【技术实现步骤摘要】
基于经验贝叶斯的脑电磁采样数据空间重构系统及方法
[0001]本专利技术属于脑成像领域,更具体地,涉及一种基于经验贝叶斯的脑电磁采样数据空间重构系统及方法
。
技术介绍
[0002]大脑是中枢神经系统中最重要的部分,控制着人类的高级思维,包括认知
、
意识
、
学习和社交等功能
。
为了研究大脑的神经活动,涌现了许多工具和技术
。
其中,脑电图
(EEG)
和脑磁图
(MEG)
因其
"
非侵入性
"
和
"
无创伤性
"
的特点而得到广泛应用
。
这些技术对于实时监测大脑活动和疾病诊断具有重要意义
。
[0003]脑电采样数据具备了毫秒级精度的时间分辨率,但在实际采样过程中,常常会遇到通道数量有限
、
部分采样以及坏道偶发问题
。
这些问题导致了实际脑电采样数据在全脑空间覆盖率或分辨率方面的不足,从而影响了对神经活动的精确成像,限制了对脑活动神经机制的理解
。
[0004]一些研究者提出,增加电极数量可以提高空间分辨率,但盲目增加电极数量会导致噪音增加,并增加实验成本
。
因此,充分利用已记录的有效有限通道采样数据来提高脑电采样数据的空间分辨率,对于提高大脑神经活动成像精度至关重要
。
[0005]现有专利
CN2022106946 ...
【技术保护点】
【技术特征摘要】
1.
一种基于经验贝叶斯的脑电磁采样数据空间重构系统,其特征在于,包括:数据输入模块,用于获取有限采样通道的脑活动采样数据
、
有限采样通道的导联场矩阵和未知采样通道的导联场矩阵;数据成分提取模块,用于根据有限采样通道的脑活动采样数据和有限采样通道的导联场矩阵提取数据成分;未知采样数据求解模块,用于根据提取的数据成分和未知采样通道的导联场矩阵求解未知采样通道的采样数据;全脑高分重构模块,用于根据有限采样通道与未知采样通道的采样数据进行融合,构建空间高分辨率全脑活动采样通道数据
。2.
如权利要求1所述的脑电磁采样数据空间重构系统,其特征在于,所述提取的数据成分的计算公式为:分的计算公式为:分的计算公式为:分的计算公式为:其中,为
s(t)
的均值,
s(t)
为脑内数据成分时间序列
S
在采样时间时刻
t
的数据,
1≤t≤T
,
T
为采样点总数,
L
known
为有限采样通道的导联场矩阵
,y
known
(t)
为有限采样通道的脑活动采样数据
Yknown
在采样时刻
t
的数据,
T
表示矩阵转置,
α
为数据成分先验概率分布超参数,
α
n
对应第
n
个数据成分先验分布的方差,
1≤n≤N
,
N
为脑内体素总数目,即脑内数据成分数量,
Λ
为噪声活动先验概率分布超参数,
λ
m
对应第
m
个有限采样通道噪声的先验分布的方差,
1≤m≤M
′
,
M
′
为有限采样通道总数量
。3.
如权利要求2所述的脑电磁采样数据空间重构系统,其特征在于,构建代价函数构建代价函数构建代价函数其中,迭代更新数据成分超参数
α
和
Λ
,直至代价函数收敛,将代价函数收敛时的数据成分作为提取的数据成分
。4.
如权利要求3所述的脑电磁采样数据空间重构系统,其特征在于,数据成分超参数
α
和
Λ
的更新公式为:
其中,为第
n
个数据成分在时刻
t
的均值,为已知有限采样数据模型协方差矩阵,为估计的第
n
个数据成分的方差,为估计的第
n
个数据成分在
t
时刻的数据,为估计的第
m
个有限采样通道的干扰与噪声的方差,
(y
known
)
m
(t)
为第
m
个有限采样通道在
t
时刻的采样数据,
(l
known
)
m
为有效采样通道的导联矩阵的第
m
行,和为辅助参数,为分别以超参数
α
和
Λ
为变量的斜率,计算公式为:为变量的斜率,计算公式为:其中,
tr(.)
表示矩阵的迹,
(L
known
)
n
为有限采样通道的导联场矩阵的第
n
列,表示矩阵中位于
m
行和
m
列的元素
。5.
如权利要求1所述的脑电磁采样数据空间重构系统,其特征在于,未知采样通道的采样数据的求解公式为:其中,
Y
unkmown
为未知采样通道的采样数据,
L
unknown
为未知采样通道的导联场矩阵,为基于已知有限采样通道的采样数据和有限采样通道导联场矩阵提取的数据成分<...
【专利技术属性】
技术研发人员:蔡畅,柯河朋,马凯,郭锦成,龙源顺,林俊,王佳慧,
申请(专利权)人:华中师范大学,
类型:发明
国别省市:
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。