CN117653124A - 一种基于注意力机制的脑磁图meg源定位方法 - Google Patents
一种基于注意力机制的脑磁图meg源定位方法 Download PDFInfo
- Publication number
- CN117653124A CN117653124A CN202311778182.0A CN202311778182A CN117653124A CN 117653124 A CN117653124 A CN 117653124A CN 202311778182 A CN202311778182 A CN 202311778182A CN 117653124 A CN117653124 A CN 117653124A
- Authority
- CN
- China
- Prior art keywords
- data
- magnetoencephalography
- model
- positioning
- image
- 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 50
- 210000004556 brain Anatomy 0.000 title claims abstract description 40
- 230000007246 mechanism Effects 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000010586 diagram Methods 0.000 claims abstract description 8
- 238000002582 magnetoencephalography Methods 0.000 claims description 114
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 238000012880 independent component analysis Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001766 physiological effect Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 239000000523 sample Substances 0.000 claims 1
- 239000000758 substrate Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 10
- 230000004807 localization Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000007177 brain activity Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种基于注意力机制的脑磁图MEG源定位方法，属于生物医学信号分析与处理领域，本发明利用MRI结构图数据和MEG数据的模态信息融合和多特征表达，提高源定位的准确性。利用核心为注意力机制的Transformer模型的全局上下文感知能力，捕捉到MEG数据中的长距离依赖关系，减少定位错乱。利用Transformer模型的并行计算能力，可以在较短的时间内完成大量数据处理，提高计算效率。本发明流程清晰，具有更好的实时性和更高的准确率。
Description
技术领域
本发明涉及生物医学信号分析与处理领域，尤其涉及一种基于注意力机制的脑磁图MEG源定位方法。
背景技术
脑磁图(MEG：Magnetoencephalography)技术是一种无创、非侵入式的神经生理学检测方法，用于记录大脑的神经活动。脑磁图MEG通过检测大脑产生的微弱磁场，实现对大脑功能的高时空分辨率的影像绘制。MEG技术使用超导量子干涉仪(SQUID：Superconducting Quantum Interference Device)或基于无自旋交换弛豫(SERF：SpinExchange Relaxation Free)的原子磁强计(OPM：Optical Pumping Magnetometer)等磁场传感器来检测这些微弱磁场。这些磁场与大脑中不同功能状态下的神经活动密切相关，通过分析这些磁场信号，可以了解大脑的功能状态。MEG信号的采集通常需要一个由多个传感器组成的阵列，以便覆盖大脑表面的多个区域。
脑磁图MEG与脑电图(EEG：Electroencephalogram)和功能磁共振成像(MRI：functional Magnetic Resonance Imaging)相比具有时空分辨率高，可直接反映神经活动、无辐射损害、可适用于不同年龄段等一定优势。同时脑磁图MEG也具有其空间分辨率较低、信号噪声比低等不足之处。
上述，需要研究新的脑磁图源定位方法，以确定大脑活动的源位置和强度。
发明内容
为了解决以上技术问题，本发明提供了一种基于注意力机制的脑磁图MEG源定位方法。在不改变其他探测器器件和探测器安装条件下，利用机器学习方法，构建进行脑磁图数据处理的输入输出模型，用以提高脑磁图源定位的实时性和准确性。
本发明的技术方案是：
一种基于注意力机制的脑磁图MEG源定位方法，首先利用磁共振成像仪获取磁共振结构像，使用超导量子干涉器或原子磁强计获取脑磁图数据。对所获取数据进行预处理，包括结构图像数据稀疏化,脑磁图数据去除噪声和去除伪迹。构建基于注意力机制的源定位模型，对MRI结构像与脑磁图数据进行多模态融合与多特征表达，训练定位模型,对脑磁图数据对齐定位。最后进行脑磁图数据定位分析与反馈优化,并进行定位结果准确性与一致性验证
利用MRI结构图数据和MEG数据的模态信息融合和多特征表达，提高源定位的准确性。利用核心为注意力机制的Transformer模型的全局上下文感知能力，捕捉到MEG数据中的长距离依赖关系，减少定位错乱。利用Transformer模型的并行计算能力，可以在较短的时间内完成大量数据处理，提高计算效率。本发明流程清晰，具有更好的实时性和更高的准确率。
进一步的，
利用滤波预处理：将初始脑磁图数据通过0.1Hz-40Hz的带通滤波器，以去除低频和高频噪声，提高脑磁图源定位的准确性；
去除伪迹：利用独立成分分析ICA进行伪迹消除，将数个观察到的信号分离成若干个独立的源信号，每个源信号都代表一种特定的生理活动；通过寻找一个线性变换，使得变换后的各个成分之间相互独立，进而可以将上述几种伪迹噪声从脑磁图源信号分离出来，从而去除伪迹。
再进一步的，
分别为MRI所构建的大脑结构图像和所采集的脑磁图数据集建立坐标系，并进行转换，首先转换为一维向量，然后定义矩阵尺度，并转换为二维矩阵；
定义脑磁图信号时间窗口阈值，将窗口内的脑磁信号段作为矩阵的一个元素，获取脑磁图信号的初始源空间信号分布，按照前述结构像的规则进行排列。
利用数学模型和优化算法对空间滤波和谱分析后的信号进行源定位；
基于结构的空间源定位方法利用脑部解剖结构信息，作为先验结构图像知识，结合脑磁图信号进行源定位；
利用上述两者的跨模态信息融合以及位置对齐算法进行源定位。
定位模型的输入为所探测脑磁图信号，输出为经过重新排列与对齐的信号矩阵，即获取脑磁图信号源定位的结果；
定位模型的底层结构为Transformer，Transformer以Tensor存储数据，以自注意力层来捕捉输入序列中不同位置之间的相关性；
模型的编码器用于提取输入数据的特征，解码器用于生成源定位结果；在搭建过程中，需要调整模型参数和超参数；
利用提取的特征数据对Transformer模型进行训练；训练过程采用自监督学习或其他无监督学习方法，使模型能够从原始MRI数据和MEG数据中学习信息。
将经过下采样预处理的MRI结构图像输入到Transformer模型中，图像的行和列分别表示图像的高度和宽度；
在编码器部分，通过编码器层对输入图像进行特征提取；
在每个编码器层中，多头自注意力机制可以帮助模型捕捉到图像中不同位置的关联信息，而位置全连接前馈网络则可以对序列进行非线性变换；
在Transformer模型中，需要对输入图像进行位置编码，以使模型能够识别图像中不同位置的信息；
位置编码通过在输入图像的像素值中添加位置信息实现；
利用sin-cos位置编码和线性位置编码方法实现位置编码；
这些位置编码方法可以使模型在训练过程中更好地捕捉到图像中不同位置的关联信息。
在Transformer模型的解码器部分，可以根据编码器的输出和已经解码的部分预测下一个输出；
这里的输出位置信息可以是与输入图像中每个像素相对应的位置信息，也可以是图像中特定位置的像素值；同时获取位置索引信息；这些位置信息用于后续对MEG信号进行位置的定位对齐。
对预处理后的脑磁图数据，定义脑磁图信号时间窗口阈值，将窗口内的脑磁信号段作为矩阵的一个元素，获取脑磁图信号的初始源空间信号分布，按照前述结构像的规则进行排列，进行特征提取；
设定上述矩阵元素特征包括时域标准差和平均振幅，频域功率谱密度和频率分量；
上述MEG数据特征和元素之间距离特征以及MRI结构图的位置特征，用以输入Transformer模型，训练带有注意力机制的神经网络模型；
模型编码器提取输入MRI位置信息和MEG定义特征，利用训练好的带有注意力机制的模型对MEG数据进行源定位分析，输出空间位置对齐信息。
通过对比源定位结果与实际脑部结构，进行结果评估；
通过交叉验证评估模型性能；
根据评估结果，对模型进行优化。
对同一采样在设定时间之内利用同组传感器所获取的脑磁图数据，定义不同的时间窗口阈值，获取不同序列的脑磁图源空间数据分布，进行一次以上MEG源定位，进行结果一致性验证；
对于不同采样，在不同的时间和条件下，按照上述验证过程，进行源定位结果一致性验证；
对定位准确性进行验证，对微弱磁信号探测器所记录，并利用MRI、fMRI对MEG定位结果进行验证。
本发明的有益效果是
(1)利用先验MRI成像信息与脑磁图数据相结合，实现跨模态信息融合，提高源定位的准确性。
(2)利用视觉注意力的全局上下文感知，捕捉到MEG数据中的长距离依赖关系。注意力机制使模型能够根据MEG数据中的相关性，关注与源定位任务密切相关的区域，提高了定位准确性。
(3)Transformer构建的模型，其并行计算能力使其能够在较短的时间内完成大量数据处理，具有良好的实时性，提高了计算效率。
(4)对于矩阵中元素的定位，注意力机制有助于模型抵抗噪声和干扰，提高了源定位结果的鲁棒性。
本发明利用注意力机制和全局的上下文感知提升了脑磁图源定位的准确性。作为一种机器学习方法，利用历史数据对模型进行优化，验证定位结果准确性与一致性。
附图说明
图1是本发明的工作流程示意图；
图2是本发明的脑磁图源定位核心数据处理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对脑磁图MEG技术背景以及在实际应用中的源定位难度问题，本发明提供一种面向脑磁图MEG源定位的基于注意力机制的方法。在不改变其他探测器器件和探测器安装条件下，利用机器学习方法，构建进行脑磁图数据处理的输入输出模型，用以提高脑磁图源定位的实时性和准确性。
本发明利用磁共振成像仪获取磁共振结构像，使用超导量子干涉仪或原子磁强计获取脑磁图数据。对所获取数据进行预处理，包括结构图像数据稀疏化,脑磁图数据去除噪声和去除伪迹。构建基于注意力机制的源定位模型，对MRI结构像与脑磁图数据进行多模态融合与多特征表达，训练定位模型,对脑磁图数据对齐定位。最后进行脑磁图数据定位分析与反馈优化,并进行定位结果准确性与一致性验证。
如附图1所示方法流程为：
1、脑磁图信号数据获取与预处理
说明的是，本发明设定在获取脑磁图信号前已具备所需的测量环境和包括磁共振成像仪在内的关键测量设备。并且进行脑磁图扫描之前，已经利用磁共振成像仪获取磁共振结构像的数据集，并利用该磁共振结构经重建获取大脑结构图像。作为后续的参考图像和先验信息图像。
首先在电磁屏蔽室中利用柔性头盔以及使用超导量子干涉器(SQUID)或原子磁强计(OPM)对微弱磁场信息进行测量。获取各数据通道的脑磁图数据。
数据预处理：采集到的磁场信号会经过预处理，以减少噪声和干扰，提高信号质量。预处理方法包括滤波去噪、伪迹去除、去除基线漂移等。获取的脑磁图信号矩阵M，预处理后的脑磁图信号矩阵M′。
滤波预处理：将初始脑磁图数据通过0.1Hz-40Hz的带通滤波器，例如利用Butterworth滤波器或Chebyshev滤波器，以去除低频和高频噪声，提高脑磁图源定位的准确性。
伪迹去除：利用独立成分分析(ICA：Independent Component Analysis)进行伪迹消除，这些伪迹包括眼电活动、肌肉活动、环境电磁干扰等所造成的伪迹。ICA的目的是将多个观察到的信号分离成若干个独立的源信号，每个源信号都代表一种特定的生理活动。ICA通过寻找一个线性变换，使得变换后的各个成分之间相互独立。进而可以将上述几种伪迹噪声从脑磁图源信号分离出来，从而去除伪迹。
2、脑磁图信号转换与处理
分别为MRI所构建的大脑结构图像和所采集的脑磁图数据集建立坐标系，并进行转换，首先转换为一维向量，然后定义矩阵尺度，并转换为二维矩阵，分别标记为M和∑。
定义脑磁图信号时间窗口阈值，将窗口内的脑磁信号段作为矩阵的一个元素，获取脑磁图信号的初始源空间信号分布，按照前述结构像的规则进行排列。
3、脑磁图数据源定位
源定位是利用数学模型和优化算法对空间滤波和谱分析后的信号进行源定位。这些模型和算法可以帮助确定大脑活动的来源位置和强度。
基于结构的空间源定位方法利用脑部解剖结构信息如MRI图像，作为先验结构图像知识，结合脑磁图信号进行源定位。可以提高定位的精度和可靠性，实现对不同区域的功能研究，特别是在涉及大脑结构损伤或异常的情况下。
本方法利用上述两者的跨模态信息融合以及位置对齐算法进行源定位。
源定位模型的构建
本方法中注意力机制是指机器学习模型中进行矩阵点排序与空间位置重新定位的关键技术。
定位模型的输入为所探测脑磁图信号，输出为经过重新排列与对齐的信号矩阵，即获取脑磁图信号源定位的结果。
定位模型的底层结构为Transformer，Transformer的核心是一个Encoder-Decoder架构，即包括编码组件和解码组件。编码组件的核心部分又包括自注意力层(Self-Attention)和前馈网络(FFN：Position-wise Feed Forward Network)。解码组件的核心部分包括上述自注意力层、前馈网络以及注意力层(Encoder-Decoder Attention)。
Transformer以Tensor存储数据，以自注意力层来捕捉输入序列中不同位置之间的相关性。
模型的编码器用于提取输入数据的特征，解码器用于生成源定位结果。在搭建过程中，需要调整模型参数和超参数，如隐藏层维度、层数、学习率等。
利用提取的特征数据对Transformer模型进行训练。训练过程采用自监督学习或其他无监督学习方法，使模型能够从原始MRI数据和MEG数据中学习有用的信息。
MRI结构图像位置编码
将经过下采样预处理的MRI结构图像输入到Transformer模型中，图像的行和列分别表示图像的高度和宽度。图像中的像素值表示受试者脑部组织的类型或密度信息。
在编码器部分，通过多个编码器层对输入图像进行特征提取。在每个编码器层中，多头自注意力机制可以帮助模型捕捉到图像中不同位置的关联信息，而位置全连接前馈网络则可以对序列进行非线性变换，进一步提升特征的表示能力。
在Transformer模型中，需要对输入图像进行位置编码，以使模型能够识别图像中不同位置的信息。位置编码通过在输入图像的像素值中添加位置信息实现。利用sin-cos位置编码和线性位置编码方法实现位置编码。这些位置编码方法可以使模型在训练过程中更好地捕捉到图像中不同位置的关联信息。
在Transformer模型的解码器部分，可以根据编码器的输出和已经解码的部分预测下一个输出。这里的输出位置信息可以是与输入图像中每个像素相对应的位置信息，也可以是图像中某个特定位置的像素值。同时获取位置索引信息。这些位置信息用于后续对MEG信号进行位置的定位对齐。
脑磁图MEG位置定位对齐
对预处理后的脑磁图数据，定义脑磁图信号时间窗口阈值，将窗口内的脑磁信号段作为矩阵的一个元素，获取脑磁图信号的初始源空间信号分布，按照前述结构像的规则进行排列，进行特征提取。
设定上述矩阵元素特征包括时域标准差和平均振幅，频域功率谱密度和频率分量。
上述MEG数据特征和元素之间距离特征以及MRI结构图的位置特征，用以输入Transformer模型，训练带有注意力机制的神经网络模型。
模型编码器提取输入MRI位置信息和MEG定义特征，利用训练好的带有注意力机制的模型对MEG数据进行源定位分析，输出空间位置对齐信息。
4、脑磁图信号分析与反馈优化
通过对比源定位结果与实际脑部结构如功能图像，进行结果评估。通过交叉验证评估模型性能。根据评估结果，对模型进行优化。
对同一受试者在一段时间之内利用同组传感器所获取的脑磁图数据，定义不同的时间窗口阈值，获取不同序列的脑磁图源空间数据分布，进行多次MEG源定位，进行结果一致性验证。
对于不同受试者，在不同的时间和条件下，按照上述验证过程，进行源定位结果一致性验证。
对定位准确性进行验证，对微弱磁信号探测器所记录，并利用MRI、fMRI对MEG定位结果进行验证。
本发明利用MRI结构图数据和MEG数据的模态信息融合和多特征表达，提高源定位的准确性。
利用核心为注意力机制的Transformer模型的全局上下文感知能力，捕捉到MEG数据中的长距离依赖关系，减少定位错乱。
利用Transformer模型的并行计算能力，可以在较短的时间内完成大量数据处理，提高计算效率。
以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种基于注意力机制的脑磁图MEG源定位方法，其特征在于，
首先利用磁共振成像仪获取磁共振结构像，使用超导量子干涉器或原子磁强计获取脑磁图数据；
对所获取数据进行预处理，包括结构图像数据稀疏化,脑磁图数据去除噪声和去除伪迹；
构建基于注意力机制的源定位模型，对MRI结构像与脑磁图数据进行多模态融合与多特征表达，训练定位模型,对脑磁图数据对齐定位；
最后进行脑磁图数据定位分析与反馈优化,并进行定位结果准确性与一致性验证。
2.根据权利要求1所述的方法，其特征在于，
利用滤波进行预处理：将初始脑磁图数据通过0.1Hz-40Hz的带通滤波器，以去除低频和高频噪声，提高脑磁图源定位的准确性；
去除伪迹：利用独立成分分析ICA进行伪迹消除，将观察到的信号分离成若干个独立的源信号，每个源信号都代表一种特定的生理活动；通过寻找一个线性变换，使得变换后的各个成分之间相互独立，进而可以将上述几种伪迹噪声从脑磁图源信号分离出来，从而去除伪迹。
3.根据权利要求1或2所述的方法，其特征在于，
分别为MRI所构建的大脑结构图像和所采集的脑磁图数据集建立坐标系，并进行转换，首先转换为一维向量，然后定义矩阵尺度，并转换为二维矩阵；
定义脑磁图信号时间窗口阈值，将窗口内的脑磁信号段作为矩阵的一个元素，获取脑磁图信号的初始源空间信号分布，按照前述结构像的规则进行排列。
4.根据权利要求3所述的方法，其特征在于，
利用数学模型和优化算法对空间滤波和谱分析后的信号进行源定位；
基于结构的空间源定位方法利用脑部解剖结构信息，作为先验结构图像知识，结合脑磁图信号进行源定位；
利用上述两者的跨模态信息融合以及位置对齐算法进行源定位。
5.根据权利要求4所述的方法，其特征在于，
定位模型的输入为所探测脑磁图信号，输出为经过重新排列与对齐的信号矩阵，即获取脑磁图信号源定位的结果；
定位模型的底层结构为Transformer，Transformer以Tensor存储数据，以自注意力层来捕捉输入序列中不同位置之间的相关性；
模型的编码器用于提取输入数据的特征，解码器用于生成源定位结果；在搭建过程中，需要调整模型参数和超参数；
利用提取的特征数据对Transformer模型进行训练；训练过程采用自监督学习或其他无监督学习方法，使模型能够从原始MRI数据和MEG数据中学习信息。
6.根据权利要求5所述的方法，其特征在于，
将经过下采样预处理的MRI结构图像输入到Transformer模型中，图像的行和列分别表示图像的高度和宽度；
在编码器部分，通过编码器层对输入图像进行特征提取；
在每个编码器层中，多头自注意力机制可以帮助模型捕捉到图像中不同位置的关联信息，而位置全连接前馈网络则可以对序列进行非线性变换；
在Transformer模型中，需要对输入图像进行位置编码，以使模型能够识别图像中不同位置的信息；
位置编码通过在输入图像的像素值中添加位置信息实现；
利用sin-cos位置编码和线性位置编码方法实现位置编码；
这些位置编码方法可以使模型在训练过程中更好地捕捉到图像中不同位置的关联信息；
在Transformer模型的解码器部分，可以根据编码器的输出和已经解码的部分预测下一个输出。
7.根据权利要求6所述的方法，其特征在于，
这里的输出位置信息可以是与输入图像中每个像素相对应的位置信息，也可以是图像中特定位置的像素值；同时获取位置索引信息；这些位置信息用于后续对MEG信号进行位置的定位对齐。
8.根据权利要求6或7所述的方法，其特征在于，
对预处理后的脑磁图数据，定义脑磁图信号时间窗口阈值，将窗口内的脑磁信号段作为矩阵的一个元素，获取脑磁图信号的初始源空间信号分布，按照前述结构像的规则进行排列，进行特征提取；
设定上述矩阵元素特征包括时域标准差和平均振幅，频域功率谱密度和频率分量；
上述MEG数据特征和元素之间距离特征以及MRI结构图的位置特征，用以输入Transformer模型，训练带有注意力机制的神经网络模型；
模型编码器提取输入MRI位置信息和MEG定义特征，利用训练好的带有注意力机制的模型对MEG数据进行源定位分析，输出空间位置对齐信息。
9.根据权利要求8所述的方法，其特征在于
通过对比源定位结果与实际脑部结构，进行结果评估；
通过交叉验证评估模型性能；
根据评估结果，对模型进行优化。
10.根据权利要求9所述的方法，其特征在于
对同一采样在设定时间之内利用同组传感器所获取的脑磁图数据，定义不同的时间窗口阈值，获取不同序列的脑磁图源空间数据分布，进行一次以上MEG源定位，进行结果一致性验证；
对于不同采样，在不同的时间和条件下，按照上述验证过程，进行源定位结果一致性验证；
对定位准确性进行验证，对微弱磁信号探测器所记录，并利用MRI、fMRI对MEG定位结果进行验证。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311778182.0A CN117653124A (zh) | 2023-12-21 | 2023-12-21 | 一种基于注意力机制的脑磁图meg源定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311778182.0A CN117653124A (zh) | 2023-12-21 | 2023-12-21 | 一种基于注意力机制的脑磁图meg源定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117653124A true CN117653124A (zh) | 2024-03-08 |
Family
ID=90084579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311778182.0A Pending CN117653124A (zh) | 2023-12-21 | 2023-12-21 | 一种基于注意力机制的脑磁图meg源定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117653124A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117918862A (zh) * | 2024-03-22 | 2024-04-26 | 南京信息工程大学 | 一种基于原始脑电信号的注意力评估方法、终端及介质 |
-
2023
- 2023-12-21 CN CN202311778182.0A patent/CN117653124A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117918862A (zh) * | 2024-03-22 | 2024-04-26 | 南京信息工程大学 | 一种基于原始脑电信号的注意力评估方法、终端及介质 |
| CN117918862B (zh) * | 2024-03-22 | 2024-05-31 | 南京信息工程大学 | 一种基于原始脑电信号的注意力评估方法、终端及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Güngör et al. | TranSMS: Transformers for super-resolution calibration in magnetic particle imaging | |
| CN107615089B (zh) | 压缩感知和mri的建模和验证方法 | |
| CN112120694B (zh) | 一种基于神经网络的运动想象脑电信号分类方法 | |
| Li et al. | Wavelet-based segmentation of renal compartments in DCE-MRI of human kidney: initial results in patients and healthy volunteers | |
| US10307105B2 (en) | Method and device for recognizing and removing undesired artifacts in multichannel magnetic field or electric potential measurements | |
| CN116503507B (zh) | 基于预训练模型的磁粒子图像重建方法 | |
| US20090279762A1 (en) | Brain function analysis apparatus | |
| CN117653124A (zh) | 一种基于注意力机制的脑磁图meg源定位方法 | |
| US11363988B2 (en) | Systems and methods for accelerated MRI scan | |
| CN103957784A (zh) | 对脑功能磁共振数据进行处理的方法 | |
| US20210287780A1 (en) | Methods for Risk Map Prediction in AI-based MRI Reconstruction | |
| Abdulkareem | Design and development of multimodal medical image fusion using discrete wavelet transform | |
| US11607181B2 (en) | Systems and methods for cardiac triggering of an imaging system | |
| Zhang et al. | Unrolled convolutional neural network for full-wave inverse scattering | |
| Li et al. | Infrared and visible fusion imaging via double-layer fusion denoising neural network | |
| CN115005798A (zh) | 一种基于连边功能连接的脑影像特征提取方法 | |
| CN115375785A (zh) | 一种基于人工神经网络的磁共振图像重建方法及设备 | |
| Amiri et al. | Medical images fusion using two-stage combined model DWT and DCT | |
| Adamson et al. | SSFD: Self-supervised feature distance as an MR image reconstruction quality metric | |
| Thomaz et al. | Undersampled magnetic resonance image reconstructions based on a combination of u-nets and l1, l2, and tv optimizations | |
| Rajeev et al. | A review on magnetic resonance spectroscopy for clinical diagnosis of brain tumour using deep learning | |
| Yun-Mei et al. | The abnormal detection of electroencephalogram with three-dimensional deep convolutional neural networks | |
| Brun et al. | A comparative evaluation of ring artifacts reduction filters for X-ray computed microtomography images | |
| CN115813409A (zh) | 一种超低延迟的运动图像脑电图解码方法 | |
| Song et al. | A medical image fusion method based on mdlatlrrv2 |
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 |