪的不同而变化，甚至在同一试次同一通道内，随着时间的流逝，BCG伪迹的形态也会发生变化。因此，这些因素的存在使得BCG伪迹成为同步EEG
‑
fMRI采集的脑电信号中最难去除的伪迹。
[0007]目前，用于抑制同步采集EEG
‑
fMRI时所获得的脑电信号中的BCG伪迹的方法主要有三种。一是基于参考信号的方法：通常利用参考信号生成BCG伪迹模板，并利用该模板去消除脑电信号中的BCG伪迹；二是基于成分分析的盲源分离方法：利用成分分析分离出与BCG伪迹成分相关的正交或独立成分，有选择性地标出视为BCG伪迹的成分并将其去除。三是硬件法，采用碳纤索套等专业的硬件设备，直接测量伪迹的波形，然后从受污染的EEG信号中减去这些伪迹。然而，在模板法中，由于BCG伪迹的时变性，依赖心电信号的模板不能很好的随着伪迹的变化而改变，所以仍会有伪迹残留在EEG信号中；在盲源分离法中，在选择独立成分的数量方面总是需要权衡，有太大的主观性：去除少量独立成分可能仍会有伪迹残留在EEG信号中，反之，去除大量的独立成分可能会导致脑电信号中重要的信息丢失。在硬件法中，特殊的电极帽价格较高而且实验操作较困难。
[0008]目前深度学习发展迅速，在图像、语音、检索等领域获得了巨大成功，同时近年来，在脑电信号处理领域也取得了不少成果。但是针对于这类非配对的脑电信号转化问题(即实际情况下不能获得同一时间下受污染的EEG信号以及纯净的EEG信号用于有监督的信号
转化)的研究较少。
[0009]因此，使用深度学习来开发一种不依赖心电参考电极而且能客观便捷准确地去除脑电信号中BCG伪迹的方法极具现实意义。

技术实现思路

[0010]针对现有技术的不足，本专利技术提供一种不依赖心电参考电极并且便捷准确地去除脑电信号中BCG伪迹的方法，其可以广泛地应用于临床医学诊断、神经生理学和认知神经科学等研究领域。本专利技术不仅不依赖心电信号，而且能够有效保留大量的脑电信息，为脑电去噪提供了一种新思路。
[0011]为达到上述目的，本专利技术所采用的技术方案如下：
[0012]一种同步EEG
‑
fMRI脑电信号去BCG伪迹方法具体包括步骤如下：
[0013]步骤1、脑电信号采集。
[0014]分别采集在普通环境和核磁共振环境下的30个通道的睁眼、闭眼状态头皮脑电信号；所述的30个通道是Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T7、T8、P7、P8、Fz、Cz、Pz、Oz、FC1、FC2、CP1、CP2、FC5、FC6、CP5、CP6、A1、A2。
[0015]普通环境是指代核磁共振扫描仪以外的自然环境。
[0016]步骤2、脑电信号预处理。
[0017]对步骤1所得的脑电信号进行如下预处理，包括基线矫正、去除工频干扰、脉冲伪迹、梯度伪迹等，为现有常规技术，故不详解。
[0018]步骤3、数据分割
[0019]对预处理后的四类脑电信号(普通坏境下的睁眼、闭眼状态脑电信号，核磁扫描仪环境下的睁眼、闭眼状态脑电信号)分别进行切片，以T为时间窗口进行滑窗操作，得到一系列大小为C*L(L＝T*w)的脑电信号片段，其中C为通道数，L为数据长度，w为采样频率；然后将上述切片后的四类脑电信号片段构建睁眼和闭眼状态下数据集，每个数据集包括普通坏境下脑电信号A和磁扫描仪环境下脑电信号B。
[0020]步骤4、利用上述睁眼和闭眼数据集分别进行去除BCG伪迹的睁眼网络模型和闭眼网络模型训练；
[0021]所述去除BCG伪迹的睁眼网络模型和闭眼网络模型均采用基于CycleGAN网络架构模型BCGGAN；
[0022]BCGGAN包括CycleGAN、自编码器约束、中间特征约束；
[0023]所述的CycleGAN包括两个生成器以及两个判别器，生成器用以被训练产生尽量真实的信号去欺骗判别器，而判别器则是尽量将生成信号和真实信号区分开来。
[0024]所述的两个生成器包括用于普通坏境下的脑电信号A转化至磁扫描仪环境下的脑电信号B
′
的生成器G1(B
′
＝G1(A))，以及用于磁扫描仪环境下的脑电信号B转化至普通坏境下的脑电信号A
′
的生成器G2(A
′
＝G2(B))；
[0025]每个生成器包括下采样子模块、第一特征提取子模块、中间特征提取子模块、第二特征提取子模块、上采样子模块。其中下采样子模块对数据进行编码以去除数据的风格特征；第一特征提取子模块以及第二特征提取子模块均由2层卷积层组成，用于提取深层更加抽象的特征；中间特征提取子模块用于提取数据的特征分布；上采样子模块对数据进行解
码以添加数据的风格特征。
[0026]GAN基于两个假设，其一是可以建立一个强分类器来区分这些特征，其二是可用一个可靠的生成器来转化原始特征并重建目标特征。而在该任务中，很容易建立强分类器作为判别器；对于第二个假设，由于脑电信号的信噪比极低，较难得到一个强大的生成器。生成器划分的目的在于：通过对多个子模块进行额外的训练，提升生成器网络的局部特征提取能力，而从达到整体的性能提升。
[0027]生成器G1中的下采样子模块、生成器G2中的上采样子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种同步EEG
‑
fMRI脑电信号去BCG伪迹方法，其特征在于包括以下步骤：步骤(1)、分别采集在普通环境和核磁共振环境下的睁眼、闭眼状态多通道头皮脑电信号；步骤(2)、脑电信号预处理；步骤(3)、对预处理后脑电信号进行数据分割，构建睁眼和闭眼状态数据集，每个数据集包括普通坏境下脑电信号A和磁扫描仪环境下脑电信号B；步骤(4)、利用上述睁眼和闭眼状态数据集分别进行去除BCG伪迹的睁眼网络模型和闭眼网络模型训练；所述去除BCG伪迹的睁眼网络模型和闭眼网络模型均采用基于CycleGAN网络架构模型BCGGAN；BCGGAN包括CycleGAN、自编码器约束、中间特征约束；所述的CycleGAN包括两个生成器以及两个判别器；每个生成器包括下采样子模块、第一特征提取子模块、中间特征提取子模块、第二特征提取子模块、上采样子模块；生成器G1中的下采样子模块、生成器G2中的上采样子模块拼接成自编码器AE
A
；生成器G2中的下采样子模块、生成器G1中的上采样子模块拼接成自编码器AE
B
；两个生成器中脑电信号经过下采样子模块、第一特征提取子模块、中间特征提取子模块输出中间特征值A1、B1至中间特征约束；普通坏境下脑电信号A经生成器G1得到B
′
，再输入至生成器G2，经生成器G2下采样子模块、第一特征提取子模块、中间特征提取子模块输出中间特征值B
′
1至中间特征约束；磁扫描仪环境下脑电信号B经生成器G2得到A
′
，再输入至生成器G1，经生成器G1下采样子模块、第一特征提取子模块、中间特征提取子模块输出中间特征值A
′
1至中间特征约束；中间特征约束用于进一步提取中间特征值A1、B1、B
′
1、A
′
1更为有用的任务状态相关特征；步骤5、使用训练好的模型中生成器G2以实现磁扫描仪环境下的EEG信号去除BCG伪迹。2.根据权利要求1所述的一种同步EEG
‑
fMRI脑电信号去BCG伪迹方法，其特征在于步骤(1)所述的多通道头皮脑电信号的通道是Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T7、T8、P7、P8、Fz、Cz、Pz、Oz、FC1、FC2、CP1、CP2、FC5、FC6、CP5、CP6、A1、A2。3.根据权利要求1所述的一种同步EEG
‑
fMRI脑电信号去BCG伪迹方法，其特征在于步骤(3)对预处理后脑电信号分别进行切片，以T为时间窗口进行滑窗操作，得到一系列大小为C*L的脑电信号片段，其中L＝T*w，C为通道数，L为数据长度，w为采样频率；然后将上述切片后的脑电信号片段构建睁眼和闭眼状态数据集，每个数据集包括普通坏境下脑电信号A和磁扫描仪环境下脑电信号B。4.根据权利要求1所述的一种同步EEG
‑
fMRI脑电信号去BCG伪迹方法，其特征在于基于CycleGAN网络架构模型BCGGAN中所述的两个生成器包括用于普通坏境下的脑电信号A转化至磁扫描仪环境下的脑电信号B
′
的生成器G1，即B

【专利技术属性】
技术研发人员：林广，任彬，刘予晞，张建海，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：