CN107981862A - 一种核磁共振环境下的脑信号在线去噪方法 - Google Patents
一种核磁共振环境下的脑信号在线去噪方法 Download PDFInfo
- Publication number
- CN107981862A CN107981862A CN201711234707.9A CN201711234707A CN107981862A CN 107981862 A CN107981862 A CN 107981862A CN 201711234707 A CN201711234707 A CN 201711234707A CN 107981862 A CN107981862 A CN 107981862A
- Authority
- CN
- China
- Prior art keywords
- signal
- noise
- gradient noise
- template
- pca
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种核磁共振环境下的脑信号在线去噪方法,包括步骤:1)对采集到的脑电信号进行高通滤波;2)对滤波后的信号进行上采样,并对脑电信号与fMRI设备发出的标记进行同步;3)构造一个滑动窗口来构造噪声模板Aτ,进行初步去噪;4)将混合着噪声的信号Sh划出一个长度为T*w个点的切片,将噪声模板以最小二乘拟合切片数据,得到拟合参数yτ,从Sh减去yτ*Aτ,得到带有残留伪迹的信号Sr;5)对信号Sr进行PCA,将各成分按照相关程度大小排序,取最大的m个成分作为梯度噪声的最优基βj(j=1,2,...,m),将其以最小二乘拟合Sr,得到拟合参数aj(j=1,2,...,m),从Sr减去N,经过构造梯度噪声模板去噪及PCA去噪,最终可将梯度噪声消除。本发明可以对信号进行实时去噪,满足在线实验的数据处理速度要求。
Description
技术领域
本发明涉及脑信号处理的技术领域,尤其是指一种核磁共振环境下的脑信号在线去噪方法。
背景技术
目前脑电信号在医学诊断、认知研究、心理研究和脑功能研究中已经得到了广泛的应用,但是人脑具有很复杂的结构,人们之前对大脑的了解知之甚少,虽然脑电能够在一定程度上帮助人们认识大脑,可是人们对大脑的内部结构不能提供有效的信息。为了进一步研究大脑,核磁共振成像技术开始应用到大脑研究之中。而脑电信号具有空间分辨率低而时间分辨率高的特点,核磁共振成像则具有时间分辨率低而空间分辨率高的特点,因为时间和空间信息对研究脑的功能和精神类疾病的发病机理以及认知的研究都很重要,所以希望结合EEG的时间分辨率高和fMRI的空间分辨率高的特性对大脑进行时空多维度观测和研究。
由于EEG信号是在核磁扫描环境下采集的,在这样的实验环境下主要会引入三种噪声:
1)脉冲伪迹。它是射频脉冲信号导致的。这类噪声的频率位于兆赫范围与EEG有效信号的频率差别很大,故可以设计低通滤波器去除。
2)梯度噪声。它是扫描时的梯度磁场的变化引起的。这类噪声是人们研究的重点,也是在线去噪过程重点考虑的噪声。由于梯度噪声的频率范围与EEG信号频率范围相互重叠,所以不能用传统的频率滤波方法完全去除。
3)在高强度的磁场条件下心跳和动脉血流运动也会带来噪声,这种噪声称为心电伪迹。
EEG信号将淹没在了较大的噪声中,信噪比较低,因此,需要设计一套有效的算法来提高信号的信噪比,消除噪声的影响,同时,算法的计算量也不能过大,否则由于较高的采样频率(5kHz),将对在线性能有较大的影响。
目前,还没有在在线实验过程中能够通过信号去噪算法进行实时去噪取得满意的效果,例如中国专利(一种核磁下脑电噪声处理方法,公开号:CN 201310117717),该发明通过采用差分放大器同时采集脑电信号以及噪声信号,从硬件层面上进行去噪。中国专利(一种fMRI环境下的脑电装置,公开号:CN 201520599490),该发明采用屏蔽罩的方式来屏蔽核磁环境下的噪声信号。以上所述发明,都没有能够通过信号去噪算法进行在线去噪来取得满意的效果。通过在线去噪算法,除了设备上的简便外,伪迹的去除也能达到更好的效果。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种核磁共振环境下的脑信号在线去噪方法,利用此方法可以在扫描采集fMRI图像的同时采集脑电信号,通过去噪算法对伪迹进行在线去除,得到信噪比较高的脑电信号。
为实现上述目的,本发明所提供的技术方案为:一种核磁共振环境下的脑信号在线去噪方法,包括以下步骤:
1)对采集到的脑电信号进行高通滤波,滤除温漂及脉冲伪迹;
2)对步骤1)中滤波后的信号进行上采样,并对脑电信号与fMRI设备发出的标记进行同步,即将每个fMRI扫描切片过程中采集的脑电信号与下面步骤3)的梯度噪声模板进行滑动互相关运算,运算结果最大的位移即为同步后调整的位置,得到信号Sh;
3)由于脑电信号是随机信号,梯度噪声则以一个切片扫描时间T为周期,每个周期内该噪声的形状相似,因此需要构造一个滑动窗口来构造梯度噪声模板Aτ,其中τ表示模板的时间序号,基于此模板进行初步去噪;
4)得到新的梯度噪声模板后,将混合着噪声的信号Sh划出一个长度为T*w个点的切片,其中w为采样频率,将梯度噪声模板以最小二乘拟合切片数据,得到拟合参数yτ,从Sh减去yτ*Aτ,得到带有残留伪迹的信号Sr;
5)步骤4)得到的信号Sr中依然有残留伪迹,对其进行主成分分析,即PCA,再将PCA得到各成分与梯度噪声模板进行相关操作,将各成分按照相关程度大小排序,取最大的m个成分作为梯度噪声的最优基βj(j=1,2,...,m),将其以最小二乘拟合Sr,得到拟合参数aj(j=1,2,...,m),从Sr减去N,经过构造梯度噪声模板去噪及PCA去噪,最终能够将梯度噪声消除。
在步骤1)之前还要进行如下步骤:
设计程序框架,程序包含两个主要线程,一个线程负责记录放大器采集的信号,另一个线程负责信号的处理,且对需要进行去噪的每个放大器通道都要单独创建一个线程,负责每个通道信号的并行处理。
在步骤3)中,具体处理过程如下:
3.1)以N个切片扫描时间长度N*T为滑动窗口的宽度,在脑电信号上边进行移动,将窗口中的信号以T为间隔进行划分,设采样频率为w,即q=T*w个采样点为一个切片间隔的数据长度;
3.2)窗口中的一个切片数据段为将N个进行叠加,再除以N取平均,得到梯度噪声的模板
在步骤5)中,具体处理过程如下:
5.1)在信号Sr中构造一个PCA滑动窗口,将其以一个切片的时间间隔T划分,即T*w为一个数据段,构造一个PCA样本矩阵Sp*q,其中p为PCA样本的个数,q则为一个样本的维数,即q=T*w,将每个新采集的数据段去平均后存进Sp*q,并删除最早的一个数据段,保持p个样本数;
5.2)对Sp*q转置得到矩阵之后计算矩阵的特征向量vi及特征值σi,则样本的协方差矩阵的特征向量
5.3)将特征向量ui与Sp*q中的最新一个切片数据段作相关运算,将ui按照相关运算的结果从大到小排序,取最大的m个ui作为梯度噪声的最优基βj(j=1,2,...,m),将其以最小二乘拟合得到拟合参数aj(j=1,2,...,m),即从减去aj*βj,最终经过构造梯度噪声模板去噪及PCA去噪,即可将梯度噪声消除。
本发明与现有技术相比,具有如下优点与有益效果:
1、可以对信号进行实时去噪,满足了在线实验的数据处理速度要求。
2、无需通过特殊硬件结构来实现去噪功能,只需用普通的核磁共振下脑电放大器即可完成脑电信号的采集,对设备的要求大大降低。
3、经过实时去噪的信号基本将梯度伪迹滤除,相比基于硬件去噪,基于信号处理算法信噪比更高,更好地满足在线实验的信号信噪比需求。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所提供的核磁共振环境下的脑信号在线去噪方法,可以应用在fMRI及EEG混合脑机接口平台中,其包括以下步骤:
1)设计程序框架,程序包含两个主要线程,一个线程负责记录放大器采集的信号,另一个线程负责信号的处理;且对需要进行去噪的每个放大器通道都要单独创建一个线程,负责每个通道信号的并行处理。
2)将采集到的脑电信号进行高通滤波,滤除温漂及脉冲伪迹,滤波器设计得到参数,之后将滤波器参数导出到程序框架的文件中使用。
3)对步骤2)中滤波后的信号进行上采样并对脑电信号与MRI设备发出的标记进行同步,即将每个fMRI扫描切片过程中采集的脑电信号与噪声模板(见步骤4)进行滑动互相关运算,运算结果最大的位移即为同步后调整的位置,得到信号Sh。
4)由于脑电信号是随机信号,梯度噪声则以一个切片扫描时间T为周期,每个周期内该噪声的形状相似,因此可以构造一个滑动窗口来构造梯度噪声模板Aτ,其中τ表示模板的时间序号,基于此模板进行初步去噪,包括以下步骤:
4.1)以N个切片扫描时间长度N*T为滑动窗口的宽度,在脑电信号上边进行移动,将窗口中的信号以T为间隔进行划分,设采样频率为w,即q=T*w个采样点为一个切片间隔的数据长度;
4.2)窗口中的一个切片数据段为将N个进行叠加,再除以N取平均,得到梯度噪声的模板
5)得到新的梯度噪声模板后,将混合着噪声的信号Sh划出一个长度为T*w个点的切片,其中w为采样频率,将梯度噪声模板以最小二乘拟合切片数据,得到拟合参数yτ,从Sh减去yτ*Aτ,得到带有残留伪迹的信号Sr,因为脑电信号是随机信号,可以认为梯度噪声模板中由于多次叠加取平均脑电信号成分趋近于0,使得减去模板后的信号中脑电成分得到完整保留。
6)对步骤5)得到的信号Sr中依然有残留伪迹,对其进行主成分分析(PCA),再将PCA得到各成分与梯度噪声模板进行相关操作,将各成分按照相关程度大小排序,取最大的m个成分作为梯度噪声的最优基βj(j=1,2,...,m),将其以最小二乘拟合Sr,得到拟合参数aj(j=1,2,...,m),从Sr减去N,经过构造梯度噪声模板去噪及PCA去噪,最终可将梯度噪声消除,其具体过程如下:
6.1)类似步骤4),在信号Sr中构造一个PCA滑动窗口,将其以一个切片的时间间隔T划分,即T*w为一个数据段,构造一个PCA样本矩阵Sp*q,其中p为PCA样本的个数,q则为一个样本的维数,即q=T*w,将每个新采集的数据段去平均后存进Sp*q,并删除最早的一个数据段,保持p个样本数;
6.2)对Sp*q转置得到矩阵之后计算矩阵的特征向量vi及特征值σi,则样本的协方差矩阵的特征向量
6.3)将特征向量ui与Sp*q中的最新一个切片数据段作相关运算,将ui按照相关运算的结果从大到小排序,取最大的m个ui作为梯度噪声的最优基βj(j=1,2,...,m),将其以最小二乘拟合得到拟合参数aj(j=1,2,...,m),即从减去aj*βj,最终经过构造梯度噪声模板去噪及PCA去噪,可将梯度噪声消除。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (4)
1.一种核磁共振环境下的脑信号在线去噪方法,其特征在于,包括以下步骤:
1)对采集到的脑电信号进行高通滤波,滤除温漂及脉冲伪迹;
2)对步骤1)中滤波后的信号进行上采样,并对脑电信号与fMRI设备发出的标记进行同步,即将每个fMRI扫描切片过程中采集的脑电信号与下面步骤3)的梯度噪声模板进行滑动互相关运算,运算结果最大的位移即为同步后调整的位置,得到信号Sh;
3)由于脑电信号是随机信号,梯度噪声则以一个切片扫描时间T为周期,每个周期内该噪声的形状相似,因此需要构造一个滑动窗口来构造梯度噪声模板Aτ,其中τ表示模板的时间序号,基于此模板进行初步去噪;
4)得到新的梯度噪声模板后,将混合着噪声的信号Sh划出一个长度为T*w个点的切片,其中w为采样频率,将梯度噪声模板以最小二乘拟合切片数据,得到拟合参数yτ,从Sh减去yτ*Aτ,得到带有残留伪迹的信号Sr;
5)步骤4)得到的信号Sr中依然有残留伪迹,对其进行主成分分析,即PCA,再将PCA得到各成分与梯度噪声模板进行相关操作,将各成分按照相关程度大小排序,取最大的m个成分作为梯度噪声的最优基βj(j=1,2,...,m),将其以最小二乘拟合Sr,得到拟合参数aj(j=1,2,...,m),从Sr减去N,经过构造梯度噪声模板去噪及PCA去噪,最终能够将梯度噪声消除。
2.根据权利要求1所述的一种核磁共振环境下的脑电信号在线去噪方法,其特征在于,在步骤1)之前还要进行如下步骤:
设计程序框架,程序包含两个主要线程,一个线程负责记录放大器采集的信号,另一个线程负责信号的处理,且对需要进行去噪的每个放大器通道都要单独创建一个线程,负责每个通道信号的并行处理。
3.根据权利要求1所述的一种核磁共振环境下的脑电信号在线去噪方法,其特征在于:在步骤3)中,具体处理过程如下:
3.1)以N个切片扫描时间长度N*T为滑动窗口的宽度,在脑电信号上边进行移动,将窗口中的信号以T为间隔进行划分,设采样频率为w,即q=T*w个采样点为一个切片间隔的数据长度;
3.2)窗口中的一个切片数据段为将N个进行叠加,再除以N取平均,得到梯度噪声的模板
4.根据权利要求1所述的一种核磁共振环境下的脑电信号在线去噪方法,其特征在于:在步骤5)中,具体处理过程如下:
5.1)在信号Sr中构造一个PCA滑动窗口,将其以一个切片的时间间隔T划分,即T*w为一个数据段,构造一个PCA样本矩阵其中p为PCA样本的个数,q则为一个样本的维数,即q=T*w,将每个新采集的数据段去平均后存进并删除最早的一个数据段,保持p个样本数;
5.2)对转置得到矩阵之后计算矩阵的特征向量vi及特征值σi,则样本的协方差矩阵的特征向量i=1,2,...,p;
5.3)将特征向量ui与中的最新一个切片数据段作相关运算,将ui按照相关运算的结果从大到小排序,取最大的m个ui作为梯度噪声的最优基βj(j=1,2,...,m),将其以最小二乘拟合得到拟合参数aj(j=1,2,...,m),即从减去aj*βj,最终经过构造梯度噪声模板去噪及PCA去噪,即可将梯度噪声消除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711234707.9A CN107981862B (zh) | 2017-11-30 | 2017-11-30 | 一种核磁共振环境下的脑信号在线去噪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711234707.9A CN107981862B (zh) | 2017-11-30 | 2017-11-30 | 一种核磁共振环境下的脑信号在线去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107981862A true CN107981862A (zh) | 2018-05-04 |
CN107981862B CN107981862B (zh) | 2020-06-19 |
Family
ID=62034517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711234707.9A Active CN107981862B (zh) | 2017-11-30 | 2017-11-30 | 一种核磁共振环境下的脑信号在线去噪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107981862B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109222965A (zh) * | 2018-09-21 | 2019-01-18 | 华南理工大学 | 一种同步EEG-fMRI的在线去伪迹方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104095632A (zh) * | 2013-04-07 | 2014-10-15 | 常州博睿康科技有限公司 | 一种核磁下脑电噪声处理方法 |
CN104905786A (zh) * | 2015-07-02 | 2015-09-16 | 北京师范大学 | 一种心电伪迹在线去除算法 |
US20160100769A1 (en) * | 2014-10-14 | 2016-04-14 | Korea University Research And Business Foundation | Device and method for denoising of electroencephalography signal using segment-based principal component analysis |
CN106859641A (zh) * | 2017-02-20 | 2017-06-20 | 华南理工大学 | 一种基于自动ica去除eeg信号中核磁伪迹的方法 |
CN107260166A (zh) * | 2017-05-26 | 2017-10-20 | 昆明理工大学 | 一种实用化在线脑电伪迹剔除方法 |
-
2017
- 2017-11-30 CN CN201711234707.9A patent/CN107981862B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104095632A (zh) * | 2013-04-07 | 2014-10-15 | 常州博睿康科技有限公司 | 一种核磁下脑电噪声处理方法 |
US20160100769A1 (en) * | 2014-10-14 | 2016-04-14 | Korea University Research And Business Foundation | Device and method for denoising of electroencephalography signal using segment-based principal component analysis |
CN104905786A (zh) * | 2015-07-02 | 2015-09-16 | 北京师范大学 | 一种心电伪迹在线去除算法 |
CN106859641A (zh) * | 2017-02-20 | 2017-06-20 | 华南理工大学 | 一种基于自动ica去除eeg信号中核磁伪迹的方法 |
CN107260166A (zh) * | 2017-05-26 | 2017-10-20 | 昆明理工大学 | 一种实用化在线脑电伪迹剔除方法 |
Non-Patent Citations (4)
Title |
---|
FRÉDÉRIC GROUILLER,ET AL.: "A comparative study of different artefact removal algorithms for EEG signals acquired during functional MRI", 《NEUROIMAGE》 * |
MICHIRO NEGISHI,ET AL: "Removal of time-varying gradient artifacts from EEG data acquired during continuous fMRI", 《CLINICAL NEUROPHYSIOLOGY》 * |
R.K.NIAZY,ET AL.: "Removal of FMRI environment artifacts from EEG data using optimal basis sets", 《NEUROIMAGE》 * |
XIA WU,ET AL.: "A real-time method to reduce ballistocardiogramartifacts from EEG during fMRI based on optimalbasis sets (OBS)", 《COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109222965A (zh) * | 2018-09-21 | 2019-01-18 | 华南理工大学 | 一种同步EEG-fMRI的在线去伪迹方法 |
CN109222965B (zh) * | 2018-09-21 | 2021-05-14 | 华南理工大学 | 一种同步EEG-fMRI的在线去伪迹方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN107981862B (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Unser et al. | A review of wavelets in biomedical applications | |
Shakil et al. | Evaluation of sliding window correlation performance for characterizing dynamic functional connectivity and brain states | |
CN110269600B (zh) | 基于多元经验模态分解与联合盲源分离的非接触式视频心率检测方法 | |
CN109222965B (zh) | 一种同步EEG-fMRI的在线去伪迹方法 | |
US9542763B2 (en) | Systems and methods for fast reconstruction for quantitative susceptibility mapping using magnetic resonance imaging | |
US10249065B2 (en) | Method and device for magnetic resonance imaging with improved sensitivity by noise reduction | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
US20030210047A1 (en) | Filtering artifact from fMRI data using the Stockwell transform | |
Shakil et al. | Parametric dependencies of sliding window correlation | |
Sui et al. | Randomized spatial downsampling-based Cauchy-RPCA clutter filtering for high-resolution ultrafast ultrasound microvasculature imaging and functional imaging | |
Lamoš et al. | Spatial-temporal-spectral EEG patterns of BOLD functional network connectivity dynamics | |
CN107981862A (zh) | 一种核磁共振环境下的脑信号在线去噪方法 | |
Dumoulin et al. | Contour extracting networks in early extrastriate cortex | |
Singh et al. | Exploring the non-local similarity present in variational mode functions for effective ECG denoising | |
CN108596879B (zh) | 一种基于希尔伯特黄变换的fMRI时频域动态网络构建方法 | |
Turnip | Automatic artifacts removal of EEG signals using robust principal component analysis | |
Schmidt et al. | Filtering of ECG signals distorted by magnetic field gradients during MRI using non-linear filters and higher-order statistics | |
Baraldi et al. | An ARX model-based approach to trial by trial identification of fMRI-BOLD responses | |
Kaushal et al. | Better approach for denoising EEG signals | |
Collura | Real-time filtering for the estimation of steady-state visual evoked brain potentials | |
JP2017516590A (ja) | 微細構造解析データのデータ品質を評価し向上させる方法 | |
Bandyopadhyay | Image enhancement technique applied to low-field MR brain images | |
Nasser et al. | fMRI and Artifact computation and Analysis | |
CN113040789B (zh) | 一种同步EEG-fMRI数据采集中核磁伪迹的在线去除方法 | |
Rodríguez-González et al. | High frequential resolution networks: Considerations on a new functional brain connectivity framework |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220325 Address after: 510530 No. 39, Ruihe Road, Huangpu District, Guangzhou, Guangdong Patentee after: Guangzhou Guangda Innovation Technology Co.,Ltd. Address before: 511458 Guangdong, Guangzhou, Nansha District, 25 South Road, South China Road, Guangzhou, China Patentee before: SOUTH CHINA University OF TECHNOLOGY |