CN114065825B - 一种基于结构相似性的脑磁meg源定位方法 - Google Patents
一种基于结构相似性的脑磁meg源定位方法 Download PDFInfo
- Publication number
- CN114065825B CN114065825B CN202210048425.4A CN202210048425A CN114065825B CN 114065825 B CN114065825 B CN 114065825B CN 202210048425 A CN202210048425 A CN 202210048425A CN 114065825 B CN114065825 B CN 114065825B
- Authority
- CN
- China
- Prior art keywords
- signal
- brain magnetic
- meg
- preprocessed
- picture format
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/22—Source localisation; Inverse modelling
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本发明涉及一种基于结构相似性的脑磁MEG源定位方法,包括:S1、针对预先获取的脑磁MEG信号B进行预处理,得到预处理后的脑磁MEG信号B;S2、基于预先采集的被试者的MRI数据构建真实的头部模型,并得出引导场矩阵L;S3、针对所述预处理后的脑磁MEG信号B和所述引导场矩阵L,获取多个初始源定位结果*S以及分别与多个初始源定位结果*S一一对应的估计脑磁信号*B;S4、基于多个初始源定位结果*S一一对应的估计脑磁信号*B和所述预处理后的脑磁MEG信号B,确定最终源估计的值,并成像显示。
Description
技术领域
本发明涉及脑电信号处理技术领域,尤其涉及一种基于结构相似性的脑磁MEG源定位方法。
背景技术
20世纪以来,人类借助各种现代科技研究自身,使得人类对自身的了解突飞猛进。但在对人脑的功能性认识上却并没有取得令人满意的结果。现有的常用成像技术有CT(计算机X线断层扫描)、MRI(磁共振成像)和PET(正电子发射断层成像),其中CT、MRI可以提供有关脑组织的解剖学或形态学方面的信息,优点是具有较好的空间分辨率,缺点是不能提供实时的大脑神经活动信息;PET则是通过检测有关组织的灌注量来反映脑神经的活动情况,具有滞后效应。而具有良好时间、空间分辨率的脑磁图(MEG:Magnetoencephalogram)是近几十年来生物医学研究中比较活跃的一个领域。
MEG的测量信号可以直接反映出脑内神经元电活动,但由于大脑不同组织的电导率不同,以及不同组织之间的相对分布情况还因人而异,使得用脑电(EEG)来精确定位活动神经元变得非常困难。虽然大脑不同组织的电导率不同,但磁导率却可认为是差别不大的,因此使用大脑磁场信号(如MEG)可以更精确地对脑内活动神经元进行实时定位。MEG研究国外几十年,目前常见MEG源定位有两大类方法:非参数方法和参数方法。对于第一类非参数法,包括了最小范数估计及其推广,Backus-Gilbert方法,加权分辨率优化和多分辨率方法等。对于第二类参数方法,主要有非线性最小二乘问题,波束形成方法,多信号分类算法(MUSIC),子空间技术,模拟退火和有限元,计算智能算法,以及神经网络和遗传算法等。由于MEG的非侵入、无损性检测及较高的时间-空间分辨率,现已被许多研究人员在临床环境中用于研究各种生理或病理条件下的大脑功能或功能障碍(如癫痫患者)。
脑磁源定位指从记录的脑磁信号中重建潜在的大脑活动。记录的磁场信号是由局部密集的神经元细胞群的同步活动产生的,每一组神经元在宏观水平上被认为是一个等效的偶极源。现有的参数法,如偶极子拟合法(dipolefit),还存在不少问题:源偶极子数的不确定性、以及无法很好地区分两个或多个距离过近的源等最终导致脑磁源定位精确度不高。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足,本发明提供一种基于结构相似性的脑磁MEG源定位方法,其解决了脑磁源定位精确度不高的技术问题。
(二)技术方案
为了达到上述目的,本发明采用的主要技术方案包括:
本发明实施例提供一种基于结构相似性的脑磁MEG源定位方法,包括:
S1、针对预先获取的脑磁MEG信号B进行预处理,得到预处理后的脑磁MEG信号B;
S2、基于预先采集的被试者的MRI数据构建真实的头部模型,并得出引导场矩阵L;
S3、针对所述预处理后的脑磁MEG信号B和所述引导场矩阵L,获取多个初始源定位结果*S以及分别与多个初始源定位结果*S一一对应的估计脑磁信号*B;
S4、基于多个初始源定位结果*S一一对应的估计脑磁信号*B和所述预处理后的脑磁MEG信号B,确定最终源估计的值,并成像显示。
优选的,所述S2具体包括:
S21、采用Freesurfer软件对所述预先采集的受试者的MRI数据进行分割,把受试者的MRI数据的头部部分分割为:头皮组织、颅骨、灰质和白质;
S22、采用openMEEG软件设置所述灰质和白质、头皮组织和颅骨的电导率,构建受试者的头部模型;
S23、采用高精度光学扫描仪将所述头部模型所在的坐标系和测量脑磁信号的传感器所在的坐标系进行配准得到配准矩阵,并进一步基于所述配准矩阵和所述头部模型采用matlab中fieldtrip工具包计算得出引导场矩阵L。
优选的,所述S3具体包括:
S31、分别采用预先设定的不同参数值下的偶极子拟合法针对所述预处理后的脑磁MEG信号B和所述引导场矩阵L进行处理,分别获取不同参数值所对应的初始源定位结果*S;
所述参数值包括偶极子拟合法中的源的位置、方向和大小参数的值;
S32、基于所述初始源定位结果*S和所述引导场矩阵L,采用公式(1),获取与该初始源定位结果*S所对应的估计脑磁信号*B;
所述公式(1)为:
*B=L×*S。
优选的,所述S4包括:
S41、将采用公式(2)分别将所述估计脑磁信号*B和预处理后的脑磁MEG信号B中的任一值归一化成0至255之间,获取归一化后的估计脑磁信号*B和预处理后的脑磁MEG信号B,并基于归一化后的估计脑磁信号*B和预处理后的脑磁MEG信号B,获取所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据;
所述公式(2)为:
*Ai=255×(Ai-a)/(b-a);
Ai为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的任一值;
*Ai为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的任一值归一化后所对应的像素值;
a为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的最小值;
b为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的最大值;
S42、基于所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据,获取所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值;
S43、基于每一所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值,确定最终源估计的值,并成像显示。
优选的,所述S42具体包括:
基于所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据,采用公式(3)获取所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值;
所述公式(3)为:
n为所述估计脑磁信号*B在灰度图片格式下的矩阵数据或所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的数据长度;
xi为所述估计脑磁信号*B在灰度图片格式下的矩阵数据中第i个数据;
yi为所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据中的第i个数据;
x为估计脑磁信号*B所对应的灰度图片格式下的矩阵数据;
y为预处理后的脑磁MEG信号B所对应的灰度图片格式下的矩阵数据。
优选的,所述S43具体包括:
将最大的相似度值所对应的源估计结果*B作为最终源估计的值,并成像显示。
优选的,
所述预先获取的脑磁MEG信号B为在磁屏蔽的环境下,采用测量脑磁信号的传感器所采集的;
所述测量脑磁信号的传感器包括:超导量子干涉仪或光泵原子磁力计。
优选的,
所述预处理包括:坏道的识别和剔除处理、伪影的抑制处理和噪声的去除处理。
优选的,
所述预先采集的被试者的MRI数据为由核磁共振仪所采集的。
优选的,
所述头部模型为BEM头部模型或单壳模型。
(三)有益效果
本发明的有益效果是:本发明的一种基于结构相似性的脑磁MEG源定位方法,由于采用多个初始源定位结果*S一一对应的估计脑磁信号*B和预处理后的脑磁MEG信号B,确定最终源估计的值,并成像显示,进一步,通过计算估计脑磁信号*B在灰度图片格式下的矩阵数据和预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值,来进行脑磁源定位。其得到的最终源估计的值精度更高。
附图说明
图1为本发明的一种基于结构相似性的脑磁MEG源定位方法流程图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更清楚、透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
参见图1,本实施例提供一种基于结构相似性的脑磁MEG源定位方法,包括:
S1、针对预先获取的脑磁MEG信号B进行预处理,得到预处理后的脑磁MEG信号B。
S2、基于预先采集的被试者的MRI数据构建真实的头部模型,并得出引导场矩阵L。
S3、针对所述预处理后的脑磁MEG信号B和所述引导场矩阵L,获取多个初始源定位结果*S以及分别与多个初始源定位结果*S一一对应的估计脑磁信号*B。
S4、基于多个初始源定位结果*S一一对应的估计脑磁信号*B和所述预处理后的脑磁MEG信号B,确定最终源估计的值,并成像显示。
在本实施例的实际应用中,所述S2具体包括:
S21、采用Freesurfer软件对所述预先采集的受试者的MRI数据进行分割,把受试者的MRI数据的头部部分分割为:头皮组织、颅骨、灰质和白质。
S22、采用openMEEG软件设置所述灰质和白质、头皮组织和颅骨的电导率,构建受试者的头部模型。
S23、采用高精度光学扫描仪将所述头部模型所在的坐标系和测量脑磁信号的传感器所在的坐标系进行配准得到配准矩阵,并进一步基于所述配准矩阵和所述头部模型采用matlab中fieldtrip工具包计算得出引导场矩阵L。
在本实施例的实际应用中,所述S3具体包括:
S31、分别采用预先设定的不同参数值下的偶极子拟合法针对所述预处理后的脑磁MEG信号B和所述引导场矩阵L进行处理,分别获取不同参数值所对应的初始源定位结果*S。
所述参数值包括偶极子拟合法中的源的位置、方向和大小参数的值。
S32、基于所述初始源定位结果*S和所述引导场矩阵L,采用公式(1),获取与该初始源定位结果*S所对应的估计脑磁信号*B。
所述公式(1)为:
*B=L×*S。
在本实施例的实际应用中,所述S4包括:
S41、将采用公式(2)分别将所述估计脑磁信号*B和预处理后的脑磁MEG信号B中的任一值归一化成0至255之间,获取归一化后的估计脑磁信号*B和预处理后的脑磁MEG信号B,并基于归一化后的估计脑磁信号*B和预处理后的脑磁MEG信号B,获取所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据。
所述公式(2)为:
*Ai=255×(Ai-a)/(b-a)。
Ai为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的任一值。
*Ai为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的任一值归一化后所对应的像素值。
a为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的最小值。
b为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的最大值。
S42、基于所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据,获取所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值。
S43、基于每一所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值,确定最终源估计的值,并成像显示。
在本实施例的实际应用中,所述S42具体包括:
基于所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据,采用公式(3)获取所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值SSIM(x,y)。
所述公式(3)为:
n为所述估计脑磁信号*B在灰度图片格式下的矩阵数据或所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的数据长度。
xi为所述估计脑磁信号*B在灰度图片格式下的矩阵数据中第i个数据。
yi为所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据中的第i个数据。
x为估计脑磁信号*B所对应的灰度图片格式下的矩阵数据。
y为预处理后的脑磁MEG信号B所对应的灰度图片格式下的矩阵数据。
具体的,本实施例中的公式(3)是基于公式(A)得到,其中,公式(A)为:
SSIM(x,y)=[l(x,y)]α*[c(x,y)]β*[s(x,y)]γ。
其中,α是亮度、β为对比度和γ是结构项的指数,且均大于0。
1(x,y)是亮度比较,c(x,y)是对比度比较,s(x,y)是结构比较。
μx和μy分别代表x、y的平均值,σx和σy分别代表x、y的标准差,σxy代表x和y的协方差。
其中,本实施例中的α、β和γ均为1,c1=6.5205,c2=58.5225以及c3=29.26125。
本实施例中由于SSIM(x,y)的计算包含了l(x,y)亮度比较,c(x,y)对比度比较以及s(x,y)结构比较三部分,相较于偶极子拟合法,SSIM(x,y)更加全面,也更加能深刻地凸显出不同源之间的微小差别,因此它的定位精度更高,能更好地区分两个或多个靠得比较近的源。
在本实施例的实际应用中,所述S43具体包括:将最大的相似度值所对应的源估计结果*B作为最终源估计的值,并成像显示。
在本实施例的实际应用中,所述预先获取的脑磁MEG信号B为在磁屏蔽的环境下,采用测量脑磁信号的传感器所采集的。
所述测量脑磁信号的传感器包括:超导量子干涉仪或光泵原子磁力计。
在本实施例的实际应用中,所述预处理包括:坏道的识别和剔除处理、伪影的抑制处理和噪声的去除处理。
在本实施例的实际应用中,所述预先采集的被试者的MRI数据为由核磁共振仪所采集的。
在本实施例的实际应用中,所述头部模型为BEM头部模型或单壳模型。
本发明的一种基于结构相似性的脑磁MEG源定位方法,由于采用多个初始源定位结果*S一一对应的估计脑磁信号*B和预处理后的脑磁MEG信号B,确定最终源估计的值,并成像显示,进一步,通过计算估计脑磁信号*B在灰度图片格式下的矩阵数据和预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值,来进行脑磁源定位。其得到的最终源估计的值精度更高。
由于本发明上述实施例所描述的系统,为实施本发明上述实施例的方法所采用的系统,故而基于本发明上述实施例所描述的方法,本领域所属技术人员能够了解该系统的具体结构及变形,因而在此不再赘述。凡是本发明上述实施例的方法所采用的系统都属于本发明所欲保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例,或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是,在权利要求中,不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中,这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用,仅是为了表述方便,而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外,需要说明的是,在本说明书的描述中,术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述,是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例,但本领域的技术人员在得知了基本创造性概念后,则可对这些实施例作出另外的变更和修改。所以,权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也应该包含这些修改和变型在内。
Claims (7)
1.一种基于结构相似性的脑磁MEG源定位方法,其特征在于,包括:
S1、针对预先获取的脑磁MEG信号B进行预处理,得到预处理后的脑磁MEG信号B;
所述预先获取的脑磁MEG信号B为在磁屏蔽的环境下,采用测量脑磁信号的传感器所采集的;
S2、基于预先采集的被试者的MRI数据构建真实的头部模型,并得出引导场矩阵L;
S3、针对所述预处理后的脑磁MEG信号B和所述引导场矩阵L,获取多个初始源定位结果*S以及分别与多个初始源定位结果*S一一对应的估计脑磁信号*B;
S4、基于多个初始源定位结果*S一一对应的估计脑磁信号*B和所述预处理后的脑磁MEG信号B,确定最终源估计的值,并成像显示;
所述S2具体包括:
S21、采用Freesurfer软件对所述预先采集的受试者的MRI数据进行分割,把受试者的MRI数据的头部部分分割为:头皮组织、颅骨、灰质和白质;
S22、采用openMEEG软件设置所述灰质和白质、头皮组织和颅骨的电导率,构建受试者的头部模型;
S23、采用高精度光学扫描仪将所述头部模型所在的坐标系和测量脑磁信号的传感器所在的坐标系进行配准得到配准矩阵,并进一步基于所述配准矩阵和所述头部模型采用matlab中fieldtrip工具包计算得出引导场矩阵L;
所述S3具体包括:
S31、分别采用预先设定的不同参数值下的偶极子拟合法针对所述预处理后的脑磁MEG信号B和所述引导场矩阵L进行处理,分别获取不同参数值所对应的初始源定位结果*S;
所述参数值包括偶极子拟合法中的源的位置、方向和大小参数的值;
S32、基于所述初始源定位结果*S和所述引导场矩阵L,采用公式(1),获取与该初始源定位结果*S所对应的估计脑磁信号*B;
所述公式(1)为:
*B=L×*S;
所述S4包括:
S41、将采用公式(2)分别将所述估计脑磁信号*B和预处理后的脑磁MEG信号B中的任一值归一化成0至255之间,获取归一化后的估计脑磁信号*B和预处理后的脑磁MEG信号B,并基于归一化后的估计脑磁信号*B和预处理后的脑磁MEG信号B,获取所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据;
所述公式(2)为:
*Ai=255×(Ai-a)/(b-a);
Ai为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的任一值;
*Ai为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的任一值归一化后所对应的像素值;
a为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的最小值;
b为所述估计脑磁信号*B或预处理后的脑磁MEG信号B中的最大值;
S42、基于所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据,获取所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值;
S43、基于每一所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值,确定最终源估计的值,并成像显示。
2.根据权利要求1所述的方法,其特征在于,所述S42具体包括:
基于所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据,采用公式(3)获取所述估计脑磁信号*B在灰度图片格式下的矩阵数据和所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的相似度的值;
所述公式(3)为:
n为所述估计脑磁信号*B在灰度图片格式下的矩阵数据或所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据的数据长度;
xi为所述估计脑磁信号*B在灰度图片格式下的矩阵数据中第i个数据;
yi为所述预处理后的脑磁MEG信号B在灰度图片格式下的矩阵数据中的第i个数据;
x为估计脑磁信号*B所对应的灰度图片格式下的矩阵数据;
y为预处理后的脑磁MEG信号B所对应的灰度图片格式下的矩阵数据。
3.根据权利要求2所述的方法,其特征在于,所述S43具体包括:
将最大的相似度值所对应的源估计结果*B作为最终源估计的值,并成像显示。
4.根据权利要求3所述的方法,其特征在于,
所述测量脑磁信号的传感器包括:超导量子干涉仪或光泵原子磁力计。
5.根据权利要求4所述的方法,其特征在于,
所述预处理包括:坏道的识别和剔除处理、伪影的抑制处理和噪声的去除处理。
6.根据权利要求5所述的方法,其特征在于,
所述预先采集的被试者的MRI数据为由核磁共振仪所采集的。
7.根据权利要求6所述的方法,其特征在于,
所述头部模型为BEM头部模型或单壳模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048425.4A CN114065825B (zh) | 2022-01-17 | 2022-01-17 | 一种基于结构相似性的脑磁meg源定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048425.4A CN114065825B (zh) | 2022-01-17 | 2022-01-17 | 一种基于结构相似性的脑磁meg源定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114065825A CN114065825A (zh) | 2022-02-18 |
CN114065825B true CN114065825B (zh) | 2022-04-19 |
Family
ID=80231094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210048425.4A Active CN114065825B (zh) | 2022-01-17 | 2022-01-17 | 一种基于结构相似性的脑磁meg源定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065825B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115018018B (zh) * | 2022-08-05 | 2022-11-11 | 北京航空航天大学杭州创新研究院 | 一种抑制背景噪声的双重空间滤波方法 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2561810A1 (en) * | 2011-08-24 | 2013-02-27 | Université Libre de Bruxelles | Method of locating eeg and meg sensors on a head |
CN103297851A (zh) * | 2013-05-16 | 2013-09-11 | 中国科学院自动化研究所 | 长视频中目标内容的快速统计与自动审核方法及装置 |
CN103717129A (zh) * | 2011-05-24 | 2014-04-09 | 加利福尼亚大学董事会 | 脑磁图源成像 |
CN105147288A (zh) * | 2015-07-23 | 2015-12-16 | 中国科学院苏州生物医学工程技术研究所 | 脑磁源强度定位方法 |
CN105212895A (zh) * | 2015-08-24 | 2016-01-06 | 中国科学院苏州生物医学工程技术研究所 | 动态脑磁源定位方法 |
CN107518898A (zh) * | 2017-08-08 | 2017-12-29 | 北京航空航天大学 | 基于传感器阵列分解和波束成形的脑磁图源定位装置 |
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 |
CN108024752A (zh) * | 2015-09-07 | 2018-05-11 | 加利福尼亚大学董事会 | 基于超密电极的脑成像系统 |
CN108828398A (zh) * | 2018-03-09 | 2018-11-16 | 长沙理工大学 | 一种基于结构相似性算法的单芯电缆局放定位方法 |
CN109146918A (zh) * | 2018-06-11 | 2019-01-04 | 西安电子科技大学 | 一种基于分块的自适应相关目标定位方法 |
CN109620201A (zh) * | 2018-12-07 | 2019-04-16 | 南京国科医工科技发展有限公司 | 柔性多导联帽式脑磁仪及其高精度成像方法 |
CN109965895A (zh) * | 2019-03-28 | 2019-07-05 | 济南国科医工科技发展有限公司 | 一种基于脑影像融合特征的癫痫灶定位方法 |
JP2019134904A (ja) * | 2018-02-05 | 2019-08-15 | 学校法人金沢工業大学 | 座標変換装置、座標変換方法及び座標変換プログラム |
CN110321783A (zh) * | 2019-05-07 | 2019-10-11 | 北京慧脑云计算有限公司 | 一种基于1d卷积神经网络的meg棘波检测方法及系统 |
CN110728704A (zh) * | 2019-11-13 | 2020-01-24 | 北京航空航天大学 | 一种基于mri和opm的脑磁多模态影像配准系统及方法 |
CN111726765A (zh) * | 2020-05-29 | 2020-09-29 | 山西大学 | 一种面向大规模复杂场景的wifi室内定位方法及系统 |
CN112294339A (zh) * | 2020-10-14 | 2021-02-02 | 中国科学院苏州生物医学工程技术研究所 | 基于种群多样性控制的脑电源定位方法、系统及设备 |
CN112914578A (zh) * | 2021-01-20 | 2021-06-08 | 季华实验室 | Meg源定位方法及系统 |
CN113576491A (zh) * | 2021-07-26 | 2021-11-02 | 深圳市人民医院 | 基于静息态eeg频域特征及脑网络自动分析方法和系统 |
CN113827246A (zh) * | 2021-11-25 | 2021-12-24 | 北京航空航天大学杭州创新研究院 | 脑磁数据采集分析方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951885B (zh) * | 2020-12-22 | 2022-07-05 | 北京航空航天大学 | 一种脑磁图源定位方法、存储介质和设备 |
-
2022
- 2022-01-17 CN CN202210048425.4A patent/CN114065825B/zh active Active
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103717129A (zh) * | 2011-05-24 | 2014-04-09 | 加利福尼亚大学董事会 | 脑磁图源成像 |
EP2561810A1 (en) * | 2011-08-24 | 2013-02-27 | Université Libre de Bruxelles | Method of locating eeg and meg sensors on a head |
CN103297851A (zh) * | 2013-05-16 | 2013-09-11 | 中国科学院自动化研究所 | 长视频中目标内容的快速统计与自动审核方法及装置 |
CN105147288A (zh) * | 2015-07-23 | 2015-12-16 | 中国科学院苏州生物医学工程技术研究所 | 脑磁源强度定位方法 |
CN105212895A (zh) * | 2015-08-24 | 2016-01-06 | 中国科学院苏州生物医学工程技术研究所 | 动态脑磁源定位方法 |
CN108024752A (zh) * | 2015-09-07 | 2018-05-11 | 加利福尼亚大学董事会 | 基于超密电极的脑成像系统 |
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 |
CN111528794A (zh) * | 2017-08-08 | 2020-08-14 | 北京航空航天大学 | 基于传感器阵列分解和波束成形的源定位方法 |
CN107518898A (zh) * | 2017-08-08 | 2017-12-29 | 北京航空航天大学 | 基于传感器阵列分解和波束成形的脑磁图源定位装置 |
JP2019134904A (ja) * | 2018-02-05 | 2019-08-15 | 学校法人金沢工業大学 | 座標変換装置、座標変換方法及び座標変換プログラム |
CN108828398A (zh) * | 2018-03-09 | 2018-11-16 | 长沙理工大学 | 一种基于结构相似性算法的单芯电缆局放定位方法 |
CN109146918A (zh) * | 2018-06-11 | 2019-01-04 | 西安电子科技大学 | 一种基于分块的自适应相关目标定位方法 |
CN109620201A (zh) * | 2018-12-07 | 2019-04-16 | 南京国科医工科技发展有限公司 | 柔性多导联帽式脑磁仪及其高精度成像方法 |
CN109965895A (zh) * | 2019-03-28 | 2019-07-05 | 济南国科医工科技发展有限公司 | 一种基于脑影像融合特征的癫痫灶定位方法 |
CN110321783A (zh) * | 2019-05-07 | 2019-10-11 | 北京慧脑云计算有限公司 | 一种基于1d卷积神经网络的meg棘波检测方法及系统 |
CN110728704A (zh) * | 2019-11-13 | 2020-01-24 | 北京航空航天大学 | 一种基于mri和opm的脑磁多模态影像配准系统及方法 |
CN111726765A (zh) * | 2020-05-29 | 2020-09-29 | 山西大学 | 一种面向大规模复杂场景的wifi室内定位方法及系统 |
CN112294339A (zh) * | 2020-10-14 | 2021-02-02 | 中国科学院苏州生物医学工程技术研究所 | 基于种群多样性控制的脑电源定位方法、系统及设备 |
CN112914578A (zh) * | 2021-01-20 | 2021-06-08 | 季华实验室 | Meg源定位方法及系统 |
CN113576491A (zh) * | 2021-07-26 | 2021-11-02 | 深圳市人民医院 | 基于静息态eeg频域特征及脑网络自动分析方法和系统 |
CN113827246A (zh) * | 2021-11-25 | 2021-12-24 | 北京航空航天大学杭州创新研究院 | 脑磁数据采集分析方法及系统 |
Non-Patent Citations (5)
Title |
---|
Automatic coregistration of MRI and on-scalp MEG;Wenyu Gu et al;《Journal of Neuroscience Methods 》;20210406;第1-8页 * |
Neuromagnetic source location estimation in the cortical region using MR images;M. Nobuta et al;《1997 IEEE Nuclear Science Symposium Conference Record》;20020806;第1213-1217页 * |
动态脑磁逆问题研究;刘婷;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20160615;第2016年卷(第6期);第1.1.2节最后1段、第2.2.1-2.2.2节 * |
基于正则化方法的加权最小模估计在脑磁源成像中的应用;胡净等;《生物医学工程学杂志》;20031231;第20卷(第1期);第157-161页 * |
基于深度学习的实时目标跟踪算法研究;罗朔;《中国优秀硕士学位论文全文数据库 信息科技辑》;20210715;第2021年卷(第7期);I138-586 * |
Also Published As
Publication number | Publication date |
---|---|
CN114065825A (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109242865B (zh) | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 | |
Frey et al. | An MRI based average macaque monkey stereotaxic atlas and space (MNI monkey space) | |
Binney et al. | Convergent connectivity and graded specialization in the rostral human temporal lobe as revealed by diffusion-weighted imaging probabilistic tractography | |
Jaiswal et al. | Comparison of beamformer implementations for MEG source localization | |
CN111311703B (zh) | 一种基于深度学习的电阻抗断层图像重构方法 | |
CN106204562A (zh) | 一种基于fMRI与DTI融合的穹隆白质分割的方法 | |
CN108898135B (zh) | 一种大脑边缘系统图谱构建方法 | |
WO2023280086A1 (zh) | 靶点确定方法、装置、电子设备、存储介质及神经调控设备 | |
US20170238879A1 (en) | Method of Analyzing the Brain Activity of a Subject | |
Gohel et al. | Approximate subject specific pseudo MRI from an available MRI dataset for MEG source imaging | |
CN114065825B (zh) | 一种基于结构相似性的脑磁meg源定位方法 | |
Pinho et al. | Subject‐specific segregation of functional territories based on deep phenotyping | |
CA2388285C (en) | Method of solving magnetoencephalographic and electroencephalographic inverse problems | |
Coatrieux et al. | Future trends in 3D medical imaging | |
Metcalf et al. | 4D connected component labelling applied to quantitative analysis of MS lesion temporal development | |
WO2000010454A1 (en) | Functional brain imaging from magnetoencephalographic data | |
CN114596306A (zh) | 基于机器学习诊断帕金森疾病的系统 | |
JP2021518205A (ja) | 神経学的検査システム | |
Nagarajan et al. | Magnetoencephalographic imaging | |
Mir et al. | Smart Approaches for Diagnosis of Brain Disorders Using Artificial Intelligence | |
Ma et al. | BAI-Net: Individualized Human Cerebral Cartography using Graph Convolutional Network | |
CN116863025B (zh) | 脑磁图数据的溯源重建方法、装置、电子装置和介质 | |
Lynch et al. | Precision mapping and transcranial magnetic stimulation of individual-specific functional brain networks in humans | |
CN113379249B (zh) | 一种基于图谱的纤维束成像评价方法 | |
US11972564B2 (en) | Recording medium, information processing device, information processing method, trained model generation method, and correlation image output device |
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 |