【技術(shù)實(shí)現(xiàn)步驟摘要】
本申請(qǐng)涉及腦功能成像，特別涉及一種基于神經(jīng)血流特征多層次融合的目標(biāo)人群識(shí)別方法及裝置。
技術(shù)介紹
1、相關(guān)技術(shù)中，eeg(electroencephalogram，腦電圖)和fnirs(functional?near-infrared?spectroscopy，功能性近紅外光譜)常被結(jié)合使用，用于研究物質(zhì)使用障礙者的腦功能，觀察到被試者的神經(jīng)血流信息。
2、然而，相關(guān)技術(shù)中，同步eeg-fnirs信號(hào)采集裝置因構(gòu)造方式存在設(shè)備龐大復(fù)雜、電極與光纖探針相互干擾增加采集難度以及信號(hào)整合困難等問(wèn)題；并且在利用該信號(hào)進(jìn)行研究時(shí)，雖兩種技術(shù)能提供高分辨率腦活動(dòng)信息，但存在對(duì)多模態(tài)特征關(guān)系和具體位置神經(jīng)血管耦合情況分析欠缺、僅分別分析單模態(tài)特征而缺乏相互作用機(jī)制探討的不足，導(dǎo)致對(duì)腦功能理解不深入、信息融合潛力未充分挖掘。
3、綜上所述，由于相關(guān)技術(shù)更多地側(cè)重于宏觀層面的信號(hào)相關(guān)性，而對(duì)于跨不同模態(tài)的空間信息如何在特定腦區(qū)協(xié)同作用的分析仍較為稀缺，限制了對(duì)神經(jīng)血管功能更高層次機(jī)制的理解，也未能充分揭示不同腦區(qū)在信息處理和功能調(diào)節(jié)中的獨(dú)特角色，亟待改進(jìn)。
技術(shù)實(shí)現(xiàn)思路
1、本申請(qǐng)?zhí)峁┮环N基于神經(jīng)血流特征多層次融合的目標(biāo)人群識(shí)別方法及裝置，以解決相關(guān)技術(shù)多關(guān)注宏觀信號(hào)相關(guān)性，導(dǎo)致跨模態(tài)空間信息在特定腦區(qū)協(xié)同作用分析匱乏，制約了對(duì)神經(jīng)血管功能機(jī)制深入理解及腦區(qū)角色揭示的問(wèn)題。
2、本申請(qǐng)第一方面實(shí)施例提供一種基于神經(jīng)血流特征多層次融合的目標(biāo)人群識(shí)別方法，包括以下步驟
3、通過(guò)上述技術(shù)方案，本申請(qǐng)實(shí)施例可以通過(guò)同步采集eeg和fnirs信號(hào)獲取腦神經(jīng)血流數(shù)據(jù)，為全面分析腦功能提供豐富信息。數(shù)據(jù)對(duì)齊和預(yù)處理以及腦電分量劃分，保障了數(shù)據(jù)質(zhì)量和分析的有效性。單模態(tài)和混合模態(tài)特征參數(shù)的提取及相應(yīng)融合，既深入挖掘了各模態(tài)自身信息，又實(shí)現(xiàn)了跨模態(tài)信息整合，有助于更精準(zhǔn)地刻畫(huà)腦活動(dòng)。利用yeo?7網(wǎng)絡(luò)整合特征，可從網(wǎng)絡(luò)層面分析特征差別與聯(lián)系，發(fā)現(xiàn)目標(biāo)人群敏感特征和網(wǎng)絡(luò)。最后借助機(jī)器學(xué)習(xí)分類器進(jìn)行目標(biāo)人群識(shí)別，提高了識(shí)別的準(zhǔn)確性和效率，為神經(jīng)科學(xué)研究、疾病診斷等提供了有力支持。
4、可選地，在本申請(qǐng)的一個(gè)實(shí)施例中，所述基于預(yù)處理后的腦神經(jīng)血流信號(hào)數(shù)據(jù)，分析提取至少一個(gè)單模態(tài)同類特征參數(shù)，包括：將egg時(shí)域數(shù)據(jù)按照預(yù)設(shè)時(shí)間分段，通過(guò)線性時(shí)滯相干計(jì)算每段上每個(gè)egg通道信號(hào)之間的相關(guān)性，獲得神經(jīng)模態(tài)的功能連接矩陣，對(duì)所述神經(jīng)模態(tài)的功能連接矩陣按照所述egg通道進(jìn)行平均，得到具體egg通道上的功能連接強(qiáng)度；通過(guò)皮爾遜相關(guān)計(jì)算每個(gè)fnirs通道時(shí)域數(shù)據(jù)之間的相關(guān)性矩陣，再對(duì)所述相關(guān)性矩陣進(jìn)行非線性矯正，獲得血流模態(tài)的功能連接矩陣，對(duì)所述血流模態(tài)的功能連接矩陣按照所述fnirs通道進(jìn)行平均，得到具體fnirs通道上的功能連接強(qiáng)度；基于所述神經(jīng)模態(tài)的功能連接矩陣和所述血流模態(tài)的功能連接矩陣，采用預(yù)設(shè)廣泛閾值設(shè)置稀疏度，根據(jù)所述稀疏度構(gòu)建二值化網(wǎng)絡(luò)，通過(guò)圖論方法計(jì)算多種圖論參數(shù)，對(duì)所述多種圖論參數(shù)求auc值，以得到穩(wěn)定的特征估計(jì)值；
5、通過(guò)上述技術(shù)方案，本申請(qǐng)實(shí)施例可以通過(guò)將egg時(shí)域數(shù)據(jù)按預(yù)設(shè)時(shí)間分段并利用線性時(shí)滯相干計(jì)算相關(guān)性獲取神經(jīng)模態(tài)功能連接矩陣，再按通道平均得到具體通道功能連接強(qiáng)度，能精準(zhǔn)反映具體位置上的神經(jīng)活動(dòng)情況；采用皮爾遜相關(guān)及非線性矯正處理fnirs通道數(shù)據(jù)獲得血流模態(tài)功能連接矩陣并求平均，有助于準(zhǔn)確把握具體位置上的血流活動(dòng)情況；基于兩種模態(tài)功能連接矩陣構(gòu)建二值化網(wǎng)絡(luò)，利用一定閾值和圖論方法計(jì)算多種圖論參數(shù)，可全面深入分析腦功能特征，得到穩(wěn)定特征估計(jì)值。
6、可選地，在本申請(qǐng)的一個(gè)實(shí)施例中，所述基于預(yù)處理后的腦神經(jīng)血流信號(hào)數(shù)據(jù)，分析提取至少一個(gè)混合模態(tài)特征參數(shù)，包括：對(duì)所述多個(gè)腦電分量進(jìn)行基于空間定位的多模態(tài)eeg-fnirs源估計(jì)，以得到皮層電流源密度；將所述皮層電流源密度在近紅外通道位置上重構(gòu)，以將所述近紅外通道位置上的電流源密度與預(yù)設(shè)的標(biāo)準(zhǔn)血流動(dòng)力學(xué)函數(shù)卷積，得到預(yù)期血流變化；根據(jù)所述預(yù)期血流變化和近紅外信號(hào)得到真實(shí)血流響應(yīng)，利用一般線性模型以計(jì)算標(biāo)準(zhǔn)化斜率，確定多頻段局部神經(jīng)血管耦合強(qiáng)度。
7、通過(guò)上述技術(shù)方案，本申請(qǐng)實(shí)施例可以對(duì)多個(gè)腦電分量進(jìn)行基于空間定位的多模態(tài)源估計(jì)，可精準(zhǔn)獲取皮層電流源密度，為后續(xù)分析提供準(zhǔn)確基礎(chǔ)。在近紅外通道位置重構(gòu)電流源密度并與標(biāo)準(zhǔn)血流動(dòng)力學(xué)函數(shù)卷積得到預(yù)期血流變化，以及通過(guò)與近紅外信號(hào)對(duì)比得到真實(shí)血流響應(yīng)并利用一般線性模型來(lái)計(jì)算標(biāo)準(zhǔn)化斜率確定神經(jīng)血管耦合強(qiáng)度，實(shí)現(xiàn)了將腦電信號(hào)與血流信號(hào)在局部位置上的有效關(guān)聯(lián)與分析，有助于深入理解大腦神經(jīng)活動(dòng)與血流變化之間的關(guān)系。
8、可選地，在本申請(qǐng)的一個(gè)實(shí)施例中，所述多頻段局部神經(jīng)血管耦合強(qiáng)度的計(jì)算公式為：
9、
10、其中，si(i＝1,2,3,4,5)為代表多種(五種)腦電波的源活動(dòng)，veeg為eeg電極記錄的電位，w為根據(jù)fnirs激活區(qū)域構(gòu)建的權(quán)重矩陣，l為eeg的導(dǎo)聯(lián)矩陣(表示電極與電流源的關(guān)系)，h為在近紅外通道位置上選擇的電流源密度，為電流源密度與標(biāo)準(zhǔn)血流動(dòng)力學(xué)響應(yīng)函數(shù)進(jìn)行卷積，y為真實(shí)的血流動(dòng)力學(xué)變化，β0為回歸模型的截距，β1為回歸系數(shù)(表示多頻段局部神經(jīng)血管耦合強(qiáng)度)。
11、通過(guò)上述技術(shù)方案，本申請(qǐng)實(shí)施例可以通過(guò)明確多種關(guān)鍵變量，全面且系統(tǒng)地構(gòu)建了神經(jīng)活動(dòng)與血流動(dòng)力學(xué)變化之間的量化關(guān)系模型。這種精確的數(shù)學(xué)表達(dá)能夠精準(zhǔn)計(jì)算多頻段局部神經(jīng)血管耦合強(qiáng)度，為深入研究大腦神經(jīng)血管耦合機(jī)制提供了堅(jiān)實(shí)的理論依據(jù)和有效的計(jì)算工具，有助于更細(xì)致地理解大腦在不同腦電波狀態(tài)下神經(jīng)活動(dòng)對(duì)血流變化的影響。
12、可選地，在本申請(qǐng)的一個(gè)實(shí)施例中，所述利用yeo?7網(wǎng)絡(luò)對(duì)不同模態(tài)特征進(jìn)行位置上的整合，包括：利用預(yù)設(shè)標(biāo)準(zhǔn)系統(tǒng)確定所述神經(jīng)模態(tài)和所述血流模態(tài)通道的具體空間位置，將所述具體空間位置采用空間配準(zhǔn)法映射到統(tǒng)一的mni標(biāo)準(zhǔn)空間，以獲得每個(gè)模態(tài)每個(gè)通道的mni坐標(biāo)；利用yeo?本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于神經(jīng)血流特征多層次融合的目標(biāo)人群識(shí)別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于預(yù)處理后的腦神經(jīng)血流信號(hào)數(shù)據(jù)，分析提取至少一個(gè)單模態(tài)同類特征參數(shù)，包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于預(yù)處理后的腦神經(jīng)血流信號(hào)數(shù)據(jù)，分析提取至少一個(gè)混合模態(tài)特征參數(shù)，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述多頻段局部神經(jīng)血管耦合強(qiáng)度的計(jì)算公式為：
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用Yeo?7網(wǎng)絡(luò)對(duì)不同模態(tài)特征進(jìn)行位置上的整合，包括：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用所述目標(biāo)人群敏感的腦特征訓(xùn)練多種機(jī)器學(xué)習(xí)分類器以實(shí)現(xiàn)對(duì)目標(biāo)人群的識(shí)別，包括：
7.一種基于神經(jīng)血流特征多層次融合的目標(biāo)人群識(shí)別裝置，其特征在于，包括：
8.一種電子設(shè)備，其特征在于，包括：存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序，以實(shí)現(xiàn)如權(quán)利要求1-6任一項(xiàng)所述的基于神經(jīng)血流特征多層次融
9.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，該程序被處理器執(zhí)行，以用于實(shí)現(xiàn)如權(quán)利要求1-6任一項(xiàng)所述的基于神經(jīng)血流特征多層次融合的目標(biāo)人群識(shí)別方法。
10.一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被執(zhí)行，以用于實(shí)現(xiàn)如權(quán)利要求1-6中任一項(xiàng)所述的基于神經(jīng)血流特征多層次融合的目標(biāo)人群識(shí)別方法。
...【技術(shù)特征摘要】
1.一種基于神經(jīng)血流特征多層次融合的目標(biāo)人群識(shí)別方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于預(yù)處理后的腦神經(jīng)血流信號(hào)數(shù)據(jù)，分析提取至少一個(gè)單模態(tài)同類特征參數(shù)，包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于預(yù)處理后的腦神經(jīng)血流信號(hào)數(shù)據(jù)，分析提取至少一個(gè)混合模態(tài)特征參數(shù)，包括：
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述多頻段局部神經(jīng)血管耦合強(qiáng)度的計(jì)算公式為：
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用yeo?7網(wǎng)絡(luò)對(duì)不同模態(tài)特征進(jìn)行位置上的整合，包括：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述利用所述目標(biāo)人群敏感的腦特征訓(xùn)練多種機(jī)器學(xué)習(xí)分類器以實(shí)現(xiàn)對(duì)目...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：高天欣，梁廣耀，范應(yīng)威，唐曉英，
申請(qǐng)(專利權(quán))人：北京理工大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。