[发明专利]基于非负块稀疏贝叶斯学习的瞬态脑电源定位方法及系统

权利要求书

1.基于非负块稀疏贝叶斯学习的瞬态脑电源定位方法，其特征在于，包括以下步骤：

S1、利用M个电极采集对应于瞬态响应的多通道EEG，采样率为f_s，共记录T个采样点，并对其预处理获得M×T维预处理后的多通道EEG数据Y；同时，将皮层划分成N_ROI个脑区，根据这些脑区将导程场矩L阵划分成各脑区上的子导程场矩阵L_n,n＝1,2,...,N_ROI，并计算各脑区上的空间平滑核矩阵K_n,n＝1,2,...,N_ROI；

S2、利用预处理后的多通道EEG数据Y计算样本协方差矩阵利用样本协方差矩阵各脑区上的子导程场矩阵L_n和各脑区上的空间平滑核矩阵K_n,n＝1,2,...,N_ROI，构造加权样本数据矩阵Z以及平滑脑区基矩阵m＝1,2,...,M；

S3、将非负脑区功率稀疏支撑向量α初始化为α_init，并设置迭代参数；

S4、利用加权样本数据矩阵Z、平滑脑区基矩阵以及前一非负脑区功率稀疏支撑向量α计算非负脑区功率系数γ的后验均值向量μ_γ和后验协方差矩阵Σ_γ；

S5、根据非负脑区功率系数γ的后验均值向量μ_γ和后验协方差矩阵Σ_γ计算非负脑区功率稀疏支撑向量α的更新值α_new；

S6、判断是否满足迭代停止条件：迭代次数n≥N_m或||α_new-α||₂/||α||₂≤ε，其中||·||₂表示l₂范数，若不满足则令α＝α_new；若是，则回到步骤S4继续进行迭代运算；否则结束迭代，利用加权样本数据矩阵Z、平滑脑区基矩阵m＝1,2,...,M以及当前非负脑区功率稀疏支撑向量α的更新值α_new计算非负脑区功率系数γ的一阶矩γ，并联合各脑区上的空间平滑核矩阵K_n,n＝1,2,...,N_ROI计算得到皮层神经元电活动的空间协方差矩阵Σ_x(γ)。

2.如权利要求1所述的基于非负块稀疏贝叶斯学习的瞬态脑电源定位方法，其特征在于，所述计算各脑区上的空间平滑核矩阵K_n,n＝1,2,...,N_ROI包括：

第n个脑区上的空间平滑核矩阵的计算公式为n＝1,2,...,N_ROI，其中，H_n表示从全脑离散拉普拉斯平滑矩阵H中抽取的对应于第n个脑区的子阵，(·)^T表示矩阵转置，(·)^-1表示矩阵求逆。

3.如权利要求2所述的基于非负块稀疏贝叶斯学习的瞬态脑电源定位方法，其特征在于，所述全脑离散拉普拉斯平滑矩阵H的计算如下：

对于导程场矩阵L的列所对应的N_v个大脑皮层网格顶点，利用这些顶点的位置和顶点两两之间的连接情况，所得N_v×N_v维全脑离散拉普拉斯平滑矩阵H的计算方法为：其第(i,i)个元素当i≠j且第i个顶点和第j个顶点间有连接时H的第(i,j)个元素当i≠j且第i个顶点和第j个顶点间无连接时H的第(i,j)个元素H[i,j]＝0，其中表示与第i个顶点有连接的所有邻居顶点的距离的平均值，表示第i个顶点与跟它有连接的所有邻居顶点的距离的倒数的平均值，N_i表示与第i个顶点有连接的所有邻居顶点的个数，d_ij表示在第i个顶点和第j个顶点间有连接的情况下这两个顶点间的距离。