CN112528743B - 基于功能磁共振技术解码脑活动的频谱差异映射框架方法 - Google Patents
基于功能磁共振技术解码脑活动的频谱差异映射框架方法 Download PDFInfo
- Publication number
- CN112528743B CN112528743B CN202011239569.5A CN202011239569A CN112528743B CN 112528743 B CN112528743 B CN 112528743B CN 202011239569 A CN202011239569 A CN 202011239569A CN 112528743 B CN112528743 B CN 112528743B
- Authority
- CN
- China
- Prior art keywords
- frequency
- region
- spectrum
- frequency band
- value
- 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.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 41
- 230000007177 brain activity Effects 0.000 title claims abstract description 29
- 238000013507 mapping Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000005516 engineering process Methods 0.000 title claims abstract description 7
- 238000005481 NMR spectroscopy Methods 0.000 claims description 9
- 230000010355 oscillation Effects 0.000 abstract description 12
- 238000012512 characterization method Methods 0.000 abstract description 5
- 230000004069 differentiation Effects 0.000 abstract description 4
- 210000004556 brain Anatomy 0.000 description 17
- 238000011160 research Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 208000014644 Brain disease Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Neurology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (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)
Abstract
本发明公开了基于功能磁共振技术解码脑活动的频谱差异映射框架方法，首先对实验数据进行预处理和去漂移处理，然后执行快速傅里叶变换计算并获得功率谱。对变换后的信号按照频带进行整体分割，设定频带下限和上限及中间切点频率，将其分为Region‑1和Region‑2，并分别计算Region‑1和Region‑2中的代表值，最后，以Region‑2中的高频分量约束Region‑1的低频分量，计算出的低频约束值作为脑活动状态的最终刻画值。本发明首先从脑活动的低频振荡精确解码入手，引入相关高频分量作为约束，刻画低频约束下的脑活动状态；具体而言，通过在不同频带选择频带代表值，引入差异化理念，将高频分量的能量融入到整体框架中，形成差异映射框架，最终生成脑活动状态的最终刻画值。
Description
技术领域
本发明涉及对脑信号低频活跃状态的评估领域，具体为基于功能磁共振技术解码脑活动的频谱差异映射框架方法。
背景技术
大脑的血氧水平依赖性效应可以用于表征大脑神经元的代谢情况，从而间接反映神经元活动。研究发现静息状态下人脑存在自发性低频波动脑功能网络，且其频带往往处于0.01HZ-0.08HZ之间，这种频带震荡的波反映了皮层局部活动及脑区间信息交流的兴奋性程度，也有学者认为皮层的兴奋和抑制与之有一定的联系，还可通过跨频带的耦合调节高频神经振荡。虽然具体的调节机制还尚未完全清晰，但其表现出的价值已值得进行深入的研究。因此，基于低频信号的研究意义，传统低频振荡分析方法(如ALFF等)被提出作为衡量BOLD信号波动程度的低频幅度指标。诸多研究表明，传统低频振荡分析方法可用作脑部疾病分析、职业可塑性研究等。但传统低频振荡分析方法，只关注了低频带频谱的影响，而忽略了高频分量的影响。基于此，本发明提供了一种基于功能磁共振成像技术解码大脑活动的频谱差异映射框架方法，通过构建频谱差异框架，体现高频分量的影响，更好的划分出对应的低频脑图谱区域。
发明内容
本发明的目的是针对现有技术的缺陷，提供基于功能磁共振技术解码脑活动的频谱差异映射框架方法，以解决上述背景技术提出的问题。
为实现上述目的，本发明提供如下技术方案：基于功能磁共振技术解码脑活动的频谱差异映射框架方法，该方法包含以下步骤：
步骤1：对预处理的功能核磁共振的信号进行频谱搬移，转化到频域之中，获取相关的频率——功率谱图，形成关于核磁共振信号的频率信息数据集合；
步骤2：基于频带约束视角，从多频带波动造成频带间的相关性影响的角度剖析频带间的关联，采用功率谱表示各个频带的能量大小，形成有效的频带能量数据，再设定频率切点，构建出频谱差异映射框架；
步骤3：基于已有的能量数据，挑选所需要表示的差异频谱范围，再依据设定的频率切点，确定Region-1和Region-2，采用差异映射算法，计算出频谱差异值，计算出的低频约束值作为脑活动状态的最终刻画值。
作为本发明的一种优选技术方案，所述步骤1中对功能磁共振信号进行时——频谱的搬移，提取频带的信息。
作为本发明的一种优选技术方案，所述步骤2和步骤3中，通过提出的频带信息，获取功率谱的值，确定区域后结合差异映射算法，计算出体素的脑活动状态的最终刻画值。
本发明的有益效果是：本发明首先从脑活动的低频振荡精确解码入手，引入相关高频分量作为约束，刻画低频约束下的脑活动状态；具体而言，通过在不同频带选择频带代表值，引入差异化理念，将高频分量的能量融入到整体框架中，形成差异映射框架，最终生成脑活动状态的最终刻画值。本发明将有利于人脑低频脑活动状态的研究，并应用于心理精神疾病、脑科疾病等方面的研究。
附图说明
图1为本发明的流程简图；
图2为本发明的流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
实施例：请参阅图1-2，本发明提供一种技术方案：该方法包含以下步骤：
步骤1：对预处理的功能核磁共振的信号进行频谱搬移，转化到频域之中，获取相关的频率——功率谱图，形成关于核磁共振信号的频率信息数据集合；
步骤2：基于频带约束视角，从多频带波动造成频带间的相关性影响的角度剖析频带间的关联，采用功率谱表示各个频带的能量大小，形成有效的频带能量数据，再设定频率切点，构建出频谱差异映射框架；
步骤3：基于已有的能量数据，挑选所需要表示的差异频谱范围，再依据设定的频率切点，确定Region-1和Region-2，采用差异映射算法，计算出频谱差异值，计算出的低频约束值作为脑活动状态的最终刻画值。
步骤1中对功能磁共振信号进行时——频谱的搬移，提取频带的信息；步骤2和步骤3中，通过提出的频带信息，获取功率谱的值，确定区域后结合差异映射算法，计算出体素的脑活动状态的最终刻画值。
本发明的目的在于从频带划分的角度入手，研究高低频带之间的影响，从而更为精确的识别脑的低频活跃状态。基于不同频带之间的能量表达不同，首先对频带进行划分，设置频带下限(Frequencylow) 和上限(Frequencyhigh)及中间切点频率(Frequencymid)，将其分为 Region-1和Region-2，进而将频带间的差异得以具体化，获得直观的频带差异图；再采用不同的表达形式，提取出Region-1和Region-2功率谱的代表值，接着将代表值做差异化处理，约束频率分量对主频率的影响，计算出的低频约束值作为脑活动状态的最终刻画值。
为方便描述，首先对本发明中特异名词作如下定义：
频带约束：
频带约束在本发明中指：基于人脑活动的低频振荡属性，在解码低频振荡信号时，引入高频分量的影响，构建频谱差异框架，生成低频约束值，从而更为准确地描述人脑的低频振荡活动状态。
其次，本方法包含以下具体步骤：
步骤1、脑功能核磁共振信号的频谱数据的形成：对预处理的功能核磁共振的信号数据进行去漂移处理，再对信号并进行快速傅里叶变换，获取每个体素点所对应的频谱数据，形成关于核磁共振成像信号的频率信息数据集合；
步骤1.1、由于脑信号的不稳定性与不规则性，通常要对脑信号进行预处理，而DFA是常用的一种方法，即对数据进行基线漂移消除处理，减去一条最优(最小二乘)的拟合曲线，再对信号进行补零，完成预处理；
步骤1.2、进行快速傅里叶变换：对于一个f∈L1(R)的信号， 4(t)表示振幅值，φk(t)表示相位函数，k表示总数量，那么信号的傅里叶展开式表示为：
获取每个体素点所对应的频谱数据，根据相应的模板去除一些区域以提高时间效率，如选取整块脑区的模板或者AAL脑区的模板，形成关于核磁共振信号的频率信息数据集合；
步骤2、能量表达选择与频谱差异映射框架的构建：基于视角，从多频带波动造成频带间相关性影响的角度剖析频带间的关联，采用功率谱表示各个频带的能量大小，计算出各个频带的能量大小，形成有效的频带能量数据，并设定频率切点，构建出频谱差异映射框架；
步骤2.1、基于频带约束的视角，从多频带波动造成频带间相关性影响的角度剖析频带间的关联，采用功率谱表示各个频带的能量大小。
步骤2.2、各个频带的能量大小形成整个频带的能量图，找到频带切点Frequencymid，划分各个频带的范围，形成有效的频带能量数据，构建出低频谱映射框架；
步骤3、计算出频谱差异映射框架下的脑体素频带约束值：基于已有的能量数据，挑选所需要表示的差异频谱范围，以通常划分的区域0.08HZ为中间切点频率(Frequencymid)，0.01HZ为频带下限 (Frequencylow)，0.25HZ为上限(Frequencyhigh)，将其分为Region-1： 0.01Hz-0.08Hz和Region-2：0.08Hz-0.25Hz。再计算出两个区域的代表值，主要算法有Iqr、Mean、Std、Sum，结合差异映射的算法，计算出代表值间的差异，得到的低频约束值作为脑活动状态的最终刻画值；
步骤3.1、基于已有的能量数据，确定频带下限(Frequencylow) 和上限(Frequencyhigh)，再根据已找到的中间切点频率(Frequencymid)，如以通常划分的区域0.08Hz为切点，确定Region-1：f∈[0.01,0.08]和Region-2：f∈[0.08,0.25]。计算出Region-1和Region-2的代表值，主要算法有Iqr＝Q3-Q1、
Q1表示为第一四分位数，Q3表示为第三四分位数，Xi为第i额值， n为总个数，xi为第i个值，/>表示为均值。
步骤3.2、计算出低频区域代表值：以及高频区域代表值：/>ak与bk分别表示实部与与虚部，结合差异映射框架，计算出代表值的差异：SDV＝LFRV-HFRV，即为该体素在频带约束下的脑低频振荡活动表征值。
本发明首先从脑活动的低频振荡精确解码入手，引入相关高频分量作为约束，刻画低频约束下的脑活动状态；具体而言，通过在不同频带选择频带代表值，引入差异化理念，将高频分量的能量融入到整体框架中，形成差异映射框架，最终生成脑活动状态的最终刻画值。本发明将有利于人脑低频脑活动状态的研究，并应用于心理精神疾病、脑科疾病等方面的研究。
上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (1)
1.基于功能磁共振技术解码脑活动的频谱差异映射框架方法，其特征在于：该方法包含以下步骤：
步骤1：对预处理的功能核磁共振的信号进行频谱搬移，提取频带的信息，转化到频域之中，获取相关的频率——功率谱图，形成关于核磁共振信号的频率信息数据集合；
步骤2：基于频带约束视角，从多频带波动造成频带间的相关性影响的角度剖析频带间的关联，采用功率谱表示各个频带的能量大小，形成有效的频带能量数据，再设定频率切点，构建出频谱差异映射框架；
步骤3：通过提出的频带信息，获取功率谱的值，确定区域后结合差异映射算法，计算出体素的脑活动状态的最终刻画值，基于已有的能量数据，挑选所需要表示的差异频谱范围，再依据设定的频率切点，确定Region-1和Region-2，采用差异映射算法，计算出频谱差异值，计算出的低频约束值作为脑活动状态的最终刻画值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011239569.5A CN112528743B (zh) | 2020-11-09 | 2020-11-09 | 基于功能磁共振技术解码脑活动的频谱差异映射框架方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011239569.5A CN112528743B (zh) | 2020-11-09 | 2020-11-09 | 基于功能磁共振技术解码脑活动的频谱差异映射框架方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112528743A CN112528743A (zh) | 2021-03-19 |
| CN112528743B true CN112528743B (zh) | 2024-05-10 |
Family
ID=74979917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011239569.5A Active CN112528743B (zh) | 2020-11-09 | 2020-11-09 | 基于功能磁共振技术解码脑活动的频谱差异映射框架方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112528743B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004019497A1 (ja) * | 2002-08-21 | 2004-03-04 | Sony Corporation | 信号符号化装置及び方法、並びに信号復号装置及び方法 |
| CN1795819A (zh) * | 2004-12-30 | 2006-07-05 | 中国科学院自动化研究所 | 功能磁共振数据处理中的功率谱定量分析方法 |
| CN1969746A (zh) * | 2005-11-23 | 2007-05-30 | 中国科学院自动化研究所 | 综合时域与空域信息分析功能磁共振数据的方法 |
| JP2015116213A (ja) * | 2013-12-16 | 2015-06-25 | 株式会社国際電気通信基礎技術研究所 | 脳活動訓練装置および脳活動訓練方法 |
| CN107530012A (zh) * | 2015-02-16 | 2018-01-02 | 内森·英特拉托 | 用于脑活动解析的系统与方法 |
-
2020
- 2020-11-09 CN CN202011239569.5A patent/CN112528743B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004019497A1 (ja) * | 2002-08-21 | 2004-03-04 | Sony Corporation | 信号符号化装置及び方法、並びに信号復号装置及び方法 |
| CN1795819A (zh) * | 2004-12-30 | 2006-07-05 | 中国科学院自动化研究所 | 功能磁共振数据处理中的功率谱定量分析方法 |
| CN1969746A (zh) * | 2005-11-23 | 2007-05-30 | 中国科学院自动化研究所 | 综合时域与空域信息分析功能磁共振数据的方法 |
| JP2015116213A (ja) * | 2013-12-16 | 2015-06-25 | 株式会社国際電気通信基礎技術研究所 | 脳活動訓練装置および脳活動訓練方法 |
| CN107530012A (zh) * | 2015-02-16 | 2018-01-02 | 内森·英特拉托 | 用于脑活动解析的系统与方法 |
| CN110840455A (zh) * | 2015-02-16 | 2020-02-28 | 内森·英特拉托 | 用于脑活动解析的系统与方法 |
Non-Patent Citations (2)
| Title |
|---|
| 功能磁共振成像视角下的脑功能连通性分析与脑可塑性;曾卫明;王倪传;石玉虎;颜虹杰;;数据采集与处理(05);全文 * |
| 有效连接分析在脑功能磁共振数据中的发展和应用;陈富琴;张俊然;蒋小梅;张坤;;航天医学与医学工程(04);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112528743A (zh) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pajevic et al. | A continuous tensor field approximation of discrete DT-MRI data for extracting microstructural and architectural features of tissue | |
| Deckers et al. | An adaptive filter for suppression of cardiac and respiratory noise in MRI time series data | |
| CN103985099B (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
| Sakaie et al. | An objective method for regularization of fiber orientation distributions derived from diffusion-weighted MRI | |
| Euán et al. | The hierarchical spectral merger algorithm: A new time series clustering procedure | |
| CN107316334B (zh) | 个性化精准磁共振影像方法 | |
| CN113476032B (zh) | 一种基于有向图谐波分析的脑结构与功能耦合的方法 | |
| CN105842642A (zh) | 基于峰度张量分数各向异性微结构特征提取方法与装置 | |
| CN103793711A (zh) | 一种基于脑部核磁共振图像的多维度纹理提取方法 | |
| Alvarez‐Jimenez et al. | Autism spectrum disorder characterization in children by capturing local‐regional brain changes in MRI | |
| CN113576491A (zh) | 基于静息态eeg频域特征及脑网络自动分析方法和系统 | |
| Thurner et al. | Scaling laws and persistence in human brain activity | |
| Abdoli et al. | Denoising of MR spectroscopic imaging data using statistical selection of principal components | |
| CN111598820A (zh) | 应用于医疗的基于拉普拉斯金字塔变换mri图像融合方法及mri设备 | |
| CN112528743B (zh) | 基于功能磁共振技术解码脑活动的频谱差异映射框架方法 | |
| Belkic et al. | Strategic steps for advanced molecular imaging with magnetic resonance-based diagnostic modalities | |
| CN114129147A (zh) | 基于脑功能网络的帕金森患者dbs术后效果预测系统及方法 | |
| US20200202531A1 (en) | Symplectomorphic image registration | |
| Osorio et al. | Automated seizure detection: Unrecognized challenges, unexpected insights | |
| CN115736950B (zh) | 一种基于多脑区协同相幅传递的睡眠动力学分析方法 | |
| CN109933839B (zh) | 一种关于时-空数据分析的集成式极点对称模态分解方法 | |
| Katsaloulis et al. | Complexity measures and noise effects on diffusion magnetic resonance imaging of the neuron axons network in the human brain | |
| CN115659144A (zh) | 基于fMRI多频段分析的亚健康人员分类方法、系统及设备 | |
| Ch et al. | Shift-invariant discrete wavelet transform-based sparse fusion of medical images | |
| Qing et al. | The impact of spatial normalization strategies on the temporal features of the resting-state functional MRI: Spatial normalization before rs-fMRI features calculation may reduce the reliability |
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 |