CN113274037B - 一种动态脑功能网络的生成方法、系统及设备 - Google Patents

一种动态脑功能网络的生成方法、系统及设备 Download PDF

Info

Publication number
CN113274037B
CN113274037B CN202110739351.4A CN202110739351A CN113274037B CN 113274037 B CN113274037 B CN 113274037B CN 202110739351 A CN202110739351 A CN 202110739351A CN 113274037 B CN113274037 B CN 113274037B
Authority
CN
China
Prior art keywords
state
micro
resting
network
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.)
Active
Application number
CN202110739351.4A
Other languages
English (en)
Other versions
CN113274037A (zh
Inventor
戴亚康
刘燕
汤继宏
黄静
彭博
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.)
Suzhou Institute of Biomedical Engineering and Technology of CAS
Affiliated Childrens Hospital of Soochow University
Original Assignee
Suzhou Institute of Biomedical Engineering and Technology of CAS
Affiliated Childrens Hospital of Soochow 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 Suzhou Institute of Biomedical Engineering and Technology of CAS, Affiliated Childrens Hospital of Soochow University filed Critical Suzhou Institute of Biomedical Engineering and Technology of CAS
Priority to CN202110739351.4A priority Critical patent/CN113274037B/zh
Publication of CN113274037A publication Critical patent/CN113274037A/zh
Application granted granted Critical
Publication of CN113274037B publication Critical patent/CN113274037B/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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/06—Children, e.g. for attention deficit diagnosis

Abstract

本发明公开了一种动态脑功能网络的生成方法、系统及设备，其中，所述方法包括：获取被试人员的头皮脑电数据，并进行伪迹去除预处理，以获取高质量头皮脑电信号；基于高质量头皮脑电信号，获取被试人员的微状态时间序列，并针对指定微状态，在所述微状态时间序列中确定所述指定微状态的闭环周期；基于所述闭环周期内的时序信号，确定所述被试人员在所述闭环周期内的静息态功能网络；基于多个所述静息态功能网络确定所述指定微状态周期内随微状态时间序列变化的动态静息态功能网络并进行网络拓扑特性分析。本发明提供的技术方案，能够生成更加精确的动态脑功能网络。

Description

一种动态脑功能网络的生成方法、系统及设备
技术领域
本发明涉及数据处理技术领域，具体涉及一种动态脑功能网络的生成方法、系统及设备。
背景技术
人脑是自然界中最复杂的系统之一，它包含数千亿个神经元，而这些神经元在结构上和功能上相互连接，彼此之间互相协调、共同作用，实现人体正常的生理功能。因此，从整个脑结构和功能网络出发研究大脑是当前脑科学领域研究的重要手段。借助结构神经影像成像技术，对于脑结构及其网络的研究已取得较为显著的成果。然而，脑功能非常复杂，脑功能网络的研究虽然已取得一定进展，但该领域内仍有很多未知且有价值的问题值得深入研究。
当前，广泛使用的神经功能影像成像技术包括功能磁共振成像(fMRI)、脑电(EEG)成像、脑磁(MEG)成像、近红外脑功能成像(fNIRS)等。其中，EEG和MEG是具有超高时间分辨率(毫秒级)的脑功能成像技术，可以无创、无辐射且实时地捕获瞬变的脑神经活动信号，实现大尺度脑功能网络分析。
当前，从被试人员是否执行任务或接受刺激的角度可将脑功能网络分为任务态和静息态脑功能网络，其中静息态是指大脑不执行具体认知任务、保持安静、放松、清醒的状态，在此状态下大脑并没有停止运转，大脑为了能够最优地处理外界的信息，脑内活动的神经元即使在静息态下依旧随时间有组织地变化，所以它是大脑所处的各种复杂状态中最基础和最本质的状态，静息态脑网络即被试人员处于静息状态下的脑功能网络。在实际操作过程中，相比于任务态，静息态数据更容易获取，而且现有研究揭示了静息态脑网络反映了大脑内在的、固有的活动模式，是组成所有认知、感知和行为活动的核心，研究静息态脑功能网络对我们了解人脑的工作机制、脑功能疾病的患病机制等脑科学相关科学问题的研究具有重要意义。
然而，现有静息态脑网络的研究大多是基于稳态分析的，即假设功能连接网络在一段时间内是稳定不变的。但研究表明事实可能并非如此，静息态脑网络随着时间变化存在一定的波动性，从而需要动态地、更加细致地研究功能连接网络随时间的变化情况。因此，近年来有一部分研究是通过滑动时间窗技术来研究静息态脑网络的。但这种方法对于计算每一个网络的起止时刻定义不明确，多为任意选取，没有考虑静息态下脑功能仍存在波动性的变化，因此网络的精度有待进一步改进。
发明内容
有鉴于此，本发明实施方式提供了一种动态脑功能网络的生成方法、系统及设备，能够生成更加精确的动态脑功能网络。
本发明一方面提供了一种动态脑功能网络的生成方法，所述方法包括：获取被试人员的头皮脑电数据，并进行伪迹去除预处理，以获取高质量头皮脑电信号；基于高质量头皮脑电信号，获取被试人员的微状态时间序列，并针对指定微状态，在所述微状态时间序列中确定所述指定微状态的闭环周期；基于所述闭环周期内的时序信号，确定所述被试人员在所述闭环周期内的静息态功能网络；基于多个所述静息态功能网络确定所述指定微状态周期内随微状态时间序列变化的动态静息态功能网络，并进行网络拓扑特性分析。
本发明另一方面还提供一种动态脑功能网络的生成系统，所述系统包括：静息态脑电信号预处理单元，用于获取被试人员的高质量头皮脑电信号；闭环周期确定单元，用于基于高质量头皮脑电信号，获取被试人员的微状态时间序列，并针对指定微状态，在所述微状态时间序列中确定所述指定微状态的闭环周期；静息态功能网络生成单元，用于基于所述闭环周期内的时序信号，确定所述被试人员在所述闭环周期内的静息态功能网络；动态脑功能网络生成单元，用于基于多个所述静息态功能网络确定所述指定微状态周期内随微状态时间序列变化的动态静息态功能网络并进行网络拓扑特性分析。
本发明另一方面还提供一种动态脑功能网络的生成设备，所述动态脑功能网络的生成设备包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述的动态脑功能网络的生成方法。
本申请提供的技术方案，可以对被试人员的微状态时间序列进行分析，从而生成动态脑功能网络。具体地，在微状态时间序列中可以确定出指定微状态的闭环周期，针对该闭环周期可以确定出被试人员的若干静息态功能网络。基于多个所述静息态功能网络可以确定所述指定微状态周期内随微状态时间序列变化的动态静息态功能网络并进行网络拓扑特性分析。
本申请提供的技术方案，证实了对于同一被试人员而言，不同微状态的闭环周期对应的脑网络特征不存在统计意义差别，但是对于以2s或者1s等固定时间周期的脑网络特征具有统计意义差别，这直接说明了基于固定长度但无明确物理生理意义的时间窗计算脑网络进行科学分析时，可能会受到脑网络本身的差异影响。同时，也说明了在进行科学分析时，可任意选定一种微状态并对其进行闭环周期的脑网络生成方法，解决了现有技术在脑网络构建中由于缺少明确的物理生理意义的时间窗分割方法，而引起的分析偏差的问题，从而提高了动态脑功能网络的精确度。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明一个实施方式中动态脑功能网络的生成方法的步骤示意图；
图2示出了本发明一个实施方式中动态脑功能网络的预处理方法的流程图；
图3示出了本发明一个实施方式中动态脑功能网络的生成方法的流程图；
图4示出了本发明一个实施方式中动态脑功能网络的生成装置的功能模块示意图；
图5示出了本发明一个实施方式中动态脑功能网络的生成装置的结构示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
有研究指出，多导联的EEG/MEG对应的头皮地形图有组织地随时间变化，且头皮地形图在100ms左右的时间内保持稳定状态，随后迅速转换成另外一种状态并维持稳定，这种半稳定状态叫做EEG/MEG微状态。现有技术中已经确定，一个微状态持续的时间为80-120ms，且不能平滑地转换为另一个状态，是突然变化的。微状态揭示了人脑活动90％的变化可以由四个微状态之间的转换来解释。这四类微状态之间的转换可以代表任何个体中大脑活动的变化。
受到微状态研究的启发，本申请一个实施方式提出一种具有明确起止时刻的静息态脑网络计算方法，并且基于此构建动态脑功能网络。具体地，请参阅图1，该方法包括以下多个步骤。
S1：获取被试人员的头皮脑电数据，并进行伪迹去除预处理，以获取高质量头皮脑电信号。请参阅图2，在一个实施方式中，被试人员的高质量头皮脑电信号可以通过对被试人员的脑电数据预处理得到。具体地，首先在重参考后的头皮脑电信号中增加辅助噪声通道，将含有辅助噪声的脑电信号通过FMEMD分解为多维子带，去除辅助噪声对应的子带，得到构成脑电信号的多维子带。这里，辅助噪声的通道数量可以为任意整数，一般设为5，分解的子带数量为3～8。
其次，基于上述子带，采用CCA分离出伪迹源与脑电源。然后，根据伪迹源与脑电源自相关系数的差异，设定阈值去除伪迹源。由于肌电，眨眼，白噪声时脑电中常见的伪迹。其中肌电伪迹与白噪声的自相关系数低于脑电的自相关系数，眨眼伪迹的自相关系数高于脑电的自相关系数，因此，我们这里建议设置两个阈值来去除脑电信号中的伪迹。一般地，去除自相关系数较低的伪迹源的阈值设为0.7～0.8，去除自相关系数较高的伪迹源的阈值设为0.95～0.99。本步骤中伪迹源与脑电源还可以通过信号在时域、频域以及时频域的其他特征设置阈值进行区分，或者利用机器学习的方法进行区分。
然后，利用CCA的逆运算将去除伪迹后的源信号重构为不含伪迹的多维子带。
最后，将与原始脑电信号导联对应的子带信号加和，得到预处理后的高质量脑电信号。
S3：基于高质量头皮脑电信号，获取被试人员的微状态时间序列，并针对指定微状态，在所述微状态时间序列中确定所述指定微状态的闭环周期。
在一个实施方式中，被试人员的微状态时间序列可以通过对被试人员的静息态脑电数据分析得到。具体地，首先可以利用脑电图设备采集每个被试人员在睁眼或闭眼休息状态下的静息态脑电数据。该静息态脑电数据可供选择的实验范式包括：(1)睁眼休息；(2)闭眼休息；(3)睁眼和闭眼轮换。在数据采集过程中，可通过观察被试人员的睡眠相关波形，判断其是否进入昏睡状态，数据采集时间一般不小于10秒钟。为了保证后续数据分析的可靠性，脑电图设备应当至少有19个电极导联(不含参考电极和接地电极)。
在本实施方式中，在采集到被试人员的静息态脑电数据后，为了提高数据的准确性，可以对静息态脑电数据进行预处理，其中，预处理的手段如S1所述
在本实施方式中，在对静息态脑电数据进行预处理后，可以对预处理后的静息态脑电数据进行微状态分析，从而生成对应的静息态脑电地形图。
具体地，在此步骤中通常涉及以下多个过程：滤波(根据需要可进行带通滤波，如2～20Hz或1～40Hz带通滤波)、组水平微状态类别识别/全体被试平均水平的微状态类别识别等。每个步骤具体如下所述：
(1)为保证在常用频段内进行微状态分析，需要对数据进行滤波，根据需要可进行带通滤波，如2～20Hz或1～40Hz带通滤波。
(2)在计算单个被试人员的脑电地形图时，可以根据各个时刻的静息态脑电数据的标准差形成全局电场势图(Global Field Power,GFP)，并识别所述全局电场势图中的峰值所对应的目标时刻，以及计算各个所述目标时刻的初始脑电地形图。
(3)组水平微状态类别识别/全体被试平均水平的微状态类别识别，可以采用改进的K-means聚类算法或者类似的其它聚类算法来实现。
以改进的K-means聚类算法为例，以“脑电地形图空间相关系数”作为微状态分类时使用的指标。依据空间相关系数，改进的K-means聚类算法可以将相关性较高的地形图聚为一类。该算法的步骤如下：
(3.1)从所述初始脑电地形图中选择多个原始地形图，并按照所述多个原始地形图对所述初始脑电地形图进行聚类，其中，每个聚类结果对应一个合成地形图。
具体地，可以从上述针对不同组内的被试人员或全体被试人员计算的脑电地形图中随机选择若干个(假设为N个，N≥2)地形图作为原始地形图(initial prototype maps)。
将所述初始脑电地形图中的各个地形图分别与所述多个原始地形图进行比较，并将各个所述地形图划分至与其相关系数最大的原始地形图中，以形成所述多个原始地形图各自的聚类结果。将每个所述聚类结果中的地形图进行叠加求平均，以生成各个所述聚类结果各自对应的合成地形图。
(3.2)计算各个所述合成地形图的总体方差解释比例，并且在所述总体方差解释比例未达到最大值时，继续按照所述合成地形图对所述初始脑电地形图进行聚类，并更新聚类结果的合成地形图。
(3.3)当更新后的合成地形图的总体方差解释比例值趋于平稳，不再有明显增加时，将对应的各个合成地形图的组合作为生成的静息态脑电地形图。
上述合成地形图的质量可以通过计算“总体方差解释比例”(Global ExplainedVariance，GEV)得到。GEV可以表示，使用上述合成地形图解释全部地形图序列时的准确程度。之后，每一个合成地形图分别与所有的地形图进行比较，并将每个地形图标记为属于那个与其空间相关系数最大的合成地形图。所有被标记为属于同一个合成地形图的地形图叠加平均，得到N个新的合成地形图，并得到新的总体方差解释比例。上述过程会不断重复，直至“总体方差解释比例”趋于平稳。通常，上述过程进行几百次后，总体方差解释比例达到趋于平稳，合成地形图也会达到稳定状态。这N个最终的合成地形图的组合便可以作为生成的静息态脑电地形图。在研究中N值一般为4，此时的GEV达到60％以上。
在本实施方式中，生成静息态脑电地形图后，可以确定各个时间节点的静息态脑电地形图所属的微状态类别，并基于确定的所述微状态类别构建所述被试人员的微状态时间序列。
具体地，可以分别计算各个时间节点的静息态脑电地形图与各个标准微状态地形图之间的相关系数，并将与当前时间节点的静息态脑电地形图具备最大相关系数的标准微状态地形图，作为所述当前时间节点的静息态脑电地形图所属的微状态类别。举例来说，可以计算每个时间点的静息态脑电地形图与经典的N个微状态地形图的空间相关系数，并据此确定每个时间点的微状态类别。例如与B、C和D三类相比，某一时刻的静息态脑电地形图与类别A的地形图之间空间相关系数最大，则认为该时刻点属于类别A。通过此法便可得到包含四个微状态的时间序列。由于某些时刻点的地形图信噪比相对较低，造成某些微状态类别在一些时间段内平均持续时间过短(如小于30ms)，此时需要对微状态的时间序列进行一定平滑化处理。
需要说明的是，生成被试人员的微状态时间序列只是一个优选的实施方式，在实际应用中，本申请可以并不关心微状态时间序列的生成方式，而是直接使用已生成的微状态时间序列即可。
S5：基于所述闭环周期内的时序信号，确定所述被试人员在所述闭环周期内的静息态功能网络。
S7：基于多个所述静息态功能网络确定所述指定微状态周期内随微状态时间序列变化的动态静息态功能网络并进行网络拓扑特性分析。
请参阅图3，在本实施方式中，考虑到微状态是一个大脑短暂稳定的状态，不同微状态之间快速自由循环切换以待命随时执行指令，可以定义微状态闭环周期，比如对于被试人员而言，微状态时间变化序列为CDBACDBCDABCDBBDDA，那么该被试人员微状态A的闭环周期可以为{[ACDBCDA]，[ABCDBBDDA]}。针对任意一种微状态，都可以按照上述的方式针对所有被试人员选定该微状态的闭环周期。
然后，基于每一个闭环周期内的时序信号，可以通过计算各导联相关系数等方法，构建该被试人员在指定微状态闭环周期内的静息态功能网络，或者可以分别基于每一个闭环周期内的时间序列提取不同频段的时序信号，并针对提取的时序信号通过各导联相关系数的计算方法，构建该被试在指定微状态闭环周期内的静息态功能网络。
除此之外，还可以通过计算各导联间的相锁值、相滞指数、转移熵等常见功能连接指标构成有向静息态功能网络或无向静息态功能网络。另外，为了保证不同被试功能网络之间的可对比性，可对功能网络进行稀疏化，进而得到二值或加权的有向静息态功能网络和无向静息态功能网络。其中，稀疏化可采用传统的阈值方法(稀疏比例为10％-20％)，也可采用自适应的方式进行稀疏化(稀疏后的功能网络平均节点度不得低于2log(N)，其中N为总导联数；至少有95％的节点与其他一个或多个节点连接)。
基于上述方法，针对每个被试人员可以依次计算某个微状态周期内M(M≥2)个静息态功能网络，从而生成动态静息态功能网络。基于图论方法，分别计算M个静息态功能网络的拓扑特性，便可以挖掘出其中的动态信息，以进行静息态脑功能网络的动力学特性分析。
在一个实施方式中，在得到动态脑功能网络后，可以计算各个训练样本的动态脑功能网络的网络参数，所述网络参数包括全局效率、局部效率、节点度中的至少一种。然后，可以根据各个所述训练样本的网络参数，对分类模型进行训练和校正，以通过训练和校正后的分类模型对待分类的被试数据进行分类。
举例来说，基于上述方法，可以提取网络特征，分类BECTS(儿童良性癫痫)患者和正常儿童，从而辅助诊断BECTS。针对10例BECTS被试人员与10例正常被试人员，采集10s静息态21导EEG数据。
然后，可以使用上述方法计算各被试人员的皮尔逊相关系数动态脑功能网络，并计算网络的全局效率、局部效率、节点度，以此为特征，利用SVM(支持向量机)等分类方法对10例BECTS被试人员与10例正常被试人员进行3折交叉验证的分类测试。相比任意选择网络计算起始点的方法，使用本申请提出的方法，可提高分类精度，说明本申请的网络提取的特征对BECTS与正常儿童的差异表征更为显著。除此之外，基于上述特征，我们还利用了ANN(人工神经网络)和KNN(K-近邻算法)两种分类器进行了BECTS被试与正常被试间的分类，结果均表明本申请的网络提取的特征有助于分类精度的提高。
在一个实施方式中，考虑到上述分析是在测量空间中进行的动态脑功能网络计算，如果受到颅骨等脑组织影响，脑电测量空间的测量值受到容积效应影响，无法反应最真实的脑功能情况，为此可以结合真实头模型与源模型的脑电/磁源成像方法，计算被试脑皮层成像结果，并基于皮层成像结果计算微状态及基于微状态闭环周期的动态皮层脑功能网络。
在一个实施方式中，上述分析是在脑电全频段下进行的皮层或头皮动态功能网络计算。有研究表明，大脑是在δ(1-4Hz)、θ(4-8Hz)、α(8-14Hz)、β(14-20Hz)、γ(20-40Hz)等不同的频段下分频段工作的。为了进一步分析动态静息态脑功能网络，可以基于上述方法研究各个频段(节律)下的动态脑功能网络。也就是说，上述的被试脑皮层的成像结果中可以包含各个不同频段下的成像结果，从而使得构建的动态皮层脑功能网络也对应不同的频段。
请参阅图4，本申请还提供一种动态脑功能网络的生成系统，所述系统包括：
静息态脑电信号预处理单元，用于获取被试人员的高质量头皮脑电信号；
闭环周期确定单元，用于基于高质量头皮脑电信号，获取被试人员的微状态时间序列，并针对指定微状态，在所述微状态时间序列中确定所述指定微状态的闭环周期；
静息态功能网络生成单元，用于基于所述闭环周期内的时序信号，确定所述被试人员在所述闭环周期内的静息态功能网络；
动态脑功能网络生成单元，用于基于多个所述静息态功能网络确定所述指定微状态周期内随微状态时间序列变化的动态静息态功能网络，并进行网络拓扑特性分析
请参阅图5，本申请还提供一种动态脑功能网络的生成设备，所述动态脑功能网络的生成设备包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述的动态脑功能网络的生成方法。
其中，处理器可以为中央处理器(Central Processing Unit，CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施方式中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施方式中的方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时，实现上述的动态脑功能网络的生成方法。
本申请提供的技术方案，可以对被试人员的微状态时间序列进行分析，从而生成动态脑功能网络。具体地，在微状态时间序列中可以确定出指定微状态的闭环周期，针对该闭环周期可以确定出被试人员的静息态功能网络。进而能够生成微状态周期内随微状态时间序列变化的静息态动态脑功能网络。
本申请提供的技术方案，证实了对于同一被试人员而言，不同微状态的闭环周期对应的脑网络特征不存在统计意义差别，但是对于以2s或者1s等固定时间周期的脑网络特征具有统计意义差别，这直接说明了基于固定长度但无明确物理生理意义的时间窗计算脑网络进行科学分析时，可能会受到脑网络本身的差异影响。同时，也说明了在进行科学分析时，可任意选定一种微状态并对其进行闭环周期的脑网络生成方法，解决了现有技术在脑网络构建中由于缺少明确的物理生理意义的时间窗分割方法，而引起的分析偏差的问题，从而提高了动态脑功能网络的精确度。
本领域技术人员可以理解，实现上述实施方式方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施方式的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种动态脑功能网络的生成方法，其特征在于，所述方法包括：
获取被试人员的头皮脑电数据，并进行伪迹去除预处理，以获取高质量头皮脑电信号；
基于高质量头皮脑电信号，获取被试人员的微状态时间序列，并针对指定微状态，在所述微状态时间序列中确定所述指定微状态的闭环周期；所述闭环周期表征所述微状态时间序列中指定的微状态类别再次出现的时间周期；
基于所述闭环周期内的时序信号，确定所述被试人员在所述闭环周期内的静息态功能网络；
基于多个所述静息态功能网络确定所述指定微状态周期内随微状态时间序列变化的动态静息态功能网络，并进行网络拓扑特性分析；
获取被试人员的微状态时间序列包括：
获取所述被试人员的静息态的高质量头皮脑电数据，并对所述静息态的高质量头皮脑电数据进行微状态分析，以生成对应的静息态脑电地形图；
确定各个时间节点的静息态脑电地形图所属的微状态类别，并基于确定的所述微状态类别构建所述被试人员的微状态时间序列；
确定各个时间节点的静息态脑电地形图所属的微状态类别包括：
分别计算各个时间节点的静息态脑电地形图与各个标准微状态地形图之间的相关系数，并将与当前时间节点的静息态脑电地形图具备最大相关系数的标准微状态地形图，作为所述当前时间节点的静息态脑电地形图所属的微状态类别。
2.根据权利要求1所述的方法，其特征在于，获取被试人员的高质量头皮脑电包括：
获取所述被试人员的静息态头皮脑电数据，对所述的静息态头皮脑电数据进行重参考，并利用信号分解技术，对重参考后的静息态头皮脑电数据进行分解，以生成多维子带信号；所述信号分解技术包括噪声辅助的多维经验模态分解技术；
对所述多维子带信号进行盲源分离，求解出与伪迹和脑电对应的源信号；
对所述源信号进行区分并去除伪迹相关的源信号，其中，伪迹源信号与脑电源信号的区分方法包括根据信号在时域、频域以及时频域的差异设置阈值进行区分或利用机器学习的方法进行区分；
对去伪迹后的源信号进行盲源分离逆运算，以获取不含伪迹的多维子带信号；
对所述不含伪迹的多维子带信号进行对应导联的重建，以获取不含伪迹的高质量头皮脑电数据。
3.根据权利要求1所述的方法，其特征在于，在获取所述被试人员的静息态的高质量头皮脑电数据之后，所述方法还包括：
对所述静息态的高质量头皮脑电数据进行1-40Hz或2-20Hz的带通滤波处理。
4.根据权利要求1或3所述的方法，其特征在于，对所述静息态的高质量头皮脑电数据进行微状态分析包括：
根据各个时刻的静息态脑电数据的标准差形成全局电场势图，并识别所述全局电场势图中的峰值所对应的目标时刻，以及计算各个所述目标时刻的初始脑电地形图；
从所述初始脑电地形图中选择多个原始地形图，并按照所述多个原始地形图对所述初始脑电地形图进行聚类，其中，每个聚类结果对应一个合成地形图；
计算各个所述合成地形图的总体方差解释比例，并且在所述总体方差解释比例未达到最大值时，继续按照所述合成地形图对所述初始脑电地形图进行聚类，并更新聚类结果的合成地形图；
当更新后的合成地形图的总体方差解释比例达到最大值时，将最大值对应的各个合成地形图的组合作为生成的静息态脑电地形图。
5.根据权利要求4所述的方法，其特征在于，按照所述多个原始地形图对所述初始脑电地形图进行聚类包括：
将所述初始脑电地形图中的各个地形图分别与所述多个原始地形图进行比较，并将各个所述地形图划分至与其相关系数最大的原始地形图中，以形成所述多个原始地形图各自的聚类结果；
将每个所述聚类结果中的地形图进行叠加求平均，以生成各个所述聚类结果各自对应的合成地形图。
6.根据权利要求2所述的方法，其特征在于，确定所述被试人员在所述闭环周期内的静息态功能网络包括：
分别计算所述闭环周期内各个微状态类别对应的静息态功能网络，所述静息态功能网络包括由功能连接指标构成的有向网络和无向网络，其中，所述功能连接指标包括皮尔逊相关系数、相锁值、相滞指数、转移熵中的至少一种；
其中，所述有向网络和所述无向网络进行稀疏化，以得到二值化或加权的有向网络和无向网络。
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
计算各个训练样本的动态脑功能网络的网络参数，所述网络参数包括全局效率、局部效率、节点度中的至少一种；
根据各个所述训练样本的网络参数，对分类模型进行训练和校正，以通过训练和校正后的分类模型对待分类的被试数据进行分类。
8.根据权利要求2所述的方法，其特征在于，所述方法还包括：
结合真实头模型与源模型的成像方法，计算被试脑皮层的成像结果，并根据所述成像结果构建动态皮层脑功能网络；
其中，所述被试脑皮层的成像结果包含各个不同频段下的成像结果，以使得构建的动态皮层脑功能网络也对应不同的频段。
9.一种动态脑功能网络的生成系统，其特征在于，所述系统包括：
静息态脑电信号预处理单元，用于获取被试人员的高质量头皮脑电信号；
闭环周期确定单元，用于基于高质量头皮脑电信号，获取被试人员的微状态时间序列，并针对指定微状态，在所述微状态时间序列中确定所述指定微状态的闭环周期；所述闭环周期表征所述微状态时间序列中指定的微状态类别再次出现的时间周期；
静息态功能网络生成单元，用于基于所述闭环周期内的时序信号，确定所述被试人员在所述闭环周期内的静息态功能网络；
动态脑功能网络生成单元，用于基于多个所述静息态功能网络确定所述指定微状态周期内随微状态时间序列变化的动态静息态功能网络，并进行网络拓扑特性分析；
所述静息态脑电信号预处理单元，还用于获取所述被试人员的静息态的高质量头皮脑电数据，并对所述静息态的高质量头皮脑电数据进行微状态分析，以生成对应的静息态脑电地形图；确定各个时间节点的静息态脑电地形图所属的微状态类别，并基于确定的所述微状态类别构建所述被试人员的微状态时间序列；其中，分别计算各个时间节点的静息态脑电地形图与各个标准微状态地形图之间的相关系数，并将与当前时间节点的静息态脑电地形图具备最大相关系数的标准微状态地形图，作为所述当前时间节点的静息态脑电地形图所属的微状态类别。
10.一种动态脑功能网络的生成设备，其特征在于，所述动态脑功能网络的生成设备包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1至8中任一所述的动态脑功能网络的生成方法。
CN202110739351.4A 2021-06-30 2021-06-30 一种动态脑功能网络的生成方法、系统及设备 Active CN113274037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110739351.4A CN113274037B (zh) 2021-06-30 2021-06-30 一种动态脑功能网络的生成方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110739351.4A CN113274037B (zh) 2021-06-30 2021-06-30 一种动态脑功能网络的生成方法、系统及设备

Publications (2)

Publication Number Publication Date
CN113274037A CN113274037A (zh) 2021-08-20
CN113274037B true CN113274037B (zh) 2022-08-26

Family

ID=77286238

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110739351.4A Active CN113274037B (zh) 2021-06-30 2021-06-30 一种动态脑功能网络的生成方法、系统及设备

Country Status (1)

Country Link
CN (1) CN113274037B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114052668B (zh) * 2022-01-17 2022-06-17 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
CN114403898B (zh) * 2022-01-24 2023-07-14 北京师范大学 一种脑电数据的噪声去除方法、装置及电子设备
CN116616722B (zh) * 2023-07-24 2023-10-03 苏州国科康成医疗科技有限公司 基于动态脑皮层功能连接的脑功能异常检测方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103845052A (zh) * 2014-02-20 2014-06-11 清华大学 基于采集脑电信号的人体昏厥预警方法
CN105726023A (zh) * 2016-01-29 2016-07-06 中山衡思健康科技有限公司 一种脑电信号质量实时判定系统
CN106204581A (zh) * 2016-07-08 2016-12-07 西安交通大学 基于pca与k均值聚类的动态脑功能连接模式分解方法
CN108143410A (zh) * 2017-12-13 2018-06-12 东南大学 一种面向静息态脑电信号的脑功能连接分析方法
CN108427929A (zh) * 2018-03-19 2018-08-21 兰州大学 一种基于静息态脑网络的抑郁识别分析系统
CN108577835A (zh) * 2018-05-17 2018-09-28 太原理工大学 一种基于微状态的脑功能网络构建方法
CN112190261A (zh) * 2020-09-16 2021-01-08 电子科技大学 一种基于静息态脑网络的孤独症脑电信号的分类装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103845052A (zh) * 2014-02-20 2014-06-11 清华大学 基于采集脑电信号的人体昏厥预警方法
CN105726023A (zh) * 2016-01-29 2016-07-06 中山衡思健康科技有限公司 一种脑电信号质量实时判定系统
CN106204581A (zh) * 2016-07-08 2016-12-07 西安交通大学 基于pca与k均值聚类的动态脑功能连接模式分解方法
CN108143410A (zh) * 2017-12-13 2018-06-12 东南大学 一种面向静息态脑电信号的脑功能连接分析方法
CN108427929A (zh) * 2018-03-19 2018-08-21 兰州大学 一种基于静息态脑网络的抑郁识别分析系统
CN108577835A (zh) * 2018-05-17 2018-09-28 太原理工大学 一种基于微状态的脑功能网络构建方法
CN112190261A (zh) * 2020-09-16 2021-01-08 电子科技大学 一种基于静息态脑网络的孤独症脑电信号的分类装置

Also Published As

Publication number Publication date
CN113274037A (zh) 2021-08-20

Similar Documents

Publication Publication Date Title
Ahmad et al. EEG-based epileptic seizure detection via machine/deep learning approaches: a systematic review
Guo et al. Inter-patient ECG classification with convolutional and recurrent neural networks
CN113274037B (zh) 一种动态脑功能网络的生成方法、系统及设备
García-Martínez et al. A review on nonlinear methods using electroencephalographic recordings for emotion recognition
Fan et al. Detecting abnormal pattern of epileptic seizures via temporal synchronization of EEG signals
EP3011895B1 (en) Determining cognitive load of a subject from electroencephalography (EEG) signals
Supratak et al. Feature extraction with stacked autoencoders for epileptic seizure detection
Pahuja et al. Recent approaches on classification and feature extraction of EEG signal: A review
Ghosh et al. Automatic eyeblink and muscular artifact detection and removal from EEG signals using k-nearest neighbor classifier and long short-term memory networks
CN110135285B (zh) 一种使用单导设备的脑电静息态身份认证方法及装置
CN108143410A (zh) 一种面向静息态脑电信号的脑功能连接分析方法
De Lucia et al. A novel method for automated classification of epileptiform activity in the human electroencephalogram-based on independent component analysis
Chakladar et al. EEG-based cognitive state classification and analysis of brain dynamics using deep ensemble model and graphical brain network
Islam et al. Probability mapping based artifact detection and wavelet denoising based artifact removal from scalp EEG for BCI applications
Liu et al. Revised tunable Q-factor wavelet transform for EEG-based epileptic seizure detection
Ibrahim et al. EEG-Based Epileptic Seizures Detection with Adaptive Learning Capability.
Upadhyay et al. Application of wavelet fractal features for the automated detection of epileptic seizure using electroencephalogram signals
Acar et al. Electrocortical source imaging of intracranial EEG data in epilepsy
Gurve et al. Deep learning of EEG time–frequency representations for identifying eye states
CN111931578A (zh) 一种基于最小生成树和区域双层网络的脑电识别方法
CN111736690A (zh) 基于贝叶斯网络结构辨识的运动想象脑机接口
Maiorana et al. EEG-based biometric recognition using EigenBrains
Bono et al. Classifying human emotional states using wireless EEG based ERP and functional connectivity measures
Vivek et al. ST-GNN for EEG motor imagery classification
Liu et al. EEG based Mental Workload Assessment by Power Spectral Density Feature

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