专利名称：一种事件相关电位源定位方法
技术领域：
本发明涉及生物信息技术领域，特别涉及脑电信号源电位技术。
背景技术：
脑电图因其具有无创、高时间分辨率、能反映大尺度的神经电活动等特点，在脑功能研究与诊断中具有十分重要的地位。脑电是由脑内神经细胞群的电生理活动所产生的电势，经容积导体(由皮层、颅骨、脑膜及头皮等组织构成)传导后，在头皮表面的综合表现。通过对脑电数据的反演研究，可以定量地提供脑内神经活动源的位置、强度及分布情况，这就是脑电逆问题。脑电逆问题在神经科学基础研究和临床应用中具有重要意义。脑电逆问题是一个不适定问题，其本质上是一个非线性优化问题。但由于非线性问题的复杂性，人们为了简化计算的复杂性，在脑电源的反演定位中，常用一线性方法去逼 近非线性问题。因此从采用的方法上，可以把脑电源定位方法分为线性反演和非线性反演方法两类。非线性反演方法不包括模型中源位置的先验假设，把大脑的一个相对集中小区域的电活动模拟为一个等效偶极子源。这个偶极子代表了该区域神经电活动的位置和方向信息。假设I到5个偶极子，计算产生的头表电活动与记录的电活动差异，可以通过非线性优化迭代得到偶极子的位置的方向参数。线性反演又叫源成像方法，目前有最小模解(Minimum Norm Model, MNM),加权最小模解(weighted Minimum Norm, WMN)，低分辨层析成像(Low-resolutionelectromagnetic tomography, L0RETA),多重稀疏先验(Multiple Sparse Prior model,MSP)以及动态统计参数成像(dynamic Statistical Parametric Mapping, dSPM)等。LORETA和MSP采用了解剖上的空间邻接关系作为先验，这两种方法中临近的区域被认为有相似的神经活动。dSPM则采用功能磁共振的激活信息作为先验。专利申请人于2011年前后国际上首次提出采用功能磁共振的连通信息作为先验的做法网络源成像(Network-basedsource imaging, NES0I) [Lei X, Xu P, Luo C, Zhao J, Zhou D, Yao D (2011) fMRIFunctional Networks for EEG Source Imaging. Human Brain Mapping32 :1141-1160.]。该方法根据脑区的功能磁共振是否有时间相关性，将脑区划分为大的模块，作为脑电源定位的先验。这些功能网络与空间邻接信息(L0RETA采用)或功能激活信息(dSPM采用)不同，它们往往覆盖了空间上相隔很远的多个脑区。本方法是在网络源成像的基础上，将功能连接信息具体化和规范化，使用数个静息态脑网络作为先验对事件相关电位进行源成像。
发明内容
本发明的目的是提供一种引入静息态脑网络信息，更准确的定位事件相关电位的产生源的事件相关电位源定位方法。本发明解决所述技术问题采用的技术方案是，通过贝叶斯理论，使用数个已知的静息态脑网络的空间分布信息和头表电位分布信息，得到每个网络对头表电位的贡献强度，求出事件相关电位的源分布。包括以下步骤(a)、事件相关电位提取，按刺激或反应对单试次的脑电进行叠加平均，得到待源定位的事件相关电位数据，用Y表示，Y为m行I列的向量，m表示电极个数；(b)、假设0为待求解的源的电位强度，为n行I列的向量，n为解空间的大小，即大脑皮层分布的偶极子个数。对0的每一项Qi，都有一个对应的范围在I到116之间的国际自动解剖标记号(Automated anatomical labeling, AAL[Tzourio-Mazoyer N,Landeau B, Papathanassiou D, Crivello F, Etard 0, Delcroix N, Mazoyer B, JoliotM(2002) !Automated anatomical labeling of activations in SPM using a macroscopicanatomical parcellation of the MNI MRI single-subject brain. Neuroimage 15:273-289.]),解剖标记号的划定是Tzourio-Mazoyer等人通过对一个具有解剖代表性的健康受试者进行多次MRI扫描Tl加权像进行空间平均化之后做出的。他们将脑沟描绘出，据此做为分界标志在脑的两个半球各划分45个区域，由此给90个区域分别人为指定了一个 标记号。标记号相同的脑区构成了一个功能模块，在认知活动中发挥相似的功能。通过对39例受试者的静息态功能磁共振数据的独立成分分解，可得到相似时间序列波形的K个皮层网络。K个网络实际覆盖了源空间的绝大部分区域，根据AAL和K个皮层网络重合的大小，AAL相同的脑区被唯一的划分到K个网络之一。建议的K取值为9，该值是根据smith等(2009)研究发现的10个静息态脑网络除去I个小脑网络(不在源定位的解空间上)后的结果，即视觉网络中部、视觉网络侧部、视觉网络腹侧、默认模式网络、运动感觉皮层网络、听觉网络、决策网络、偏左侧的额顶叶网络、偏右侧的额顶叶网络。我们根据39例静息态功能磁共振数据构造了 9个网络对应的AAL标记表，即所谓的静息态标准网络，AAL和静息态标准网络对应关系如下 表IAAL和静息态标准网络对应关系
权利要求
1.一种事件相关电位源定位方法，其特征在于所述方法包括以下步骤 (a)、事件相关电位提取，按刺激或反应对单试次的脑电进行叠加平均，得到待源定位的事件相关电位数据，用Y表示，含m行I列，m为电极个数； (b)、假设0为待求解的源的电位强度，每一项对应皮层上的一个位置，有n行I列，根据每项对应位置的国际自动解剖标记号(Automated anatomical labeling)将0分为k类，分别对应k个磁共振静息态标准网络，同一类的源的激活强度相近，不同类源的激活强度不同，其中k为自然数； (C)、按照静息态标准网络，构建0的先验分布，即0满足均值为0(n行I列的全零向k+l量)，协方差为C (n行n列)的正态分布；C是协方差矩阵Vi的加权和C = YjYi K，其中 i=\Y i为协方差矩阵的强度参数，Vi (I ^k)根据第i个静息态标准网络确定，大脑皮层中不被前面k个静息态标准网络覆盖的区域构成第k+l个协方差矩阵； (d)、利用约束最大化似然算法(restrictedmaximum likelihood, ReML)计算每个网络的强度参数Yi,头表记录噪声的协方差强度a ;
2.如权利要求I所述的事件相关电位源定位方法，其特征在于所述k的值为9。
全文摘要
本发明公开了一种事件相关电位源定位方法，包括以下步骤事件相关电位提取，按刺激或反应对单试次的脑电进行叠加平均，得到待源定位的事件相关电位数据；假设θ为待求解的源的电位强度，每一项对应皮层上的一个位置，根据每项对应位置的国际自动解剖标记号将θ分为k类，分别对应k个磁共振静息态标准网络，按照静息态标准网络，构建θ的先验分布；计算每个网络的强度参数γi，头表记录噪声的协方差强度α；根据以上得到的α，得出皮层的源分布θ＝α(αLTL+C-1)-1LTY。本发明利用了功能磁共振的静息态脑网络的空间分布作为先验信息，成像结果有效整合了脑电的高时间分辨率和功能磁共振的高空间分辨率。
文档编号A61B5/0476GK102743166SQ20121028289
公开日2012年10月24日 申请日期2012年8月9日 优先权日2012年8月9日
发明者赵治瀛, 雷旭 申请人:西南大学