基于自編碼器和空間差分稀疏約束的制造技術(shù)

本發(fā)明專利技術(shù)屬于生物醫(yī)學(xué)成像領(lǐng)域，具體涉及一種基于自編碼器和空間差分稀疏約束的

【技術(shù)實現(xiàn)步驟摘要】
基于自編碼器和空間差分稀疏約束的EEG彌散源成像方法


[0001]本專利技術(shù)屬于生物醫(yī)學(xué)成像領(lǐng)域，具體涉及一種基于自編碼器和空間差分稀疏約束的
EEG
彌散源成像方法
。

技術(shù)介紹

[0002]腦電圖
(electroencephalography
，
EEG)
是一種重要的腦功能成像技術(shù)，通過放置在頭部的傳感器記錄大腦皮層神經(jīng)活動產(chǎn)生的微小電位來無創(chuàng)地測量大腦活動
。EEG
具有諸多優(yōu)勢，比如無創(chuàng)性
、
無放射性
、
高時間分辨率和經(jīng)濟(jì)性
。
因此，
EEG
已在認(rèn)知神經(jīng)科學(xué)和臨床上有著廣泛的應(yīng)用
。
根據(jù)頭皮記錄的
EEG
信號重構(gòu)皮層腦活動稱為
EEG
源成像
。
準(zhǔn)確估計腦活動的位置和尺寸有助于理解認(rèn)知過程的基本機理以及腦損傷的病理學(xué)特征
。
在臨床上，比如癲癇治療，準(zhǔn)確確定病灶的位置和尺寸對手術(shù)治療有著重要的意義
。
[0003]EEG
源成像是一個嚴(yán)重病態(tài)的逆問題，存在無窮多解滿足
EEG
記錄
。
對于基于模型驅(qū)動的傳統(tǒng)
ESI
方法，我們通常需要復(fù)雜的先驗假設(shè)來約束解空間以得到唯一解，計算復(fù)雜性大大增加；同時，對于任何新的
EEG
數(shù)據(jù)，傳統(tǒng)的
ESI
方法需要手動或通過數(shù)據(jù)驅(qū)動方法調(diào)整超參數(shù)，這是一個耗時耗力的過程，導(dǎo)致
ESI
的實時性極差，如加權(quán)最小范數(shù)法
(weighted MNE
，
wMNE)、
低分辨率腦電磁成像法
(low
[0004]resolution brain electromagnetic tomography
，
LORETA)、
稀疏貝葉斯學(xué)習(xí)
(sparse Bayesian learning,SBL)、SISSY
等
。
對于基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)
ESI
方法，則無需明確定義源的先驗信息，而是通過網(wǎng)絡(luò)擬合大量的數(shù)據(jù)，實現(xiàn)腦電信號到腦源信號間的映射
。
然而，現(xiàn)有的基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)
ESI
方法往往只采用均方誤差
(MSE)
作為損失函數(shù)來計算腦源信號之間誤差，忽略了腦電信號對網(wǎng)絡(luò)性能可能存在的潛在影響，導(dǎo)致現(xiàn)有的深度學(xué)習(xí)
ESI
方法不能較好的重構(gòu)腦源的尺寸信息，如
SIFNet、DeepSIF、DeepBrainNNet
等
。

技術(shù)實現(xiàn)思路

[0005]為解決傳統(tǒng)
ESI
方法實時性差，深度學(xué)習(xí)
ESI
方法無法準(zhǔn)確重構(gòu)腦源尺寸信息的問題，本專利技術(shù)提出了一種基于自編碼器和空間差分稀疏約束的
EEG
彌散源成像方法，該方法包括：獲取用戶腦電數(shù)據(jù)，將腦電數(shù)據(jù)輸入到訓(xùn)練后的自編碼器中，得到重構(gòu)的腦源信號；通過
Brainstorm
對重構(gòu)的腦源信號進(jìn)行可視化；
[0006]對自編碼器進(jìn)行訓(xùn)練的過程包括：
[0007]S1、
獲取被試個人腦部解剖結(jié)構(gòu)數(shù)據(jù)；其中解剖結(jié)構(gòu)數(shù)據(jù)包括
MRI
體積
、
皮層包膜
、
頭部表面信息以及大腦皮層；
[0008]S2、
將大腦皮層劃分為多個三角網(wǎng)格，每個三角網(wǎng)格作為一個源；根據(jù)解剖結(jié)構(gòu)數(shù)據(jù)數(shù)據(jù)采用邊界元法計算頭部模型，得到導(dǎo)聯(lián)矩陣和差分算子；
[0009]S3、
從三角網(wǎng)格中隨機選取種子點，并采用區(qū)域生長法生成腦源數(shù)據(jù)；
[0010]S4、
將仿真腦源信號輸入到所構(gòu)建的自編碼器中，得到重構(gòu)的腦源信號；
[0011]S5、
計算模型的損失函數(shù)，并進(jìn)行反向傳播，不斷優(yōu)化參數(shù)，當(dāng)損失函數(shù)收斂時，完成模型的訓(xùn)練
。
[0012]優(yōu)選的，采用邊界元法計算頭部模型包括：離散化邊界，即將大腦皮層的邊界離散化為有限個三角網(wǎng)格邊界單元；基于邊界條件建立邊界元積分方程；將邊界元積分方程離散化為線性方程組；使用直接求解法求解離散化后的線性方程組，得到頭部模型
。
[0013]優(yōu)選的，差分算子的表達(dá)式為：
[0014][0015][0016]其中，
V
表示差分算子，表示皮層網(wǎng)絡(luò)第
p
條邊是否是第
N
s
個源的邊，
p
表示皮層網(wǎng)絡(luò)邊的數(shù)量，
N
s
表示源的數(shù)量；
[0017]導(dǎo)聯(lián)矩陣的表達(dá)式為：
[0018][0019]其中，
L
表示導(dǎo)聯(lián)矩陣，
L
ij
表示第
i
個傳感器對第
j
個腦源的敏感度，
N
c
表示傳感器的數(shù)量，
N
s
表示源的數(shù)量
。
[0020]優(yōu)選的，采用區(qū)域生長法生成仿真腦源信號包括：
[0021]S31、
設(shè)置源范圍閾值和迭代次數(shù)；
[0022]S32、
在三角網(wǎng)格中隨機選擇一個隨機種子點；
[0023]S33、
從隨機種子點的位置開始遞歸地包含所有周圍的鄰居，直到達(dá)到源范圍閾值；
[0024]S34、
在源范圍施加激活信號，得到單個腦源信號；
[0025]S35、
重復(fù)步驟
S32
～
S34
，直到達(dá)到迭代次數(shù)，得到腦源信號數(shù)據(jù)集
。
[0026]優(yōu)選的，優(yōu)化后的自編碼器包括第一前向模塊
、
噪聲模塊
、
時間編碼模塊
、
空間編碼模塊
、
空間解碼模塊
、
時間解碼模塊以及第二前向模塊；采用優(yōu)化后的自編碼器對腦源信號進(jìn)行處理包括：
[0027]S41、
將腦源信號
S
g
作為網(wǎng)絡(luò)的輸入，通過第一前向模塊
B
＝
LS
g
得到腦電數(shù)據(jù)
B
g
；
[0028]S42、
將腦電數(shù)據(jù)輸入到噪聲模塊中添加高斯白噪聲，得到具有噪聲的腦電數(shù)據(jù)
B
n
；
[0029]S43、
將具有噪聲的腦電數(shù)據(jù)輸入到時間編碼模塊進(jìn)行卷積運算，得到時間特征圖
B
t
；
[0030]S44、
將時間特征圖輸入到空間編碼模塊中進(jìn)行卷積運算，得到時空特征圖
B
st
；
[0031]S45、
將時空特征圖輸本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點】

【技術(shù)特征摘要】
1.
一種基于自編碼器和空間差分稀疏約束的
EEG
彌散源成像方法，其特征在于，包括：獲取用戶腦電數(shù)據(jù)，將腦電數(shù)據(jù)輸入到訓(xùn)練后的自編碼器中，得到重構(gòu)的腦源信號；對重構(gòu)的腦源信號進(jìn)行可視化；對自編碼器進(jìn)行訓(xùn)練的過程包括：
S1、
獲取被試個人腦部解剖結(jié)構(gòu)數(shù)據(jù)；其中解剖結(jié)構(gòu)數(shù)據(jù)包括
MRI
體積
、
皮層包膜
、
頭部表面信息以及大腦皮層；
S2、
將大腦皮層劃分為多個三角網(wǎng)格，每個三角網(wǎng)格作為一個源；根據(jù)解剖結(jié)構(gòu)數(shù)據(jù)數(shù)據(jù)采用邊界元法計算頭部模型，得到導(dǎo)聯(lián)矩陣和差分算子；
S3、
從三角網(wǎng)格中隨機選取種子點，并采用區(qū)域生長法生成仿真腦源信號；
S4、
將仿真腦源信號輸入到構(gòu)建的自編碼器中，得到重構(gòu)的腦源信號；
S5、
計算模型的損失函數(shù)，并進(jìn)行反向傳播，不斷優(yōu)化參數(shù)，當(dāng)損失函數(shù)收斂時，完成模型的訓(xùn)練
。2.
根據(jù)權(quán)利要求1所述的一種基于自編碼器和空間差分稀疏約束的
EEG
彌散源成像方法，其特征在于，采用邊界元法計算頭部模型包括：離散化邊界，即將大腦皮層的邊界離散化為有限個三角網(wǎng)格邊界單元；基于邊界條件建立邊界元積分方程；將邊界元積分方程離散化為線性方程組；使用直接求解法求解離散化后的線性方程組，得到頭部模型
。3.
根據(jù)權(quán)利要求1所述的一種基于自編碼器和空間差分稀疏約束的
EEG
彌散源成像方法，其特征在于，差分算子的表達(dá)式為：法，其特征在于，差分算子的表達(dá)式為：其中，
V
表示差分算子，表示皮層網(wǎng)絡(luò)第
p
條邊是否是第
N
s
個源的邊，
p
表示皮層網(wǎng)絡(luò)邊的數(shù)量，
N
s
表示源的數(shù)量；導(dǎo)聯(lián)矩陣的表達(dá)式為：其中，
L
表示導(dǎo)聯(lián)矩陣，
L
ij
表示第
i
個傳感器對第
j
個腦源的敏感度，
N
c
表示傳感器的數(shù)量，
N
s
表示源的數(shù)量
。4.
根據(jù)權(quán)利要求1所述的一種基于自編碼器和空間差分稀疏約束的
EEG
彌散源成像方法，其特征在于，采用區(qū)域生長法生成仿真腦源信號包括：
S31、
設(shè)置源范圍閾值和迭代次數(shù)；
S32、
在三角網(wǎng)格中隨機選擇一個隨機種子點；
S33、
從隨機種子點的位置開始遞歸地包含所有周圍的鄰居，直到達(dá)到源范圍閾值；
S34、
在源范圍施加激活信號，得到單個腦源信號；
S35、
重復(fù)步驟
S32
～
S34
，直到達(dá)到迭代次數(shù)，得到仿真腦源信號數(shù)據(jù)集
。
5.
根據(jù)權(quán)利要求1所述的一種基于自編碼器和空間差分稀疏約束的
EEG
彌散源成像方法，其特征在于，自編碼器包括第一前向模塊
、
噪聲模塊
、
時間編碼模塊
、
空間編碼模塊
、
空間解碼模塊
、
時間解碼模塊以及第二前向模塊；采用自編碼器對仿真腦源信號進(jìn)行處理包括：
S41、
將腦源信號
S
g
作為網(wǎng)絡(luò)的輸入，通過第一前向模塊
B
＝
LS
g
得到腦電數(shù)據(jù)
B
g
；
S42、
將腦...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉柯，楊虎，李宏宇，
申請(專利權(quán))人：重慶郵電大學(xué)，
類型：發(fā)明
國別省市：