【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
【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...
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。