一种脑源活动高分辨率重构系统及方法

1.本发明属于脑电磁信号处理及脑成像技术领域，更具体地，涉及一种脑源活动高分辨率重构系统及方法。


背景技术：

2.大脑作为神经系统最高级的部分，是感知、记忆、学习、行为等活动过程的核心，也是探究机体病变的窗口。脑成像能实现对脑功能的定位和评价，是非侵入式探究大脑活动的重要方法，对于探究脑内功能区的定位、病灶的定位等有重要价值，在大脑的研究和临床中有着广泛的应用。
3.脑成像的核心是脑源成像逆问题，即通过处理分析测量仪器输出的脑电磁信号来反演脑内神经元活动信息。然而在现有的层析技术(tomographic techniques)求解逆向问题方法中，成像鲁棒性和运算效率在复杂情景下仍有不足。现有技术对于如何实现信噪比低的高空间分辨率成像已有一定研究，但是如何在信噪比低、脑源相关度高的情况下，以高效的运算速度来实现高空间分辨率下多个脑源的成像仍是一个充满挑战的课题。


技术实现要素：

4.针对现有技术的至少一个缺陷或改进需求，本发明提供了一种脑源活动高分辨率重构系统及方法，基于稀疏贝叶斯估计和波束形成器成像，在信噪比低、脑源数量多、相关度高的情况下有着高分辨率的脑源活动成像效果，并且具有鲁棒性和高效性。
5.为实现上述目的，按照本发明的第一方面，提供了一种脑源活动高分辨率重构系统，包括：
6.数据采集模块，用于获取脑电采样数据、高分辨率导联场矩阵和低分辨率导联场矩阵；
7.估计模块，用于基于低分辨率导联场矩阵构建采样数据生成模型，将采样数据生成模型转换为采样数据生成概率模型，根据脑电采样数据确定采样数据生成概率模型的先验分布，采用稀疏贝叶斯方法对采样数据生成概率模型求解，获得采样数据的协方差矩阵；
8.重构模块，用于根据采样数据的协方差矩阵和高分辨率导联场矩阵计算波束形成器的权重矩阵，根据波束形成器的权重矩阵输出脑源活动重建序列。
9.进一步地，基于脑结构信息和采样传感器信息确定低分辨率导联场矩阵和高分辨率导联场矩阵。
10.进一步地，采样数据生成模型包括：
[0011][0012]
y(t)为时刻t的采样数据，k为低分辨率下体素的个数，fk为低分辨率下第k个体素的导联场矩阵，xk(t)为低分辨率下第k个体素在时间t的大脑活动，ε(t)为时刻t的采样噪声。
[0013]
进一步地，所述估计模块包括：
[0014]
模型构建模块，用于基于低分辨率导联场矩阵构建采样数据生成模型，将采样数据生成模型转换为采样数据生成概率模型，根据脑电采样数据确定采样数据生成概率模型的先验分布，采样数据生成概率模型中包括体素脑源活动方差的超参数和采样噪声方差的超参数；
[0015]
超参数估计模块，用于采用稀疏贝叶斯方法对采样数据生成概率模型求解，计算确定体素脑源活动方差的超参数和采样噪声方差的超参数；
[0016]
协方差矩阵估计模块，用于根据计算确定的体素脑源活动方差的超参数和采样噪声方差的超参数，计算得到采样数据的协方差矩阵。
[0017]
进一步地，计算确定体素脑源活动方差的超参数和采样噪声方差的超参数包括步骤：
[0018]
构建求解体素脑源活动方差的超参数和采样噪声方差的超参数的代价函数；
[0019]
设置代价函数的凸边界，对代价函数进行求解，计算确定体素脑源活动方差的超参数和采样噪声方差的超参数。
[0020]
进一步地，重构模块包括：
[0021]
权重矩阵求解模块，用于采样数据的协方差矩阵和高分辨率导联场矩阵计算获得计算波束形成器的多组权重矩阵，通过线性约束最小方差波束形成器，从多组权重矩阵选出最优权重矩阵；
[0022]
输出模块，用于根据波束形成器的最优权重矩阵输出脑源活动重建序列。
[0023]
按照本发明的第二方面，提供了一种脑源活动高分辨率重构方法，包括步骤：
[0024]
s1，获取脑电采样数据、高分辨率导联场矩阵和低分辨率导联场矩阵；
[0025]
s2，基于低分辨率导联场矩阵构建采样数据生成模型，将采样数据生成模型转换为采样数据生成概率模型，根据脑电采样数据确定采样数据生成概率模型的先验分布，采用稀疏贝叶斯方法对采样数据生成概率模型求解，获得采样数据的协方差矩阵；
[0026]
s3，根据采样数据的协方差矩阵和高分辨率导联场矩阵计算波束形成器的权重矩阵，根据波束形成器的权重矩阵输出脑源活动重建序列。
[0027]
进一步地，基于脑结构信息和采样传感器信息确定低分辨率导联场矩阵和高分辨率导联场矩阵。
[0028]
进一步地，采样数据生成模型为：
[0029][0030]
y(t)为时刻t的采样数据，k为低分辨率下体素的个数，fk为低分辨率下第k个体素的导联场矩阵，xk(t)为低分辨率下第k个体素在时间t的大脑活动，ε(t)为时刻t的采样噪声。
[0031]
进一步地，所述s2包括步骤：
[0032]
基于低分辨率导联场矩阵构建采样数据生成模型，将采样数据生成模型转换为采样数据生成概率模型，根据脑电采样数据确定采样数据生成概率模型的先验分布，采样数据生成概率模型中包括体素脑源活动方差的超参数和采样噪声方差的超参数；
[0033]
采用稀疏贝叶斯方法对采样数据生成概率模型求解，计算确定体素脑源活动方差
的超参数和采样噪声方差的超参数；
[0034]
根据计算确定的体素脑源活动方差的超参数和采样噪声方差的超参数，计算得到采样数据的协方差矩阵。
[0035]
总体而言，本发明与现有技术相比，具有有益效果：
[0036]
(1)本发明基于稀疏贝叶斯学习方法，在低分辨率导联场矩阵完成对采样数据的协方差的精准估计，在高分辨率导联场矩阵下结合协方差矩阵有效确定波束形成器的权重矩阵来完成脑成像，在信噪比低、脑源数量多、相关度高的情况下有着高分辨率的脑源活动成像效果。
[0037]
(2)在仿真数据和真实数据的运算结果显示，该算法在测量信号信噪比低、脑源数量多、脑源相关度高的情况下相对其他算法效果稳定，并且该稀疏贝叶斯学习方法不需要额外已知的先验信息，算法具有鲁棒性，有良好的成像效果。
[0038]
(3)在该方法下，每个体素的测量是独立的，因此能并行计算，在实际运算中，能通过多核cpu处理，因此相比传统波束形成器的运算时间大幅减少。
附图说明
[0039]
图1是本发明实施例的脑源活动高分辨率重构系统的模块示意图；
[0040]
图2是本发明实施例的脑源活动高分辨率重构系统的原理示意图。
具体实施方式
[0041]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0042]
如图1所示，本发明实施例的一种脑源活动高分辨率重构系统，包括数据采集模块、估计模块和脑源活动高分辨率重构模块。
[0043]
脑源活动高分辨率重构系统的实现原理如图2所示。
[0044]
(1)数据采集模块用于获取脑电采样数据、高分辨率导联场矩阵和低分辨率导联场矩阵。
[0045]
将t时刻的脑电采样数据记为y(t)，y(t)可以是已经经过预处理后的脑电采样数据。
[0046]
高分辨率导联场矩阵是基于高分辨率分割人脑mri图像，通过脑成像正问题模型求解体素源活动与采样数据之间的关联矩阵。
[0047]
低分辨率导联场矩阵是基于低分辨率分割人脑mri图像，通过脑成像正问题模型求解体素源活动与采样数据之间的关联矩阵。
[0048]
高分辨率导联场矩阵和低分辨率导联场矩阵是基于脑结构信息、采样传感器信息确定的。
[0049]
将高分辨率导联场矩阵记为l＝[l1,
…
,ln]，n表示高分辨率下体素的个数,ln是高分辨率下第n个体素的导联场矩阵，将低分辨率导联场矩阵f＝[f1,
……
,fk]，k是低分辨率下体素的个数，fk是低分辨率下第k个体素的导联场矩阵。
[0050]
(2)估计模块用于基于低分辨率导联场矩阵构建采样数据生成模型，将采样数据生成模型转换为采样数据生成概率模型，根据脑电采样数据确定采样数据生成概率模型的先验分布，采用稀疏贝叶斯方法对采样数据生成概率模型求解，获得采样数据的协方差矩阵。
[0051]
进一步地，估计模块包括模型构建模块、超参数估计模块和协方差矩阵估计模块。
[0052]
(2.1)模型构建模块首先基于低分辨率导联场矩阵构建采样数据生成模型，其次将采样数据生成模型转换为采样数据生成概率模型，根据脑电采样数据确定采样数据生成概率模型的先验分布，采样数据生成概率模型中包括体素脑源活动方差的超参数和采样噪声方差的超参数。
[0053]
基于低分辨率导联场矩阵的采样数据概率生成模型构建：
[0054]
采样数据生成模型描述如下，
[0055][0056]
y(t)为时刻t的采样数据，xk(t)为低分辨率下第k个体素在时间t的大脑活动，fk为低分辨率下第k个体素的导联场矩阵，f为上述的低分辨率导联场矩阵，ε(t)为时刻t的噪声，x(t)为时刻t的脑源活动。
[0057]
稀疏贝叶斯学习方法中，x(t)处条件概率为：
[0058]
p(y(t)|x(t))＝n(y(t)|fx(t),λ)
[0059]
上面公式中，p(y(t)|x(t))表示在x(t)已知情况下，y(t)的概率分布函数，λ＝diag[λ1,λ2,
…
,λm]是噪声ε(t)协方差的对角矩阵，n(y(t)|fx(t),λ)表示p(y(t)|x(t))的条件分布。
[0060]
x(t)处先验分布为：
[0061][0062]
上面公式中，p(x(t))表示x(t)的先验概率分布，是第k个体素活动的先验方差，表示所有体素的联合概率分布。
[0063]
上述采样数据生成模型和概率模型构成了采样数据概率生成模型。
[0064]
(2.2)超参数估计模块用于采用稀疏贝叶斯方法对采样数据生成概率模型求解，计算确定体素脑源活动方差的超参数和采样噪声方差的超参数。具体包括步骤：构建求解体素脑源活动方差的超参数和采样噪声方差的超参数的代价函数；设置代价函数的凸边界，对代价函数进行求解，计算确定体素脑源活动方差的超参数和采样噪声方差的超参数。
[0065]
估计稀疏贝叶斯学习中的超参数。通过最大化边缘似然函数得到体素方差的超参数和噪声协方差：
[0066][0067]
上面公式中，y＝[y(1),y(2),
…
,y(t)]为脑采样数据，t为采样点数，α＝diag[α1,α2,
…
,αk]为x的先验方差，其表示对角矩阵，对角元素为[α1,α2,
…
,αk]，p(y|α,λ)表示采样数据y的边缘分布。
[0068]
σy是协方差矩阵，最小化的代价函数为：
[0069][0070]
trace[a]表示矩阵a的对角元素相加，表示构建的代价函数。
[0071]
凸边界限制进行的代价函数：
[0072][0073][0074]
其中，z和q是辅助参数,z0和q0是标量，为期望，为求解超参数α的代价函数，为求解噪声方差λ的代价函数。对于第k个体素方差和第m个传感器噪声方差的凸边界更新规则是通过设置和为0：
[0075][0076][0077]
表示是αk的估计值，表示λm的估计值。
[0078]
参数的更新方法：
[0079][0080][0081][0082]
tr为trace的缩写，表示矩阵的对角求和，表示参数zk的估计值，表示qk的估计值。
[0083]
(2.3)协方差矩阵估计模块用于根据计算确定的体素脑源活动方差的超参数和采样噪声方差的超参数，计算得到采样数据的协方差矩阵。
[0084]
代价函数收敛后，可得协方差矩阵如下
[0085]
σy＝λ+fαf
t
[0086]
计算出参数α,λ，将其带入求得σy。
[0087]
(3)重构模块用于根据协方差矩阵和高分辨率导联场矩阵计算波束形成器的权重矩阵，根据波束形成器的权重矩阵输出脑源活动重建序列。
[0088]
进一步地，重构模块包括权重矩阵求解模块和输出模块。
[0089]
(3.1)权重矩阵求解模块，用于采样数据的协方差矩阵和高分辨率导联场矩阵计算获得计算波束形成器的多组权重矩阵，通过线性约束最小方差波束形成器，从多组权重矩阵选出最优权重矩阵。
[0090]
用σy替换r
yy
计算出最优的权重矩阵wn，通过线性约束最小方差波束形成器，从多组权重矩阵选出最优权重矩阵。通过前向模型求解得到高分辨率的导联场矩阵ln，线性约束最小方差的优化为：
[0091][0092][0093]
上面公式中，表示待求解的权重矩阵wn的估计值。
[0094]
(3.2)输出模块，用于根据波束形成器的最优权重矩阵输出脑源活动重建序列。
[0095]
该波束形成器在时间t对于脑源的重建为：
[0096][0097]
上面公式中，表示高分辨率脑成像估计值。
[0098]
本发明与现有技术相比，具有有益效果：
[0099]
(1)本发明基于稀疏贝叶斯学习方法，在低分辨率导联场矩阵完成对采样数据的协方差的精准估计，在高分辨率导联场矩阵下结合协方差矩阵有效确定波束形成器的权重矩阵来完成脑成像。该方法能对低信噪比采样数据进行精确的协方差估计，且将多个源活动的相关性信息从协方差矩阵估计中去除，故其能在低信噪比、脑源数量多、相关度高的情况下有着高分辨率的脑源活动成像效果。
[0100]
(2)在仿真数据和真实数据的运算结果显示，该算法在测量信号信噪比低、脑源数量多、脑源相关度高的情况下相对其他算法效果稳定，并且该稀疏贝叶斯学习方法不需要额外已知的先验信息，算法具有鲁棒性，有良好的成像效果。
[0101]
(3)在该方法下，每个体素的测量是独立的，因此能并行计算，在实际运算中，能通过多核cpu处理，因此相比传统波束形成器的运算时间大幅减少。
[0102]
应用上述系统得到的脑成像图，在仿真数据和真实数据上都有很好的效果，在测量信号信噪比低的情况下，测量相关系数也能达到0.8以上，而同类系统仅在0.5左右；在脑源相关度达0.25及以上时，测量相关系数能保持在0.8以上，而同类系统的测量准确度呈现骤减趋势。该系统相对其他同类系统在信噪比低、脑源相关度高情况下效果稳定。同时，该系统的运算速度也有显著优越性
[0103]
本发明实施例的一种脑源活动高分辨率重构方法，包括步骤：
[0104]
s1，获取脑电采样数据、高分辨率导联场矩阵和低分辨率导联场矩阵；
[0105]
s2，基于低分辨率导联场矩阵构建采样数据生成模型，将采样数据生成模型转换为采样数据生成概率模型，根据脑电采样数据确定采样数据生成概率模型的先验分布，采
用稀疏贝叶斯方法对采样数据生成概率模型求解，获得采样数据的协方差矩阵；
[0106]
s3，根据采样数据的协方差矩阵和高分辨率导联场矩阵计算波束形成器的权重矩阵，根据波束形成器的权重矩阵输出脑源活动重建序列。
[0107]
进一步地，基于脑结构信息和采样传感器信息确定低分辨率导联场矩阵和高分辨率导联场矩阵。
[0108]
进一步地，采样数据生成模型为：
[0109][0110]
y(t)为时刻t的采样数据，k为低分辨率下体素的个数，fk为低分辨率下第k个体素的导联场矩阵，xk(t)为低分辨率下第k个体素在时间t的大脑活动，ε(t)为时刻t的采样噪声。
[0111]
进一步地，所述s2包括步骤：
[0112]
基于低分辨率导联场矩阵构建采样数据生成模型，将采样数据生成模型转换为采样数据生成概率模型，根据脑电采样数据确定采样数据生成概率模型的先验分布，采样数据生成概率模型中包括体素脑源活动方差的超参数和采样噪声方差的超参数；
[0113]
采用稀疏贝叶斯方法对采样数据生成概率模型求解，计算确定体素脑源活动方差的超参数和采样噪声方差的超参数；
[0114]
根据计算确定的体素脑源活动方差的超参数和采样噪声方差的超参数，计算得到采样数据的协方差矩阵。
[0115]
方法的实现原理、技术效果与上述系统类似，此处不再赘述。
[0116]
必须说明的是，上述任一实施例中，方法并不必然按照序号顺序依次执行，只要从执行逻辑中不能推定必然按某一顺序执行，则意味着可以以其他任何可能的顺序执行。
[0117]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。