CN113100780A - 同步脑电-功能磁共振数据的自动化处理方法 - Google Patents

同步脑电-功能磁共振数据的自动化处理方法 Download PDF

Info

Publication number
CN113100780A
CN113100780A CN202110240839.2A CN202110240839A CN113100780A CN 113100780 A CN113100780 A CN 113100780A CN 202110240839 A CN202110240839 A CN 202110240839A CN 113100780 A CN113100780 A CN 113100780A
Authority
CN
China
Prior art keywords
data
magnetic resonance
sleep
electroencephalogram
resting state
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
Application number
CN202110240839.2A
Other languages
English (en)
Other versions
CN113100780B (zh
Inventor
高家红
邹广源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202110240839.2A priority Critical patent/CN113100780B/zh
Publication of CN113100780A publication Critical patent/CN113100780A/zh
Application granted granted Critical
Publication of CN113100780B publication Critical patent/CN113100780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/0033—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
    • 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
    • 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
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • 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
    • A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
    • 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
    • A61B5/7235—Details of waveform analysis
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Signal Processing (AREA)
  • Radiology & Medical Imaging (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Fuzzy Systems (AREA)
  • Power Engineering (AREA)
  • Neurology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开一种同步脑电‑功能磁共振数据的自动化处理方法，通过记录清醒‑睡眠过程中的同步脑电‑功能磁共振数据以及协变量，对脑电数据预处理，利用机器学习模型对预处理后的脑电数据进行自动睡眠分期，每一帧脑电数据生成一个睡眠阶段的标签；根据分期结果提取等长的功能磁共振数据段；对每一段功能磁共振数据进行预处理，并计算静息态分析指标数据；并行处理完成后得到的静息态分析指标数据，构建线性混合模型；通过F检验得到各个睡眠阶段的主效应及其交互作用的统计值，通过t检验得到各个睡眠阶段间两两差异数据或两组之间的差异的统计值，计算得到各个静息态分析指标的最终统计结果。

Description

同步脑电-功能磁共振数据的自动化处理方法
技术领域
本发明涉及脑电图和功能磁共振成像数据处理技术领域，具体为一种睡眠研究中同步脑电-功能磁共振数据的自动化处理方法。
背景技术
脑电图(Electroencephalography，EEG)具有很高的时间分辨率，是对大脑活动无创的直接测量，是睡眠研究中进行睡眠分期的金标准，但其空间分辨率低。基于血氧水平依赖的功能磁共振成像(functional Magnetic Resonance Imaging，fMRI)成像技术作为一种无创的脑成像技术，具有很高的空间分辨率，是目前脑科学中的重要研究手段，但时间分辨率较低。同步脑电-功能磁共振成像技术结合了脑电图的高时间分辨率和功能磁共振成像的高空间分辨率的优势，为研究睡眠时的大脑活动提供了强有力的技术手段。用于睡眠研究的同步脑电-功能磁共振数据的整个处理过程涉及到脑电数据预处理、睡眠分期、功能磁共振数据的处理以及统计分析等步骤，处理非常耗时，且依赖于经验。
目前，仅有针对单模态数据处理的方法，而没有针对同步采集的脑电-功能磁共振两种模态数据的自动化处理方法。根据当下已有的条件，要完成睡眠研究中同步脑电-功能磁共振整个数据处理分析流程，研究者需要学习多个数据处理软件或工具包，并对编程能力有一定的要求。此外，睡眠分期需要依赖于肉眼观察数据并进行人工标记，费时费力。
发明内容
为了解决上述问题，本发明提供了一种睡眠研究中同步脑电-功能磁共振数据的自动化处理方法。对脑电数据进行预处理，并采用基于机器学习的自动分期模型进行睡眠分期，进而进行功能磁共振数据的处理与统计分析，实现睡眠研究中同步脑电-磁共振数据的自动化处理。
为了达到该目的，本发明的技术方案如下：
一种同步脑电-功能磁共振数据的自动化处理方法，步骤包括：
1)记录清醒-睡眠过程中的同步脑电-功能磁共振数据，记录在统计分析中所需回归的协变量，每个被试的脑电数据和磁共振数据作为一套数据单独放置；
2)对脑电数据进行识别并进行预处理；
3)利用提前训练好的机器学习模型，对预处理后的脑电数据进行自动睡眠分期，每一帧脑电数据生成一个睡眠阶段的标签；
4)根据所述自动睡眠分期的结果，提取等长的功能磁共振数据段，每一段对应连续的某个特定的睡眠阶段；
5)对每一段功能磁共振数据进行预处理，并计算静息态分析指标数据；
6)通过步骤2)-5)对每套数据进行并行处理，处理完成后得到的静息态分析指标数据，根据该静息态分析指标数据进行线性混合模型构建；
7)针对构建的线性混合模型，通过F检验得到各个睡眠阶段的主效应及其交互作用的统计值A，通过t检验得到各个睡眠阶段间两两差异数据或两组之间的差异的统计值B，根据统计值A和B计算得到各个静息态分析指标的最终统计结果。
进一步地，协变量包括年龄、性别等的一个或多个。
进一步地，对脑电数据进行的预处理包括磁共振梯度噪声去除、滤波以及降采样。
进一步地，机器学习模型为卷积神经网络-双向长短期记忆-条件随机场模型。
进一步地，睡眠阶段包括清醒阶段W、非快速眼动一期睡眠阶段N1、非快速眼动二期睡眠阶段N2、非快速眼动三期睡眠阶段N3。
进一步地，对功能磁共振数据进行的预处理包括时间层校正、头动校正、噪声回归、配准到标准空间、平滑、滤波中的多个。
进一步地，静息态分析指标包括低频振幅、分数化低频振幅、中心度、基于种子点的功能连接、局部一致性、体素镜像同伦连接中的一个或多个。
进一步地，线性混合模型构建时，将被试编号、睡眠阶段、数据段编号、需要回归掉的协变量等作为模型的自变量，将全脑每个体素的静息态分析指标数据作为因变量。
进一步地，根据统计值A和B得到各个静息态分析指标的最终统计结果，包括以下步骤：
模拟生成只有随机噪声的图像，使用与同步脑电-功能磁共振数据相同的平滑程度进行平滑处理；
对平滑后的噪声数据进行阈值化，方法为：取某个值thr，使得大于thr值的体素数量占总的体素数量的比例为pthr，将大于thr值的体素置为1，将不大于thr值的体素置为0，则空间上相邻的值为1的体素形成核团；
统计各个核团包含体素的数量；
将上述步骤重复多次(如10000次)，统计不同核团出现的频率，找到频率小于某个值alpha(如0.05)的核团的最小体素数量kalpha，这样，体素数量大于k的核团为随机噪声的概率小于alpha；
将统计值A和B分别进行阈值化，方法为：对于每个体素，F检验和t检验都对应一个统计显著性水平，即统计值A和B都对应一个p值，首先保留p<pthr(如p<0.001)的体素，对于这些体素形成的核团，进一步保留体素数量大于kalpha的核团，则最后保留的体素为校正后的最终统计显著的结果，即静息态分析指标的最终统计结果。
进一步地，对于一组被试的数据，主效应即不同睡眠阶段的效应；各个睡眠阶段间两两差异包括W-N1、W-N2、W-N3、N1-N2、N1-N3、N2-N3；对于多组被试的数据，主效应还包括多个组别差异的效应，还包括组别与睡眠阶段间的交互效应，以及组别两两之间差异的效应。
本发明的同步睡眠脑电-功能磁共振数据的自动化处理方法，结合了脑电和功能磁共振单模态数据的处理方法，采用基于机器学习的模型进行自动睡眠分期，实现了无需人工参与的自动化处理分析。本发明的方法可以便捷、高效的对睡眠研究中同步脑电-功能磁共振数据的进行自动化处理，大大节约了分析该类数据的所需人工时间，有助于采用同步脑电-功能磁共振的睡眠研究的开展。
附图说明
图1为本发明的同步脑电-功能磁共振数据的自动化处理方法的流程图。
图2为使用本发明方法得到的基于33位受试者的低频振幅的睡眠阶段的主效应及睡眠阶段两两之间差异的统计结果图，其中，L：左侧；R：右侧。
图3为使用本发明方法得到的基于33位受试者的后扣带回为种子点的睡眠阶段的主效应及睡眠阶段两两之间差异的统计结果图，其中L：左侧；R：右侧。
具体实施方式
下面结合附图及本发明的实施例对本发明进行详细说明。应指出的是，本发明并不局于所述的具体结构、功能、参数、器件和方法等，也可以具有其他实施方式，或其他实施方式的组合。本发明中的某些处理步骤和元素也可以设置为多个。
本例以33位受试者在夜间睡眠时采得的同步脑电-功能磁共振数据为例，详细说明该方法的实施过程。图1为本发明的同步睡眠脑电-功能磁共振数据的自动化处理的方法流程图。用本方法进行睡眠研究的同步脑电-功能磁共振数据的自动化处理，将包括以下步骤。
1)将每个受试者的数据分别放置在一个文件夹中，在表格中写入需要在统计分析中回归的年龄、性别等一个或多个协变量。
2)识别并预处理脑电数据，磁共振梯度噪声去除、滤波、降采样，去掉第11个功能磁共振全脑数据所对应的时间之前的脑电数据，随后，去掉脑电数据的最后不超过30秒的若干秒数据，使得剩余的脑电数据长度为30秒的整数倍。
3)利用提前训练好的机器学习模型，对步骤2)中预处理后的脑电数据进行自动睡眠分期，每一帧脑电数据生成一个睡眠阶段的标签。本例采用卷积神经网络(Convolutional Neural Network,CNN)-双向长短期记忆(Bidirectional Long-ShortTerm Memory，BiLSTM)-条件随机场(Conditional Random Field)模型，即CNN-BiLSTM-CRF模型，作为机器学习模型。
4)根据步骤3)中自动睡眠分期的结果，提取等长的功能磁共振数据段，本例采用5分钟作为数据段长度。每一段对应连续的某个特定的睡眠阶段，本例包括清醒(Wakefulness,W)、非快速眼动一期睡眠(Nonrapid eye movement sleep stage 1,N1)、非快速眼动二期睡眠(Nonrapid eye movement sleep stage 2,N2)、非快速眼动三期睡眠(Nonrapid eye movement sleep stage 3,N3)。
5)对每一段功能磁共振数据进行预处理，根据计算的指标不同，预处理采用时间层校正、头动校正、噪声回归、配准到标准空间、平滑、滤波等中的若干个步骤；计算包括低频振幅、分数化低频振幅、中心度、基于种子点的功能连接、局部一致性、体素镜像同伦连接等静息态分析指标数据的一个或多个；
6)步骤2)-5)对于不同被试的数据进行并行处理，待所有被试的数据均处理完成后，整理所有得到的静息态分析指标数据，进行线性混合模型构建，本例利用F检验计算睡眠阶段因素的主效应(4个水平，即W，N1，N2，N3)及各阶段主效应交互作用的统计值A，以及利用t检验得到各个睡眠阶段间两两差异(W-N1,W-N2,W-N3,N1-N2,N1-N3,N2-N3)的统计值B。随后，模拟生成只有随机噪声的图像，使用与数据相同的平滑程度进行平滑；对平滑后的噪声数据进行阈值化，即取某个值thr，使得大于thr值的体素数量占总的体素数量的比例pthr为0.001，将大于thr值的体素置为1，其他置为0，空间上相邻的值为1的体素形成核团；统计各个核团包含体素的大小；将上述步骤重复10000次，统计不同核团大小出现的频率，找到频率小于alpha值0.05的核团的最小值，记为k；将前述F检验或t检验对应的结果，进行阈值化。对于每个体素，F检验或t检验都对应一个统计显著性水平，即p值，首先保留p<0.001的体素，对于这些体素形成的核团，进一步保留大小大于k的核团，则最后保留的体素为校正后的最终统计显著的结果。
统计结果图中，主效应的统计值A用卡方χ2表示，两两差异的统计值B用Z值表示。
图2是本例中得到的低频振幅的不同睡眠阶段差异主效应及睡眠阶段之间两两差异的统计结果图，可以看到枕叶区域低频振幅清醒期低于睡眠期；图3是本例中得到的基于后扣带回种子点的功能连接的不同睡眠阶段差异的主效应以及睡眠阶段两两之间差异的统计结果图，可以看到N3期在顶叶位置的连接高于W、N1和N2期。可见本方法自动处理的结果与现有技术人工参与下得到的结果一致，可见本方法的有效性。在数据处理时间方面，在使用相同配置的计算机、处理相同数据的情况下，对于经验丰富的研究人员约需要5个工作日，而使用本方法仅需7个小时。
以上所述，仅为本发明的较佳实例，并非用于限定本发明的保护范围。本发明不仅适用于研究睡眠-清醒状态间的差异，也可用于使用各种分析指标来研究两组或多组被试直接的组间变异性，以及清醒-睡眠状态及组间交互作用等，本发明也可运用到精准医疗或与大脑睡眠活动相关的个体差异研究。

Claims (10)

1.一种同步脑电-功能磁共振数据的自动化处理方法，其特征在于，步骤包括：
1)记录清醒-睡眠过程中的同步脑电-功能磁共振数据，记录在统计分析中所需回归的协变量，每个被试的脑电数据和磁共振数据作为一套数据单独放置；
2)对脑电数据进行识别并进行预处理；
3)利用提前训练好的机器学习模型，对预处理后的脑电数据进行自动睡眠分期，每一帧脑电数据生成一个睡眠阶段的标签；
4)根据所述自动睡眠分期的结果，提取等长的功能磁共振数据段，每一段对应连续的某个特定的睡眠阶段；
5)对每一段功能磁共振数据进行预处理，并计算静息态分析指标数据；
6)通过步骤2)-5)对每套数据进行并行处理，处理完成后得到的静息态分析指标数据，根据该静息态分析指标数据进行线性混合模型构建；
7)针对构建的线性混合模型，通过F检验得到各个睡眠阶段的主效应及其交互作用的统计值A，通过t检验得到各个睡眠阶段间两两差异数据或两组之间的差异的统计值B，根据统计值A和B计算得到各个静息态分析指标的最终统计结果。
2.如权利要求1所述的方法，其特征在于，协变量包括年龄和/或性别。
3.如权利要求1所述的方法，其特征在于，对脑电数据进行的预处理包括磁共振梯度噪声去除、滤波以及降采样。
4.如权利要求1所述的方法，其特征在于，机器学习模型为卷积神经网络-双向长短期记忆-条件随机场模型。
5.如权利要求1所述的方法，其特征在于，对功能磁共振数据进行的预处理包括时间层校正、头动校正、噪声回归、配准到标准空间、平滑、滤波中的多个。
6.如权利要求1所述的方法，其特征在于，静息态分析指标包括低频振幅、分数化低频振幅、中心度、基于种子点的功能连接、局部一致性、体素镜像同伦连接中的一个或多个。
7.如权利要求1所述的方法，其特征在于，线性混合模型构建时，将被试编号、睡眠阶段、数据段编号、需要回归掉的协变量等作为模型的自变量，将全脑每个体素的静息态分析指标数据作为因变量。
8.如权利要求1所述的方法，其特征在于，根据统计值A和B计算得到各个静息态分析指标的最终统计结果，包括以下步骤：
模拟生成只有随机噪声的图像，使用与同步脑电-功能磁共振数据相同的平滑程度进行平滑处理；
对平滑后的噪声数据进行阈值化，取某个值thr，使得大于thr值的体素数量占总的体素数量的比例为pthr，将大于thr值的体素置为1，将不大于thr值的体素置为0，则空间上相邻的值为1的体素形成核团；
统计各个核团包含体素的数量；
将上述步骤重复多次，统计不同核团出现的频率，找到频率小于某个值alpha的核团的最小体素数量kalpha；
将统计值A和B分别进行阈值化，对于每个体素，统计值A和B都对应一个p值，保留p<pthr的体素，对p<pthr的体素形成的核团进一步筛选，保留体素数量大于kalpha的核团，将该保留的核团的体素作为各个静息态分析指标的最终统计结果。
9.如权利要求1所述的方法，其特征在于，睡眠阶段包括清醒阶段W、非快速眼动一期睡眠阶段N1、非快速眼动二期睡眠阶段N2、非快速眼动三期睡眠阶段N3。
10.如权利要求9所述的方法，其特征在于，对于一组被试的数据，主效应即不同睡眠阶段的效应；各个睡眠阶段间两两差异包括W-N1、W-N2、W-N3、N1-N2、N1-N3、N2-N3；对于多组被试的数据，主效应还包括多个组别差异的效应，还包括组别与睡眠阶段间的交互效应，以及组别两两之间差异的效应。
CN202110240839.2A 2021-03-04 2021-03-04 同步脑电-功能磁共振数据的自动化处理方法 Active CN113100780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110240839.2A CN113100780B (zh) 2021-03-04 2021-03-04 同步脑电-功能磁共振数据的自动化处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110240839.2A CN113100780B (zh) 2021-03-04 2021-03-04 同步脑电-功能磁共振数据的自动化处理方法

Publications (2)

Publication Number Publication Date
CN113100780A true CN113100780A (zh) 2021-07-13
CN113100780B CN113100780B (zh) 2022-07-26

Family

ID=76710211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110240839.2A Active CN113100780B (zh) 2021-03-04 2021-03-04 同步脑电-功能磁共振数据的自动化处理方法

Country Status (1)

Country Link
CN (1) CN113100780B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113693584A (zh) * 2021-08-24 2021-11-26 四川大学华西医院 抑郁症症状预测变量的选择方法、计算机设备及存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1326532A2 (en) * 2000-10-20 2003-07-16 Insight Neuroimaging Systems, LLC Method and apparatus for performing neuroimaging
CN1628608A (zh) * 2003-12-15 2005-06-22 中国科学院自动化研究所 利用局部一致性方法的功能磁共振数据处理方法
CN101744619A (zh) * 2010-01-15 2010-06-23 电子科技大学 一种去除脑电信号中磁共振梯度噪声的方法
CN102293647A (zh) * 2011-06-08 2011-12-28 北京师范大学 一种联合脑电和功能磁共振信号的反馈系统
US20130204122A1 (en) * 2010-10-07 2013-08-08 The Medical Research, Infrastructure, And Health Services Fund Of The Tel Aviv Device for use in electro-biological signal measurement in the presence of a magnetic field
CN103767707A (zh) * 2014-02-17 2014-05-07 南通南大四维影通科技有限公司 血样水平依赖性功能磁共振信号震荡频率聚类分析方法
KR20160051038A (ko) * 2014-10-31 2016-05-11 건국대학교 글로컬산학협력단 후각 기능 평가 방법 및 장치
CN106709244A (zh) * 2016-12-12 2017-05-24 西北工业大学 一种静息态同步EEG‑fMRI的脑功能网络建模方法
CN107550493A (zh) * 2017-07-14 2018-01-09 北京大学 基于功能磁共振成像的时变约束脑电图或脑磁图溯源方法
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
CN108846810A (zh) * 2018-05-29 2018-11-20 重庆邮电大学 一种静息态功能磁共振影像噪声抑制的预处理优化方法
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
US20190090776A1 (en) * 2016-03-17 2019-03-28 Inria Institut National De Recherche En Informa... Improved neurological feedback device
CN109640810A (zh) * 2016-07-18 2019-04-16 艾克斯-马赛大学 调整患者脑中的致癫痫性的方法
CN110801228A (zh) * 2019-10-31 2020-02-18 郑州轻工业学院 一种基于神经网络预测的脑效应连接度量方法
CN111297360A (zh) * 2013-01-31 2020-06-19 加利福尼亚大学董事会 正常和疾病状态脑动力学的建模系统和方法
AU2020103304A4 (en) * 2020-11-07 2021-01-14 P. Anandan A cnn based model for disease classification using high temporal and spatial resolution images of simultaneous eeg-mri

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1326532A2 (en) * 2000-10-20 2003-07-16 Insight Neuroimaging Systems, LLC Method and apparatus for performing neuroimaging
CN1628608A (zh) * 2003-12-15 2005-06-22 中国科学院自动化研究所 利用局部一致性方法的功能磁共振数据处理方法
CN101744619A (zh) * 2010-01-15 2010-06-23 电子科技大学 一种去除脑电信号中磁共振梯度噪声的方法
US20130204122A1 (en) * 2010-10-07 2013-08-08 The Medical Research, Infrastructure, And Health Services Fund Of The Tel Aviv Device for use in electro-biological signal measurement in the presence of a magnetic field
CN102293647A (zh) * 2011-06-08 2011-12-28 北京师范大学 一种联合脑电和功能磁共振信号的反馈系统
CN111297360A (zh) * 2013-01-31 2020-06-19 加利福尼亚大学董事会 正常和疾病状态脑动力学的建模系统和方法
CN103767707A (zh) * 2014-02-17 2014-05-07 南通南大四维影通科技有限公司 血样水平依赖性功能磁共振信号震荡频率聚类分析方法
KR20160051038A (ko) * 2014-10-31 2016-05-11 건국대학교 글로컬산학협력단 후각 기능 평가 방법 및 장치
US20190090776A1 (en) * 2016-03-17 2019-03-28 Inria Institut National De Recherche En Informa... Improved neurological feedback device
CN109640810A (zh) * 2016-07-18 2019-04-16 艾克斯-马赛大学 调整患者脑中的致癫痫性的方法
CN106709244A (zh) * 2016-12-12 2017-05-24 西北工业大学 一种静息态同步EEG‑fMRI的脑功能网络建模方法
CN107550493A (zh) * 2017-07-14 2018-01-09 北京大学 基于功能磁共振成像的时变约束脑电图或脑磁图溯源方法
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
CN108846810A (zh) * 2018-05-29 2018-11-20 重庆邮电大学 一种静息态功能磁共振影像噪声抑制的预处理优化方法
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
CN110801228A (zh) * 2019-10-31 2020-02-18 郑州轻工业学院 一种基于神经网络预测的脑效应连接度量方法
AU2020103304A4 (en) * 2020-11-07 2021-01-14 P. Anandan A cnn based model for disease classification using high temporal and spatial resolution images of simultaneous eeg-mri

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AHMAD,RF 等: "Simultaneous EEG-fMRI Data Acquisition during Cognitive Task", 《2014 5TH INTERNATIONAL CONFERENCE ON INTELLIGENT AND ADVANCED SYSTEMS (ICIAS 2014)》, 31 December 2014 (2014-12-31), pages 1 - 4 *
吕柄江: "实时功能磁共振成像及其应用", 《科学通报》, 11 December 2013 (2013-12-11), pages 195 - 209 *
黄小利: "脑电全脑信号及其在睡眠中的应用", 《中国优秀博硕士学位论文全文数据库(硕士)哲学与人文科学辑》, 15 January 2020 (2020-01-15), pages 102 - 308 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113693584A (zh) * 2021-08-24 2021-11-26 四川大学华西医院 抑郁症症状预测变量的选择方法、计算机设备及存储介质
CN113693584B (zh) * 2021-08-24 2023-08-11 四川大学华西医院 抑郁症症状预测变量的选择方法、计算机设备及存储介质

Also Published As

Publication number Publication date
CN113100780B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
West et al. BOLD hemodynamic response function changes significantly with healthy aging
Adhikari et al. Decreased integration and information capacity in stroke measured by whole brain models of resting state activity
Xin et al. Competition between frontoparietal control and default networks supports social working memory and empathy
Handwerker et al. Periodic changes in fMRI connectivity
Zuo et al. Toward reliable characterization of functional homogeneity in the human brain: preprocessing, scan duration, imaging resolution and computational space
Anderson et al. Network anticorrelations, global regression, and phase‐shifted soft tissue correction
Parente et al. Negative functional brain networks
Storti et al. Automatic selection of resting-state networks with functional magnetic resonance imaging
DE102010017432A1 (de) Vorrichtung und Verfahren zum Isolieren eines Gebietes in einem Bild
JP2017526404A (ja) Ｇｐｕによる心電信号の並列解析方法
Diniz et al. Detection of white matter lesion regions in MRI using SLIC0 and convolutional neural network
US20190374154A1 (en) Method, command, device and program to determine at least one brain network involved in carrying out a given process
Yang et al. Large-scale brain functional network integration for discrimination of autism using a 3-D deep learning model
James et al. A human brain atlas derived via n-cut parcellation of resting-state and task-based fMRI data
Dandan et al. Brain activity in using heuristic prototype to solve insightful problems
CN102419864B (zh) 一种提取脑部ct图像骨骼方法及装置
Zhao et al. Two-stage spatial temporal deep learning framework for functional brain network modeling
Liu et al. Towards tunable consensus clustering for studying functional brain connectivity during affective processing
CN113100780B (zh) 同步脑电-功能磁共振数据的自动化处理方法
Byeon et al. Artificial neural network inspired by neuroimaging connectivity: application in autism spectrum disorder
CN113378898B (zh) 基于相对熵损失函数卷积神经网络的脑龄预测方法
Kantarovich et al. White matter lesion load is associated with lower within-and greater between-network connectivity across older age
Wang et al. Spontaneous activity in primary visual cortex relates to visual creativity
Davis et al. Functional and developmental significance of amplitude variance asymmetry in the BOLD resting-state signal
CN116226625A (zh) 一种瞬态共激活模式分析方法及系统

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