CN113240106A - 一种脑电溯源模型的训练方法，脑电溯源方法及电子设备 - Google Patents
一种脑电溯源模型的训练方法，脑电溯源方法及电子设备 Download PDFInfo
- Publication number
- CN113240106A CN113240106A CN202110488900.5A CN202110488900A CN113240106A CN 113240106 A CN113240106 A CN 113240106A CN 202110488900 A CN202110488900 A CN 202110488900A CN 113240106 A CN113240106 A CN 113240106A
- Authority
- CN
- China
- Prior art keywords
- electroencephalogram
- information
- model
- brain
- neural activity
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012549 training Methods 0.000 title claims abstract description 70
- 230000001537 neural effect Effects 0.000 claims abstract description 68
- 239000011159 matrix material Substances 0.000 claims abstract description 32
- 210000003128 head Anatomy 0.000 claims description 80
- 210000004556 brain Anatomy 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 26
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 claims description 13
- 230000008035 nerve activity Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 7
- 210000001638 cerebellum Anatomy 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 210000000133 brain stem Anatomy 0.000 claims description 3
- 210000005252 bulbus oculi Anatomy 0.000 claims description 3
- 210000000845 cartilage Anatomy 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 210000003205 muscle Anatomy 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008451 emotion Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 206010015037 epilepsy Diseases 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000021317 sensory perception Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 210000003625 skull Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000036624 brainpower Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Epidemiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Biotechnology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Bioethics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请提供一种脑电溯源模型的训练方法，脑电溯源方法及电子设备。脑电溯源模型的训练方法包括：构建脑电数据集；其中，脑电数据集包括神经活动源信息以及头表电极信息，头表电极信息基于预先获取到的导联矩阵，神经活动源信息以及脑电正问题建模公式所生成；基于脑电数据集对构建的网络模型进行有监督训练直至收敛，得到脑电溯源模型。通过该方式，能够得到对应神经活动源信息的头表电极信息，进而利用有监督学习方法对网络模型进行训练，相比于传统的数值方法，采用本申请的方式训练得到的脑电溯源模型能够提高脑电溯源的精度，进而提高脑电逆问题求解的效果。
Description
技术领域
本申请涉及生物医学技术领域，具体而言，涉及一种脑电溯源模型的训练方法，脑电溯源方法及电子设备。
背景技术
脑电图技术，作为一种无创地神经信号采集方法，能够记录人体头表电位信号，具有成本低、便携性强、时间分辨率高等特点，在认知神经科学基础研究和癫痫、抑郁等神经相关疾病的临床应用中具有很高的价值。
脑电源定位是通过头表电极电位来估计脑源活动的技术，需要解决以下两个问题。
首先是脑电正问题，用以描述脑内信号源的电信号怎样传导到头皮电极。求解正问题首先需要构建头模型，即通过对人体头内脑源的结构(解空间)和电传导(正向算子)建立电导率模型；再使用边界元法(Boundary Element Method,BEM)、有限元法(FiniteElement Method,FEM)或者有限差分法(Finite Difference Method,FDM)等数值算法，得到脑电正问题的解。
其次是脑电逆问题，即通过对脑电数据的反演分析，推算脑内神经活动源的位置、强度和分布情况。然而，由于神经源的数量远远多于电极数量，脑电逆问题的解是不适定的。脑电逆问题的传统数值方法(如MNE或LORETA)为了保证不适定问题的可计算性，在增加先验时往往使用一些较为简单化的设定。由于大脑形状不规则、结构不统一，实际脑源的先验分布非常复杂，不可能用简单的先验来表示。因此，目前的脑电溯源技术精度不高，对于脑电逆问题的求解并没有取得太好的效果。
发明内容
本申请实施例的目的在于提供一种脑电溯源模型的训练方法，脑电溯源方法及电子设备，以提高脑电溯源的精度，以及提高脑电逆问题求解的效果。
本发明是这样实现的：
第一方面，本申请实施例提供一种脑电溯源模型的训练方法，包括：构建脑电数据集；其中，所述脑电数据集包括神经活动源信息以及头表电极信息；所述头表电极信息基于预先获取到的导联矩阵，所述神经活动源信息以及脑电正问题建模公式所生成；基于所述脑电数据集对构建的网络模型进行有监督训练直至收敛，得到脑电溯源模型。
在本申请实施例中，构建的脑电数据集中包括神经活动源信息以及头表电极信息；且头表电极信息通过预先获取到的导联矩阵、神经活动源信息以及脑电正问题建模公式所生成。通过该方式，能够得到对应神经活动源信息的头表电极信息，进而利用有监督学习方法对网络模型进行训练，相比于传统的数值方法，采用本申请的方式训练得到的脑电溯源模型能够提高脑电溯源的精度，进而提高脑电逆问题求解的效果。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述构建脑电数据集包括：通过高斯基函数对不同的神经活动源进行模拟，以得到所述神经活动源信息；基于所述神经活动源信息、预先获取到的所述导联矩阵以及所述脑电正问题建模公式，得到所述头表电极信息。
本申请实施例中，在构建脑电数据集时，通过高斯基函数对不同的神经活动源进行模拟，进而模拟出更多种类的训练样本，有助于提高后续模型的应用效果，使得训练完成的脑电溯源模型可以适用于更多的脑电样例。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述高斯基函数的表达式为：
其中，μn(x)表示以源活动xn为中心的高斯基函数；ωn表示高斯分布采样的激活值；n＝1,2,…,k；σs为空间标准差；所述神经活动源信息的表达式为：j＝MΩ；其中，j表示所述神经活动源信息；M表示所述高斯基函数的权重，Ω＝[μ1,μ1,…,μk]；μ1,μ1,…,μk表示模拟不同的神经活动源的高斯基函数。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述构建脑电数据集包括：基于fMRI开放数据构建脑源元先验分布；从所述脑源元先验分布中，采样生成所述神经活动源信息；基于所述神经活动源信息、预先获取到的所述导联矩阵以及所述脑电正问题建模公式，得到所述头表电极信息。
由于fMRI(functional magnetic resonance imaging，功能性磁共振成像)脑源数据中包括多种情绪、感知觉、运动、决策、注意力等人脑不同区域的激活情况。因此，利用fMRI脑源数据可以提供不同层面接近真实的先验信息，进而提高后续训练完成的脑电溯源模型的可靠性和准确性。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，所述导联矩阵通过对十二层头模型进行处理后得到，所述十二层头模型包括：皮肤层、硬骨层、软骨层、脑髓液层、大脑灰质层、小脑灰质层、大脑白质层、小脑白质层、脑干层、眼球层、肌肉层和脂肪层。
在本申请实施例中，在计算导联矩阵的过程中，采用十二层头模型，相比于传统的三层头模型和五层头模型而言，所建立的头模型的精度更高，进而使得计算得到的导联矩阵更加精准。
结合上述第一方面提供的技术方案，在一些可能的实现方式中，在所述得到脑电溯源模型之后，所述方法还包括：获取采集的受试对象的头表电极信息；基于所述受试对象的头表电极信息对所述脑电溯源模型进行无监督训练直至收敛，得到适用于所述受试对象的脑电溯源模型。
本申请实施例中，在得到脑电溯源模型后，会获取采集的受试对象的头表电极信息；然后基于受试对象的头表电极信息对脑电溯源模型进行无监督训练直至收敛，得到适用于受试对象的脑电溯源模型。也即，在得到脑电溯源模型后，还可以针对个体脑电对模型进行微调，进而达到个性化脑源定位的目的，且由于无监督学习的使用，使得模型在真实数据中具有泛化能力。
第二方面，本申请实施例提供一种脑电溯源方法，包括：获取目标对象的头表电极信息；将所述目标对象的头表电极信息输入至通过如第一方面实施例提供的脑电溯源模型的训练方法所得到的脑电溯源模型中，生成所述目标对象的脑部的神经活动源信息。
第三方面，本申请实施例提供一种脑电溯源模型的训练装置，包括：构建模块，用于构建脑电数据集；其中，所述脑电数据集包括神经活动源信息以及头表电极信息；所述头表电极信息基于预先获取到的导联矩阵，所述神经活动源信息以及脑电正问题建模公式所生成；有监督训练模块，用于基于所述脑电数据集对构建的网络模型进行有监督训练直至收敛，得到脑电溯源模型。
第四方面，本申请实施例提供一种脑电溯源装置，包括：获取模块，用于获取目标对象的头表电极信息；处理模块，用于将所述目标对象的头表电极信息输入至通过如第一方面实施例提供的脑电溯源模型的训练方法所得到的脑电溯源模型中，生成所述目标对象的脑部的神经活动源信息。
第五方面，本申请实施例提供一种电子设备，包括：处理器和存储器，所述处理器和所述存储器连接；所述存储器用于存储程序；所述处理器用于调用存储在所述存储器中的程序，执行如上述第一方面实施例和/或第二方面实施例提供的方法。
第六方面，本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序在被处理器运行时执行如上述第一方面实施例和/或第二方面实施例提供的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电子设备的结构示意图。
图2为本申请实施例提供的一种脑电溯源模型的训练方法的步骤流程图。
图3为本申请实施例提供的模拟神经活动源的示意图。
图4为本申请实施例提供的一种脑电数据集的构建示意图。
图5为本申请实施例提供的一种网络模型进行有监督训练的示意图。
图6为本申请实施例提供的一种脑电溯源模型进行无监督训练的示意图。
图7为本申请实施例提供的一种脑电溯源方法的步骤流程图。
图8为本申请实施例提供的一种脑电溯源模型的训练装置的模块框图。
图9为本申请实施例提供的一种脑电溯源装置的模块框图。
图标：100-电子设备；110-处理器；120-存储器；200-脑电溯源模型的训练装置；201-构建模块；202-有监督训练模块；203-无监督训练模块；300-脑电溯源装置；301-获取模块；302-处理模块。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
鉴于目前的脑电溯源技术精度不高，对于脑电逆问题的求解并没有取得太好的效果。本申请发明人经过研究探索，提出以下实施例以解决上述问题。
请参阅图1，本申请实施例提供的一种应用脑电溯源模型的训练方法和/或脑电溯源方法的电子设备100的示意性结构框图。本申请实施例中，电子设备100可以是，但不限于个人计算机(Personal Computer，PC)、智能手机、平板电脑、个人数字助理(PersonalDigital Assistant，PDA)、移动上网设备(Mobile Internet Device，MID)等。在结构上，电子设备100可以包括处理器110和存储器120。
处理器110与存储器120直接或间接地电性连接，以实现数据的传输或交互，例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。脑电溯源模型的训练装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作系统(Operating System，OS)中的软件模块。脑电溯源装置包括至少一个可以软件或固件(Firmware)的形式存储在存储器120中或固化在电子设备100的操作系统(Operating System，OS)中的软件模块。处理器110用于执行存储器120中存储的可执行模块，例如，脑电溯源模型的训练装置所包括的软件功能模块及计算机程序等，以实现脑电溯源模型的训练方法。处理器110可以在接收到执行指令后，执行计算机程序。
其中，处理器110可以是一种集成电路芯片，具有信号处理能力。处理器110也可以是通用处理器，例如，可以是中央处理器(Central Processing Unit，CPU)、图形处理器(Graphics Processing Unit，GPU)、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、分立门或晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。此外，通用处理器可以是微处理器或者任何常规处理器等。
存储器120可以是，但不限于，随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-OnlyMemory，PROM)、可擦可编程序只读存储器(Erasable Programmable Read-Only Memory，EPROM)，以及电可擦编程只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)。存储器120用于存储程序，处理器110在接收到执行指令后，执行该程序。
应当理解，图1所示的结构仅为示意，本申请实施例提供的电子设备100还可以具有比图1更少或更多的组件，或是具有与图1所示不同的配置。此外，图1所示的各组件可以通过软件、硬件或其组合实现。
请参阅图2，图2为本申请实施例提供的脑电溯源模型的训练方法的步骤流程图，该方法应用于图1所示的电子设备100。需要说明的是，本申请实施例提供的脑电溯源模型的训练方法不以图2及以下所示的顺序为限制，该方法包括：步骤S101-步骤S102。
步骤S101：构建脑电数据集；其中，脑电数据集包括神经活动源信息以及头表电极信息；头表电极信息基于预先获取到的导联矩阵，神经活动源信息以及脑电正问题建模公式所生成。
需要说明的是，脑电正问题建模公式为：
Φ＝Kj+n (1)
公式(1)中，Φ表示头表电极信息，其为包含m个电极测量值的m×t的矩阵；K表示导联矩阵；j表示神经活动源信息，j为a×t的矩阵，表示a个未知的源活动的幅度，t为时间长度，n表示噪音。
也即，在获取到导联矩阵以及神经活动源信息后，可以基于公式(1)生成对应的头表电极信息。
在构建脑电数据集时，可以针对多种情绪、感知觉、运动、决策、注意力等过程在人脑不同区域的激活情况构建对应的训练数据。
步骤S102：基于脑电数据集对构建的网络模型进行有监督训练直至收敛，得到脑电溯源模型。
在构建好脑电数据集后，将脑电数据集输入至构建的网络模型中进行训练直至收敛，即可得到脑电溯源模型，需要说明的是。该模型的输入数据为头表电极信息，输出为神经活动源信息，有监督训练的过程即是将真实的神经活动源信息与模型的预测结果进行比对，反向优化模型参数，直至训练得到一个最优模型。
综上，在本申请实施例中，构建的脑电数据集中包括神经活动源信息以及头表电极信息；且头表电极信息通过导联矩阵、神经活动源信息以及脑电正问题建模公式所生成。通过该方式，能够得到对应神经活动源信息的头表电极信息，进而利用有监督学习方法对网络模型进行训练，相比于传统的数值方法，采用本申请的方式训练得到的脑电溯源模型能够提高脑电溯源的精度，进而提高脑电逆问题求解的效果。
此外，还需要说明的是，现有的针对脑电溯源的算法往往需要对脑电数据进行迭代求解，而本申请构建的脑电溯源模型，可以实现输入之后马上输出，不需要迭代，速度更快，具有良好的实时信号处理的能力。
以下结合具体的示例对上述步骤进行描述。
一实施例中，脑电数据集可以为模拟的数据集。具体的，构建脑电数据集的步骤包括：通过高斯基函数对不同的神经活动源进行模拟，以得到神经活动源信息；基于神经活动源信息、预先获取到的导联矩阵以及脑电正问题建模公式，得到头表电极信息。
为了便于理解，请参阅图3，图3示出了不同大脑神经活动源的高斯模拟情况。
具体的高斯基函数的表达式为：
公式(2)中，μn(x)表示以源活动xn为中心的高斯基函数；ωn表示高斯分布采样的激活值；n＝1,2,…,k；σs为空间标准差。
相应的，基于上述高斯基函数对不同的神经活动源进行模拟得到的神经活动源信息的表达式为：
j＝MΩ (3)
公式(3)中，j表示神经活动源信息；M表示高斯基函数的权重，Ω＝[μ1,μ1,…,μk]；μ1,μ1,…,μk表示模拟不同的神经活动源的高斯基函数。
在通过上述公式得到神经活动源信息j之后，将神经活动源信息j与通过头模型得到的导联矩阵相乘，然后映射到头皮上，并加上噪音，即可得到对应的头表电极信息。也即，在得到神经活动源信息j，与导联矩阵通过前述的脑电正问题建模公式即可求得对应的头表电极信息。通过该方式即可得到一一对应的头表电极信息和神经活动源信息的脑电数据集。
需要说明的是，因为真实数据往往噪音较大，因此为了适应真实情况，模拟时也需要加上噪音。具体的生成头表电极信息的公式为:
Φ＝K(j+nj)+nφ (4)
公式(4)中，Φ表示头表电极信息；K表示导联矩阵；j表示神经活动源信息；nj表示高斯白噪音和粉噪音；nφ表示头表电极上的噪音。
为了便于理解，请参阅图4，图4示出了脑电数据集生成的流程。图4左上角为噪音的生成，图4左下角为通过高斯基函数对不同的神经活动源进行模拟得到的神经活动源信息j。在得到这两组数据后，再与导联矩阵结合即可生成对应的头表电极信息。
综上，本申请实施例中，在构建脑电数据集时，通过高斯基函数对不同的神经活动源进行模拟，进而模拟出更多种类的训练样本，有助于提高后续模型的应用效果，使得训练完成的脑电溯源模型可以适用于更多的脑电样例。
可选地，导联矩阵可以通过对十二层头模型进行处理后得到。十二层头模型包括：皮肤层、硬骨层、软骨层、脑髓液层、大脑灰质层、小脑灰质层、大脑白质层、小脑白质层、脑干层、眼球层、肌肉层和脂肪层。处理过程可以包括有限元法(Finite Element Method,FEM)或者有限差分法(Finite Difference Method,FDM)等数值算法。由于上述处理过程为现有技术，此处不作展开说明。
而传统的头模型一般为三层头模型和五层头模型。三层头模型包括脑层、颅骨层和皮肤层，五层头模型包括灰质层、白质层、脑髓液层、颅骨层和皮肤层。进而相比于传统的三层头模型和五层头模型而言，本申请的十二层头模型的精度更高，进而使得计算得到的导联矩阵更加精准。
一实施例中，脑电数据集的数据可以基于fMRI脑源数据采样生成的。具体的，构建脑电数据集包括：基于fMRI开放数据构建脑源元先验分布；从脑源元先验分布中，采样生成神经活动源信息；基于神经活动源信息、预先获取到的导联矩阵以及脑电正问题建模公式，得到头表电极信息。
需要说明的是，fMRI脑源数据来自于开源数据库Neurosynth。由于fMRI脑源数据中包括多种情绪、感知觉、运动、决策、注意力等人脑不同区域的激活情况。因此，利用fMRI脑源数据可以提供不同层面接近真实的先验信息，进而提高后续训练完成的脑电溯源模型的可靠性和准确性。
此外，在采样生成数据时，因为每例数据均有描述对应神经系统功能的标签，且每种标签至少有20例数据，所以从每种标签抽取出相同数量的样本，从而构建出对人脑各类功能等概率分布的脑激活图谱，这样的概率分布，在群体层面上对源的分布提供了接近真实的先验信息。
从fMRI脑源数据提取神经活动源信息之后的处理方式，可以参考前述实施例中，通过构建高斯基函数生成神经活动源信息之后的处理方式，此处不再赘述。也即，将图4中左下角获取的神经活动源信息j的方式更改为从fMRI脑源数据采样生成神经活动源信息之后，图4所示出的即为通过fMRI脑源数据生成脑电数据集的过程。
在通过上述步骤得到脑电数据集之后，即可通过步骤S102对构建的网络模型进行有监督学习。
有监督训练模型的优势是提供一种端到端的方法，模型可以直接学习源活动的分布。为了便于理解，请参阅图5，图5为有监督训练模型的示意图。图5对应如下公式：
K:K(i.e.φ＝K(j+nj)+nΦ) (5)
其中，公式(5)为有监督训练模型的正算子的计算，公式(6)为有监督训练模型的逆算子的计算，公式(6)中的ANN表示参数化的人工神经网络。有监督训练的目的即为求逆算子
公式(5)以及公式(6)中其他参数的解释可以参考前述公式。
相应的，有监督训练模型的损失函数定义为：
其中
表示损失值，j'表示模型输出的神经活动源信息的预测值，jtrue表示脑电数据集中真实的神经活动源信息；S(j)为正则项，表示对源活动分布的先验估计。
可选地，在上述得到脑电溯源模型之后，还可以针对个体脑电对模型进行微调，进而达到个性化脑源定位的目的。具体步骤包括：获取采集的受试对象的头表电极信息；基于受试对象的头表电极信息对脑电溯源模型进行无监督训练直至收敛，得到适用于受试对象的脑电溯源模型。
其中，无监督训练模型的优势为基于数据驱动和模型驱动的方法，避免了人工生成数据与真实数据不一致的问题；与传统数值算法具有相同的损失函数，可以直接继承借鉴这些方法最新的研究成果。为了便于理解，请参阅图6，图6为无监督训练模型的示意图。图6对应如下公式：
K:K(i.e.φ＝K(j+nj)+nΦ) (8)
其中，公式(8)为无监督训练模型的正算子的计算，公式(9)为无监督训练模型的逆算子的计算，公式(9)中的ANN表示参数化的人工神经网络。无监督训练的目的即为求逆算子
公式(8)以及公式(9)中其他参数的解释可以参考前述公式。
相应的，无监督训练模型的损失函数定义为：
其中，
表示损失值，j'表示模型输出的神经活动源信息的预测值；S(j)为正则项，表示对源活动分布的先验估计。C为通道上噪音的协方差矩阵。
综上，本申请实施例还提供另一种模型训练方式，在得到脑电溯源模型后，会获取采集的受试对象的头表电极信息；然后基于受试对象的头表电极信息对脑电溯源模型进行无监督训练直至收敛，得到适用于受试对象的脑电溯源模型。也即，在得到脑电溯源模型后，还可以针对个体脑电对模型进行微调，进而达到个性化脑源定位的目的，且由于无监督学习的使用，使得模型在真实数据中具有泛化能力。
请参阅图7，基于同一发明构思，本申请实施例还提供一种脑电溯源方法，包括：步骤S201-步骤S202。
步骤S201：获取目标对象的头表电极信息。
步骤S202：将目标对象的头表电极信息输入至脑电溯源模型中，生成目标对象的脑部的神经活动源信息。
需要说明的是，步骤S202中的脑电溯源模型即为通过前述实施例所提供的脑电溯源模型的训练方法所得到的模型。
此外，本申请实施例所提供的脑电溯源方法还可以在癫痫等病灶的检测中进行应用。
请参阅图8，基于同一发明构思，本申请实施例还提供一种脑电溯源模型的训练装置200，该装置包括：构建模块201以及有监督训练模块202。
构建模块201，用于构建脑电数据集；其中，所述脑电数据集包括神经活动源信息以及头表电极信息；所述头表电极信息基于预先获取到的导联矩阵，所述神经活动源信息以及脑电正问题建模公式所生成。
有监督训练模块202，用于基于所述脑电数据集对构建的网络模型进行有监督训练直至收敛，得到脑电溯源模型。
可选地，构建模块201具体用于通过高斯基函数对不同的神经活动源进行模拟，以得到所述神经活动源信息；基于所述神经活动源信息、预先获取到的所述导联矩阵以及所述脑电正问题建模公式，得到所述头表电极信息。
可选地，构建模块201具体用于基于fMRI开放数据构建脑源元先验分布；从所述脑源元先验分布中，采样生成所述神经活动源信息；基于所述神经活动源信息、预先获取到的所述导联矩阵以及所述脑电正问题建模公式，得到所述头表电极信息。
可选地，该装置还包括无监督训练模块203。无监督训练模块203用于在得到脑电溯源模型之后，获取采集的受试对象的头表电极信息；基于所述受试对象的头表电极信息对所述脑电溯源模型进行无监督训练直至收敛，得到适用于所述受试对象的脑电溯源模型。
请参阅图9，基于同一发明构思，本申请实施例还提供一种脑电溯源装置300。该装置包括：获取模块301以及处理模块302。
获取模块301，用于获取目标对象的头表电极信息。
处理模块302，用于将目标对象的头表电极信息输入至脑电溯源模型中，生成所述目标对象的脑部的神经活动源信息。
需要说明的是，由于所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
基于同一发明构思，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序在被运行时执行上述实施例中提供的方法。
该存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
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。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种脑电溯源模型的训练方法，其特征在于，包括：
构建脑电数据集；其中，所述脑电数据集包括神经活动源信息以及头表电极信息；所述头表电极信息基于预先获取到的导联矩阵，所述神经活动源信息以及脑电正问题建模公式所生成；
基于所述脑电数据集对构建的网络模型进行有监督训练直至收敛，得到脑电溯源模型。
2.根据权利要求1所述的方法，其特征在于，所述构建脑电数据集包括：
通过高斯基函数对不同的神经活动源进行模拟，以得到所述神经活动源信息；
基于所述神经活动源信息、预先获取到的所述导联矩阵以及所述脑电正问题建模公式，得到所述头表电极信息。
3.根据权利要求2所述的方法，其特征在于，所述高斯基函数的表达式为：
其中，μn(x)表示以源活动xn为中心的高斯基函数；ωn表示高斯分布采样的激活值；n＝1,2,…,k；σs为空间标准差；
所述神经活动源信息的表达式为：
j＝MΩ；
其中，j表示所述神经活动源信息；M表示所述高斯基函数的权重，Ω＝[μ1,μ1,…,μk]；μ1,μ1,…,μk表示模拟不同的神经活动源的高斯基函数。
4.根据权利要求1所述的方法，其特征在于，所述构建脑电数据集包括：
基于fMRI开放数据构建脑源元先验分布；
从所述脑源元先验分布中，采样生成所述神经活动源信息；
基于所述神经活动源信息、预先获取到的所述导联矩阵以及所述脑电正问题建模公式，得到所述头表电极信息。
5.根据权利要求1所述的方法，其特征在于，所述导联矩阵通过对十二层头模型进行处理后得到，所述十二层头模型包括：皮肤层、硬骨层、软骨层、脑髓液层、大脑灰质层、小脑灰质层、大脑白质层、小脑白质层、脑干层、眼球层、肌肉层和脂肪层。
6.根据权利要求1所述的方法，其特征在于，在所述得到脑电溯源模型之后，所述方法还包括：
获取采集的受试对象的头表电极信息；
基于所述受试对象的头表电极信息对所述脑电溯源模型进行无监督训练直至收敛，得到适用于所述受试对象的脑电溯源模型。
7.一种脑电溯源方法，其特征在于，包括：
获取目标对象的头表电极信息；
将所述目标对象的头表电极信息输入至通过如权利要求1-6中任一项所述的脑电溯源模型的训练方法所得到的脑电溯源模型中，生成所述目标对象的脑部的神经活动源信息。
8.一种脑电溯源模型的训练装置，其特征在于，包括：
构建模块，用于构建脑电数据集；其中，所述脑电数据集包括神经活动源信息以及头表电极信息；所述头表电极信息基于预先获取到的导联矩阵，所述神经活动源信息以及脑电正问题建模公式所生成；
有监督训练模块，用于基于所述脑电数据集对构建的网络模型进行有监督训练直至收敛，得到脑电溯源模型。
9.一种脑电溯源装置，其特征在于，包括：
获取模块，用于获取目标对象的头表电极信息；
处理模块，用于将所述目标对象的头表电极信息输入至通过如权利要求1-6中任一项所述的脑电溯源模型的训练方法所得到的脑电溯源模型中，生成所述目标对象的脑部的神经活动源信息。
10.一种电子设备，其特征在于，包括：处理器和存储器，所述处理器和所述存储器连接；
所述存储器用于存储程序；
所述处理器用于运行存储在所述存储器中的程序，执行如权利要求1-6中任一项所述的方法、和/或执行如权利要求7所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110488900.5A CN113240106A (zh) | 2021-04-30 | 2021-04-30 | 一种脑电溯源模型的训练方法，脑电溯源方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110488900.5A CN113240106A (zh) | 2021-04-30 | 2021-04-30 | 一种脑电溯源模型的训练方法，脑电溯源方法及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113240106A true CN113240106A (zh) | 2021-08-10 |
Family
ID=77132008
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110488900.5A Pending CN113240106A (zh) | 2021-04-30 | 2021-04-30 | 一种脑电溯源模型的训练方法，脑电溯源方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113240106A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113855023A (zh) * | 2021-10-26 | 2021-12-31 | 深圳大学 | 一种基于迭代溯源的下肢运动bci电极选择方法及系统 |
| CN116491960A (zh) * | 2023-06-28 | 2023-07-28 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110664400A (zh) * | 2019-09-20 | 2020-01-10 | 清华大学 | 基于度信息的脑电特征电位溯源方法 |
-
2021
- 2021-04-30 CN CN202110488900.5A patent/CN113240106A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110664400A (zh) * | 2019-09-20 | 2020-01-10 | 清华大学 | 基于度信息的脑电特征电位溯源方法 |
Non-Patent Citations (3)
| Title |
|---|
| CHEN WEI ET AL: "Edge Sparse Basis Network: An Deep Learning Framework for EEG Source Localization", ARXIV:2102.09188V1 [CS.LG], pages 1 - 8 * |
| QUANYING LIU ET AL: "Detecting Large-Scale Brain Networks Using EEG: Impact of Electrode Density, Head Modeling and Source Localization", FRONTIERS IN NEUROINFORMATICS, vol. 12, pages 10 - 100 * |
| STEFAN HAUFE ET AL: "Large-scale EEG/MEG source localization with spatial flexibility", NEUROIMAGE, vol. 54, pages 851 - 859 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113855023A (zh) * | 2021-10-26 | 2021-12-31 | 深圳大学 | 一种基于迭代溯源的下肢运动bci电极选择方法及系统 |
| CN113855023B (zh) * | 2021-10-26 | 2023-07-04 | 深圳大学 | 一种基于迭代溯源的下肢运动bci电极选择方法及系统 |
| CN116491960A (zh) * | 2023-06-28 | 2023-07-28 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
| CN116491960B (zh) * | 2023-06-28 | 2023-09-19 | 南昌大学第一附属医院 | 脑瞬态监测设备、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vorwerk et al. | The FieldTrip-SimBio pipeline for EEG forward solutions | |
| Freestone et al. | A data-driven framework for neural field modeling | |
| Bojak et al. | Connecting mean field models of neural activity to EEG and fMRI data | |
| EP3876191A1 (en) | Estimator generation device, monitoring device, estimator generation method, estimator generation program | |
| CN113240106A (zh) | 一种脑电溯源模型的训练方法，脑电溯源方法及电子设备 | |
| CN114052668B (zh) | 一种基于脑磁图数据的脑功能分析方法 | |
| Khaleghi et al. | A neuronal population model based on cellular automata to simulate the electrical waves of the brain | |
| Sanchez-Todo et al. | Personalization of hybrid brain models from neuroimaging and electrophysiology data | |
| Jatoi et al. | BEM based solution of forward problem for brain source estimation | |
| US20200360088A1 (en) | System and methods for estimation of blood flow using response surface and reduced order modeling | |
| Bingham et al. | Admittance method for estimating local field potentials generated in a multi-scale neuron model of the hippocampus | |
| Zaitcev et al. | Source localization for brain-computer interfaces | |
| Yue et al. | Intention recognition from spatio-temporal representation of EEG signals | |
| Vaziri et al. | EEGg: Generating Synthetic EEG Signals in Matlab Environment | |
| Baig et al. | Classification of user competency levels using EEG and convolutional neural network in 3D modelling application | |
| Chintaluri et al. | kCSD-python, a tool for reliable current source density estimation | |
| CN114742116B (zh) | 一种模拟采集脑电信号的生成方法和系统 | |
| Sun et al. | SIFNet: Electromagnetic source imaging framework using deep neural networks | |
| Basalyga et al. | Information coding in a laminar computational model of cat primary visual cortex | |
| Valencia et al. | Towards in vivo neural decoding | |
| Tharayil et al. | BlueRecording: A Pipeline for the efficient calculation of extracellular recordings in large-scale neural circuit models | |
| CN116173417B (zh) | 经颅光刺激的靶区确定方法、装置、设备及存储介质 | |
| Maksymenko et al. | Towards the Myoelectric Digital Twin: Ultra Fast and Realistic Modelling for Deep Learning | |
| Christophe et al. | Survey and evaluation of neural computation models for bio-integrated systems | |
| Park et al. | User State Classification Based on Functional Brain Connectivity Using a Convolutional Neural Network |
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 |