CN106355189B - 基于灰建模的EEG-fMRI融合方法 - Google Patents

Abstract

本发明提出了一种基于灰建模的EEG‑fMRI的融合方法，其步骤包括：(1)对原始EEG进行降采样及溯源，以便于对EEG和fMRI数据在空域和时域进行配准；(2)对EEG和fMRI数据进行预处理；(3)对数据进行累加生成，为建立灰色模型做必要的准备；(4)利用GM(1，1)模型提取特征，求取相应的参数；(5)对EEG和fMRI的特征参数进行融合；(6)将融合后的特征反投影回观测域得到最终的结果。本发明通过灰建模方法可以有效地融合EEG和fMRI的特点，得到同时具有高的时间分辨率和高空间分辨率的图像。

Description

基于灰建模的EEG-fMRI融合方法

技术领域

本发明涉及信号与信息处理和神经生物学交叉领域，特别是涉及基于灰建模的脑电(electroencephalogram，EEG)和功能磁共振(functional magnetic resonanceimaging，fMRI)融合方法。它提出和设计一种将灰建模用于EEG和fMRI两种模态信息进行融合的算法。由于对EEG和fMRI进行信息提取工作时，需要一种在少数据下依然保持鲁棒的算法，而灰色系统理论正是一种对少数据进行信息提取的理论，本发明是将二者进行结合的一种方法。

背景技术

EEG和fMRI是目前两种无创的观察脑部活动的神经成像工具。EEG反映的是同步神经活动，具有和神经认知相同的时间尺度，但空间信息不足；fMRI测量的是血氧水平依赖(blood oxygen level dependent，BOLD)，其与神经元群的能量代谢消耗有关，空间分辨率高，但该信号的时间分辨率很低。

为充分利用EEG高时间分辨率和fMRI高空间分辨率的优势，对二者的信息进行融合，可以克服单模态数据在时间和空间分辨率方面的不足。目前，关于EEG/fMRI的融合主要有三种方法：

1.空间约束，即基于fMRI约束的EEG成像

该方法根据fMRI上获取的空间活动信息约束EEG的源重建。通过头皮电位分布估计神经活动的发生源问题是典型的不适定问题，可以通过研究利用利用fMRI激活图约束EEG的源位置或初始化点电荷的种子点数，同时对源的结构和体积传导建立数学模型减小解的可能性。该方法fMRI信息对结果的约束由经验值确定，可能造成信息利用不足或过度约束的问题。

2.时间预测，即基于EEG信息的fMRI分析

该方法采用EEG作为预测变量对fMRI的时间过程进行建模。基于神经血管的线性耦合假设，EEG中提取到的神经活动特征在卷积标准HRF函数后，构成了预测的BOLD信号，以在全脑的BOLD信号中找出相关的神经活动激活区域。这种方法会带来参数大量增加和统计推断方面的困难。

3.对称融合

该方法通过建立共同的生成模型或利用互信息解释两种模态的数据。一般通过采用共同的正演或生成模型来解释EEG和fMRI两种模态，然后将二者的信息量对称的加入到融合方法中，即对称融合。这种方法可以解决fMRI约束占优问题，但也带来了收敛性的问题。

针对目前EEG和fMRI信号融合方法的大数据量和信息不匹配问题，亟需发展新的融合方法，以期对EEG和fMRI这样两种在不同方向信息密度完全不同的信息进行融合。

发明内容

本发明提出了一种基于灰建模的EEG-MRI融合方法，它是采用灰建模分别提取EEG和fMRI特征，然后在进行特征叠加以获取融合结果的方法，基本方案如下：

1.对原始EEG进行降采样及溯源，以便于将EEG数据和fMRI数据在空域和时域进行配准；

2.对EEG和fMRI数据进行预处理，EEG的预处理是指将EEG源的数值标准化；fMRI的预处理包含时间重排列及与结构磁共振成像(structural Magnetic Resonance imaging，sMRI)的配准；

3.将原始数据进行累加生成，为下一步建立灰色模型做预处理：

设X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，...，x⁽⁰⁾(n))，其一次累加生成序列(AccumulatedGenerating Operation，AGO)为X⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，...，x⁽¹⁾(n))，即二者满足关系：

式中，X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，...，x⁽⁰⁾(n))为EEG或fMRI信号的时间序列。

4.利用GM(1，1)模型提取特征，求取相应的参数：发展系数a和灰作用量b

5.分别将提取出来的EEG和fMRI特征进行融合；由于EEG和fMRI根据GM(1，1)提取出的特征进行融合，而非对原始图像进行融合，且经过溯源的EEG和fMRI数据量纲并不统一，无法利用常用的图像融合方法进行融合。本技术采用平均值的数学运算进行特征叠加。发展系数a反映了数据的发展趋势，灰作用量b反映了数据的变化关系。根据公式(2)和(3)可以看出，指数部分的解影响较大，为了减小解的震荡，故对发展系数a求均方根；b代表数据的整体偏离程度，故对灰作用量b求算术平均，从而获得融合结果的参数a_fusion和b_fusion：

式中，a_EEG和a_fMRI分别表示EEG和fMRI信号的发展系数，b_EEG和b_EEG分别表示EEG和fMRI信号的灰作用量。a_fusion和b_fusion分别表示融合后的发展系数和灰作用量。

6.将融合后的特征反投影回观测域以得到最终的融合结果。

本发明的有益效果是，在最后EEG和fMRI融合过程中，由于采用灰建模的方法提取少数据量的特征，并反投影到空域可以达到高时间分辨率；通过将基于灰建模的EEG/fMRI两模态信息融合方法和单模态信息的时、空分辨率进行对比，本发明获得了更好的时间和空间分辨率。

附图说明

图1基于灰建模的融合流程

图2整体融合方案流程图

图3本方案的融合结果(被试为68岁女性)

图4横断面各层的融合结果((a)101；(b)115；(c)122；(d)136分别表示切片层数，被试为68岁女性)

具体实施方式

下面结合附图，对本发明的具体实施方式作详细说明。

本发明提出的融合方法法流程如图1所示，下面结合附图，对本发明的具体实施方式作详细说明。

1.同时采集EEG和fMRI信号并对EEG信号进行源定位，得到EEG的源分布。

2.对EEG信号和fMRI信号在时间-空间域进行配准：

包括对EEG源的数值标准化和对fMRI数据的时间重排列，实现以EEG序列为标准的时间配准，以及将fMRI数据与sMRI数据进行配准，实现fMRI约束下的空间对准。

3.对原始数据进行累加生成，构成累加生成序列。

这是为灰建模进行必要的准备，具体过程如下：

设X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，...，x⁽⁰⁾(n))，其一次累加生成序列(AccumulatedGenerating Operation，AGO)为X⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，...，x⁽¹⁾(n))，即二者满足关系：

其中，X⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，...，x⁽⁰⁾(n))为EEG或fMRI信号的时间序列。X⁽¹⁾为时间序列的1阶累加生成序列。

4.构建灰色模型GM(1，1)，将称为GM(1，1)模型。

该模型的最小二乘估计参数满足其中：

将(5)代入(2)可解得

将(7)和(8)代入(2)(3)，即可解出发展系数a和灰作用量b。

5.特征参数提取和融合：

发展系数a反映了数据的发展趋势，灰作用量b反映了数据的变化关系。由公式(3)可以看出，指数部分的解影响较大，有时会引起震荡，为了减小这一影响，分别对EEG信号和fMRI进行GM(1，1)模型特征提取，并对特征参数按照(4)(5)进行融合，获取融合后的特征参数。

式中，a_EEG和a_fMRI分别表示EEG和fMRI信号的发展系数，b_EEG和b_EEG分别表示EEG和fMRI信号的灰作用量。a_fusion和b_fusion分别表示融合后的发展系数和灰作用量。

6.反投影：

最后将融合后的特征参数依据(11)反投影回观测域获得最后的融合结果。

把叠加后的特征反投影回空域得到融合结果。实验结果画出t＝24s时刻的数据，如图3所示，其中暖色代表强激活神经元，冷色代表弱激活神经元。然后将融合强度以伪彩色表示，并将它加入sMRI灰度信息，在sMRI空间分析融合结果，如图4所示，在人脑枕区部有较强的激活源，这与静息态人脑枕区会出现较强alpha节律的先验信息相吻合。

本发明的应用实例中采用点电荷数为1962，间距为7mm，头表EEG电极个数为61个。为了保证可靠的电磁计算精度，EEG的溯源计算是相当费时的，因此在此算例中，引导场矩阵计算采用了优化算法，降低了占用计算机的时间。在最后的EEG/fMRI融合过程中，由于本发明采用了灰建模方法，只需提取少数据量的特征，并反投影到空域同时达到高的时间-空间分辨率的方法，在提高了融合精度的同时，也节约了计算时间。在算例中，计算耗时约为0.28s。被试处于静息态的实验范式下，期望得到在枕区较强的激活源。本方案的融合结果与期望结果吻合，证实了本方案的有效性，并充分利用了EEG和fMRI在时空分辨率方面的互补优势。实验结果表1表示。

表1 EEG/fMRI融合结果与单模态的时空分辨率对比

Claims (1)

1.基于灰建模的EEG-fMRI融合方法，包括如下步骤：

(1)对原始EEG进行降采样及溯源，对EEG和fMRI数据进行预处理，为融合做准备，EEG的预处理是指将EEG源的数值标准化；fMRI的预处理包含时间重排列及与sMRI的配准；

(2)将原始数据进行累加生成，为下一步建立灰色模型做预处理；

(3)利用灰色理论的GM(1，1)模型提取特征，求取相应的参数：发展系数a和灰作用量b

(4)分别将提取出来的EEG和fMRI特征进行融合；由于EEG和fMRI根据GM(1，1)提取出的特征进行融合，而非对原始图像进行融合，且经过溯源的EEG和fMRI数据量纲并不统一，无法利用常用的图像融合方法进行融合，该融合方法采用平均值的数学运算进行特征叠加，发展系数a反映了数据的发展趋势，灰作用量b反映了数据的变化关系，根据公式(1)和(2)可以看出，指数部分的解影响较大，为了减小解的震荡，故对发展系数a求均方根；b代表数据的整体偏离程度，故对灰作用量b求算术平均，从而获得融合结果的参数a_fusion和b_fusion：

(5)将融合后的特征反投影回观测域以得到最终的融合结果，该结果满足EEG和fMRI在信息提取时要求少数据保持鲁棒性的性能。