CN106539582A - 脑功能成像辨识的方法及系统 - Google Patents
脑功能成像辨识的方法及系统 Download PDFInfo
- Publication number
- CN106539582A CN106539582A CN201510593424.8A CN201510593424A CN106539582A CN 106539582 A CN106539582 A CN 106539582A CN 201510593424 A CN201510593424 A CN 201510593424A CN 106539582 A CN106539582 A CN 106539582A
- Authority
- CN
- China
- Prior art keywords
- amplitude
- brain
- frequency
- intrinsic mode
- mode function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明提供脑功能成像辨识方法,系重复选取脑波数据,利用模态分解方法,取得固有模态函数;以讯号源重建方法将相同频率尺度的固有模态函数轉換至讯号源空間,取得对应脑部位置的源固有模态函数;将於相同频率尺度的源固有模态函数依照脑部位置,整理于对应不同频率尺度的频率区间;重复选取源固有模态函数取绝对值,由通过绝对值端点产生一振幅包络线,利用模态分解方法,取得振幅包络线的源一阶振幅固有模态函数;将相同振幅频率尺度的源一阶振幅固有模态函数依照脑部位置,整理于对应不同振幅频率尺度的振幅频率区间,产生全脑振幅调变频谱。
Description
技术领域
本发明涉及一种脑功能成像辨识的方法及系统,特别是藉由一整合全息希尔伯特频谱分析(Holo-Hilbert Spectral Analysis,HHSA),以及一讯号源重建方法予以产生全脑振幅调变频谱的方法及系统。
背景技术
功能性3D脑造影技术,例如:功能性磁振造影(fMRI)、红外光谱光学检测(NIRS)以及正子断层造影(PET)等,虽为高空间分辨率的脑造影技术,但这些技术受到其时间分辨率的限制,以至于不能完整地提供脑活动的动态影像;另一方面,脑部电位或磁场的2D脑影像技术侦测,例如:脑电图(EEG)或脑磁图(MEG),虽可提供了高时间分辨率,适合用来探讨脑神经活动的动态特征,但尚有空间分辨率表现不佳的问题;故此,习知技术研究为能厘清多脑部区域的同步作用与相互关系,系藉由波束成形(Beamformer)最小范数估计解(minimum norm estimation,MNE),精确低解析度造影(eLORETA),多样稀疏事前(multiple sparse priors)结合频率分析技术(例如,带通滤波器(Band-pass filter),快速傅立叶变换(Fast-Fourier Transform),小波变换(Wavelet Transform))来估算3D的振动讯号源,然而,受限于传统数学式的缺陷,如以傅立叶变换为基础的带通滤波以及频谱分析,这些技术仅能解析讯号中的线性现象,而刻意忽视其非线性特征,对于脑部疾病或精神疾病的诊断,无法由脑波讯号的辨识提供完整地评估要素。
发明内容
本发明的目的是提供一种脑功能成像辨识的方法及系统,特别是一种透过导入全息希尔伯特频谱分析,将多个脑波讯号转换为3D(幅频、振频、时间)频谱,并透过相同时间相度组合复数个脑波侦测点的分布位置,从而量化不同脑部区域的同步作用与相互关系;于此,本发明得取代习知的脑部辨识技术,于脑部疾病或精神疾病的诊断上,提供更完整地评估要素。
本发明所提供的一种脑功能成像辨识的方法包括:取得复数个脑波数据,其中,该复数个脑波数据为由一待测者头部表面,撷取脑部复数个不同位置之脑电波讯号或脑磁波讯号;选取其一该脑波数据,利用一模态分解方法,取得复数个固有模态函数(IMFs),其中,该复数个固有模态函数显示该脑波数据于不同频率尺度的振动随时间的变化;重复选取另一该脑波数据,利用该模态分解方法,取得该复数个固有模态函数,直到所有脑波数据均取得该复数个固有模态函数;再者,将相同频率尺度的该复数个固有模态函数依照脑部不同位置整理于一频率区间,取得该复数个对应不同频率尺度的频率区间。
后以一讯号源重建方法将於头部表面不同位置,但相同频率尺度的该复数个固有模态函数,转换至一讯号源空间(source space),取得复数个对应脑部不同位置的源固有模态函数(source IMF),直到所有固有模态函数都转换为源固有模态函数;选取其一该源固有模态函数取绝对值,由通过绝对值的所有端点产生一振幅包络线,再利用该模态分解方法,取得该振幅包络线的复数个源一阶振幅固有模态函数(source first-layer amplitude IMF),其中,该复数个源一阶振幅固有模态函数为该振幅包络线于不同振幅频率尺度的数值当量随时间的变化数值;选取另一该源固有模态函数重复执行上一个步骤,直到所有源固有模态函数均取得该复数个源一阶振幅固有模态函数;将於相同振幅频率尺度的该复数个源一阶振幅固有模态函数依照脑部不同位置整理于一振幅频率区间,取得该复数个对应不同振幅频率尺度的振幅频率区间。
将该复数频率区间对应于相同时间的该复数个振幅频率区间,产生一全脑振幅调变频谱,其中,该全脑振幅调变频谱为揭示该待测者脑部不同位置振幅调变功率于频率区间与振幅频率区间的相对值。
本发明所提供一种脑功能成像辨识的系统包含:一讯号接收模块、一数据处理模块、一区间选取模块以及一讯号频谱整合模块。
该讯号接收模块,取得复数个脑波数据,其中该复数个脑波数据撷取自一待测者为由一待测者头部表面,撷取脑部复数个不同位置之脑电波讯号或脑磁波讯号;该数据处理模块,耦接该讯号接收模块,选取其一该脑波数据,利用一模态分解方法,取得复数个固有模态函数,其中,该复数个固有模态函数显示该脑波数据于不同频率尺度的振动随时间的变化,直到所有脑波数据均取得该复数个固有模态函数,并以一讯号源重建方法将於相同频率尺度的该复数个固有模态函数转换至一讯号源空間,取得复数个对应脑部不同位置的源固有模态函数;进一步,选取其一该源固有模态函数取绝对值,由通过绝对值的所有端点产生一振幅包络线,再利用该模态分解方法,取得该振幅包络线的复数个源一阶振幅固有模态函数,其中,该复数个源一阶振幅固有模态函数为该振幅包络线于不同振幅频率尺度的数值当量随时间的变化数值,直到所有源固有模态函数均取得该复数个源一阶振幅固有模态函数。
该区间选取模块,耦接该数据处理模块,先将於相同频率尺度的该复数个固有模态函数依照脑部不同位置整理于一频率区间,取得该复数个对应不同频率尺度的频率区间,后将相同振幅频率尺度的该复数个源一阶振幅固有模态函数依照脑部不同位置整理于一振幅频率区间,取得对应不同振幅频率尺度的振幅频率区间。
该讯号频谱整合模块,耦接该区间选取模块,将该复数个频率区间对应于相同时间的该复数个振幅频率区间,产生一全脑振幅调变频谱,其中,该全脑振幅调变频谱为揭示该待测者脑部不同位置振幅调变功率于频率区间与振幅频率区间的相对值。
藉由本发明的实施透过调幅频率调制机制与非侵入性的人类脑电波讯号(Electroencephalogram,EEG)可以得到一全脑振幅调变频谱。该全脑振幅调变频谱藉由调幅(Amplitude Modulation)与调频(Frequency Modulation)之间的关系,提供脑部功能动态信息,并同时提供该复数个动态信息的位置,因此,本发明特别是于脑部疾病或精神疾病的诊断,提供更完整地评估要素。下面结合附图及具体实施例对本发明进行详细说明。
附图说明
图1为本发明实施例的一种脑功能成像辨识的系统的方块示意图;
图2为本发明实施例的一种全头振幅调变频谱的功率和K值的相互关
系示意图;
图3本发明实施例的一种全脑振幅调变频谱和正投影视图示意图;
图4为本发明实施例的一种位置振幅调变频谱示意图;
图5为本发明另一实施例一种全脑振幅调变频谱示意图;
图6为本发明实施例的一种脑功能成像辨识方法的流程示意图;
图7为本发明实施例的一种结合视觉工作记忆范式示意图;
附图标记说明:100-脑功能成像辨识系统;110-讯号接收模块;120-数据处理模块;130-区间选取模块;140-讯号频谱整合模块;210-全头振幅调变频谱、310-全脑振幅调变频谱;320-正投影视图;410、420-位置振幅调变频谱;510-大脑的左半球;520-大脑的右半球;512、516-横向断层影像;514、518-内侧断层影像;710-研究数组;720-测试数组。
具体实施方式
让钧院贵审查委员及习于此技术人士,对本发明的功效完全了解,兹配合图示及图号,就本发明较佳的实施例说明如下:
本发明实施例中所揭露的脑功能成像辨识的实施方法可以为讯号分析系统所应用,或是应用在可以连接至讯号分析装置的计算器系统或微处理器系统中。则本发明实施例的执行步骤可以写成软件程序,软件程序可以储存于任何微处理单元辨识、解读的记录媒体,或包含有上述纪录媒体的物品及装置。不限定为任何形式,上述物品可以为硬盘、软盘、光盘、ZIP、磁光装置(MO)、IC芯片、随机存取内存(RAM),或任何熟悉此项技艺者所可使用的包含有上述纪录媒体的物品。
计算器系统可以包含显示设备、处理器、内存、输入设备及储存装置。其中,输入设备可以用以输入影像、文字、指令等数据至计算机系统。储存装置系例如为硬盘、光驱或藉由因特网连接的远程数据库,用以储存系统程序、应用程序及用户数据等,亦可以储存本发明实施例所写成的软件程序。内存系用以暂存数据或执行的程序。处理单元用以运算及处理数据等。显示设备则用以显示输出的数据。当计算器系统执行本发明实施例脑功能成像辨识的方法时,对应的程序便被加载内存,以配合处理单元执行本发明实施例的脑功能成像辨识的方法。最后,将结果显示于显示设备或储存于储存装置。
请参照第图1所示,图1为本发明实施例的一种脑功能成像辨识的系统的方块示意图。本发明的脑功能成像辨识系统100包含一讯号接收模块110、一数据处理模块120、一区间选取模块130以及一讯号频谱整合模块140,其中该数据处理模块120耦接该讯号接收模块110,该区间选取模块130耦接该数据处理模块120以及该讯号频谱整合模块140耦接该区间选取模块130。
该讯号接收模块110得一复数个脑波数据后,由该数据处理模块120解析其中一脑波数据,其中,该复数个脑波数据撷取自一待测者头部不同位置,并且取样频率(Sampling Frequency)大于64Hz,以涵盖伽玛频率(GAMMA)范围。该复数个脑波数据系为一撷取自头皮复数端点的脑电波讯号(Electroencephalography,EEG)或脑磁波讯号(Magnetoencephalography,MEG)。
该数据处理模块120先利用一模态分解法,取得该脑波数据的复数个固有模态函数(IMFs),其中,该复数个固有模态函数显示该脑波数据于不同频率尺度的振幅当量随时间的变化,直到所有脑波数据均取得该复数个固有模态函数(Intrinsic Mode Function,IMF)。本发明系利用任意一种可以取得固有模态函数的方法,例如经验模态分解法(Empirical ModeDecomposition,EMD),集合经验模态分解法(Ensemble Empirical ModeDecomposition,EEMD),或二进位遮罩经验模态分解法(Conjugate AdaptiveDyadic Masking Empirical Mode Decomposition,CADM-EMD),解析该脑波数据而取得该复数个固有模态函数,除了各种经验模态分解法与以其改良之讯号拆解方法,我们亦可由自适应滤波器(Adaptive Filtering)或基底算法(Optimal Basis Pursue)的使用所取得,本发明不以此为限制。由此,该区间选取模块130,先将於相同频率尺度的该复数个固有模态函数依照脑部不同位置整理于一频率区间,以取得对应不同频率尺度的该复数个频率区间。
再者,该数据处理模块120,利用任一讯号源重建方法,例如:波束成形(Beamformer),最小范数估计解(minimum norm estimation,MNE),精确低解析度造影(eLORETA),多样稀疏事前(multiple sparse priors),配合球体模型(spherical model),边界单元模型(BEM)或有限单元模型(FEM)所建置的二维或三維脑皮质网格,或自一模板或一核磁共振影像模型所建置的三维脑结构网域,将头部表面不同位置,但相同频率尺度的该复数个固有模态函数转换至一讯号源空間,取得对应脑部不同位置的源固有模态函数,并重复执行上一个步骤直到所有频率尺度的固有模态函数都转换为源固有模态函数。
该数据处理模块120進一步选取其一该源固有模态函数取绝对值,由通过绝对值的所有端点产生一振幅包络线,再利用该模态分解方法,取得该振幅包络线的复数个源一阶振幅固有模态函数,其中,该复数个源一阶振幅固有模态函数为该振幅包络线于不同振幅频率尺度的数值当量随时间的变化数值。该数据处理模块120选取另一源固有模态函数重复执行上一个步骤,直到所有源固有模态函数均取得该复数个源一阶振幅固有模态函数。由此,该区间选取模块130,后将相同振幅频率尺度的该复数个源一阶振幅固有模态函数依照脑部不同位置整理于一振幅频率区间,取得该复数个对应不同振幅频率尺度的振幅频率区间。
请参照图2及图3所示,图2为本发明实施例的一种全头振幅调变频谱的功率(振幅调变和频率两者维度的每个双值窗口(Dyadic Window)的边际总和)和K值的相互关系示意图,及图3为本发明实施例的一种全脑振幅调变频谱的功率和K值的相互关系示意图。
该讯号频谱整合模块140,将该复数个频率区间对应于相同时间的该复数个振幅频率区间,产生一全脑振幅调变频谱。该全脑振幅调变频谱310为揭示该待测者脑部不同位置于频率区间与振幅频率区间的相对值。
图2中每一全头振幅调变频谱均显示全息希尔伯特频谱功率和所有脑电图讯号的K值相对关系。每一个全头振幅调变频谱中每个颜色的不同深浅代表相关系数,以及白色的小圆圈表示该复数个脑电图数据的相关性具有统计显着性。图3包含显示全脑振幅调变频谱310的功率和K值的相互关系,其中,K值为振幅调变1-32Hz对应频率在8-64Hz。每一个断层影像中颜色的不同深浅代表相关系数以及其结果为一个统计结果(p<0.01为遵照该以丛集为基础的非参数置换检验)。图3更包含显示一正投影视图320(Orthographic View)提供一二元的断层摄影(dyadic tomography)可以检视更深层的脑部区域,其中,该断层摄影的正投影视图320为振幅频率4-8Hz对应频率在32-64Hz的示意图。
请参照图4所示,图4为本发明实施例的一种位置振幅调变频谱示意图。该讯号频谱整合模块140更包含选取其一该脑波位置,将该脑波位置的该复数个源固有模态函数对应于相同时间该脑波位置的源一阶振幅固有模态函数,产生一位置振幅调变频谱410、420,其中,该位置振幅调变频谱410、420为揭示该待测者脑部相同位置于该复数个源固有模态函数与该复数个源一阶振幅固有模态函数的相对值;以及选取另一该脑波位置重复执行上一个步骤,直到所有脑波位置均取得该位置的振幅调变频谱。
图4中该位置振幅调变频谱410为显示记忆力保持的时间间隔(Retention Interval)期间在左后侧顶叶(left posterior parietal cortex)试验为“击中(Hit)”的全息希尔伯特功率的平均数,其中测试者成功的检测到在测试数组的变化。再者,执行全息希尔伯特功率与K值之间的相关分析(CorrelationAnalysis),其K值为工作记忆容量的行为指针(Behavioral Index of WorkingMemory Capacity)。图4中该位置振幅调变频谱420为显示相关分析后的结果,其中,由白色轮廓包围区域表示显着的相关性(p<0.05,双尾(Two-Tailed))为依据一以丛集为基础的非参数置换检验(Cluster-Based NonparametricPermutation test)所产生的结果。
再一实施例中,该讯号频谱整合模块140更包含比较阅读该研究数组之后与阅读该测试数组之后的位置振幅调变频谱,为辨识该待测者脑部不同位置于频率区间与振幅频率区间的相对值变化;以及比较阅读该研究数组之后与阅读该测试数组后的全脑振幅调变频谱,为辨识该待测者脑部相同位置于该复数个固有模态函数与该复数个源一阶振幅固有模态函数的相对值变化。
再一实施例中,该讯号接收模块110取得复数个脑波数据后,由该数据处理模块120解析其中一脑波数据,其中,该复数个脑波数据撷取自一待测者头部32不同位置,并且取样频率为512Hz。该讯号接收模块110取得该复数个脑波数据时,该待测者先阅读一研究数组,其中,该复数个脑波数据系一撷取自头皮复数端点的脑电波讯号或脑磁波讯号。
再一实施例中,请参照图5所示,图5为本发明另一实施例一种全脑振幅调变频谱示意图。该讯号频谱整合模块140更包含记忆力保持的时间间隔期间之全脑振幅调变频谱,为辨识该待测者脑部不同位置于频率区间与振幅频率区间的相对值变化;以及比较阅读该研究数组之后与阅读该测试数组之后的全脑振幅调变频谱,为辨识该待测者脑部相同位置于该复数个源固有模态函数与该复数个源一阶振幅固有模态函数的相对值变化。本发明脑功能成像辨识的方法,提供一研究数组给待测者过目,为待取得其一全脑振幅调变频谱后,经过数秒,提供一测试数组给待测者过目,取得再一全脑振幅调变频谱,为评估相关区间表现的频率与振幅调变的量值。图5为在振幅调变1-32Hz相对于频率32-64Hz时大脑的左半球510和大脑的右半球520的横向断层影像512、516和内侧断层影像514、518,其显示专注的能量及振幅调变在伽玛频率接近海马回的区域。
如图6所示,本发明实施例所揭露的一种脑功能成像辨识方法S100,包括:在步骤S110,由该讯号接收模块110接收复数个脑波数据,其中,该复数个脑波数据撷取自一待测者脑部不同位置。该讯号接收模块110得一复数个脑波数据后,由该数据处理模块120解析其中一脑波数据,并且取样频率大于64Hz。该复数个脑波数据系为一撷取自头皮复数端点的脑电波讯号或脑磁波讯号。
在步骤S120,该数据处理模块120选取其一该脑波数据,利用一经验模态分解法,取得复数个固有模态函数(IMFs),其中,该复数个固有模态函数显示该脑波数据于不同频率尺度的振幅当量随时间的变化。
在步骤S130,该数据处理模块120,更选取另一该脑波数据,重复步骤S120,直到所有脑波数据均取得该复数个固有模态函数。在一实施例中,本发明为利用,例如经验模态分解法(EMD),集合经验模态分解法(EEMD)或二进位遮罩经验模态分解法(CADM-EMD),解析该讯号而取得该复数个固有模态函数,除了各种经验模态分解法与以其改良之讯号拆解方法,我们亦可由自适应滤波器或基底算法的使用所取得,本发明不以此为限制。
接着,进行步骤S140時,该区间选取模块130,先将相同频率尺度的该复数个固有模态函数依照脑部不同位置整理于一频率区间,取得对应不同频率尺度的该复数个频率区间,再者,将相同频率尺度的该复数个固有模态函数依照脑部不同位置整理于一频率区间,取得对应不同频率尺度的复数个频率区间。
在步骤S150,数据处理模块120利用任一讯号源重建方法,例如:波束成形(Beamformer),最小范数估计解(minimum norm estimation,MNE),精確低解析度造影(eLORETA),多样稀疏事前(multiple sparse priors),配合球体模型(spherical model),边界单元模型(BEM)或有限单元模型(FEM)所建置的二维或三维脑皮质网格,或自一模板或一核磁共振影像模型所建置的三维脑结构网域,将头部表面不同位置,但相同频率尺度的该复数个固有模态函数转换至讯号源空间,取得对应脑部不同位置的源固有模态函数,并重复执行上一个步骤,直到所有频率尺度的固有模态函数都转换为源固有模态函数。
在步骤S160,数据处理模块120选取步骤S150所得之其一源固有模态函数取绝对值,由通过绝对值的所有端点产生一振幅包络线,进一步利用该经验模态分解方法,取得该振幅包络线的复数个源一阶振幅固有模态函数。
在步骤S170,数据处理模块120更选取选取另一该源固有模态函数,重复执行步骤S160,直到所有源固有模态函数均取得该复数个源一阶振幅固有模态函数,其中,该复数个源一阶振幅固有模态函数为该振幅包络线于不同振幅频率尺度的数值当量随时间的变化数值。
接着,进行步骤S180,该区间选取模块130,将相同振幅频率尺度的该复数个源一阶振幅固有模态函数依照脑部不同位置整理于一振幅频率区间,取得对应不同振幅频率尺度的复数个振幅频率区间。
最后,在步骤S190该讯号频谱整合模块140将该复数个频率区间对应于相同时间的该复数个振幅频率区间,产生一全脑振幅调变频谱,其中,该全脑振幅调变频谱为揭示该待测者脑部不同位置于频率区间与振幅频率区间的相对值。该全脑振幅调变频谱310为揭示该待测者脑部不同位置于频率区间与振幅频率区间的相对值。
在一较佳实施例中,该复数个脑波数系自该待测者脑部该复数个不同位置中,随机或依循一特定规律擷取一部分位置之脑波资料,作为一统计系综(ensemble),例如,由一待测者脑波资料的取得,在32个头部不同位置,选取其中21个位置之脑波资料,进一步,重复撷取另一部分位置之脑波资料,实施步骤S110至S190步骤,每次脑波资料的选取与方法的实施,均取得一对应不同统计系综之全脑振幅调变频谱,后将所有全脑振幅调变频谱进行一系综平均(ensemble mean),取得一系综全脑振幅调变频谱。藉由该系综全脑振幅调变频谱取得之实施方式,可显示全脑振幅调变频谱的信心区间(confidence limits),并降低噪声对分析结果的影响,其中,该实施方法以重复撷取次数越多者,结果尤佳,但本发明并不限制其技术实施的次数。
在一较佳实施例中,该讯号频谱整合模块140更包含选取其一该脑波位置,将该脑波位置的该复数个源固有模态函数对应于相同时间该脑部位置的该复数个源一阶振幅固有模态函数,产生一位置振幅调变频谱,其中,该位置振幅调变频谱为揭示该待测者脑部相同位置于该复数个源固有模态函数与该复数个源一阶振幅固有模态函数的相对值;接着,该讯号频谱整合模块140选取另一该脑波位置重复执行上一个步骤,直到所有脑波位置均取得该位置振幅调变频谱。
在一较佳实施例中,如图7所示,图7为本发明实施例的一种结合视觉工作记忆范式(The Binding Visual Working Memory Paradigm)示意图,本发明首先要求该待测者阅读熟记該结合视觉工作记忆范式700中该研究数组710,经过一短暂记忆力保持的时间间隔,要求待测者指出研究数组710与测试数组720之间的改变。在这种色形结合视觉工作记忆(Color-ShapeBinding Visual Working Memory)任务中该待测者需要判断形状和颜色两者之间对应的改变。
本发明的方法可以进一步包含,在取得复数个脑波数据时,该待测者先阅读一研究数组710。接着,该待测者再阅读一测试数组720,重复步骤S110至S190,其步骤如下:首先,取得复数个脑波数据,系撷取自一待测者脑部复数个不同位置;接着,选取其一该脑波数据,利用一模态分解方法,取得复数个固有模态函数,直到所有脑波数据均取得该复数个固有模态函数,其中,该复数个固有模态函数显示该脑波数据于不同频率尺度的振幅当量随时间的变化;将相同频率尺度的该复数个固有模态函数依照脑部不同位置整理于一频率区间,取得对应不同频率尺度的该复数个频率区间。
接下来,系以一讯号源重建方法将於相同频率尺度的该复数个固有模态函数转换至一讯号源空间,取得复数个对应脑部不同位置的源固有模态函数,将所有频率尺度的固有模态函数都转换为源固有模态函数;再者,选取其一该源固有模态函数取绝对值,由通过绝对值的所有端点产生一振幅包络线,再利用该模态分解方法,取得该振幅包络线的复数个源一阶振幅固有模态函数,其中,该复数个源一阶振幅固有模态函数为该振幅包络线于不同振幅频率尺度的数值当量随时间的变化数值,直到所有源固有模态函数均取得该复数个源一阶振幅固有模态函数;将相同振幅频率尺度的该复数个源一阶振幅固有模态函数依照脑部不同位置整理于一振幅频率区间,取得对应不同振幅频率尺度的复数个振幅频率区间。
最后,产生一全脑振幅调变频谱,其中,该全脑振幅调变频谱为揭示该待测者脑部不同位置于频率区间与振幅频率区间的相对值,取得阅读该测试数组后的全脑振幅调变频谱。
再一实施例中,比较阅读该研究数组之后与阅读该测试数组之后的位置振幅调变频谱,藉此辨识该待测者脑部不同位置于频率区间与振幅频率区间的相对值变化;最后,比较阅读该研究数组之后与阅读该测试数组之后的全脑振幅调变频谱,系辨识该待测者脑部相同位置于该复数个源固有模态函数与该复数个源一阶振幅固有模态函数的相对值变化。
本发明提供一种脑功能成像辨识的方法及系统将2D脑电波及脑磁波的脑波影像转换为3D+3D脑影像,亦即空间X,Y及Z以及调幅,调频及时间所产生的脑影像(或藉由时间相度的边际和取得空间X,Y及Z以及调幅,调频3D+2D脑影像),該全脑振幅调变频谱提供脑功能动态信息,并同时提供该些动态信息发生的相对位置。
上述各实施例用于说明本发明特点,其目的在于使本领域普通技术人员能了解本发明内容并据以实施,而非限定本发明的保护范围,故凡其它未脱离本发明所揭示精神而完成的等效修饰或修改,仍应包含在本发明的权利要求书中。
Claims (12)
1.一种脑功能成像辨识的方法,其特征在于,包括:
(A)取得复数个脑波数据,其中,该复数个脑波数据为撷取自一待测者脑部复数个不同位置;
(B)选取其一该脑波数据,利用一模态分解方法,取得复数个固有模态函数(IMFs),其中,该复数个固有模态函数显示该脑波数据于不同频率尺度的振幅当量随时间的变化;
(C)选取另一该脑波数据,重复步骤(B),直到所有脑波数据均取得该复数个固有模态函数;
(D)将於相同频率尺度的该复数个固有模态函数依照脑部不同位置整理于一频率区间,取得该复数个对应不同频率尺度的频率区间;
(E)係以一讯号源重建方法将於相同频率尺度的该复数个固有模态函数转换至一讯号源空間,取得复数个对应脑部不同位置的源固有模态函数;
(F)选取其一该源固有模态函数取绝对值,由通过绝对值的所有端点产生一振幅包络线,再利用该模态分解方法,取得该振幅包络线的复数个源一阶振幅固有模态函数,其中,该复数个源一阶振幅固有模态函数为该振幅包络线于不同振幅频率尺度的数值当量随时间的变化数值;
(G)选取另一该源固有模态函数重复执行步骤(F),直到所有源固有模态函数均取得该复数个源一阶振幅固有模态函数;
(H)将於相同振幅频率尺度的该复数个源一阶振幅固有模态函数依照脑部不同位置整理于一振幅频率区间,取得该复数个对应不同振幅频率尺度的振幅频率区间;以及
(I)将该复数个频率区间对应于相同时间的该复数个振幅频率区间,产生一全脑振幅调变频谱,其中,该全脑振幅调变频谱为揭示该待测者脑部不同位置于频率区间与振幅频率区间振幅调变功率的相对值。
2.如权利要求1所述的方法,其特征在于,还包括:
(F1)选取其一该脑部位置,将该脑部位置的该复数个源固有模态函数对应于相同时间该脑部位置的该复数个源一阶振幅固有模态函数,产生一位置振幅调变频谱,其中,该位置振幅调变频谱为揭示该待测者脑部相同位置于该复数个源固有模态函数与该复数个源一阶振幅固有模态函数的相对值;以及
(F2)选取另一该脑部位置重复执行步骤(F1),直到所有脑部位置均取得该位置振幅调变频谱。
3.如权利要求1所述的方法,其特征在于,还包括:
执行步骤(A)取得该复数个脑波数据时,该待测者先阅读一研究数组。
4.如权利要求3所述的方法,其特征在于,还包括:
(J)该待测者再阅读一测试数组,重复步骤(A)至(I),取得阅读该测试数组后的全脑振幅调变频谱;
(K)比较阅读该研究数组之后与阅读该测试数组之后的位置振幅调变频谱,系辨识该待测者脑部不同位置于频率区间与振幅频率区间的相对值变化;以及
(L)比较阅读该研究数组之后与阅读该测试数组之后的全脑振幅调变频谱,系辨识该待测者脑部相同位置于该复数个源固有模态函数与该复数个源一阶振幅固有模态函数的相对值变化。
5.如权利要求1所述的方法,该复数个脑波数据系为一撷取自头皮复数端点的脑电波讯号或脑磁波讯号。
6.如权利要求1所述的方法,该模态分解方法系为经验模态分解法(EMD),集合经验模态分解法(EEMD)或二进位遮罩经验模态分解法(CADM-EMD)。
7.如权利要求1所述的方法,該讯号源重建方法系为波束成形(Beamformer),最小范数估计解(minimum norm estimation,MNE),精确低解析度造影(eLORETA)或多样稀疏事前(multiple sparse priors)。
8.如权利要求1所述的方法,该讯号源空间系由一球体模型(sphericalmodel),边界单元模型(BEM)或有限单元模型(FEM)所建置的二维或三维脑皮质网格。
9.如权利要求1所述的方法,该讯号源空间系自一模板或一核磁共振影像模型所建置的三维脑结构网域。
10.如权利要求1所述的方法,该复数个脑波数据系以随机或依循一特定规律撷取一部分位置之脑波数据。
11.如权利要求10所述的方法,其特征在于,还包括:
(M)重复撷取另一部分位置之脑波数据,实施步骤(A)至(I),取得该复数个全脑振幅调变频谱,将该些全脑振幅调变频谱进行一系综平均,取得到一系综全脑振幅调变频谱。
12.一种脑功能成像辨识的系统,其特征在于,包含:
一讯号接收模块,取得复数个脑波数据,其中,该复数个脑波数据为撷取自一待测者脑部复数个不同位置;
一数据处理模块,耦接该讯号接收模块,选取其一该脑波数据,利用一模态分解方法,取得复数个固有模态函数(IMFs),其中,该复数个固有模态函数显示该脑波数据于不同频率尺度的振幅当量随时间的变化,直到所有脑波数据均取得该复数个固有模态函数,系以一讯号源重建方法将於相同频率尺度的该复数个固有模态函数转换至一讯号源空间,取得复数个对应脑部不同位置的源固有模态函数,进一步选取其一该源固有模态函数取绝对值,由通过绝对值的所有端点产生一振幅包络线,再利用该模态分解方法,取得该振幅包络线的复数个源一阶振幅固有模态函数,直到所有源固有模态函数均取得该复数个源一阶振幅固有模态函数,其中,该复数个源一阶振幅固有模态函数为该振幅包络线于不同振幅频率尺度的数值当量随时间的变化数值;
一区间选取模块,耦接该数据处理模块,先将於相同频率尺度的该复数个源固有模态函数依照脑部不同位置整理于一频率区间,取得该复数个对应不同频率尺度的频率区间,后将相同振幅频率尺度的该复数个源一阶振幅固有模态函数依照脑部不同位置整理于一振幅频率区间,取得该复数个对应不同振幅频率尺度的振幅频率区间;以及
一讯号频谱整合模块,耦接该区间选取模块,将該复数个频率区间对应于相同时间的该复数个振幅频率区间,产生一全脑振幅调变频谱,其中,该全脑振幅调变频谱为揭示该待测者脑部不同位置于频率区间与振幅频率区间的相对值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510593424.8A CN106539582A (zh) | 2015-09-17 | 2015-09-17 | 脑功能成像辨识的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510593424.8A CN106539582A (zh) | 2015-09-17 | 2015-09-17 | 脑功能成像辨识的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106539582A true CN106539582A (zh) | 2017-03-29 |
Family
ID=58362858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510593424.8A Pending CN106539582A (zh) | 2015-09-17 | 2015-09-17 | 脑功能成像辨识的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106539582A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107361765A (zh) * | 2017-05-04 | 2017-11-21 | 晶神医创股份有限公司 | 脑波分析方法及其装置 |
CN107669244A (zh) * | 2017-10-27 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于EEG‑fMRI的癫痫异常放电位点定位方法及系统 |
CN111528794A (zh) * | 2017-08-08 | 2020-08-14 | 北京航空航天大学 | 基于传感器阵列分解和波束成形的源定位方法 |
CN111973180A (zh) * | 2020-09-03 | 2020-11-24 | 北京航空航天大学 | 一种基于meg和eeg融合的脑结构成像系统和方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000010455A1 (en) * | 1998-08-24 | 2000-03-02 | Emory University | Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity |
CN101732047A (zh) * | 2009-12-16 | 2010-06-16 | 天津大学 | 复合下肢想象动作脑电的能量特征提取方法 |
US20140276185A1 (en) * | 2013-03-15 | 2014-09-18 | Medtronic, Inc. | Control of spectral agressors in a physiological signal montoring device |
-
2015
- 2015-09-17 CN CN201510593424.8A patent/CN106539582A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000010455A1 (en) * | 1998-08-24 | 2000-03-02 | Emory University | Method and apparatus for predicting the onset of seizures based on features derived from signals indicative of brain activity |
CN101732047A (zh) * | 2009-12-16 | 2010-06-16 | 天津大学 | 复合下肢想象动作脑电的能量特征提取方法 |
US20140276185A1 (en) * | 2013-03-15 | 2014-09-18 | Medtronic, Inc. | Control of spectral agressors in a physiological signal montoring device |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107361765A (zh) * | 2017-05-04 | 2017-11-21 | 晶神医创股份有限公司 | 脑波分析方法及其装置 |
CN107361765B (zh) * | 2017-05-04 | 2020-03-31 | 晶神医创股份有限公司 | 脑波分析方法及其装置 |
CN111528794A (zh) * | 2017-08-08 | 2020-08-14 | 北京航空航天大学 | 基于传感器阵列分解和波束成形的源定位方法 |
CN111528794B (zh) * | 2017-08-08 | 2021-03-19 | 北京航空航天大学 | 基于传感器阵列分解和波束成形的源定位方法 |
CN107669244A (zh) * | 2017-10-27 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于EEG‑fMRI的癫痫异常放电位点定位方法及系统 |
CN107669244B (zh) * | 2017-10-27 | 2018-11-13 | 中国人民解放军国防科技大学 | 基于EEG-fMRI的癫痫异常放电位点定位系统 |
CN111973180A (zh) * | 2020-09-03 | 2020-11-24 | 北京航空航天大学 | 一种基于meg和eeg融合的脑结构成像系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201711634A (zh) | 腦功能成像辨識的方法及系統 | |
Safieddine et al. | Removal of muscle artifact from EEG data: comparison between stochastic (ICA and CCA) and deterministic (EMD and wavelet-based) approaches | |
Jaiswal et al. | Comparison of beamformer implementations for MEG source localization | |
Cao et al. | Automatic classification of athletes with residual functional deficits following concussion by means of EEG signal using support vector machine | |
CN111783942B (zh) | 一种基于卷积循环神经网络的脑认知过程模拟方法 | |
Theis et al. | Biomedical signal analysis: Contemporary methods and applications | |
CN106539582A (zh) | 脑功能成像辨识的方法及系统 | |
Zwoliński et al. | Open database of epileptic EEG with MRI and postoperational assessment of foci—a real world verification for the EEG inverse solutions | |
Habermehl et al. | Optimizing the regularization for image reconstruction of cerebral diffuse optical tomography | |
CN103957784A (zh) | 对脑功能磁共振数据进行处理的方法 | |
Kwon et al. | Super-resolution for improving EEG spatial resolution using deep convolutional neural network—feasibility study | |
Hansen et al. | Unmixing oscillatory brain activity by EEG source localization and empirical mode decomposition | |
WO2019084327A1 (en) | SYSTEMS AND METHODS FOR NEURAL CIRCUIT CARTOGRAPHY AND ASSOCIATED CLINICAL APPLICATIONS | |
Wu et al. | Projection versus prewhitening for EEG interference suppression | |
Rodríguez-Rivera et al. | MEG and EEG source localization in beamspace | |
Becker et al. | A performance study of various brain source imaging approaches | |
Murzin et al. | Anatomically constrained minimum variance beamforming applied to EEG | |
Strother et al. | Stability and reproducibility in fMRI analysis | |
Dinov et al. | A wavelet-based statistical analysis of fmri data: I. motivation and data distribution modeling | |
Liu et al. | Rapidly decoding image categories from MEG data using a multivariate short-time FC pattern analysis approach | |
Ragnehed et al. | Restricted canonical correlation analysis in functional MRI—validation and a novel thresholding technique | |
Lu et al. | Generate your neural signals from mine: individual-to-individual EEG converters | |
Liu et al. | WRA-MTSI: a robust extended source imaging algorithm based on multi-trial EEG | |
Lahtinen et al. | Conditionally Exponential Prior in Focal Near-and Far-Field EEG Source Localization via Randomized Multiresolution Scanning (RAMUS) | |
Pflieger et al. | The spatial resolving power of high-density EEG: an assessment of limits |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170329 |