一种基于机器学习的工作记忆任务脑磁图分类系统技术方案

本发明专利技术公开了一种基于机器学习的工作记忆任务脑磁图分类系统，包括脑磁图数据采集模块、脑磁图数据预处理模块、脑磁图源重建模块和机器学习分类模块，其中脑磁图数据采集模块用于采集被试不同工作记忆任务态的脑磁图数据，脑磁图数据预处理模块用于对不同工作记忆任务态的脑磁图数据进行质量控制并分离噪声和伪影，脑磁图源重建模块用于对经过脑磁图数据预处理模块的数据进行传感器信号分析及源重建分析，机器学习分类模块以功率时间序列作为特征，对被试所属的工作记忆任务进行分类。本发明专利技术整合了对工作记忆脑磁图数据完整的从预处理到源重建的分析流程，对工作记忆任务脑磁图数据分类，对于工作记忆解码和大脑记忆相关机制的研究有重要意义。关机制的研究有重要意义。关机制的研究有重要意义。

【技术实现步骤摘要】
一种基于机器学习的工作记忆任务脑磁图分类系统


[0001]本专利技术涉及神经影像数据分析和机器学习
，尤其涉及一种基于机器学习的工作记忆任务脑磁图分类系统。

技术介绍

[0002]脑作为人体中最为神秘的器官，人们不断的在探索大脑的奥秘，试图了解大脑的内部机理和工作机制。近年来，随着功能磁共振成像（functional magnetic resonance imaging, fMRI）、脑电图（Electroencephalogram, EEG）、脑磁图（Magnetoencephalography, MEG）、正电子发射断层扫描（Positron Emission Computed Tomography, PET）等影像技术的产生与应用，人们对于大脑的研究有了新的发展，这些技术也在探索人类大脑机理和相关认知活动方面发挥越来越大的作用。其中，目前利用EEG、fMRI和MEG等功能成像技术探索大脑已成为热门研究之一（He B, Liu Z. Multimodal Functional Neuroimaging: Integrating Functional MRI and EEG/MEG[J]. IEEE reviews in biomedical engineering, 2008, 1(2008): 23
‑
40）。EEG 通过采集头皮上不同位置电位差绘制成图像，其优势在于时间分辨率高，可以捕捉大脑在极短时间内的变化，但传统的EEG电极数量有限，空间分辨率差，且脑电传导在脑组织、脑脊液、颅骨、皮肤等不同介质中差异较大，源重建较为困难（Roberta Grech, Cassar Tracey, Muscat Joseph, et al. Review on solving the inverse problem in EEG source analysis[J]. Journal of neuroengineering and rehabilitation, 2008, 5(1): 25）。fMRI基于大脑的血氧水平依赖（blood oxygenation level dependent，BOLD），反映了由任务诱发或自发神经代谢活动而引起的脱氧血红蛋白浓度变化，从而间接反映大脑的神经元功能活动（Ugurbil K. Development of functional imaging in the human brain (fMRI); the University of Minnesota experience[J]. Neuroimage, 2012,62(2):613
‑
619）。fMRI 具有空间分辨率高、采集无创等优点，然而现有的fMRI的时间分辨率一般为2s，相比于瞬息万变的脑功能变化来说，仍然较低，不足以捕捉大脑处理不同任务过程中的瞬间变化。脑磁图（MEG）通过记录神经元群电活动产生的磁场来研究大脑活动，它以非常高（毫秒内）的时间分辨率直接、无创地记录大脑活动，并生成动态、信息丰富的大规模大脑活动表示（J Gross. Magnetoencephalography in Cognitive Neuroscience: A Primer[J]. Neuron, 2019, 104(2): 189
‑
204）。其具有极高的空间分辨率（1
‑
3mm）和时间分辨率（1
‑
2ms），且磁场受脑脊液、颅骨等干扰小，检查无创、无放射性，在研究脑功能方面有其独特的优势。利用MEG技术对人体大脑功能进行研究具有重要意义，有望为揭示大脑工作机制提供新的资料。
[0003]其中，对于脑磁图技术，其收集的是被试头部周围的磁场分布，而不是大脑内部的磁场分布，脑磁图设备采集到的磁场信号是由大脑内部所有神经元活动产生磁场叠加而成的。将复杂的神经元活动抽象成偶极子模型，再使用数学方法按照磁场在空间中的传播规律对这一过程进行模拟，即脑磁图研究中所谓的正问题。上述过程相反的是脑磁图处理中的逆问题，即通过相关算法对大脑内部信号进行推算，这个过程也被称作MEG源重建。由于
大脑内部神经元数远大于脑磁图设备的传感器数，故逆问题会有无穷多个解，使得 MEG的源重建问题存在一定不确定性。因此，对于MEG数据的源重建步骤是MEG数据处理中的关键（S Baillet. Magnetoencephalography for brain electrophysiology and imaging[J]. Nat Neurosci, 2017, 20(3): 327
‑
339）。目前，关于脑磁图数据的从预处理到传感器信号分析再到溯源重建的流程，还没有工具将其完整的整合起来，实现较为自动的处理MEG数据。现有的方法都是基于较底层的处理脚本，这些脚本往往功能单一，只能实现MEG数据处理流程中的某一步骤，并且过程繁琐，需要操作人员有一定处理经验。
[0004]随着人工智能技术正在迅速发展，越来越多的研究人员都开始将机器学习技术引入认知神经科学和脑科学的探索中来（Khosla M, Jamison K, Ngo G H, et al. Machine learning in resting
‑
state fMRI analysis[J]. Magnetic Resonance Imaging, 2019,64:101
‑
121）。在脑科学研究中，应用最广泛的机器学习方法有分类、回归和聚类等。随着数据质量规模的提升以及机器学习研究方法的不断发展，机器学习方法在fMRI和EEG的研究中已经取得了较为突出的成果，但在MEG领域相关的研究还很少。
[0005]早期的研究中，针对神经影像数据独特的高维特性，研究人员通常采用无监督学习的方法，以获得相关的时空数据特征，用于探索未标记数据中潜在的解释因素。常用的无监督学习方法有K
‑
means聚类、分层聚类、自编码等。这些方法应用于脑科学和神经精神疾病中，研究的主要发现可大致划分为以下几方面：被试者组间的差异性；体现相关波动中潜在的空间模式；某些状态下的时间动态结构。近年来，使用监督学习技术，尤其是分类技术，用于脑影像数据并对被试进行个体水平上的预测分类，在相关领域引起了研究者们极大的兴趣。构建分类预测模型的关键步骤包括特征提取和选择，模型选择和训练，模型效果评估等。在对神经影像数据的机器学习研究中，如何从繁杂的数据中筛选出高性能特征并构建分类预测模型，并以此作为进一步研究的生物标志物，一直是困扰研究者的难题。若能构建出完整的用于神经影像数据处理，相关特征提取，并构建机器学习分类预测模型的系统，将会对脑磁图、fMRI等脑影像的相关研究起到重要的作用，对于大脑相关神经机制的研究也有着重要意义。

技术实现思路

[0006]本专利技术的目的在于针对现有技术的不足，提出一种基于机器学习的工作记忆任务脑磁图分类系统，可以对脑磁图数据进行完整的从预处理到源重建分析的流程，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的工作记忆任务脑磁图分类系统，其特征在于，包括脑磁图数据采集模块、脑磁图数据预处理模块、脑磁图源重建模块和机器学习分类模块；所述脑磁图数据采集模块用于采集被试不同工作记忆任务态的脑磁图数据，并输入至脑磁图数据预处理模块；所述脑磁图数据预处理模块用于对不同工作记忆任务态的脑磁图数据进行预处理，包括数据质量控制子模块、滤除低质量信道与数据段子模块和分离噪声伪影子模块；所述数据质量控制子模块用于对不同工作记忆任务态的脑磁图数据进行质量校验；所述滤除低质量信道与数据段子模块用于滤除不满足需求的通道和数据段；所述分离噪声伪影子模块用于进行噪声去除和伪影识别；所述脑磁图源重建模块用于对经过脑磁图数据预处理模块后的工作记忆脑磁图数据进行传感器信号分析及源级别的溯源重建分析，得到功率时间序列特征；所述机器学习分类模块用于根据脑磁图源重建模块中得到的功率时间序列特征通过主成分分析方法进行降维，最后采用机器学习模型，对被试所属的工作记忆任务进行分类。2.根据权利要求1所述的一种基于机器学习的工作记忆任务脑磁图分类系统，其特征在于，所述数据质量控制子模块用于对脑磁图数据采集模块采集的脑磁图数据进行初步的数据校验，并输出数据质量信息的文档。3.根据权利要求2所述的一种基于机器学习的工作记忆任务脑磁图分类系统，其特征在于，所述数据质量控制子模块记录的数据质量信息包括：脑磁图采样频率、记录数据时长、脑磁图通道数、参考通道数、心电图通道数、肌电图通道数、记录的事件数和平均线圈移动。4.根据权利要求1所述的一种基于机器学习的...

【专利技术属性】
技术研发人员：张瑜，钱浩天，孙超良，王志超，张欢，蒋田仔，
申请(专利权)人：之江实验室，
类型：发明
国别省市：