CN116098637A - 一种基于ica优化校正脑电微状态的大脑功能评测装置 - Google Patents

Abstract

本发明公开了一种基于ICA优化校正脑电微状态的大脑功能评测装置，所述装置包括：采集和预处理模块，用于采集被试在静息状态下的大脑脑电信号，基于ICA算法优化矫正脑电信号预处理；分析模块，基于改进的k‑means聚类算法进行微状态分析；提取模块，用于提取微态特征指标；评测模块，用于统计学分析对大脑功能进行评测。本发明通过ICA算法在数据预处理阶段多次进行脑电微状态的矫正，充分剔除脑电信号中的干扰成分，使微状态信号更加显著，为脑电微态的识别及其特征的提取提供更准确有效的装置。

Description

一种基于ICA优化校正脑电微状态的大脑功能评测装置

技术领域

本发明涉及生物医学工程领域，尤其涉及一种基于ICA优化校正脑电微状态的大脑功能评测装置。

背景技术

脑电图，是大脑皮层电场的记录，大脑皮层神经元大规模活动在皮层形成特定的电场分布，通过体积传导，透过颅骨和头皮在头皮表面形成电位分布。通过在头皮表面放置电极，可以记录到头皮表面电位分布的变化，用来评估脑电生理活动的时空动力学。脑电图具有非侵入性，简单易用，价格便宜，时间分辨率高等优点，是研究大脑活动的非常普遍的工具。静息脑电是人在静息状态下的脑电信号，无需外界刺激，无需多余的任务活动，不会引起被试疲劳，更容易被接受。

脑电微状态是大脑皮层电位分布在空间上和时间上形成的一种准稳定模式。在脑电的时间维度上，可以观察到脑电地形图的时间序列由一组离散的原型地形图组成，每个原型地形图维持准稳定状态大约80～120ms，然后转移到另一个原型地形图。这些原型地形图被称为功能微状态，在静息状态的脑电中，微状态地形图在不同个体之间有高度的相似性。这种个体间的一致性可以保证在被试之间进行一致的微状态分析的可行性。

对静息脑电信号应用微状态分析，可提取大量的微状态相关特征，这些特征可在后续研究中用于不同的用途，包括分析对照组与实验组之间存在的差异，单样本组内相关性的分析等等，因此，准确有效地识别和提取微状态及其特征是关键。

传统的脑电微态特征提取方法往往受到大量伪迹的干扰，导致提取的结果可靠性不高，所以亟需开发一套更有效的脑电微状态控制方法。

发明内容

本发明提供了一种基于ICA优化校正脑电微状态的大脑功能评测装置，本发明通过ICA算法在数据预处理阶段多次进行脑电微状态的矫正，充分剔除脑电信号中的干扰成分，使微状态信号更加显著，为脑电微态的识别及其特征的提取提供更准确有效的方法，详见下文描述：

一种基于ICA优化校正脑电微状态的大脑功能评测装置，所述装置包括：

采集和预处理模块，用于采集被试在静息状态下的大脑脑电信号，基于ICA算法优化矫正脑电信号预处理；

分析模块，用于基于改进的k-means聚类算法进行微状态分析；

提取模块，用于提取微态特征指标；

评测模块，用于统计学分析对大脑功能进行评测。

其中，所述基于ICA算法优化矫正脑电信号预处理具体为：

对数据进行独立成分分析，去掉明显的伪迹成分，使用ICLabel和ADJUST算法辅助识别伪迹成分；对数据进行独立成分分解。

所述基于改进的k-means聚类算法进行微状态分析具体为：

对经过优化矫正处理的数据进行共平均参考，计算全局场功率值，提取全局场功率局部最大值点的脑地形图，使用改进的k-means聚类算法进行聚类分析，根据全局解释方差对聚类分析结果进行排序得到四种原型微状态；

将原型微状态与原始脑电数据进行拟合构建微状态序列，计算每个微状态对应的特征，将特征作为特征向量进行统计学分析对大脑功能进行评测。

本发明提供的技术方案的有益效果是：

1、本发明对大脑静息状态的脑电信号进行优化矫正，更精确有效地提取脑电微状态的相关特征：平均持续时间、发生率、覆盖率、不同微态间的转移概率、全局方差解释率、平均全局场功率峰值，实现其面向大脑功能评测应用，推广至神经心理学、生命科学等领域，获得可观的社会效益和经济效益；

2、本发明创新设计了在数据预处理阶段基于ICA算法多次进行脑电微状态的矫正优化处理，可充分剔除脑电信号中的干扰成分，使微状态信号更加显著，克服了传统方法的缺陷，可更精确有效地提取脑电微状态的相关特征，更接近实际应用，有望为大脑功能检测、BCI设计与应用拓展提供关键技术支撑。

附图说明

图1为一种基于ICA优化校正脑电微状态的大脑功能评测的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

本发明实施例设计了一种基于ICA优化校正脑电微状态的大脑功能评测装置。脑电图(Electroencephalogram,EEG)是大脑皮层电场的记录，可反映大脑皮层大规模的神经网络活动。脑电微状态(EEG microstate)是大脑皮层大规模神经网络活动的准稳定模式，可以用于评测大脑功能，具有重要的应用意义。

实施例1

一种基于ICA优化校正脑电微状态的大脑功能评测装置，参见图1，该装置包括以下步骤：

采集和预处理模块，用于采集被试在静息状态下的大脑脑电信号，基于ICA算法优化矫正脑电信号预处理；

分析模块，用于基于改进的k-means聚类算法进行微状态分析；

提取模块，用于提取微态特征指标；

评测模块，用于统计学分析对大脑功能进行评测。

实施例2

下面结合具体的数据，算例对实施例1中的方案进行进一步地介绍，详见下文描述：

(1)采集静息状态脑电数据

静息状态脑电的采集应用64导联脑电采集系统及其专用软件，数据采集参数设置为采样率1000Hz，0.5～100Hz硬件带通滤波，50Hz工频陷波滤波。数据的采集需要在安静的房间中进行。被试坐在舒服的椅子上，并且被要求休息一段时间，让大脑处于静息状态。数据采集时尽量保持身体不动，避免肌电等伪迹的出现，在睁眼的状态下保持静息进行脑电数据的采集，采集脑电时间在200s以上。

(2)脑电数据的预处理和优化矫正

①数据预处理

对采集的静息脑电信号进行降采样，降采样至250Hz，以降低数据量和数据处理的计算压力，降采样后的数据采样率满足奈奎斯特(Nyquist)采样定理(250Hz远远大于45Hz的两倍，符合微状态分析的要求)。使用有限冲激响应(Finite Impulse Response，FIR)滤波器进行滤波，滤波范围为1～45Hz，消除低频信号偏移和高频干扰。

②数据矫正优化

对数据进行独立成分分析(Independent Component Analysis，ICA)分解，ICA分解成分后，去掉明显的伪迹成分，例如：眨眼、肌肉运动、眼动、电极松动等成分。联合使用ICLabel和ADJUST算法辅助识别伪迹成分。可目视剔除坏导联和异常数据段，作为上述ICA分解去伪迹的补充。接下来再次对数据进行ICA分解，去伪迹的方法与上述步骤相同。最后达到的效果是：ICA成分排序靠前的成分大部分都是大脑活动的成分，其脑活动成分置信度达到90％以上。

ICA最初是为处理鸡尾酒会问题而创建的，在鸡尾酒会上，试图将一个相关的谈话从其他谈话的噪音中分离出来。头皮电极记录的脑电图数据可以看作是真实脑电图信号和伪脑电图信号的总和，两者是相互独立的。将ICA应用到脑电数据上，会把脑电数据分解成一系列的独立成分(Independent Component)，因此，ICA是一种源分离技术，可以识别脑电数据中的独立的方差源。

ICA基于未知信号源S和可观测信号Z的线性模型，用下列公式描述：

其中，

是满秩的混合矩阵，S代表ICA分解后的信号源，R代表ICA成分的数量。假设可观测信号维数M大于源信号维数R，因此在将数据输入ICA分解之前，需要进行降维。一旦估计出模型阶数(源成分的数量)，利用降维矩阵将模型由过定变换为确定，如下：

其中，

V^T是由主成分分析得到的降维矩阵，它由数据矩阵Z的协方差矩阵的前R个特征向量组成。对可观测信号Z降维之后的ICA分解模型为：

Y＝WX  (3)

其中，

是用来估计源信号S的成分矩阵。ICA分解算法的目的是寻找一个基于独立成分的反混合矩阵

基于最大互信息的Infomax ICA分解广泛应用于各个领域，其互信息方程如下：

I(Y,X)＝H(Y)-H(Y|X)  (4)

其中，I是成分的互信息，H是熵。根据上式，得到迭代式为：

ΔW∝[W^T]^-1+(1-2Y)X^T  (5)

利用反投影法去除ICA分解成分中的伪迹成分，ICA混合模型为：

X＝AS  (6)

已知公式(3)中的ICA分解模型，

则逆矩阵B＝W^-1用于估计A，Y用来估计源矩阵S。假设分解的第k成分对应于第i个源信号，为了剔除该成分，可以从脑电图记录中减去反投影结果：

X_clear＝X-E_k  (7)

其中，E_k＝b_:,k·y_k,:(k＝1,2…R，R是提取成分的数量)。

通过这种方式可以剔除脑电中的伪迹成分。对于实际脑电观测信号，伪迹的成分数量可能大于估计的模型阶数，特别对于采样电极数量较少的脑电信号而言，较低的模型阶数会造成分解不充分，即存在伪迹信号与脑电信号混杂的情形，一次分解不能完整剔除伪迹。伪迹的数量可能有很多，通过多次应用ICA分解可以逐次分离并剔除所有可能的伪迹，如附图1条件循环程序框图所示。

(3)脑电数据的微状态分析

首先对矫正优化后的数据进行共平均参考(Common Average Reference)，然后计算全局场功率(Global Field Power，GFP)：

其中，V_i(t)表示电极i在时刻t的瞬时电位值，V_mean(t)表示所有电极在时刻t的平均电位值，N是电极的数量。

对脑电信号进行分段，GFP局部最大值所在的时刻往往表示一个稳定的微状态的存在，将这些时间点的脑地形图进行提取，使用改进的k-means聚类算法进行聚类分析，并基于全局解释方差(Global Explain Variance，GEV)对聚类进行排序得到四种原型微状态。

聚类是一种流行的无监督学习数据挖掘技术，它可以将数据分成具有相似对象的组(类)，k-means是其中最流行的聚类算法。k-means聚类本质上是一种基于欧式距离度量的数据划分方法，均值和方差对聚类的结果具有决定性影响，因此，非归一化数据、离群点和少量噪声数据都会对结果产生影响，通过对数据进行优化矫正去除干扰可以提高聚类性能。具体算法过程如下：首先进行数据预处理，进行数据归一化，清除离群点，然后随机选取k个聚类中心样本点，记为

定义代价函数

令t＝0,1,2…，对于每一个样本点x_i，将其分配到距离最近的类

对于每一个类k，计算该类的中心

随t值的增加重复迭代以上过程，直到代价函数J收敛。算法在迭代时，假设J没有达到最小值，那么首先固定类中心μ_k，计算c_i使J减小，然后固定c_i，调整类中心μ_k使J减小，这两个过程交替循环，直至J收敛，同时μ_k和c_i也在这个过程中收敛。

将四种微状态分别与原始脑电数据进行拟合，根据赢家通吃(winner-take-all)策略确定原始脑电数据所对应的微状态，构建出微状态序列，并计算每个微态对应的特征：

全局解释方差百分比(GEV)：每个特定的微状态模板在所有时间点上解释的脑电图的方差百分比。

发生率(Occurrence)：每个微状态类每秒出现的平均次数。

覆盖率(Coverage)：每个微状态类所占用的总分析时间的百分比。

平均持续时间(Duration)：一个特定微状态保持稳定的平均持续时间。

平均全局场功率(Mean GFP)：各微态类GFP的平均振幅。

转移概率(Transition Probability)：从每个微态类到另一个微态类的概率。

(4)统计学分析

将上述微态特征作为特征向量，根据实验数据来源和实验设置的不同，可做多种用途，包括但不限于独立样本检验、相关性分析、分类和回归。

本发明实施例设计了一种基于ICA优化校正脑电微状态的大脑功能评测方法。该项发明可在脑疾病康复评估、脑机接口开发、大脑功能研究等方面产生巨大应用潜力和深远影响，有力推动新一代神经技术的发展与应用，进一步研究可以得到更有效的大脑功能评测系统，有望获得可观的社会效益和经济效益。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于ICA优化校正脑电微状态的大脑功能评测装置，其特征在于，所述装置包括：

采集和预处理模块，用于采集被试在静息状态下的大脑脑电信号，基于ICA算法优化矫正脑电信号预处理；

分析模块，用于基于改进的k-means聚类算法进行微状态分析；

提取模块，用于提取微态特征指标；

评测模块，用于统计学分析对大脑功能进行评测。

2.根据权利要求1所述的一种基于ICA优化校正脑电微状态的大脑功能评测装置，其特征在于，所述基于ICA算法优化矫正脑电信号预处理具体为：

对数据进行独立成分分析，去掉明显的伪迹成分，使用ICLabel和ADJUST算法辅助识别伪迹成分并进行剔除；多次执行相同的操作，上一步的结果数据输出作为下一步的数据输入，直到满足脑电微状态大脑功能评测要求，即ICA排序靠前的成分大部分都识别为大脑活动成分，脑活动成分置信度达到90％以上。

3.根据权利要求1所述的一种基于ICA优化校正脑电微状态的大脑功能评测装置，其特征在于，所述基于改进的k-means聚类算法进行微状态分析具体为：

对经过优化矫正处理的数据进行共平均参考，计算全局场功率值，提取全局场功率局部最大值点的脑地形图，使用改进的k-means聚类算法进行聚类分析，根据全局解释方差对聚类分析结果进行排序得到四种原型微状态；

将原型微状态与原始脑电数据进行拟合构建微状态序列，计算每个微状态对应的特征，将特征作为特征向量进行统计学分析对大脑功能进行评测。

Images