CN112294339A - 基于种群多样性控制的脑电源定位方法、系统及设备 - Google Patents
基于种群多样性控制的脑电源定位方法、系统及设备 Download PDFInfo
- Publication number
- CN112294339A CN112294339A CN202011096444.1A CN202011096444A CN112294339A CN 112294339 A CN112294339 A CN 112294339A CN 202011096444 A CN202011096444 A CN 202011096444A CN 112294339 A CN112294339 A CN 112294339A
- Authority
- CN
- China
- Prior art keywords
- model
- algorithm
- personalized
- population diversity
- source
- 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
Images
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明公开了一种基于种群多样性控制的脑电源定位方法、系统及设备,基于患者的个性化MRI,构建患者的个性化真实头模型与源模型。通过基准点法实现EEG‑MRI的粗略配准,通过对电极位置手动微调,实现EEG‑MRI的精细配准,降低空间模型产生的误差。基于配准后的空间信息,建立体积传导模型,计算正向传导矩阵,进而建立源定位数学模型,为降低计算复杂度,对源定位数学模型进行线性与非线性参数分离。面对逆问题的不适定性与病态性,提出一种基于种群多样性控制的量子粒子群算法(DQPSO),通过控制算法的种群多样性,使算法迭代后期仍然能够保持较高的全局遍历寻优能力,进而提高算法收敛到全局最优的概率,保证高定位精度。
Description
技术领域
本发明涉及生物医学技术领域,具体涉及一种基于种群多样性控制的脑电源定位方法、系统及设备。
背景技术
大脑神经活动时,伴随着电荷、电流的运动,外在表现形式为头皮表面采集到的脑电(EEG)。脑电源定位,就是通过头皮电位的测量数据反向推演脑内神经活动源分布,也即脑电逆问题。常用的方法之一是偶极子定位法,核心思想是假想脑内神经活动分布可以用有限个电流偶极子近似,一般为一到两个。源定位则是通过头皮电位推算出产生颅外电场的等效电流偶极子源的位置与强度信息。脑电逆问题一经提出便受到广泛关注,具备很高的科学价值及临床应用价值,有助于脑科学的研究及脑部疾病的诊断。
目前,临床非侵入性诊断脑部疾病通常需要结合病人的发作状态及多模态医学成像技术进行综合判断,一种是基于脑结构成像(如磁共振成像,MRI;计算机断层扫描,CT)的方法,该方法对形态学异常较为敏感,但对于脑功能异常,敏感性不高,而且脑功能异常往往早于脑结构异常。第二种是基于脑功能成像(如正电子发射体层摄影术,PET;功能磁共振成像,fMRI)的方法,以上两种方法时间分辨率较低,通常在1s左右,而且往往对人体存在一定损伤,如强磁场会对人体带来辐射作用,尤其对于孕妇和儿童。以上方法优点是空间分辨率较高,可达1-10mm左右。第三种是基于神经电生理学原理(EEG、MEG)的方法,该方法相比以上技术,时间分辨率高,通常在1ms左右,同时对人体完全无创无损,但空间分辨率不及以上技术。因此,通过脑电源定位技术,联合个性化的脑结构MRI提供的高空间分辨率和EEG提供的高时间分辨率,能够实现个性化高时空分辨率的病灶定位。
脑电源定位因其不适定性及病态性成为一个极具挑战性的研究课题。不适定性意味着解是不唯一的,无数颅内源分布对应着给定的颅外脑电分布,导致脑电逆问题属于多峰值问题。病态性意味着解空间的敏感性,微小的扰动都会带来解空间的剧烈震荡,而脑电在测量过程中易混入噪声,导致了解空间的复杂性。大多数非线性优化方法在面对多峰值问题时,缺乏跳出局部极值的能力,在面对解空间的震荡性时,缺乏空间遍历能力,容易出现早熟收敛,陷入局部极值,尤其在面对复杂的真实头模型时,定位精度较低。
发明内容
本发明为了解决上述技术问题,提出了如下技术方案:
第一方面,本发明提供了一种基于种群多样性控制的脑电源定位方法,所述方法包括以下步骤:
1)基于患者的个性化MRI,进行脑组织分割,通过三维重建获得患者的个性化头模型与源模型,通过坐标转换配准个性化头模与个性化源模;
2)建立EEG标准电极布置的几何模型,基于基准点法实现EEG标准电极模型与个性化MRI的自动粗略配准,再通过手动微调电极位置实现EEG标准电极模型与个性化MRI的精细配准;
3)构建体积传导空间模型,利用边界元法或有限元法计算正向传导矩阵;
4)建立源定位问题的数学模型并通过参数分离对源定位问题的数学模型进行降维;
5)假设电流偶极子源数目,初始化算法粒子数量和迭代次数,在解空间内均匀初始化粒子位置,利用基于种群多样性的量子粒子群算法:DQPSO进行全局搜索,引入种群多样性指标并设置种群多样性下限,根据种群多样性更新算法的收缩扩张因子,获得源定位结果。
采用上述实现方式,为保证源定位的真实性与准确性,基于患者的MRI建立个性化的真实头模型。为降低计算复杂度,对脑电源定位数学模型进行了参数分离。面对脑电逆问题的不适定性与病态性,提出一种基于种群多样性控制的DQPSO算法,在算法迭代后期仍然能够保持较高的种群多样性,进一步提高算法的全局寻优能力与空间遍历能力,提高算法收敛到全局最优的概率,保证高定位精度。
优选的是,所述步骤1)具体包括:
1-1)利用脑组织分割算法,包含但不限于基于阈值的脑组织分割算法、区域生长脑组织分割算法,对患者的个性化MRI进行分割,获得患者的头皮、颅骨、大脑;通过在上述组织类型的边界处创建由三角面片顶点相连接成的表面,获得患者的个性化头模型;
1-2)通过磁共振图像自动分割算法,包含但不限于基于统计学的脑组织分割算法、基于马尔科夫随机场模型的脑组织分割算法,对患者的个性化MRI进行分割,获得灰质、白质和脑脊液,通过磁共振三维重建算法,包含但不限于面绘制方法中的二维轮廓线重构三维形体和移动立方体法,获得个性化源模;
1-3)通过坐标转换,将个性化头模与源模配准到同一坐标系下。
优选的是,所述步骤2)具体包括:
2-1)参照10-20,10-10,10-5多个标准电极模板及其21,32,64,128,256多种排列方式,建立EEG标准电极布置的几何模型;
2-2)选取EEG标准电极布置几何模型上至少三个电极作为基准电极,选取个性化MRI上的相同位置作为基准点,包含但不限于鼻根、左耳、右耳,将基准电极与基准点对齐,实现EEG标准电极模型与个性化MRI的自动粗略配准;
2-3)通过手动矫正,微调电极位置,包括平移、旋转、缩放,实现EEG标准电极模型与个性化MRI的手动精细配准。
优选的是,所述步骤3)具体为:
基于患者个性化头模、个性化源模和电极位置信息,构建体积传导空间模型;
利用边界元法或有限元法计算正向体积传导矩阵。
优选的是,所述步骤4)具体包括:
4-1)建立源定位模型如下:
其中,V表示测得的头皮脑电强度,A为是关于偶极子位置的传导矩阵(所述步骤3)计算得到的正向体积传导矩阵),X为偶极子强度参数;
4-2)通过将偶极子的线性和非线性参数分离,简化问题数学模型的维度与复杂度:假设已知位置X,要使J最小,须有最优偶极子强度X*=A*V,A*为Moore-Penrose伪逆,则源定位模型转化为:
优选的是,所述步骤5)具体包括:
5-1)假设电流偶极子源数目,设置算法粒子数量和算法迭代次数,利用均匀概率密度函数在解空间内随机初始化DQPSO的粒子位置矩阵;
5-2)依据上述步骤4-2得到的源定位模型J,评估粒子的适应度值;
5-3)比较当前粒子的适应度值与个体最优的适应度值,决定个体最优位置;
5-4)比较当前粒子的适应度与全局最优的适应度值,决定全局最优位置;
5-5)引入种群多样性思想,评估算法的种群多样性div,根据种群多样性更新收缩扩张因子;
5-6)依据粒子位置受到主流思想点的吸引对粒子位置进行更新;
5-7)设置终止条件为达到最大迭代次数即停止迭代,若不满足终止条件,则返回上述步骤5-2),循环迭代,直到满足终止条件,获得源定位结果。
第二方面,本发明提供了一种基于种群多样性控制的脑电源定位系统,所述系统采用如上所述的方法进行脑电源定位,该系统包括:
模型构建模块,其用于实现:基于患者的个性化MRI,进行脑组织分割,重建患者的头模型与源模型,通过坐标转换配准个性化头模与个性化源模;
配准模块,其用于实现:建立EEG标准电极布置的几何模型,先基于基准点法EEG标准电极模型与个性化MRI的自动粗略配准,再通过手动微调电极位置实现EEG标准电极模型与个性化MRI的精细配准;
计算模块,其用于构建体积传导空间模型,利用边界元法或有限元法计算正向传导矩阵;
数学模型建立与降维模块,其用于建立源定位问题数学模型并通过参数分离对所述问题数学模型进行降维;
源定位模块,其用于实现:假设电流偶极子源数目,初始化算法粒子数量和迭代次数,在解空间内均匀初始化粒子位置,利用DQPSO进行全局搜索,引入种群多样性指标并设置种群多样性下限,根据种群多样性更新算法的收缩扩张因子,获得源定位结果。
第三方面,本发明实施例提供了一种设备,包括:处理器;存储器,用于存储计算机可执行指令;当所述处理器执行所述计算机可执行指令时,所述处理器执行如上所述的基于种群多样性控制的脑电源定位方法。
本发明的有益效果是:本发明提供了一种基于种群多样性控制的量子粒子群算法结合真实头模型的的个性化源定位方法,通过基于患者的MRI建立个性化的真实头模型,能保证源定位的真实性与准确性;通过对脑电源定位数学模型进行了参数分离,降低了计算复杂度;通过基于种群多样性控制的QPSO算法(DQPSO),在算法迭代后期仍然能够保持较高的种群多样性,能进一步提高算法的全局寻优能力与空间遍历能力,提高算法收敛到全局最优的概率,保证高定位精度。
附图说明
图1为本发明实施例提供的一种基于种群多样性控制的脑电源定位方法的流程示意图;
图2为本发明实施例提供的个性化头模型与源模型示意图;
图3为本发明实施例提供的EEG标准电极布置几何模型示意图;
图4为本发明实施例提供的EEG-MRI精细配准过程示意图;
图5为本发明实施例提供的EEG-MRI配准结果示意图;
图6为本发明实施例提供的仿真的癫痫信号示意图;
图7为本发明实施例提供的癫痫灶的定位结果示意图;
图8为本发明实施例提供的不同算法种群多样性对比示意图;
图9为本发明实施例提供的一种基于种群多样性控制的脑电源定位系统的示意图;
图10为本发明实施例提供的一种设备的示意图。
具体实施方式
下面结合附图与具体实施方式对本方案进行阐述。
本实施例提供了一种基于种群多样性控制的量子粒子群算法结合真实头模型的个性化源定位技术,为保证源定位的真实性与准确性,本发明基于患者的MRI建立个性化的真实头模型;为降低计算复杂度,本发明对脑电源定位数学模型进行了参数分离;面对脑电逆问题的不适定性与病态性,本发明提出一种基于种群多样性控制的QPSO算法(DQPSO),在算法迭代后期仍然能够保持较高的种群多样性,进一步提高算法的全局寻优能力与空间遍历能力,提高算法收敛到全局最优的概率,保证高定位精度。
本发明中,首先,基于患者的个性化MRI,通过组织分割与重建,构建患者的个性化真实头模型与源模型,通过坐标变换,实现头模与源模的配准,保证大脑空间信息的真实性与准确性。然后通过基准点法实现MRI与EEG的配准,在此基础上通过对电极位置进行微调,实现MRI-EEG的手动配准。通过自动配准联合手动配准的方式,降低大脑空间模型产生的误差。在以上基础上建立体积传导模型,获得正向传导矩阵,进而建立源定位数学模型,通过参数分离对模型进行降维处理,降低计算复杂度。提出一种DQPSO算法,引入种群多样性的概念,表征算法中粒子在解空间中的离散度,通过种群多样性与收缩扩张因子的相互作用,使算法迭代过程中始终保持较高的种群多样性,粒子在解空间中离散度始终较高,提高算法找到全局最优的概率。最终,利用改进后的DQPSO算法对上述源定位模型进行寻优,获得真实准确的源定位。
DQPSO算法是在量子粒子群算法(QPSO)基础上提出的,核心思想源于量子力学。DQPSO算法认为粒子具有量子行为,位置与速度不能同时被确定。其中,每个个体用量子空间内的粒子来描述,粒子只有位置信息,在某位置出现的概率由波函数决定,具有很强的随机性,进化轨迹因此而不确定,全局寻优能力更强,尤其对于复杂非线性系统。同时,DQPSO算法引入种群多样性指标,通过控制算法的种群多样性,使其在整个迭代过程中都保持较强的全局遍历能力。除此之外,DQPSO还具有参数少易控制等优势。目前,尚未有相关研究将DQPSO应用于脑电源定位问题。
在DQPSO算法中,粒子的状态信息用波函数ψ(x,t)表示,决定着粒子出现在某一位置的概率。第t+1次迭代粒子k第d维的波函数可表示为
x代表粒子位置,pbest代表个体最优位置。依照波函数的统计数据,可以通过概率密度函数|ψ(x,t)|2获得到粒子出现在某一位置的概率
同样,可以获得粒子位置的概率分布函数,形式如下
根据蒙特卡洛算法,第t+1次迭代时第k个粒子第d维的位置为:
其中,β被称为收缩扩张因子,影响着算法的收敛速度与收敛精度。β越大,算法全局寻优能力强;β越小,算法局部寻优能力强。L代表DQPSO算法的想象与创新能力,受到收缩扩张因子的影响,L越大,算法创新能力越强。每一维都有一个平均最优点(称为主流思想点),以第d维为例
综上,粒子位置的更新公式可以写作:
本发明实施例中,为提高算法性能,解决脑电源定位问题的上述难点,引入种群多样性指标div:
本发明实施例中,为DQPSO算法的种群多样性设置一个下限,取0.01,当种群多样性高于该值时,为平衡全局搜索能力与局部搜索能力,同时在迭代前期强化全局遍历能力,收缩扩张因子采取从1到0.5的非线性递减策略。
当种群多样性小于该值时,将算法的收缩扩张因子设为2。通过种群多样性与收缩扩张因子的相互作用,控制算法迭代过程中种群多样性始终保持较高水平。综上,本实施例中算法的收缩扩张因子采取的策略如下,也就是本实施例中所提出的基于种群多样性的量子粒子群算法(DQPSO)。
实施例1
参见图1为本发明实施例提供的一种基于种群多样性控制的脑电源定位方法的流程示意图,该方法包括以下步骤:
S1)基于患者的个性化MRI,进行脑组织分割,通过三维重建获得患者的个性化头模型与源模型,通过坐标转换配准个性化头模与个性化源模:
具体包括:
1-1)利用脑组织分割算法,包含但不限于基于阈值的脑组织分割算法、区域生长脑组织分割算法,对患者的个性化MRI进行分割,获得患者的头皮、颅骨、大脑;通过在上述组织类型的边界处创建由三角面片顶点相连接成的表面,获得患者的个性化头模型,如图2;
1-2)通过磁共振图像自动分割算法,包含但不限于基于统计学的脑组织分割算法、基于马尔科夫随机场模型的脑组织分割算法,对患者的个性化MRI进行分割,获得灰质、白质和脑脊液,通过磁共振三维重建算法,包含但不限于面绘制方法中的二维轮廓线重构三维形体和移动立方体法,获得个性化源模,如图2;
1-3)通过坐标转换,将个性化头模与源模配准到同一坐标系下。
S2)建立EEG标准电极布置的几何模型,基于基准点法实现EEG标准电极模型与个性化MRI的自动粗略配准(EEG-MRI自动粗配准),再通过手动微调电极位置实现EEG标准电极模型与个性化MRI的精细配准(EEG-MRI精细配准)。
具体包括:
2-1)参照10-20,10-10,10-5多个标准电极模板及其21,32,64,128,256多种排列方式,建立EEG标准电极布置的几何模型,如图3;
2-2)选取EEG标准电极布置几何模型上至少三个电极作为基准电极,选取个性化MRI上的相同位置作为基准点,包含但不限于鼻根、左耳、右耳,将基准电极与基准点对齐,实现EEG标准电极模型与个性化MRI的自动粗略配准;
2-3)通过手动矫正,微调电极位置,如图4,包括平移、旋转、缩放,实现EEG标准电极模型与个性化MRI的手动精细配准,配准结果如图5。
S3)构建体积传导空间模型,利用边界元法或有限元法计算正向传导矩阵:
具体为:
基于患者个性化头模、个性化源模及电极位置等信息,构建体积传导空间模型,利用边界元法或有限元法计算正向体积传导矩阵。在不同电导区域的交界面上构造的小三角元Δi,i=1,2,...,n,设每个Δi上电势相等,记为Vi。计算某两个相邻区域交界面上的小三角元Δm,有
上式中和分别表示交界面内侧及外侧的电导率,由于右边第一项对所有的小三角元上电势计算都形式相同,故计为右边第二项的积分区域遍及所有相邻区域Gi,Gj的交界面Sij上,由于Sij也划分为若干个三角元Δi,所以上式右边第二项积分有
表示对Sij上所有的三角元求和,ΔΩim表示第i个三角元对Δm所张立体角。上式化为
对于m=1,2,...,n,上式为一组线性方程组,形式如下
V=BV+g
AV=g
对于分层均匀的导体,设导体外电导率为零,可得由此可知,矩阵A非满秩,上式的解不唯一。为了获得唯一解,采用消涨法(deflation)。物理意义是当无源存在时,各点电势为零。具体处理方式是用另一个n×n维方阵D代替A,令D的矩阵元Dmi=Ami+1/n,n为总三角元数。上式化为DV=g,因D是满秩的,所以方程组有唯一解,从而获得各三角元的电势。
S4)建立源定位问题的数学模型并通过参数分离对源定位问题的数学模型进行降维:
具体包括:
4-1)假设人脑活动是很多在空间上有一定分布的偶极子电流,位置和空间方向不变,强度随时间变化。建立源定位模型如下:
其中,V表示测得的头皮脑电强度,A为是关于偶极子位置的传导矩阵(即所述步骤3)计算得到的正向体积传导矩阵),X为偶极子强度参数;方程数远超过未知数个数,因此脑电源定位是一个超定问题,解是不唯一的,只能搜索最优解。因头皮电位V是偶极子强度的线性函数,是偶极子位置的非线性函数,因此本实施例通过将偶极子的线性和非线性参数分离,简化问题的维度与复杂度。
4-2)通过将偶极子的线性和非线性参数分离,简化问题数学模型的维度与复杂度:假设已知位置X,要使J最小,须有最优偶极子强度X*=A*V,A*为Moore-Penrose伪逆,则源定位模型转化为:
如此以来,线性参数X即从目标函数中分离出去,对源定位问题的求解变成寻找最优的非线性参数A,从而降低问题的维度,提高计算效率与迭代速度。
S5)假设电流偶极子源数目,初始化算法粒子数量和迭代次数,在解空间内均匀初始化粒子位置,利用基于种群多样性的量子粒子群算法:DQPSO进行全局搜索,引入种群多样性指标并设置种群多样性下限,根据种群多样性更新算法的收缩扩张因子,获得源定位结果。
5-1)初始化:利用均匀概率密度函数在解空间内随机初始化DQPSO的粒子位置矩阵;
5-3)个体位置更新:比较当前粒子的适应度与个体最优(pbest)的适应度值,决定个体最优位置,具体方式如下:
5-4)全局位置更新:比较当前粒子的适应度与全局最优(gbest)的适应度值,决定全局最优位置,具体方式如下:
5-5)收缩扩张因子更新:引入种群多样性评估算法的种群多样性div,设置种群多样性下限为0.01,当种群多样性高于该值时,为平衡全局搜索能力与局部搜索能力,同时在迭代前期强化全局遍历能力,收缩扩张因子采取从1到0.5的非线性递减策略。当种群多样性小于该值时,将算法的收缩扩张因子设为2。具体更新方式如下:
5-6)粒子位置更新:粒子位置受到主流思想点(mbestd)的吸引,具体更新方式如下:
5-7)循环迭代:设置终止条件为达到最大迭代次数3000,即停止迭代,若不满足终止条件,则返回上述步骤5-2)重新评估,循环迭代,直到满足终止条件,获得源定位问题的解。
实施例2
本实施例以癫痫灶的定位为例,测试所提出的源定位方法的有效性。下图6为仿真的癫痫棘波信号,长度为1s,采样频率为1024Hz,设置棘波时刻为512ms,持续时间大约30ms。
假设电流偶极子源数量为2,利用不同算法计算50次,仿真灶点与实际定位灶点位置误差为0,则视为定位成功,表1为不同算法定位结果对比。
表1不同算法定位效果对比
由表1中可见,本实施例所提出的算法无论是定位精度还是鲁棒性,均优于其它同类算法,定位成功率也大大提高,图7为利用本实施例所提出的源定位方法实现的癫痫灶的定位结果示意图。
通过图8对比不同算法的种群多样性可见,本实施例所提出的算法即使是在迭代后期,种群多样性依然保持在较高水平,说明粒子在解空间中的离散度较高,算法全局寻优与遍历能力更强。而其它同类算法只是在迭代初期种群多样性较高,随着迭代的进行,均不可避免的出现种群多样性的丧失,导致算法后期容易陷入局部最优,全局搜索能力弱。综上,通过对癫痫灶源定位的测试,体现出本实施例所提出的算法的优越性。
实施例3
与上述实施例1提供的一种基于种群多样性控制的脑电源定位方法相对应,本实施例还提供了一种基于种群多样性控制的脑电源定位系统,参见图9,基于种群多样性控制的脑电源定位系统20包括:模型构建模块201、配准模块202、计算模块203、数学模型建立与降维模块204和源定位模块205。
所述模型构建模块201,其用于实现:基于患者的个性化MRI,进行脑组织分割,重建患者的头模型与源模型,通过坐标转换配准个性化头模与个性化源模;
所述模型构建模块201包括第一分割单元、第二分割单元和获取单元。所述第一分割单元脑组织分割算法,包含但不限于基于阈值的脑组织分割算法、区域生长脑组织分割算法,对患者的个性化MRI进行分割,获得患者的头皮、颅骨、大脑。所述第二分割单元通过磁共振图像自动分割算法,包含但不限于基于统计学的脑组织分割算法、基于马尔科夫随机场模型的脑组织分割算法,对患者的个性化MRI进行分割,获得灰质、白质和脑脊液。所述获取单元通过在头皮、颅骨、大脑的边界处创建由三角面片顶点相连接成的表面,获得患者的个性化头模型,通过面绘制方法中的二维轮廓线重构三维形体和移动立方体法对灰质、白质和脑脊液进行三维重建,获得患者的个性化源模型,通过将二者配准到同一坐标系下,获得患者的个性化大脑空间模型。
所述配准模块202,其用于实现:建立EEG标准电极布置的几何模型,先基于基准点法EEG标准电极模型与个性化MRI的自动粗略配准,再通过手动微调电极位置实现EEG标准电极模型与个性化MRI的精细配准。
所述配准模块202包括电极模型构建单元、粗略配准单元、精细配准单元。所述电极模型构建单元用于参照10-20,10-10,10-5多个标准电极模板及其21,32,64,128,256多种排列方式,建立EEG标准电极布置的几何模型。所述粗略配准单元用于选取EEG标准电极布置几何模型上至少三个电极作为基准电极,选取个性化MRI上的相同位置作为基准点,包含但不限于鼻根、左耳、右耳,将基准电极与基准点对齐,实现EEG-MRI的自动粗略配准。所述精细配准单元用于通过手动矫正,微调电极位置,包括平移、旋转、缩放,实现EEG-MRI的手动精细配准。
所述计算模块203,用于构建体积传导空间模型,利用边界元法计算正向传导矩阵。
所述计算模块203包括空间模型构建单元和计算单元。所述空间模型构建单元用于基于患者个性化头模、个性化源模以及矫正后的电极位置信息,构建体积传导空间模型。所述计算单元用于利用边界元法或有限元法计算正向体积传导矩阵。
所述数学模型建立与降维模块204,用于建立源定位问题数学模型并通过参数分离对所述问题数学模型进行降维。
所述数学模型建立与降维模块204包括数学模型建立单元和数学模型降维单元。所述数学模型建立单元用于建立源定位模型如下:
其中,V表示测得的头皮脑电强度,A为是关于偶极子位置的传导矩阵,X为偶极子强度参数。所述数学模型降维单元用于通过将偶极子的线性和非线性参数分离,简化问题数学模型的维度与复杂度。
所述源定位模块205,其用于实现:假设电流偶极子源数目,初始化算法粒子数量和迭代次数,在解空间内均匀初始化粒子位置,利用DQPSO进行全局搜索,引入种群多样性指标并设置种群多样性下限,根据种群多样性更新算法的收缩扩张因子,获得源定位结果。
所述源定位模块205包括:初始化单元、评估单元、个体位置更新单元、全局位置更新单元、收缩扩张因子更新单元、粒子位置更新单元和循环迭代单元。
所述初始化单元用于假设电流偶极子源数目,设置算法粒子数量和算法迭代次数,利用均匀概率密度函数在解空间内随机初始化DQPSO的粒子位置矩阵。所述评估单元用于依据上述适应度函数J,评估粒子的适应度值。所述个体位置更新单元用于比较当前粒子的适应度与个体最优的适应度值,决定个体最优位置。所述全局位置更新单元用于比较当前粒子的适应度与全局最优的适应度值,决定全局最优位置。所述收缩扩张因子更新单元用于引入种群多样性指标并设置种群多样性下限,评估算法的种群多样性,根据种群多样性更新收缩扩张因子。所述粒子位置更新单元用于粒子位置受到主流思想点的吸引对粒子位置进行更新。所述循环迭代单元用于设置终止条件为达到最大迭代次数即停止迭代,若不满足终止条件,则重新评估粒子的适应度值,循环迭代,直到满足终止条件,获得源定位结果。
实施例4
本发明实施例还提供了一种设备,参见图10,设备30包括:处理器301、存储器302和通信接口303。
在图10中,处理器301、存储器302和通信接口303可以通过总线相互连接;总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器301通常是控制设备30的整体功能,例如设备30的启动、以及设备启动后基于患者的个性化MRI,进行脑组织分割,重建患者的头模型与源模型并通过坐标转换对它们进行配准;参照10-20,10-10,10-5多种标准电极模板及其多种排列方式,建立EEG标准电极布置的几何模型,基于基准点法实现EEG-MRI的自动配准,通过手动微调电极位置实现EEG-MRI精细配准;构建体积传导空间模型,利用边界元法或有限元法计算正向传导矩阵;建立源定位问题数学模型,并通过线性与非线性参数分离对数学模型进行降维;假设电流偶极子源数目,指定算法粒子数量与迭代次数,在解空间内均匀初始化粒子位置,利用DQPSO算法进行全局搜索,根据种群多样性更新算法的收缩扩张因子,获得源定位结果。
此外,处理器301可以是通用处理器,例如,中央处理器(英文:centralprocessing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。处理器也可以是微处理器(MCU)。处理器还可以包括硬件芯片。上述硬件芯片可以是专用集成电路(ASIC),可编程逻辑器件(PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(CPLD),现场可编程逻辑门阵列(FPGA)等。
存储器302被配置为存储计算机可执行指令以支持设备30数据的操作。存储器301可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
启动设备30后,处理器301和存储器302上电,处理器301读取并执行存储在存储器302内的计算机可执行指令,以完成上述基于种群多样性控制的脑电源定位方法实施例中的全部或部分步骤。
通信接口303用于设备30传输数据,例如实现与其他设备之间的数据通信。通信接口303包括有线通信接口,还可以包括无线通信接口。其中,有线通信接口包括USB接口、Micro USB接口,还可以包括以太网接口。无线通信接口可以为WLAN接口,蜂窝网络通信接口或其组合等。
在一个示意性实施例中,本发明实施例提供的设备30还包括电源组件,电源组件为设备30的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为设备30生成、管理和分配电力相关联的组件。
通信组件,通信组件被配置为便于设备30和其他设备之间有线或无线方式的通信。设备30可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
本发明说明书中各个实施例之间相同相似的部分互相参见即可。尤其,对于系统及设备实施例而言,由于其中的方法基本相似于方法的实施例,所以描述的比较简单,相关之处参见方法实施例中的说明即可。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
当然,上述说明也并不仅限于上述举例,本发明未经描述的技术特征可以通过或采用现有技术实现,在此不再赘述;以上实施例及附图仅用于说明本发明的技术方案并非是对本发明的限制,如来替代,本发明仅结合并参照优选的实施方式进行了详细说明,本领域的普通技术人员应当理解,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换都不脱离本发明的宗旨,也应属于本发明的权利要求保护范围。
Claims (8)
1.一种基于种群多样性控制的脑电源定位方法,其特征在于,所述方法包括以下步骤:
1)基于患者的个性化MRI,进行脑组织分割,通过三维重建获得患者的个性化头模型与源模型,通过坐标转换配准个性化头模与个性化源模;
2)建立EEG标准电极布置的几何模型,基于基准点法实现EEG标准电极模型与个性化MRI的自动粗略配准,再通过手动微调电极位置实现EEG标准电极模型与个性化MRI的精细配准;
3)构建体积传导空间模型,利用边界元法或有限元法计算正向传导矩阵;
4)建立源定位问题的数学模型并通过参数分离对源定位问题的数学模型进行降维;
5)假设电流偶极子源数目,初始化算法粒子数量和迭代次数,在解空间内均匀初始化粒子位置,利用基于种群多样性的量子粒子群算法:DQPSO进行全局搜索,引入种群多样性指标并设置种群多样性下限,根据种群多样性更新算法的收缩扩张因子,获得源定位结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤1)具体包括:
1-1)利用脑组织分割算法,包含但不限于基于阈值的脑组织分割算法、区域生长脑组织分割算法,对患者的个性化MRI进行分割,获得患者的头皮、颅骨、大脑;通过在上述组织类型的边界处创建由三角面片顶点相连接成的表面,获得患者的个性化头模型;
1-2)通过磁共振图像自动分割算法,包含但不限于基于统计学的脑组织分割算法、基于马尔科夫随机场模型的脑组织分割算法,对患者的个性化MRI进行分割,获得灰质、白质和脑脊液,通过磁共振三维重建算法,包含但不限于面绘制方法中的二维轮廓线重构三维形体和移动立方体法,获得个性化源模;
1-3)通过坐标转换,将个性化头模与源模配准到同一坐标系下。
3.根据权利要求2所述的方法,其特征在于,所述步骤2)具体包括:
2-1)参照10-20,10-10,10-5多个标准电极模板及其21,32,64,128,256多种排列方式,建立EEG标准电极布置的几何模型;
2-2)选取EEG标准电极布置几何模型上至少三个电极作为基准电极,选取个性化MRI上的相同位置作为基准点,包含但不限于鼻根、左耳、右耳,将基准电极与基准点对齐,实现EEG标准电极模型与个性化MRI的自动粗略配准;
2-3)通过手动矫正,微调电极位置,包括平移、旋转、缩放,实现EEG标准电极模型与个性化MRI的手动精细配准。
4.根据权利要求3所述的方法,其特征在于,所述步骤3)具体为:
基于患者个性化头模、个性化源模和电极位置信息,构建体积传导空间模型;
利用边界元法或有限元法计算正向体积传导矩阵。
6.根据权利要求5所述的方法,其特征在于,所述步骤5)具体包括:
5-1)假设电流偶极子源数目,设置算法粒子数量和算法迭代次数,利用均匀概率密度函数在解空间内随机初始化DQPSO的粒子位置矩阵;
5-2)依据上述步骤4-2得到的源定位模型J,评估粒子的适应度值;
5-3)比较当前粒子的适应度值与个体最优的适应度值,决定个体最优位置;
5-4)比较当前粒子的适应度与全局最优的适应度值,决定全局最优位置;
5-5)引入种群多样性思想,评估算法的种群多样性div,根据种群多样性更新收缩扩张因子;
5-6)依据粒子位置受到主流思想点的吸引对粒子位置进行更新;
5-7)设置终止条件为达到最大迭代次数即停止迭代,若不满足终止条件,则返回上述步骤5-2),循环迭代,直到满足终止条件,获得源定位结果。
7.一种基于种群多样性控制的脑电源定位系统,其特征在于,所述系统采用如权利要求1-6中任意一项所述的方法进行脑电源定位,该系统包括:
模型构建模块,其用于实现:基于患者的个性化MRI,进行脑组织分割,重建患者的头模型与源模型,通过坐标转换配准个性化头模与个性化源模;
配准模块,其用于实现:建立EEG标准电极布置的几何模型,先基于基准点法EEG标准电极模型与个性化MRI的自动粗略配准,再通过手动微调电极位置实现EEG标准电极模型与个性化MRI的精细配准;
计算模块,其用于构建体积传导空间模型,利用边界元法或有限元法计算正向传导矩阵;
数学模型建立与降维模块,其用于建立源定位问题数学模型并通过参数分离对所述问题数学模型进行降维;
源定位模块,其用于实现:假设电流偶极子源数目,初始化算法粒子数量和迭代次数,在解空间内均匀初始化粒子位置,利用DQPSO进行全局搜索,引入种群多样性指标并设置种群多样性下限,根据种群多样性更新算法的收缩扩张因子,获得源定位结果。
8.一种设备,其特征在于,包括:
处理器;
存储器,用于存储计算机可执行指令;
当所述处理器执行所述计算机可执行指令时,所述处理器执行权利要求1-6中任一项所述的基于种群多样性控制的脑电源定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096444.1A CN112294339B (zh) | 2020-10-14 | 2020-10-14 | 基于种群多样性控制的脑电源定位方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011096444.1A CN112294339B (zh) | 2020-10-14 | 2020-10-14 | 基于种群多样性控制的脑电源定位方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112294339A true CN112294339A (zh) | 2021-02-02 |
CN112294339B CN112294339B (zh) | 2022-12-09 |
Family
ID=74488409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011096444.1A Active CN112294339B (zh) | 2020-10-14 | 2020-10-14 | 基于种群多样性控制的脑电源定位方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112294339B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951899A (zh) * | 2021-10-28 | 2022-01-21 | 华中师范大学 | 一种脑源活动高分辨率重构系统及方法 |
CN113995422A (zh) * | 2021-10-15 | 2022-02-01 | 苏州大学 | 基于非负块稀疏贝叶斯学习的瞬态脑电源定位方法及系统 |
CN114052668A (zh) * | 2022-01-17 | 2022-02-18 | 北京航空航天大学杭州创新研究院 | 一种基于脑磁图数据的脑功能分析方法 |
CN114065825A (zh) * | 2022-01-17 | 2022-02-18 | 北京航空航天大学杭州创新研究院 | 一种基于结构相似性的脑磁meg源定位方法 |
CN116433967A (zh) * | 2023-03-21 | 2023-07-14 | 南京脑科医院 | 一种面向无创神经调控技术的个性化靶点选择方法 |
CN117322890A (zh) * | 2023-09-28 | 2024-01-02 | 西北工业大学深圳研究院 | 一种基于神经元群模型的生成式多通道脑电建模方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1751309A (zh) * | 2002-12-18 | 2006-03-22 | Ge医疗系统环球技术有限公司 | 结合体外测试数据的医学数据分析方法和设备 |
CN103169470A (zh) * | 2013-02-25 | 2013-06-26 | 北京师范大学 | 群体神经反馈训练方法及群体神经反馈训练系统 |
US20160042074A1 (en) * | 2014-08-06 | 2016-02-11 | Yokogawa Electric Corporation | System and method of optimizing blending ratios for producing product |
CN105701808A (zh) * | 2016-01-11 | 2016-06-22 | 南京邮电大学 | 基于组合点匹配的全自动医学图像配准方法 |
US20170337687A1 (en) * | 2015-11-30 | 2017-11-23 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for computer aided diagnosis |
CN109191474A (zh) * | 2018-09-01 | 2019-01-11 | 哈尔滨工程大学 | 一种基于虫洞行为粒子群优化算法的脑图像分割方法 |
US10426949B2 (en) * | 2016-10-26 | 2019-10-01 | Regents Of The University Of Minnesota | Systems and methods for optimizing programming and use of neuromodulation systems |
CN111419222A (zh) * | 2020-03-08 | 2020-07-17 | 杭州电子科技大学 | 基于bni的癫痫发作信号的检测方法 |
-
2020
- 2020-10-14 CN CN202011096444.1A patent/CN112294339B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1751309A (zh) * | 2002-12-18 | 2006-03-22 | Ge医疗系统环球技术有限公司 | 结合体外测试数据的医学数据分析方法和设备 |
CN103169470A (zh) * | 2013-02-25 | 2013-06-26 | 北京师范大学 | 群体神经反馈训练方法及群体神经反馈训练系统 |
US20160042074A1 (en) * | 2014-08-06 | 2016-02-11 | Yokogawa Electric Corporation | System and method of optimizing blending ratios for producing product |
US20170337687A1 (en) * | 2015-11-30 | 2017-11-23 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for computer aided diagnosis |
CN105701808A (zh) * | 2016-01-11 | 2016-06-22 | 南京邮电大学 | 基于组合点匹配的全自动医学图像配准方法 |
US10426949B2 (en) * | 2016-10-26 | 2019-10-01 | Regents Of The University Of Minnesota | Systems and methods for optimizing programming and use of neuromodulation systems |
CN109191474A (zh) * | 2018-09-01 | 2019-01-11 | 哈尔滨工程大学 | 一种基于虫洞行为粒子群优化算法的脑图像分割方法 |
CN111419222A (zh) * | 2020-03-08 | 2020-07-17 | 杭州电子科技大学 | 基于bni的癫痫发作信号的检测方法 |
Non-Patent Citations (5)
Title |
---|
刘君: "《脑电计算中基于医学图像的真实头有限元模型构造研究》", 《信息科技辑》 * |
刘婷: "《动态脑磁逆问题研究》", 《医药卫生科技辑》 * |
周翠华: "《量子粒子群优化算法的研究及应用》", 《信息科技辑》 * |
王向丽: "《基于有限元对脑内神经元电活动研究》", 《医药卫生科技辑》 * |
邢大地: "《基于改进的遗传算法求解脑电逆问题》", 《基础医学》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113995422A (zh) * | 2021-10-15 | 2022-02-01 | 苏州大学 | 基于非负块稀疏贝叶斯学习的瞬态脑电源定位方法及系统 |
CN113995422B (zh) * | 2021-10-15 | 2022-11-25 | 苏州大学 | 基于非负块稀疏贝叶斯学习的瞬态脑电源定位方法及系统 |
CN113951899A (zh) * | 2021-10-28 | 2022-01-21 | 华中师范大学 | 一种脑源活动高分辨率重构系统及方法 |
CN113951899B (zh) * | 2021-10-28 | 2024-04-19 | 华中师范大学 | 一种脑源活动高分辨率重构系统及方法 |
CN114052668A (zh) * | 2022-01-17 | 2022-02-18 | 北京航空航天大学杭州创新研究院 | 一种基于脑磁图数据的脑功能分析方法 |
CN114065825A (zh) * | 2022-01-17 | 2022-02-18 | 北京航空航天大学杭州创新研究院 | 一种基于结构相似性的脑磁meg源定位方法 |
CN114065825B (zh) * | 2022-01-17 | 2022-04-19 | 北京航空航天大学杭州创新研究院 | 一种基于结构相似性的脑磁meg源定位方法 |
CN116433967A (zh) * | 2023-03-21 | 2023-07-14 | 南京脑科医院 | 一种面向无创神经调控技术的个性化靶点选择方法 |
CN116433967B (zh) * | 2023-03-21 | 2024-03-26 | 南京脑科医院 | 一种面向无创神经调控技术的个性化靶点选择方法 |
CN117322890A (zh) * | 2023-09-28 | 2024-01-02 | 西北工业大学深圳研究院 | 一种基于神经元群模型的生成式多通道脑电建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112294339B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112294339B (zh) | 基于种群多样性控制的脑电源定位方法、系统及设备 | |
Maspero et al. | Dose evaluation of fast synthetic-CT generation using a generative adversarial network for general pelvis MR-only radiotherapy | |
JP7311572B2 (ja) | Mriによる導電率測定値に基づいて頭部上の電極位置を最適化したttfield治療 | |
EP3554631B1 (en) | Treating patients with ttfields with the electrode positions optimized using deformable templates | |
Huang et al. | A sensor-weighted overlapping-sphere head model and exhaustive head model comparison for MEG | |
Adler et al. | GREIT: a unified approach to 2D linear EIT reconstruction of lung images | |
US11313927B2 (en) | Systems and methods for magnetic resonance imaging | |
Fang et al. | The impact of training sample size on deep learning-based organ auto-segmentation for head-and-neck patients | |
US11775698B2 (en) | Method, server and computer program for designing customized headgear for transcranial direct current stimulation | |
US10668300B2 (en) | Radiation treatment planning or administration electron modeling | |
Lemieux et al. | Calculation of electrical potentials on the surface of a realistic head model by finite differences | |
WO2014165849A1 (en) | System, method and computer-accessible medium for obtaining and/or determining mesoscopic structure and orientation with fiber tracking | |
Strobbe et al. | Bayesian model selection of template forward models for EEG source reconstruction | |
Baillet | The dowser in the fields: searching for MEG sources | |
CN107424162A (zh) | 一种图像分割方法及系统 | |
Cruz-Aceves et al. | Multiple active contours driven by particle swarm optimization for cardiac medical image segmentation | |
Malimban et al. | Deep learning-based segmentation of the thorax in mouse micro-CT scans | |
KR20080025055A (ko) | 고속의 변형 가능한 포인트에 기초한 영상화에 관한 포인트하위선택 | |
US20190192039A1 (en) | Apparatus and method for quantification of the mapping of the sensory areas of the brain | |
Heimann et al. | Optimal landmark distributions for statistical shape model construction | |
Shi et al. | Fast shading correction for cone-beam CT via partitioned tissue classification | |
US20180271397A1 (en) | Model of electric conductivity of white matter | |
KR102373761B1 (ko) | 뇌 병변 환자의 뇌 모델을 이용한 자극 시뮬레이션 방법, 서버 및 컴퓨터프로그램 | |
Wabina et al. | Neural stochastic differential equations network as uncertainty quantification method for EEG source localization | |
Tang et al. | Geometric-model-based segmentation of the prostate and surrounding structures for image-guided radiotherapy |
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 |