一种基于时域和频域多通道OPM-MEG坏道自动识别方法及系统技术方案

本发明专利技术涉及一种基于时域和频域多通道OPM

【技术实现步骤摘要】
一种基于时域和频域多通道OPM
‑
MEG坏道自动识别方法及系统


[0001]本专利技术生物信号处理领域，涉及一种基于时域和频域多通道OPM
‑
MEG(光泵磁强计记录脑磁图数据)坏道自动识别方法及系，适用于脑磁图信号预处理自动化。

技术介绍

[0002]近年来，脑磁图(Magnetoencephalography,MEG)是一种能够实时、完全无创地测量大脑神经活动的磁源成像技术，通过磁场反应大脑的生理活动和功能连接，相比于脑电和一些其他的测量手段具有更高的时间和空间分辨率。目前用于测量脑磁的设备主要有超导量子干涉仪(Superconducting Quantum Interference Device，SQUID)设备和小型化的光泵磁强计(Optical Pumping Magnetometer，OPM)传感器，由于多通道OPM传感器便携、可穿戴、可移动、灵敏度高以及不需要低温冷却的优点，这种传感器在近几年发展快速。
[0003]多通道OPM
‑
MEG(测量数据中经常会出现低频/高频跳跃、急剧瞬变的突发事件以及由于线路噪声的增加导致的坏道等，除此之外，另一种坏道的主要来源是由于测量过程中OPM传感器的不稳定以及实验操作不当导致的，例如传感器的过热、超过预定的校准因子等引起的通道异常工作。如果不对坏道进行剔除，在设置阈值进行坏段去除时，会导致严重的数据丢失；坏道数据的存在也会对提取神经特征的总体统计产生误导和偏差，从而导致对实验结果的错误理解；此外，对后续的预处理、正逆问题求解过程产生不良影响。如果误除了好的信道也会导致有用信号的丢失。因此对多通道OPM
‑
MEG测量数据进行预处理降噪之前，必要的一个过程是对多通道OPM
‑
MEG测量数据的坏道进行识别剔除。
[0004]目前多通道OPM
‑
MEG测量数据主要通过实验人员根据数据的时域和频域特征以及检查传感器的工作状态是否正常来进行肉眼识别剔除，该方法能够准确识别出坏道，但耗时耗力，当通道数量达到上百个时，无法实现快速的坏道自动识别和剔除。
[0005]目前对多通道OPM
‑
MEG测量数据中坏道的自动识别并没有完全相关的文献阐述，在实际的应用中主要存在以下3种方法：(1)利用仅基于时域方法的信号空间分离算法(Signal Space Separation，SSS)进行坏道的自动识别，以及拓展的rSSS(robust Signal Space Separation)方法进行坏道识别，上述方法皆基于Maxwell的物理模型，用于多通道传感器的信号和噪声分离，坏道识别的原理是在原始信号和SSS重建信号之间的每个信道中进行差分，然后计算差异和平均值的标准差，并计算z分数，该功能需设置阈值，超过该阈值的信道被标记为坏道。尽管该方法在许多情况下都是稳健的，在实际应用时仍需考虑该方法的某些限制，比如该算法在检测由于传感器本身工作异常的坏道时存在不一致性，这些通道数据通常超过传感器量程或者无法工作，这意味着该方法需要人工监督；(2)参考脑电等其他电生理信号，利用相关的数学统计量进行坏道自动识别，包括相关系数、方差、振幅、峭度等，也是通过时域方法计算每个通道的统计量将超过阈值范围的通道认为是坏道，但是脑磁测量过程中实验数据较长，相关统计量的计算无法适用于长时间的连续数据；(3)基于密度的噪声空间聚类分析方法，该方法适用于包含相似密度集群的数据，将脑磁时域
数据变换到频域，计算每个通道的平均频率值，将那些远离聚类的频域值标记为坏道。同样对于数据较长的连续数据分类器往往起不到很好的效果。除此之外，目前MEG数据集尚不成熟，无法使用机器学习等需要大量训练集的检测方法。因此以上3种方法都有其各自的弊端和局限性。
[0006]上3种方法均无法解决多通道OPM
‑
MEG测量数据中经常会出现低频/高频跳跃、突发的急剧瞬变事件、线路噪声剧增以及测量过程中由于传感器不稳定或异常工作导致的坏道问题。
[0007]中国专利ZL 202111608900.0为一种基于光泵磁强计测量脑磁的坏道自动识别方法，将原始多通道脑磁信号只变换到频域，再采用孤立森林方法对原始多通道脑磁信号进行脑磁坏道的自动识别并处理，得到去除坏道的多通道脑磁信号。该专利的缺点是只基于箱线图识别坏道的方法仅仅能将明显偏离多通道功率谱密度中心的通道识别出来，但在实际应用时，当出现某些具有高频/低频跳跃、突发的急剧瞬变事件以及线路噪声的增加，这些情况下功率谱密度仍旧在核心功率谱密度中的不良通道是没办法检测出来的。

技术实现思路

[0008]本专利技术要解决的技术问题是：克服现有技术的不足，提出一种基于时域和频域多通道OPM
‑
MEG坏道自动识别方法及系统，实现无需输入控制参数的坏道自动识别，提高整体坏道自动识别的稳定性和准确性，同时提高脑磁图数据质量以及数据处理速度，为脑磁图预处理的自动化奠定基础。
[0009]本专利技术解决其技术问题所采用的技术方案为：从时域特征去除具有明显的低频/高频跳跃、突发的急剧瞬变事件以及线路噪声明显增加的坏道，使用基于麦克斯韦物理模型的SSS方法，将多通道光泵磁强计的信号和噪声分离，该时域方法坏道识别的原理是在原始信号和SSS重建信号之间的每个信道中进行差分，然后计算差异和平均值的标准差，并计算z分数，设置阈值，超过该阈值的信道初步预估为坏道数量；从频域特征去除传感器异常工作的坏道，将多通道脑磁数据变换到频域，利用箱线图方法初步预估偏离核心功率谱密度的坏道数量。最后，将时域的Maxwell方法和频域的箱线图方法进行结合，使用上述两者的预估坏道比例作为孤立森林算法的重要参数，取两者并集为最终坏道，实现坏道的自动识别。
[0010]第一方面：本专利技术提供一种基于时域和频域的OPM
‑
MEG测量数据的坏道自动识别方法，包括以下步骤：
[0011]步骤1：采集多通道OPM
‑
MEG测量数据；
[0012]步骤2：利用基于Maxwell的时域方法提取时域数据块，计算多通道OPM
‑
MEG测量数据在该时域数据块的数学统计量，得到z
‑
分数；对每个通道的z
‑
分数求平均值，得到多通道OPM
‑
MEG测量数据的时域序列其中，n为多通道OPM
‑
MEG测量数据的总通道的数量，为OPM
‑
MEG测量数据的第一个通道计算的z
‑
分数的平均值，依此类推，为第n个通道计算的z
‑
分数的平均值；设置阈值，此处阈值设置需根据不同屏蔽房的噪声水平而变化，初步预估坏道数量，得到预估坏道比例α；
[0013]步骤3：采用基于箱线图的频域方法，将多通道OPM
‑
MEG测量数据变换到频域，计算
多通道OPM
‑
MEG测量数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于时域和频域多通道OPM
‑
MEG坏道自动识别方法，其特征在于，包括以下步骤：步骤1：采集多通道OPM
‑
MEG测量数据；步骤2：利用基于Maxwell的时域方法提取时域数据块，计算多通道OPM
‑
MEG测量数据在该时域数据块的数学统计量，得到z
‑
分数；对每个通道的z
‑
分数求平均值，得到多通道OPM
‑
MEG测量数据的时域序列其中，n为多通道OPM
‑
MEG测量数据的总通道的数量，为OPM
‑
MEG测量数据的第一个通道计算的z
‑
分数的平均值，依此类推，为第n个通道计算的z
‑
分数的平均值；设置阈值初步预估坏道数量，得到预估坏道比例α；步骤3：采用基于箱线图的频域方法，将多通道OPM
‑
MEG测量数据变换到频域，计算多通道OPM
‑
MEG测量数据的功率谱密度，对每个通道的功率谱密度在脑磁测量实验期盼信号的频段内求平均值，获得用于表征多通道OPM
‑
MEG测量数据的平均功率密度的序列其中，n为多通道OPM
‑
MEG测量数据的总通道的数量，为多通道OPM
‑
MEG测量数据的第一个通道的功率谱密度的平均值，依此类推，为多通道OPM
‑
MEG测量数据的第n个通道的功率谱密度的平均值；对所述平均功率密的序列采用箱线图方法进行初步的坏道识别，将平均频率密度超出上须和下须的部分认为是坏道，预估坏道占整体脑磁测量通道的比例β；步骤4：分别将步骤2得到的预估坏道比例α和步骤3得到的预估坏道占整体脑磁测量通道的比例β作为孤立森林方法的重要参数即样本中异常点的比例，输入至孤立森林方法中进行脑磁坏道自动识别。2.根据权利要求1所述的基于时域和频域多通道OPM
‑
MEG坏道自动识别方法，其特征在于：所述步骤1中，使用光泵磁强计采集多通道OPM
‑
MEG测量数据；所述光泵磁强计包括：多个用于接触分析对象指定区域的具有自旋交换无弛豫效应的极弱磁测量传感器和连接每一极弱磁测量传感器的处理装置。3.根据权利要求1所述的基于时域和频域多通道OPM
‑
MEG坏道自动识别方法，其特征在于：所述步骤2具体实现如下：(21)使用没有对外部噪声进行滤除的原始数据块进行信号空间分离算法SSS；(22)排除数据的标准偏差<0.01fT的通道，其中，fT为磁场单位；(23)计算每个通道数据块内原始信号与SSS重建信号的差异，记为d；计算每个通道数据块差异的平均值μ
d
；计算每个通道差异的标准偏差δ
d
；(24)令对每个通道数据块的z
‑
分数求平均值得到序列其中n为OPM传感器数量，当时，认为通道i为坏道；(25)满足的坏道个数为m，初步预估坏道比例为4.根据权利要求1所述的基于时域和频域多通道OPM
‑
MEG坏道自动识别方法，其特征在于：所述步骤3具体实现如下：
(31)将多通道OPM
‑
MEG测量数据的平均功率密度的序列求对数序列构建一个箱线图的模型，将多通道OPM
‑
MEG测量数据的平均功率密度超出上须和下须的部分认为是异常通道，上须记作：Q3+1.5(Q3
‑
Q1)，下须为：Q1
‑
1.5(Q3
‑
Q1)，其中Q1为25％分位数对应的数值；Q2为50％分位数对应的数值；Q3为75％分位数对应的数值；(32)当求得的多通道OPM
‑
MEG测量数据的某通道的平均功率值大于上须或者小于下须，则认为是异常的OPM
‑
MEG测量数据功率谱密度通道，设识别到m
′
个坏道，总共用于测量的光泵磁强计有n个，则预估的坏道比例5.根据权利要求1所述的基于时域和频域多通道OPM
‑
MEG坏道自动识别方法，...

【专利技术属性】
技术研发人员：宁晓琳，王若男，赵若辰，高阳，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：