一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法技术

本发明专利技术属于生物医学成像领域，具体涉及一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法，包括：进行数据收集及处理，计算头模型得到导联矩阵和差分算子，根据皮层源的位置得到源的最小距离矩阵；然后将EEG信号投影到TBF空间；再构建多试次EEG源成像方法模型；计算多试次源，将得到的估计源从TBF空间还原并成像。本发明专利技术通过最小化多试次源与Wasserstein重心之间的Wasserstein距离来加强多试次源的空间相似性约束，降低了多试次EEG信号不稳定的影响；结合Laplace噪声和Wasserstein正则，使EEG源成像的时空分辨率高、尺寸估计准、鲁棒性强。鲁棒性强。鲁棒性强。

【技术实现步骤摘要】
一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法


[0001]本专利技术属于生物医学成像领域，具体涉及一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法。

技术介绍

[0002]脑电图(electroenc ephalography，EEG)是一种重要的脑功能成像技术，通过放置在头部的传感器记录大脑皮层神经活动产生的微小电位来无创地测量大脑活动。EEG具有诸多优势，比如无创性、无放射性、高时间分辨率和经济性。因此，EEG已在认知神经科学和临床上有着广泛的应用。根据头皮记录的EEG信号重构皮层脑活动称为EEG源成像。准确估计脑活动的位置和尺寸有助于我们理解认知过程的基本机理以及脑损伤的病理学特征。在临床上，比如癫痫治疗，准确确定病灶的位置和尺寸对手术治疗有着重要的意义。
[0003]EEG源成像是一个严重病态的逆问题，存在无穷多解满足EEG记录。因此我们需要先验假设约束解空间以得到唯一解。传统的方法是基于单试次的EEG源成像，如加权最小范数法(weighted MNE，wMNE)、低分辨率脑电磁成像法(low resolution brain electromagnetic tomography，LORETA)、稀疏贝叶斯学习(sparse Bayesian learning,SBL)、SISSY等，针对每个被试独立记录的EEG信号进行重构神经元激活区域。但EEG信号高度非平稳且易受噪声的影响。因此，即使在相同的认知任务下，基于单试次EEG的重构源在不同试次中可能存在显著差异。事实上，同一被试者在相同认知任务下的大脑活动神经元激活区域会有一些差异，但也会有很大部分重叠。
[0004]目前的多试次EEG源成像方法如GL、MTW不能提供准确的皮层激活范围信息，而这对于脑部疾病诊断非常重要。此外，这些多试次源成像方法大多假设噪声符合高斯分布，使用范数进行拟合噪声。但实验过程中EEG源信号不可避免受到头动、眼动等异常值污染，范数会夸大这些异常值的影响。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法，包括以下步骤：
[0006]S1、获取被试的个人脑部解剖结构数据和EEG记录数据；
[0007]所述个人脑部解剖结构数据包括：MRI体积、皮层包膜和头部表面信息，大脑皮层；
[0008]S2、将大脑皮层划分为若干个三角网格，每个三角代表一个源，根据人脑部解剖结构数据采用边界元法计算头部模型，得到导联矩阵和差分算子，采用迪杰斯特拉算法构建若干个源之间的最短路径，得到最小距离矩阵；
[0009]S3、将EEG记录数据投影到TBF空间；
[0010]S4、根据导联矩阵、差分算子和最小距离矩阵在投影空间建立基于Laplace噪声和Wasserstein正则的多试次鲁棒EEG弥散源成像模型，根据基于Laplace噪声和Wasserstein
正则的多试次鲁棒EEG弥散源成像模型利用ADMM算法得到多试次估计源；
[0011]S5、采用Sinkhorn算法对多试次估计源的能量分布进行迭代缩放求解Wasserstein重心，更新基于Laplace噪声和Wasserstein正则的多试次鲁棒EEG弥散源成像模型的边界松弛值，并更新多试次估计源；
[0012]S6、将更新后的多试次估计源从TBF空间还原到原空间，采用brainstorm工具对还原后的多试次估计源进行成像。
[0013]本专利技术的有益效果：
[0014]本专利技术通过最小化多试次源与Wasserstein重心之间的Wasserstein距离来加强多试次源的空间相似性约束，降低了多试次EEG信号不稳定的影响；
[0015]本专利技术结合Laplace噪声和Wasserstein正则，使EEG估计源的时空分辨率高、尺寸估计准、鲁棒性强，为脑科学研究、神经疾病诊断和脑机接口等领域提供技术理论支持。
附图说明
[0016]图1为本专利技术的流程图。
具体实施方式
[0017]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0018]一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法，如图1所示，包括：
[0019]S1、获取被试的个人脑部解剖结构数据和EEG记录数据；
[0020]所述个人脑部解剖结构数据包括：MRI体积、皮层包膜和头部表面信息，大脑皮层；
[0021]S2、将大脑皮层划分为若干个三角网格，每个三角代表一个源，根据人脑部解剖结构数据采用边界元法计算头部模型，得到导联矩阵和差分算子，采用迪杰斯特拉算法构建若干个源之间的最短路径，得到最小距离矩阵；
[0022]S3、将EEG记录数据投影到TBF空间；
[0023]S4、根据导联矩阵、差分算子和最小距离矩阵在投影空间建立基于Laplace噪声和Wasserstein正则的多试次鲁棒EEG弥散源成像模型，根据基于Laplace噪声和Wasserstein正则的多试次鲁棒EEG弥散源成像模型利用ADMM算法得到多试次估计源；
[0024]S5、采用Sinkhorn算法对多试次估计源的能量分布进行迭代缩放求解Wasserstein重心，更新基于Laplace噪声和Wasserstein正则的多试次鲁棒EEG弥散源成像模型的边界松弛值，并更新多试次估计源；
[0025]S6、将更新后的多试次估计源从TBF空间还原到原空间，采用brainstorm工具对还原后的多试次估计源进行成像。
[0026]在本实施例中，使用Brainstorm默认头部解剖结构ICBM 152生成头部模型，然后将皮层表面向下采样到6003个三角形网格，每个三角形网格表示一个偶极子源，每个偶极子垂直于皮质表面。
[0027]采用边界元法计算头部模型，得到导联矩阵、差分算子，包括：将被试的解剖结构导入Brainstorm工具，选择边界元法计算头部模型，导出导联矩阵L和差分算子V；
[0028]导联矩阵反映EEG信号和源之间的对应关系；
[0029]差分算子反映皮层上源之间的相邻关系，计算如下：
[0030][0031][0032]其中，V表示差分算子，表示皮层网络第p条边是否是第Ns个源的边，P表示皮层网络边的数量，Ns表示源的数量。
[0033]采用迪杰斯特拉算法构建若干个源之间的最短路径，得到最小距离矩阵M，包括：
[0034]S21：将大脑皮层三角网络模拟为无向图G＝(A，E)，A＝{A0...A
i
...A
S
}为所有三角网格上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法，其特征在于，包括：S1、获取被试的个人脑部解剖结构数据和EEG记录数据；所述个人脑部解剖结构数据包括：MRI体积、皮层包膜和头部表面信息，大脑皮层；S2、将大脑皮层划分为若干个三角网格，每个三角代表一个源，根据人脑部解剖结构数据采用边界元法计算头部模型，得到导联矩阵和差分算子，采用迪杰斯特拉算法构建若干个源之间的最短路径，得到最小距离矩阵；S3、将EEG记录数据投影到TBF空间；S4、根据导联矩阵、差分算子和最小距离矩阵在投影空间建立基于Laplace噪声和Wasserstein正则的多试次鲁棒EEG弥散源成像模型，根据基于Laplace噪声和Wasserstein正则的多试次鲁棒EEG弥散源成像模型利用ADMM算法得到多试次估计源；S5、采用Sinkhorn算法对多试次估计源的能量分布进行迭代缩放求解Wasserstein重心，更新基于Laplace噪声和Wasserstein正则的多试次鲁棒EEG弥散源成像模型的边界松弛值，并更新多试次估计源；S6、将更新后的多试次估计源从TBF空间还原到原空间，采用brainstorm工具对还原后的多试次估计源进行成像。2.根据权要求1所述的一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法，其特征在于，采用边界元法计算头部模型，得到导联矩阵、差分算子，包括：将被试的解剖结构导入Brainstorm工具，选择边界元法计算头部模型，导出导联矩阵L和差分算子V；导联矩阵反映EEG信号和源之间的对应关系；差分算子反映皮层上源之间的相邻关系，计算如下：差分算子反映皮层上源之间的相邻关系，计算如下：其中，V表示差分算子，表示皮层网络第p条边是否是第N
s
个源的边，P表示皮层网络边的数量，N
s
表示源的数量。3.根据权利要求1所述的一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法，其特征在于，采用迪杰斯特拉算法构建若干个源之间的最短路径，得到最小距离矩阵M，包括：S21：将大脑皮层三角网络模拟为无向图G＝(A，E)，A＝{A0...A
i
...A
S
}为所有三角网格上的点，E为所有边，其中，A0表示三角网格编号第0个顶点，A
S
表示三角网格编号第s个顶点，A
i
表示三角网格编号第i个顶点；S22:初始令已计算到顶点A0距离的点集合A1＝{A0},T＝A
‑
A1＝{其余顶点}，若A0到A
i
存在通路，则M
0,i
为源之间的距离；若不存在，M
0,i
为∞；
S23：从T中选取一个与A1中顶点有关联边且权值最小的顶点A
j
，加入到A1中作为中间顶点；S24：对其余T中顶点的距离值进行修改：若加进A
j
作为中间顶点，则从A0到A
i
的距离值缩短，则修改此距离值；S25：重复上述步骤S22
‑
S23，直到A1中包含所有顶点，得到最小距离矩阵M。4.根据权利要求1所述的一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法，其特征在于，将EEG记录数据投影到TBF空间，包括：根据麦克斯韦方程，EEG记录和皮层源信号得到以下线性关系：Y＝LS+ε其中表示具有N
C
个传感器在N
t
个采样点下的EEG记录，表示导联矩阵，表示N
s
个EEG估计源的动态过程，ε表示观测噪声；假设源信号S和EEG信号Y是K个时间基函数TBF的线性组合，即将源信号S和EEG信号Y投影到TBF：张成的子空间，可得张成的子空间，可得则原有的EEG源成像模型改写为其中，表示第k个TBF，和分别表示源信号S和EEG信号Y的TBFs空间投影系数；表示K行N
t
列的实数矩阵，表示矩阵求转置操作。5.根据权利要求1所述的一种基于Laplace噪声和Wasserstein正则的多试次EEG源成像方法，其特征在于，根据导联矩阵、差分算子和最小距离矩阵在投影空间建立基于Laplace噪声和Wasserstein正则的多试次鲁棒EEG弥散源成像模型，包括：其中，表示满足上式的情况下得到的第n...

【专利技术属性】
技术研发人员：刘柯，王珍，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：