CN106709244A - 一种静息态同步EEG‑fMRI的脑功能网络建模方法 - Google Patents
一种静息态同步EEG‑fMRI的脑功能网络建模方法 Download PDFInfo
- Publication number
- CN106709244A CN106709244A CN201611139777.1A CN201611139777A CN106709244A CN 106709244 A CN106709244 A CN 106709244A CN 201611139777 A CN201611139777 A CN 201611139777A CN 106709244 A CN106709244 A CN 106709244A
- Authority
- CN
- China
- Prior art keywords
- eeg
- fmri
- brain
- signal
- brain 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种静息态同步EEG‑fMRI的脑功能网络建模方法,涉及神经信号处理研究领域。该方法的具体步骤为:一、EEG信号预处理,提取带限能量信号并构建回归项;二、fMRI信号预处理,提取各脑区的BOLD信号;三、对fMRI提取的各脑区BOLD信号和由EEG得到的回归项分别进行主成分分析;四、对上一步得到的两种信号的主成分进行典型相关分析;五、对静息态同步EEG‑fMRI的脑功能网络进行建模。用本发明提出的方法可以得到多个脑功能网络,这些脑网络与现有的研究成果具有很高的一致性,证明了该建模方法的有效性,为静息态脑功能研究提供了一种新的思路和方案。
Description
技术领域
本发明属于神经信号处理研究领域,涉及脑功能网络建模方法,特别涉及一种静息态同步EEG-fMRI的脑功能网络建模方法。
背景技术
人类所有的高级认知功能如思维、情感和意识依赖大脑,大脑是一个极其复杂的系统。大脑虽然只占人体2%的质量,却消耗了20%的能量。在没有任务的时候,大脑也会进行活动,人们将大脑这种不由外部刺激引起,不受被试意愿控制,自发产生神经活动的状态称作“静息态”。研究发现大脑在任务态比静息态增加的能量消耗通常不超过5%,而占大脑总能耗60%以上的能量用于自发神经活动,可见静息态在人脑功能中占据着重要地位。
脑功能网络是多个大脑区域的集合,这些脑区在静息态和任务态下都会进行同步活动。随着各种无创脑功能成像技术的出现,人类已经可以在微观和宏观不同尺度水平上探测大脑的活动。脑电图(Electroencephalogram,EEG)可以检测到脑活动在毫秒级的变化情况,具有很高的时间分辨率,而功能磁共振成像(functional Magnetic ResonanceImaging,fMRI)能以毫米级的精度定位同步振荡发生的位置,具有很高的空间分辨率。目前已经出现了多种基于EEG和fMRI的单模态脑功能网络建模方法。
静息态fMRI已被应用于多种神经疾病的研究中,如癫痫、阿尔兹海默症、精神分裂症、注意力不集中症、抑郁症等。对于阿尔兹海默症等疾病,fMRI研究结果与早期的研究相一致,但对于精神分裂症等疾病,研究结果的再现性较差。为了更深入的研究这些疾病,需要理解大脑中自发振荡的潜在机理,这可以通过多模态研究方法实现。此外,利用fMRI对静息态脑功能网络建模,由于没有外界刺激,要对所建网络进行解释非常困难,将EEG特征与fMRI信号结合,可以更好地解释脑功能网络代表的生理意义,并且对于还不清楚的EEG特征也能找到fMRI信号的支持证据。因此,越来越多的研究人员开始关注同步EEG-fMRI的研究。
同步EEG-fMRI的数据分析方法有比较方法、非对称融合方法和对称融合方法。比较方法仅仅对EEG和fMRI数据进行比较分析,没有进行模态间的数据融合;非对称融合方法假设EEG和fMRI测得的神经活动完全相同,这种假设缺乏一定的生理基础;目前已有的对称融合方法大多只关注事件相关电位与fMRI数据的融合,尚未见到对静息态同步EEG-fMRI的对称融合方法的研究。
基于以上研究背景,本发明提出了一种静息态同步EEG-fMRI的脑功能网络建模方法,该方法对同步数据进行对称融合,并利用融合结果进行脑功能网络建模,为有效整合两种模态的信息提供了一种新的思路和方案。
发明内容
本发明提出了一种静息态同步EEG-fMRI的脑功能网络建模,该方法能够有效融合静息态下两种模态的信息,包含以下具体步骤:
S1.EEG信号预处理,提取带限能量(Band Limited Power,BLP)信号并构建回归项。同步采集EEG、fMRI数据时,EEG的采样率远远大于fMRI,大部分的EEG信号找不到时间上对应的fMRI信号,通常将EEG信号的BLP变化与一个表示血氧水平依赖(Blood OxygenationLevel Dependent,BOLD)在刺激呈现后变化的核函数进行卷积,用得到的信号作为拟合fMRI数据的回归项,通过比较回归项与BOLD信号的关系来研究EEG与fMRI之间的关系。本发明首先对同步记录的EEG信号通过预处理得到比较纯净的EEG信号,随后用独立成分分析(Independent Component Anaylysis,ICA)将信号分解为相互独立的源信号,最后计算源的BLP信号并构建回归项。
S2.fMRI信号预处理,提取各脑区的BOLD信号。原始fMRI数据中含有多种噪声,这些噪声可能是由于机器本身产生,也可能是被试的运动或生理活动产生,它们会对分析造成很大的干扰,需要通过预处理来提高原始数据的信噪比。由于fMRI数据中体素数目远远大于采集点数,要对fMRI数据进行时域分析,首先需要对其进行空间降维。本发明利用标准解剖模板将大脑灰质分成不同的脑区,将每个脑区中所有体素时间序列的平均作为该脑区产生的信号。
S3.对fMRI提取的各脑区BOLD信号和由EEG得到的回归项分别进行主成分分析(Principal Component Analysis,PCA)。在fMRI分析中,由于分割后的相邻脑区会有同步活动,使得相邻脑区计算得到的平均时间序列会有一定的相关性;由于大脑的网络同步活动,相隔较远脑区的时间序列之间也会存在较高的相关性。在EEG分析中,用每个独立成分的BLP信号构造的回归项之间也存在相关性。信号之间的这种相关会给之后的统计分析带来许多障碍。基于以上原因,首先要对fMRI中提取的各脑区BOLD信号和由EEG得到的回归项分别进行PCA,消除原信号之间的相关性和信息重叠。另外,静息态下大脑消耗的能量大部分用于自发神经活动,因此可以认为自发神经活动产生的信号是整个大脑信号的主成分,通过主成分分析的方法将它们提取出来,同时也去除了一些噪声成分。
S4.对fMRI提取的各脑区BOLD信号和由EEG得到的回归项的主成分进行典型相关分析(Canonical Correlation Analysis,CCA)。进行该步骤基于以下三点原因:(1)一种EEG模式可能与多个脑区的BOLD信号相关,一个脑区也可能产生不同模式的EEG信号,这表明,EEG和fMRI之间不是简单的一对一的关系,需要寻找一种方法,研究多个EEG模式与多个BOLD信号之间在总体上的关系。(2)同步颅内EEG-fMRI的比较方法研究表明,局部场电势的带限能量变化与局部BOLD信号是相关的。这表明,虽然EEG和fMRI两种成像方式基于不同的成像原理,但它们记录的自发神经活动信息有一定程度的重叠,因此可以通过比较两个模态信号之间的相关关系,判断它们是不是同一源产生的信号。(3)静息态大脑同时存在多个功能网络,它们分别代表不同的生理活动,且这些功能网络的激活时间过程互不相关。
S5.静息态同步EEG-fMRI的脑功能网络建模。将典型相关变量与EEG构建的回归项求相关,相关系数越大,表示该EEG模式与该大脑活动模式越相关,就越可能是由该脑活动产生的EEG信号,相关系数较大的EEG模式一起组成该脑活动所产生的EEG信号。用典型相关变量与脑区平均时间序列求相关,相关系数越大,表示该脑区与该大脑活动模式越相关,越有可能是参与该脑活动的脑区,相关系数较大的脑区一起构成该脑活动的功能网络。
附图说明
图1为本发明所述的建模方法流程图;
图2为利用EEG构建回归项的流程图;
图3为EEG回归项和BOLD信号分别进行主成分分析的示意图;
图4为BOLD信号(a)和EEG回归项(b)的主成分能量和累计贡献率;
图5为对EEG回归项和BOLD信号的主成分进行典型相关分析的示意图;
图6为由EEG回归项和BOLD信号的主成分求得的典型相关系数的直方图;
图7为脑功能网络建模结果。
具体实施方式
下面结合实例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
如图1所示为一种静息态同步EEG-fMRI的脑功能网络建模方法的具体流程图,包含以下部分:
一、EEG信号预处理,提取带限能量信号并构建回归项
1、EEG信号预处理
预处理包含以下六个步骤:(1)使用自适应伪迹相减法去除梯度伪迹和心电伪迹;(2)将EEG数据降采样到200Hz;(3)为了移除线性漂移与低频干扰,对降采样后的数据进行1Hz的高通滤波;(4)通过陷波滤波去除50Hz的工频噪声;(5)将所有电极信号重新参考到全导的平均信号;(6)去除坏数据段。通过以上处理得到比较纯净的EEG信号。
2、EEG信号独立成分分析
(1)采用信息最大化ICA算法将61导EEG信号分解为61个源信号;(2)经过预处理的EEG中仍然会存在一些残留噪声,使用EEGLAB扩展包ADJUST对独立成分进行分析,识别并去除噪声成分。
3、计算带限能量信号
通过短时傅里叶变换计算EEG的带限能量信号。对每个独立成分使用一个无重叠窗计算短时傅里叶变换,为了与fMRI每采集一个图像所用的时间匹配,窗的大小选择1.94s。之后将EEG分为delta(1~4Hz),theta(4~8Hz),alpha(8~13Hz),beta(13~30Hz),gamma(30~50Hz)五个频带,对每个频段内所有频率点在同一时刻的能量值求平均,得到五个频段的BLP变化,如图2所示。
4、构建回归项
通常神经脉冲电活动和与之相应的BOLD变化有4~8秒的延迟,将上一步得到的BLP信号作为一个自变量,通过与标准血氧响应函数(Hemodynamic Response Function,HRF)卷积,构建回归项,如图2所示。
二、fMRI信号预处理,提取各脑区的BOLD信号
1、fMRI信号预处理
在对fMRI数据进行分析之前,首先要进行一些必要的预处理,具体步骤如下:
(1)格式转换。将采集到的DICOM格式的文件转换为NIFTI格式,得到666个以img和hdr为后缀的文件,每个img后缀文件是由32张不同层的大脑图片组成。
(2)去除最开始采集的数据。fMRI设备刚启动时采集的数据不稳定,所以去除前十个时间点采集的图像。
(3)时间层校正。每扫描一个全脑图像需要1.94秒,该图像由32层不同时刻记录的图像组成,需要进行时间层校正,使得各层图像都是在相同时刻记录的。本实验中,每个图像层数为32,TR为1.94s,扫描顺序为降序,参考层为第16层。
(4)头动校正。本实验fMRI扫描需要连续进行大约半小时,被试不可避免的会有头部运动。此外,被试的自发生理活动如呼吸和心跳也可能导致头部运动,所以需要进行头动校正,减少头动对数据的影响。设定当头在某个方向的平移大于0.5毫米或旋转角度超过1度时,认为被试在这一时刻头动较大,去除这一时刻数据。
(5)空间标准化。由于不同被试脑部结构和大小存在一定的差异,为了方便后续的分析,需要将每次扫描的大脑数据标准化。空间标准化是对大脑整体进行形变和调整,即从原始空间中估计到标准空间上,调整后统一标准化到标准脑上。本实验中,使用EPI模板进行空间标准化。
(6)去线性漂移。由于扫描过程中机器温度升高或者被试的适应,随着时间变化会存在一个线性趋势,因此要去除这种线性漂移。
(7)滤波。人体的一些自发生理活动,如心跳、呼吸等会产生噪声,这些噪声的频率通常比大脑自发神经活动要高,本实验选择0.01~0.08Hz的带通滤波器将它们去除。
2、提取脑区平均时间序列
由于fMRI原始数据量特别大,经过预处理后,一个大脑的体素有61*73*61个,达到了百万级,需要采用合适的方法对原始数据进行空间降维。一种常用的方法就是将大脑灰质划分成不同的脑区,提取各个脑区的平均时间序列。本发明使用解剖自动标记(Anatomical Automatic Labeling,AAL)图谱把大脑灰质分为90个区域,之后对每个脑区中所有体素的时间序列求平均,得到该脑区的平均时间序列。
三、对fMRI提取的各脑区BOLD信号和由EEG得到的回归项分别进行主成分分析
经过前面的预处理步骤,分别得到了BOLD信号和EEG回归项的数据矩阵:X1和X2。其中X1为624*90的矩阵,行代表时间,列代表脑区;X2为624*225的矩阵,行代表时间,列由55个独立成分的5个频带串联得到的。
对X1和X2分别进行PCA,如图3所示。计算X1和X2各自的相关系数矩阵、特征值和特征向量,并计算每个特征值的累计贡献率。如图4(a)所示,fMRI前15个主成分的能量累计贡献率达到了87%,这15个主成分构成一个624*15的矩阵P1;如图4(b)所示,EEG前20个主成分的能量累计贡献率达到了70%,这20个主成分构成一个624*20的矩阵P2。此时,P1和P2分别表示从fMRI和EEG中提取的静息态大脑活动的主要特征。
四、对fMRI提取的各脑区BOLD信号和由EEG得到的回归项的主成分进行典型相关分析
对得到的fMRI的主成分P1和EEG的主成分P2进行CCA,如图5所示,得到15对典型相关变量S1和S2,它们都为624*15的矩阵,两个矩阵的对应列为一对典型相关变量。每对典型相关变量的典型相关系数如图6所示,设定阈值为0.5,大于该阈值的认为是典型相关的,得到七对最相关的典型相关变量。S1的每个典型相关变量表示一个脑活动对应的fMRI时间序列,S2的每个典型相关变量表示一个脑活动对应的EEG时间序列,且S1和S2的对应列具有较高的相关系数,认为它们是由同一个脑活动产生的信号。
五、静息态同步EEG-fMRI的脑功能网络建模
将S1的每一列与X1的每一列求相关,典型相关变量与各脑区BOLD信号的相关系数直方图如图7(a)所示,系数越大表示脑区与大脑活动越相关,越有可能是参与脑活动的脑区,相关系数较大的脑区一起构成该脑功能网络如图7(c)所示;将S2中的每一列与X2的每一列求相关,典型相关变量与各EEG回归项的相关系数直方图如图7(b)所示,系数越大表示该EEG模式与该大脑活动越相关,越可能是由该脑活动产生的EEG信号,相关系数较大的EEG模式一起组成该脑活动所产生的EEG信号,对图7(b)中每个频带内的相关系数求均值并取绝对值,得到典型相关变量与EEG各频带的相关度,如图7(d)所示。
利用本发明提出的建模方法得到了七个主要的脑功能网络,并且得到各个网络对应的EEG信号与脑区,这些脑网络与现有的研究结果具有很高的一致性,证明了该脑功能网络建模方法的有效性,为静息态脑功能研究提供了一种新的途径。
Claims (4)
1.一种静息态同步EEG-fMRI的脑功能网络建模方法,其特征在于,包含以下步骤:
(1)对EEG信号处理,包括:去除梯度伪迹和心电伪迹;降采样;高通滤波;电极重参考;坏数据段去除;采用独立成分分析算法将EEG信号分解为源信号,识别并去除噪声成分;分别计算delta、theta、alpha、beta、gamma五个频段内EEG的带限能量变化(BLP);将BLP变化信号与血氧响应函数卷积,分别构建五个频段的EEG回归项;
(2)对fMRI信号处理,包括:采用SPM工具包将DICOM格式文件转换为NIFTI格式;去除前十个时间点采集的图像;对图像进行时间层校正;头动校正;空间标准化;去线性漂移;通过滤波去除低频噪声;采用AAL图谱将大脑灰质分为90个区域,对每个脑区中所有体素的时间序列求平均,得到各脑区的血氧水平依赖(BOLD)信号;
(3)设BOLD信号为X1,EEG回归项为X2,对X1和X2分别进行主成分分析,利用特征值的累计贡献率分别得出其主成分,用P1,P2表示;
(4)对P1,P2进行典型相关分析,得到典型相关变量S1和S2,S1和S2的对应列视为一对典型相关变量,设定阈值,选择大于该阈值的典型相关变量对,分别构成矩阵S’1与S’2;
(5)将S’1与X1求相关,相关系数较大的脑区为激活最明显脑区,它们共同构成一个功能网络;将S’2与X2求相关,分别对五个频带内相关系数的绝对值求平均,频带相关系数越大,其贡献越大。利用本发明提出的建模方法得到了七个主要的脑功能网络,并且得到各个网络对应的EEG信号与脑区。
2.根据权利要求1所述的一种静息态同步EEG-fMRI的脑功能网络建模方法,其特征在于,使用自适应伪迹相减法(AAS)去除梯度伪迹和心电伪迹;使用ADJUST工具包对独立成分进行分析来去除噪声成分。
3.根据权利要求1所述的一种静息态同步EEG-fMRI的脑功能网络建模方法,其特征在于,fMRI信号中每个图像层数为32,TR为1.94s,扫描顺序为降序,参考层为第16层;设定当头在某个方向的平移大于0.5毫米或旋转角度超过1度时,认为被试在这一时刻头动较大,去除这一时刻数据;使用EPI模板进行空间标准化。
4.根据权利要求1所述的一种静息态同步EEG-fMRI的脑功能网络建模方法,其特征在于,BOLD信号X1矩阵的行代表时间,列代表脑区;EEG回归项X2矩阵的行代表时间,列由独立成分的5个频带串联得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611139777.1A CN106709244B (zh) | 2016-12-12 | 2016-12-12 | 一种静息态同步EEG-fMRI的脑功能网络建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611139777.1A CN106709244B (zh) | 2016-12-12 | 2016-12-12 | 一种静息态同步EEG-fMRI的脑功能网络建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106709244A true CN106709244A (zh) | 2017-05-24 |
CN106709244B CN106709244B (zh) | 2019-08-13 |
Family
ID=58937075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611139777.1A Active CN106709244B (zh) | 2016-12-12 | 2016-12-12 | 一种静息态同步EEG-fMRI的脑功能网络建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709244B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108577835A (zh) * | 2018-05-17 | 2018-09-28 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
CN109497990A (zh) * | 2018-12-27 | 2019-03-22 | 山东大学 | 一种基于典型相关分析的心电信号身份识别方法及系统 |
CN110236534A (zh) * | 2019-05-20 | 2019-09-17 | 北京航空航天大学 | 一种基于脑电相关性网络弹性的专注力评估方法 |
CN110265148A (zh) * | 2019-06-20 | 2019-09-20 | 上海海事大学 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
CN110491518A (zh) * | 2019-07-31 | 2019-11-22 | 中国医学科学院生物医学工程研究所 | 一种针对任务态的经颅磁刺激建模仿真方法 |
CN110729046A (zh) * | 2019-10-24 | 2020-01-24 | 深圳龙岗智能视听研究院 | 一种基于时间序列的功能磁共振影像特征提取方法 |
CN111312363A (zh) * | 2020-02-28 | 2020-06-19 | 暨南大学 | 一种基于虚拟现实的双手协调性增强系统 |
CN111539509A (zh) * | 2020-04-16 | 2020-08-14 | 山东第一医科大学(山东省医学科学院) | 一种虚拟数字脑构建方法与系统及智能机器人控制系统 |
CN111616704A (zh) * | 2020-06-24 | 2020-09-04 | 天津大学 | 针对句子听力任务大脑动态功能网络交互模式的研究方法 |
CN112002428A (zh) * | 2020-08-24 | 2020-11-27 | 天津医科大学 | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 |
CN112259241A (zh) * | 2020-10-23 | 2021-01-22 | 广州中医药大学第一附属医院 | 基于动态因果模型抑郁症脑功能连接改变检测系统及方法 |
CN112396584A (zh) * | 2020-11-19 | 2021-02-23 | 西安科技大学 | 基于特征模态与分层模块的脑功能模式特征提取方法 |
CN112641450A (zh) * | 2020-12-28 | 2021-04-13 | 中国人民解放军战略支援部队信息工程大学 | 面向动态视频目标检测的时变脑网络重构方法 |
CN112700876A (zh) * | 2020-12-28 | 2021-04-23 | 聊城大学 | 一种包含高阶信息的脑功能网络构建方法 |
CN112741636A (zh) * | 2020-12-17 | 2021-05-04 | 浙江大学 | 一种基于多位点同步性变化的颞叶癫痫检测系统 |
CN113040789A (zh) * | 2021-03-17 | 2021-06-29 | 华南理工大学 | 一种同步EEG-fMRI数据采集中核磁伪迹的在线去除方法 |
CN113100780A (zh) * | 2021-03-04 | 2021-07-13 | 北京大学 | 同步脑电-功能磁共振数据的自动化处理方法 |
CN113627360A (zh) * | 2021-08-13 | 2021-11-09 | 电子科技大学 | 基于形态学相似网络对fMRI信号进行滤波分解的方法 |
CN115546124A (zh) * | 2022-09-21 | 2022-12-30 | 电子科技大学 | 联合ica和功能梯度的小脑-大脑运动功能整合方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090030303A1 (en) * | 2007-06-06 | 2009-01-29 | Neurofocus Inc. | Audience response analysis using simultaneous electroencephalography (eeg) and functional magnetic resonance imaging (fmri) |
US20110046473A1 (en) * | 2009-08-20 | 2011-02-24 | Neurofocus, Inc. | Eeg triggered fmri signal acquisition |
CN102855491A (zh) * | 2012-07-26 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于网络中心性的脑功能磁共振图像分类方法 |
CN103325119A (zh) * | 2013-06-27 | 2013-09-25 | 中国科学院自动化研究所 | 一种基于模态融合的默认态脑网络中心节点检测方法 |
CN104207775A (zh) * | 2014-08-07 | 2014-12-17 | 西安电子科技大学 | 一种基于互样本熵的肥胖病人功能影像分析方法 |
CN105117731A (zh) * | 2015-07-17 | 2015-12-02 | 常州大学 | 一种大脑功能网络的社团划分方法 |
CN105125213A (zh) * | 2015-07-24 | 2015-12-09 | 常州大学 | 一种大脑功能网络活跃程度的度量方法 |
-
2016
- 2016-12-12 CN CN201611139777.1A patent/CN106709244B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090030303A1 (en) * | 2007-06-06 | 2009-01-29 | Neurofocus Inc. | Audience response analysis using simultaneous electroencephalography (eeg) and functional magnetic resonance imaging (fmri) |
US20110046473A1 (en) * | 2009-08-20 | 2011-02-24 | Neurofocus, Inc. | Eeg triggered fmri signal acquisition |
CN102855491A (zh) * | 2012-07-26 | 2013-01-02 | 中国科学院自动化研究所 | 一种基于网络中心性的脑功能磁共振图像分类方法 |
CN103325119A (zh) * | 2013-06-27 | 2013-09-25 | 中国科学院自动化研究所 | 一种基于模态融合的默认态脑网络中心节点检测方法 |
CN104207775A (zh) * | 2014-08-07 | 2014-12-17 | 西安电子科技大学 | 一种基于互样本熵的肥胖病人功能影像分析方法 |
CN105117731A (zh) * | 2015-07-17 | 2015-12-02 | 常州大学 | 一种大脑功能网络的社团划分方法 |
CN105125213A (zh) * | 2015-07-24 | 2015-12-09 | 常州大学 | 一种大脑功能网络活跃程度的度量方法 |
Non-Patent Citations (1)
Title |
---|
何继军等: "EEG/fMRI融合分析综述:脑模型、算法和应用", 《计算机工程与科学》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108577835B (zh) * | 2018-05-17 | 2019-07-19 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
CN108577835A (zh) * | 2018-05-17 | 2018-09-28 | 太原理工大学 | 一种基于微状态的脑功能网络构建方法 |
CN109497990A (zh) * | 2018-12-27 | 2019-03-22 | 山东大学 | 一种基于典型相关分析的心电信号身份识别方法及系统 |
CN110236534A (zh) * | 2019-05-20 | 2019-09-17 | 北京航空航天大学 | 一种基于脑电相关性网络弹性的专注力评估方法 |
CN110265148A (zh) * | 2019-06-20 | 2019-09-20 | 上海海事大学 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
CN110265148B (zh) * | 2019-06-20 | 2021-06-01 | 上海海事大学 | 一种fMRI脑网络机制启发的动态功能模式学习方法 |
CN110491518B (zh) * | 2019-07-31 | 2023-04-07 | 中国医学科学院生物医学工程研究所 | 一种针对任务态的经颅磁刺激建模仿真方法 |
CN110491518A (zh) * | 2019-07-31 | 2019-11-22 | 中国医学科学院生物医学工程研究所 | 一种针对任务态的经颅磁刺激建模仿真方法 |
CN110729046A (zh) * | 2019-10-24 | 2020-01-24 | 深圳龙岗智能视听研究院 | 一种基于时间序列的功能磁共振影像特征提取方法 |
CN110729046B (zh) * | 2019-10-24 | 2023-08-25 | 深圳龙岗智能视听研究院 | 一种基于时间序列的功能磁共振影像特征提取方法 |
CN111312363B (zh) * | 2020-02-28 | 2024-03-19 | 暨南大学 | 一种基于虚拟现实的双手协调性增强系统 |
CN111312363A (zh) * | 2020-02-28 | 2020-06-19 | 暨南大学 | 一种基于虚拟现实的双手协调性增强系统 |
CN111539509A (zh) * | 2020-04-16 | 2020-08-14 | 山东第一医科大学(山东省医学科学院) | 一种虚拟数字脑构建方法与系统及智能机器人控制系统 |
CN111539509B (zh) * | 2020-04-16 | 2023-07-21 | 山东第一医科大学(山东省医学科学院) | 一种虚拟数字脑构建方法与系统及智能机器人控制系统 |
CN111616704A (zh) * | 2020-06-24 | 2020-09-04 | 天津大学 | 针对句子听力任务大脑动态功能网络交互模式的研究方法 |
CN112002428A (zh) * | 2020-08-24 | 2020-11-27 | 天津医科大学 | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 |
CN112002428B (zh) * | 2020-08-24 | 2022-03-08 | 天津医科大学 | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 |
CN112259241B (zh) * | 2020-10-23 | 2024-02-13 | 广州中医药大学第一附属医院 | 基于动态因果模型抑郁症脑功能连接改变检测系统及方法 |
CN112259241A (zh) * | 2020-10-23 | 2021-01-22 | 广州中医药大学第一附属医院 | 基于动态因果模型抑郁症脑功能连接改变检测系统及方法 |
CN112396584B (zh) * | 2020-11-19 | 2023-09-08 | 西安科技大学 | 基于特征模态与分层模块的脑功能模式特征提取方法 |
CN112396584A (zh) * | 2020-11-19 | 2021-02-23 | 西安科技大学 | 基于特征模态与分层模块的脑功能模式特征提取方法 |
CN112741636A (zh) * | 2020-12-17 | 2021-05-04 | 浙江大学 | 一种基于多位点同步性变化的颞叶癫痫检测系统 |
CN112700876A (zh) * | 2020-12-28 | 2021-04-23 | 聊城大学 | 一种包含高阶信息的脑功能网络构建方法 |
CN112641450B (zh) * | 2020-12-28 | 2023-05-23 | 中国人民解放军战略支援部队信息工程大学 | 面向动态视频目标检测的时变脑网络重构方法 |
CN112641450A (zh) * | 2020-12-28 | 2021-04-13 | 中国人民解放军战略支援部队信息工程大学 | 面向动态视频目标检测的时变脑网络重构方法 |
CN113100780A (zh) * | 2021-03-04 | 2021-07-13 | 北京大学 | 同步脑电-功能磁共振数据的自动化处理方法 |
CN113040789A (zh) * | 2021-03-17 | 2021-06-29 | 华南理工大学 | 一种同步EEG-fMRI数据采集中核磁伪迹的在线去除方法 |
CN113627360B (zh) * | 2021-08-13 | 2023-04-07 | 电子科技大学 | 基于形态学相似网络对fMRI信号进行滤波分解的方法 |
CN113627360A (zh) * | 2021-08-13 | 2021-11-09 | 电子科技大学 | 基于形态学相似网络对fMRI信号进行滤波分解的方法 |
CN115546124A (zh) * | 2022-09-21 | 2022-12-30 | 电子科技大学 | 联合ica和功能梯度的小脑-大脑运动功能整合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106709244B (zh) | 2019-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709244A (zh) | 一种静息态同步EEG‑fMRI的脑功能网络建模方法 | |
Jung et al. | Imaging brain dynamics using independent component analysis | |
Alghoul et al. | Heart rate variability extraction from videos signals: ICA vs. EVM comparison | |
Urigüen et al. | EEG artifact removal—state-of-the-art and guidelines | |
Correa et al. | Multi-set canonical correlation analysis for the fusion of concurrent single trial ERP and functional MRI | |
James et al. | Extracting multisource brain activity from a single electromagnetic channel | |
Calhoun et al. | Unmixing fMRI with independent component analysis | |
Onton et al. | Imaging human EEG dynamics using independent component analysis | |
Chen et al. | Emotion feature analysis and recognition based on reconstructed EEG sources | |
Brancaccio et al. | Cortical source localization of sleep-stage specific oscillatory activity | |
Oosugi et al. | A new method for quantifying the performance of EEG blind source separation algorithms by referencing a simultaneously recorded ECoG signal | |
Rubin et al. | Optimizing complexity measures for FMRI data: algorithm, artifact, and sensitivity | |
CN112396584B (zh) | 基于特征模态与分层模块的脑功能模式特征提取方法 | |
Wang et al. | Functional integration and separation of brain network based on phase locking value during emotion processing | |
De Martino et al. | Multimodal imaging: an evaluation of univariate and multivariate methods for simultaneous EEG/fMRI | |
Yi et al. | A novel method for constructing EEG large-scale cortical dynamical functional network connectivity (dFNC): WTCS | |
Al-Hiyali et al. | Classification of BOLD FMRI signals using wavelet transform and transfer learning for detection of autism spectrum disorder | |
Kaur et al. | EEG based decision support system to diagnose adults with ADHD | |
Al-Hiyali et al. | Autism spectrum disorder detection based on wavelet transform of BOLD fMRI signals using pre-trained convolution neural network | |
Yang et al. | Exploration of neural activity under cognitive reappraisal using simultaneous EEG-fMRI data and kernel canonical correlation analysis | |
Tabarelli et al. | Spatial attention enhances cortical tracking of quasi-rhythmic visual stimuli | |
Kouti et al. | Emotion discrimination using source connectivity analysis based on dynamic ROI identification | |
Barà et al. | Local and global measures of information storage for the assessment of heartbeat-evoked cortical responses | |
Yan et al. | Analyzing emotional oscillatory brain network for valence and arousal-based emotion recognition using EEG data | |
Bono et al. | Classifying human emotional states using wireless EEG based ERP and functional connectivity measures |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |