基于D-K分区的简化分布式偶极子模型建立与识别方法技术

本发明专利技术公开了基于D

【技术实现步骤摘要】
基于D
‑
K分区的简化分布式偶极子模型建立与识别方法


[0001]本专利技术涉及脑源成像(ESI)和三维卷积神经网络(3DCNN)，用于运动想象脑电信号(MI
‑
EEG)识别


技术介绍

[0002]基于运动想象的脑机接口技术(BCI)是神经康复研究中的重要方向，如何准确的检测大脑皮质层的变化对运动想象的解码至关重要。通过头部模型的建立和在头皮层测得的EEG信号，可以计算出具有高时空分辨率的等效电流偶极子，以表示大脑内部的神经电活动，为皮质层动力学提供了新的研究思路。然而，如果利用整个皮质层的偶极子构建特征，可能会造成信息冗余，生成特征数据成本过高；若进行感兴趣区域(ROI)的挑选，仅使用部分偶极子构建特征，又可能会造成关键信息丢失。如何挑选出最能够代表运动想象特征的偶极子，是一个值得研究的问题。

技术实现思路

[0003]针对上述不足之处，本专利技术提供一种基于D
‑
K分区的简化分布式偶极子模型建立与识别方法。
[0004]具体涉及：首先，利用不同的带通滤波器对所有通道的原始MI
‑
EEG进行滤波，以挑选与运动想象活动相关的最优频带；然后，对挑选出的每个子带信号进行基于sLORETA的脑电逆变换，从而将头皮EEG数据转换为大脑皮层空间中的偶极子；接着，获得基于神经解剖学Desikan
‑
Killiany(D
‑
K)分区的中心偶极子，以构建简化分布式偶极子模型(SDDM)，将大脑皮层中心偶极子的活动视为神经动力学系统；将每个采样时刻的中心偶极子幅值赋至其3D空间坐标下，形成3D偶极子幅值矩阵，并按照时间维度堆叠成4D数据表达；最后，将多频带数据进行融合并输入至设计好的n分支并行的3DCNN(nB3DCNN)中，从时
‑
频
‑
空三个维度进行综合特征提取与识别。
[0005]具体地：
[0006](1)通过不同的带通滤波器对所有通道的原始MI
‑
EEG进行滤波，并计算其能量值，以挑选与运动想象活动相关的最优频带。
[0007](2)对每个最优子带求解脑电逆问题，将头皮EEG数据转换为大脑皮层空间中的偶极子。基于神经解剖学D
‑
K分区获得每个区域的中心偶极子以构建SDDM，使用少量偶极子反映整个大脑皮质层中神经元群的电活动。
[0008](3)将多频带的SDDMs进行融合，构建多频带融合的数据表达，并输入至设计好的n分支并行的3DCNN(nB3DCNN)中，对其复合特征进行提取与识别。
[0009]本专利技术的具体步骤如下：
[0010]Step1基于能量的频带优选。
[0011]Step1.1假设原始多通道MI
‑
EEG为E
r
∈R
N
×
T
，其中N代表头皮电极的数量，T代表采样时刻的数量。分别使用24个具有相同宽度，且能够覆盖与运动想象活动最相关频带的带
通滤波器(8
‑
9Hz,9
‑
10Hz,
…
,and 31
‑
32Hz)，对所有次实验的平均MI
‑
EEG信号进行滤波，以获得24个子频带EEG信号，记为E
s
，其中s∈{1,2,
…
,24}代表所有子频带的序号。
[0012]Step1.2计算在运动准备期间间为运动准备期起始点，为运动准备期结束点，t为采样时刻)，所有导联(c∈[1,N]，c为电极)的能量和，表示为：备期结束点，t为采样时刻)，所有导联(c∈[1,N]，c为电极)的能量和，表示为：接着将所有的子频带信号按照能量和进行降序排列，把前n个子频带作为最优频带，记为top b
i
，i∈{1,2,
…
,n}。
[0013]Step2简化分布式偶极子模型的构建。
[0014]Step2.1头皮层到脑皮层的数据转换。使用sLORETA算法对每一个选取的最优子频带top b
i
均进行脑电逆变换，得到所有偶极子的时间序列，可以表示为：
[0015][0016]其中，代表在第t个采样时刻时，第k个偶极子所代表的幅值。
[0017]Step2.2中心偶极子序列的选择。基于D
‑
K分区，将大脑分为了68个神经解剖区，为每个区域选择最具有代表性的中心偶极子。这样所有偶极子就可以表示为：
[0018][0019]代表在第j个区域中偶极子的时间序列，N
j
表示第j个区域中偶极子的个数，且j∈{1,2,
…
,68}。
[0020]然后，将每一个区域近似看作一个立方体，选择最靠近该立方体中心的偶极子作为最相关的偶极子，称为中心偶极子大脑皮层中所有偶极子就可以近似地用中心偶极子等效为：
[0021][0022]x
j
,y
j
,z
j
)代表了第j个区域中心偶极子的三维坐标，)代表了第j个区域中心偶极子的三维坐标，且分别代表了x坐标轴(y坐标轴，z坐标轴)的最大值和最小值。
[0023]Step2.3简化分布式偶极子模型的构建。构建简化分布式偶极子模型是为了在固定空间位置下，反映中心偶极子随着时间的变化。首先，对各区中心偶极子的3D坐标(x
j
,y
j
,z
j
)进行平移、放大和取整等操作，在不改变所有中心偶极子相对空间位置的情况下，获得
其正整数3D坐标(x
j
',y
j
',z
j
')。然后，就得到了大脑皮质68个带有3D坐标的中心偶极子，将其称为简化分布式偶极子模型，记为SDDM，由下式表示：
[0024][0025]Step3基于多频带融合的数据表达与识别。
[0026]Step3.1单频带的4D幅值矩阵构建。对于每一个挑选出的子频带top b
i
,i∈{1,2,
…
,n}，将任意时刻的中心偶极子幅值赋至其对应的3D空间位置坐标下，形成3D幅值矩阵；接着，沿着采样时刻将3D幅值矩阵进行堆叠，生成4D幅值矩阵，记为下式：
[0027][0028]其中，x
m
＝max(x'1,x'2,
…
,x'
68
),y
m
＝max(y'1,y'2,
…
,y'
68
),zm＝max(z'1,z'2,
…
,z'
68
)。因此，当前4D幅值矩阵包含了所有中心偶极子在固定3D空间位置下，幅值随着时间的变化信息。
[0029]Step3.2多频带融合的数据表达。基于4D幅值矩阵D
...

【技术保护点】

【技术特征摘要】
1.基于D
‑
K分区的简化分布式偶极子模型建立与识别方法，其特征在于：首先，利用不同的带通滤波器对所有通道的原始运动想象脑电信号MI
‑
EEG进行滤波，以挑选与运动想象活动相关的最优频带；然后，对挑选出的每个子带信号进行脑电逆变换，从而将头皮EEG数据转换为大脑皮层空间中的偶极子；接着，获得基于神经解剖学Desikan
‑
Killiany分区的中心偶极子，以构建简化分布式偶极子模型SDDM，将大脑皮层中心偶极子的活动视为神经动力学系统；将每个采样时刻的中心偶极子幅值赋至其3D空间坐标下，形成3D偶极子幅值矩阵，并按照时间维度堆叠成4D数据表达；最后，将多频带数据表达进行融合并输入至设计好的n分支并行的三维卷积神经网络nB3DCNN中，从时
‑
频
‑
空三个维度进行综合特征提取与识别；其特征在于：Step1基于能量的频带优选；Step1.1假设原始多通道MI
‑
EEG为E
r
∈R
N
×
T
，其中N代表头皮电极的数量，T代表采样时刻的数量；分别使用24个具有相同宽度，且能够覆盖与运动想象活动最相关频带的带通滤波器(8
‑
9Hz,9
‑
10Hz,
…
,and 31
‑
32Hz)，对所有次实验的平均MI
‑
EEG信号进行滤波，以获得24个子频带EEG信号，记为E
s
，其中s∈{1,2,
…
,24}代表所有子频带的序号；Step1.2计算在运动准备期间Step1.2计算在运动准备期间为运动准备期起始点，为运动准备期结束点，t为采样时刻，所有导联(c∈[1,N]，c为电极)的能量和，表示为：接着将所有的子频带信号按照能量和进行降序排列，把前n个子频带作为最优频带，记为top b
i
，i∈{1,2,
…
,n}；Step2简化分布式偶极子模型的构建；Step2.1头皮层到脑皮层的数据转换；对每一个选取的最优子频带top b
i
进行脑电逆变换，得到所有偶极子的时间序列，表示为：其中，代表在第t个采样时刻时，第k个偶极子所代表的幅值；Step2.2中心偶极子序列的选择；基于D
‑
K分区，将大脑分为了68个神经解剖区，为每个区域选择最具有代表性的中心偶极子；这样所有偶极子就可以表示为：区域选择最具有代表性的中心偶极子；这样所有偶极子就可以表示为：代表在第j个区域中偶极子的时间序列，N
j
表示第j个区域中偶极子的个数，且j∈{1,2,
…
,68}；然后，将每一个区域近似看作一个立方体，选择最靠近...

【专利技术属性】
技术研发人员：李明爱，阮秭威，孙炎珺，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：