[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

说明书

本发明公开了一种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，该方法首先采集瞬态多通道EEG，计算样本协方差矩阵，对矩阵每列加权，可表示为Laplace平滑后各脑区上非负块稀疏表示；然后设置迭代停止条件以及非负脑区功率稀疏支撑向量的初始值；然后基于非负高斯分布迭代更新非负脑区功率向量的后验均值与协方差并由此更新非负脑区功率稀疏支撑向量；最后，利用最新的非负脑区功率稀疏支撑向量给出源定位结果。本发明利用协方差向量的脑区非负块稀疏表示，结合非负高斯后验分布的期望与方差，给出瞬态EEG源定位NNBSBL方法。该方法无需预知或估计噪声协方差矩阵，定位精度和分辨率高，为认知心理学、脑机接口、神经诊疗等领域提供了技术手段。

技术领域

本发明涉及脑电图(EEG)溯源技术领域，特别涉及一种基于非负块稀疏贝叶斯学习(NNBSBL)的瞬态脑电源定位方法及系统。

背景技术

脑电图(EEG)是伴随大脑活动产生的可被记录的电位信号，对于研究大脑活动、评估大脑功能、临床以及心理学研究、脑机接口等具有十分重要的意义。EEG包含瞬态EEG与稳态EEG两种形式，其中瞬态EEG体现为持续时间较短的具有一定特征的EEG波形，而稳态EEG则在较长时间段内与特定频率相关联。瞬态EEG可由诱发产生，比如各种形式的瞬态诱发电位，也可以自发产生，比如癫痫发作时的棘(尖)慢复合波等。

EEG的源定位问题，也被称为EEG溯源问题，是通过利用仅在头皮上放置的多通道电极所采集的EEG信号，设计算法逆推出产生这些可被记录的EEG信号的电流偶极子源在大脑皮层上的位置。EEG源定位方法，目前大体可分为基于偶极子匹配的方法和基于分布式源模型的方法两类。其中基于偶极子匹配的方法需要预设偶极子源的个数，然而实际中源的个数无法被预知或者准确地估计出来，故目前EEG源定位的主流研究都是在分布式源模型下开展的。

分布式源模型利用一个预设的离散网格将大脑皮层完全覆盖，网格的每个顶点就代表了EEG源在皮层上的可能的位置，并且分布式源模型利用有限元法或者边界元法建立了对应的导程场矩阵以表征由皮层网格各顶点到头皮上的各记录电极上的映射关系。在分布式源模型下，EEG源定位是一个严重的病态问题，主要解决思路为空间滤波器方法和断层成像方法。空间滤波器法基于抑制不在扫描范围内的所有位置上的信号的原理，设计空间滤波器扫描可能存在偶极子源的每个顶点位置并估计该位置上的强度，但该方法不能很好地考虑偶极子源之间存在相关性的情况，且定位结果的分辨率较低。相对地，断层成像方法正成为近些年来EEG源定位中最受关注的一类方法，这类方法通过设计正则化约束来试图解决该严重的欠定问题，以标准化低分辨率脑电磁成像(sLORETA)为典型方法。近些年来，贝叶斯推断思想被引入该领域以解决EEG源定位问题，而各种断层成像方法被证明可视为使用了不同的源分布先验信息(对应于正则化约束)的贝叶斯推断方法。目前绝大部分EEG源定位贝叶斯推断方法都是在假设偶极子源在皮层上稀疏分布这一特性来设计的，即导出了稀疏贝叶斯学习(SBL)方法，其中具有代表性的是Champagne算法(David P.Wipf,etal.Robust Bayesian estimation of the location,orientation,and time courseofmultiple correlated neural sources using MEG,NeuroImage,2010)。这些方法大多数假设产生EEG的电流偶极子源只存在于皮层网格的少数顶点上，即满足元稀疏(atom-wise sparsity)，然而在实际中，EEG信号应源于神经功能核团，每个核团包含网格上相邻的多个顶点，且核团内部每个顶点上的电流偶极子源信号之间应具有相关性。在这个考虑下，电流偶极子源在皮层网格上的元稀疏特征应被块稀疏(block-wise sparsity)所替代。目前，在Champagne算法的基础上，结合块稀疏先验，已发展出了Tree-Champagne算法(Chang Cai,et al.Hierarchical multiscale Bayesian algorithm for robust MEG/EEG source reconstruction,NeuroImage,2018)和Smooth-Champagne算法(Chang Cai,etal.Robust empirical Bayesian reconstruction ofdistributed sources forelectromagnetic brain imaging,IEEE TMI,2020)等。这些结合块稀疏先验的Champagne算法面临着需要预设或者预知噪声功率的问题，为此研究者们又提出了先估计噪声功率后估计信号协方差矩阵的两步块稀疏贝叶斯学习(BSBL-2S)算法(Alejandro Ojeda,Fastand robust block-sparse Bayesian learning for EEG source imaging,NeuroImage,2018)。在EEG源定位问题建模过程中，噪声往往不仅包括信号获取过程中线路的电噪声，还包括与感兴趣的EEG成分无关的自发EEG成分，故很难保证信号采集过程中每个电极通道上的噪声功率都相等，即噪声很可能是空间非均匀分布的；此外，在一个迭代算法中同时估计噪声功率与信号的协方差矩阵，两者在估计过程中会相互之间引入误差。因此，设计一种结合块稀疏先验的瞬态EEG源定位SBL算法，在不需要预知或预设各电极通道上的噪声功率的条件下，只在算法中考虑对瞬态EEG信号的偶极子源位置进行估计，并且在算法中通过某种方式免除对噪声功率的估计环节，预期可提升瞬态EEG源定位的算法性能。