CN112674773A - 基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 - Google Patents
基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 Download PDFInfo
- Publication number
- CN112674773A CN112674773A CN202011526796.6A CN202011526796A CN112674773A CN 112674773 A CN112674773 A CN 112674773A CN 202011526796 A CN202011526796 A CN 202011526796A CN 112674773 A CN112674773 A CN 112674773A
- Authority
- CN
- China
- Prior art keywords
- magnetoencephalogram
- source
- time window
- signal
- ripple
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Animal Behavior & Ethology (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
提供一种基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置,该装置包括:脑磁图传感器,用于获取用户的第一脑磁图信号;ripple检测单元,用于通过均方根方法检测所述第一脑磁图信号中的ripple时间窗作为源定位的时间窗口,获得所述ripple时间窗内的第一脑磁图信号作为第二脑磁图信号;基于高阶正交迭代的Tucker分解单元,用于对所述第二脑磁图信号的原始张量进行Tucker分解来计算所述原始张量的估计值;以及源定位单元,用于对所述估计值计算协方差矩阵,且通过波束成形方法中的LCMV逆问题求解方法计算所述第二脑磁图信号对应的源位置。本发明消除了噪声信号的影响,降低了计算的复杂度,保证了每次计算结果的一致性,提高了致痫区域定位的准确度。
Description
技术领域
本发明涉及一种基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置,属于生物医学领域。
背景技术
临床上,高达三分之一的癫痫患者是顽固性癫痫。而使用抗癫痫药物的药物治疗很难得到有效控制。癫痫灶可影响皮层兴奋性,导致异常放电,不仅直接影响病灶处或周围组织,而且影响远距离的脑区。因此,这些患者需要手术切除癫痫灶(致痫区域)以实现无癫痫发作,术后癫痫发作与否取决于对致痫灶(癫痫灶)的定位。但是,由于缺乏直接测量该区域的工具,因此很难确定该区域。
脑磁图(MEG)是一种无创、实时监测脑功能的方法,在过去的几十年里,已经提出了几种基于脑电或脑电图的脑源定位方法,例如基于spike的dipole-fitting方法,但是这些方法的定位精度仍然不能满足术前精确定位的需求,计算复杂度高,定位结果易受到噪声信号的影响,对于同一脑磁图信号而言,多次定位的结果存在偏差且一致性差。
鉴于上述,本发明旨在提供一种基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置,来解决上述的一个或多个技术问题。
发明内容
为了解决现有技术中的一个或多个技术问题,申请人经过长期研究发现,通过提取原始脑磁图信号的ripple时间窗,结合Tucker分解能够提高癫痫灶(致痫区域)定位的准确度,可为后续的手术提供参考和依据。基于该研究成果,根据本发明一方面,提供一种基于Tucker分解和ripple时间窗的脑磁图源定位装置,其特征在于包括:
脑磁图传感器,用于获取用户的第一脑磁图信号;
ripple检测单元,用于通过均方根方法检测所述第一脑磁图信号中的ripple时间窗作为源定位的时间窗口,获得所述ripple时间窗内的第一脑磁图信号作为第二脑磁图信号,其中,频率为80-250Hz的且振幅高于背景信号的至少四个连续振荡信号被定义为ripple;
基于高阶正交迭代的Tucker分解单元,用于对所述第二脑磁图信号的原始张量进行Tucker分解来计算所述原始张量的估计值,其中,利用高阶正交迭代约束Tucker分解计算的所述估计值,使该估计值保持唯一,所述估计值中去除了原始张量中的噪声因子张量;以及
源定位单元,用于对所述估计值计算协方差矩阵,且通过波束成形中的LCMV逆问题求解方法计算所述第二脑磁图信号对应的源位置。
根据本发明又一方面,所述高阶正交迭代的计算过程如下:
1)利用高阶奇异值分解算法计算原始张量X的因子矩阵U(n)以及核心张量G;令k=0;
2)令k=k+1,并对n=1,2,…N,执行下列运算:
B(k)←X×1U(1)T…×n-1U(n-1)T×NUNT;
并执行核心张量B(k)的n模展开的奇异值分解,确定其主要奇异值个数Rn,其中,B(k)为第k次迭代得到的核心张量,然后执行运算:
U(N)←U(:,1:Rn);
3)计算第k次迭代得到的核心张量B(k),计G(k)=B(k),并通过下面公式判断是否收敛:
||G(k)-G(k-1)||F<E;其中,E为极小值;
若满足收敛条件,则执行下一步,否则返回第2)步继续迭代,直到收敛为止;
4)输出因子矩阵U(N)和核心张量G(k);根据因子矩阵U(N)和核心张量G(k)重构出原始张量的所述估计值。
根据本发明又一方面,所述的基于Tucker分解和ripple时间窗的脑磁图源定位装置还包括源显示单元,用于显示所述源位置。
根据本发明又一方面,所述源位置为脑部的癫痫发作区。
根据本发明又一方面,所述的基于Tucker分解和ripple时间窗的脑磁图源定位装置还包括预处理单元,用于对所述第一脑磁图信号进行滤波、去线性趋势以及独立成分分析获得预处理后的第一脑磁图信号,该预处理后的第一脑磁图信号输入所述ripple检测单元进行后续处理。
根据本发明又一方面,所述ripple时间窗为多个,针对每个ripple时间窗对应的第二脑磁图信号,所述源定位单元计算出对应的多个源位置,并根据所述多个源位置集中对应的区域作为定位结果。
根据本发明又一方面,还提供一种基于Tucker分解和ripple时间窗的脑磁图源定位方法,其特征在于包括以下步骤:
通过脑磁图传感器获取用户的第一脑磁图信号;
通过均方根方法检测所述第一脑磁图信号中的ripple时间窗作为源定位的时间窗口,获得所述ripple时间窗内的第一脑磁图信号作为第二脑磁图信号,其中,频率为80-250Hz的且振幅高于背景信号的至少四个连续振荡信号被定义为ripple;
对所述第二脑磁图信号的原始张量进行Tucker分解来计算所述原始张量的估计值,其中,利用高阶正交迭代约束Tucker分解计算的所述估计值,使该估计值保持唯一,所述估计值中去除了原始张量中的噪声因子张量;
对所述估计值计算协方差矩阵,且通过LCMV逆问题求解方法计算所述第二脑磁图信号对应的源位置。
根据本发明又一方面,通过源显示单元显示所述源位置。
根据本发明又一方面,将所述源位置作为脑部的癫痫发作区。
根据本发明又一方面,通过预处理单元对所述第一脑磁图信号进行滤波、去线性趋势以及独立成分分析获得预处理后的第一脑磁图信号,该预处理后的第一脑磁图信号用于后续的ripple时间窗检测。
根据本发明又一方面,所述ripple时间窗为多个,针对每个ripple时间窗对应的第二脑磁图信号,计算出对应的多个源位置,并根据所述多个源位置对应的具有第一集中度的区域作为定位结果。
与现有技术相比,本发明具有以下一个或多个技术效果:
(1)脑磁图源定位中通过Tucker分解方法有效去除了脑磁信号中的高频噪声和低频噪声,减少了癫痫灶(致痫区域)定位结果受噪声信号的影响,同时降低了计算的复杂度。
(2)利用高阶正交迭代(HOOI)方法对Tucker分解的结果实现了唯一性的约束,保证了每次计算结果的一致性。
(3)以ripple作为源定位选择的时间窗,结合Tucker分解进一步提高了癫痫灶(致痫区域)定位的准确度,为后续的手术提供了参考和依据。
(4)通过检测出多个ripple时间窗并获得相应的多个源定位,根据多个源定位集中对应的区域来确定最终的定位结果,进一步提高了定位的精度;结合多个源定位结果,将10个以上脑部区域(源定位区域)中具有第一集中度(45%-85%)的脑部区域作为定位结果,能够进一步减小医生的工作量,排除潜在的干扰。
附图说明
为了能够理解本发明的上述特征的细节,可以参照实施例,得到对于简要概括于上的发明更详细的描述。附图涉及本发明的优选实施例,并描述如下:
图1为根据本发明一种优选实施例的基于Tucker分解和ripple时间窗的脑磁图源定位装置的组成示意图;
图2为根据本发明一种优选实施例的ripple时间窗的检测结果示意图;
图3为基于ripple时间窗的Tucker分解的定位精度与基于spike的dipole-fitting的定位精度的对比示意图。
具体实施例
现在将对于各种实施例进行详细说明,这些实施例的一个或更多个实例分别绘示于图中。各个实例以解释的方式来提供,而非意味作为限制。例如,作为一个实施例的一部分而被绘示或描述的特征,能够被使用于或结合任一其他实施例,以产生再一实施例。本发明意在包含这类修改和变化。
在以下对于附图的描述中,相同的参考标记指示相同或类似的结构。一般来说,只会对于个别实施例的不同之处进行描述。除非另有明确指明,否则对于一个实施例中的部分或方面的描述也能够应用到另一实施例中的对应部分或方面。
实施例1
参见图1-3,图1为根据本发明一种优选实施例的基于Tucker分解和ripple时间窗的脑磁图源定位装置的组成示意图;图2为根据本发明一种优选实施例的ripple时间窗的检测结果示意图;图3为基于ripple时间窗的Tucker分解的定位精度与基于spike的dipole-fitting的定位精度的对比示意图。根据本发明一种优选实施方式,参见图1-2,提供一种基于Tucker分解和ripple时间窗的脑磁图源定位装置,其特征在于包括:
脑磁图传感器,用于获取用户的第一脑磁图信号;
ripple检测单元,用于通过均方根方法检测所述第一脑磁图信号中的ripple时间窗作为源定位的时间窗口,获得所述ripple时间窗内的第一脑磁图信号作为第二脑磁图信号,其中,频率为80-250Hz的且振幅高于背景信号的至少四个连续振荡信号被定义为ripple;
基于高阶正交迭代的Tucker分解单元,用于对所述第二脑磁图信号的原始张量进行Tucker分解来计算所述原始张量的估计值,其中,利用高阶正交迭代约束Tucker分解计算的所述估计值,使该估计值保持唯一,所述估计值中去除了原始张量中的噪声因子张量;以及
源定位单元,用于对所述估计值计算协方差矩阵,且通过波束成形方法中的LCMV(线性约束最小方差)逆问题求解方法计算所述第二脑磁图信号对应的源位置。
有利地,本发明通过基于高阶正交迭代(HOOI)的Tucker分解,并以MEG信号的ripple时间段作为定位的时间窗口,提高了源位置的检测精度,可以广泛适用于深源、浅源定位,并提高临床脑源定位在术前评估中的参考价值。
根据本发明又一种优选实施方式,所述高阶正交迭代的计算过程如下:
1)利用高阶奇异值分解算法计算原始张量X的因子矩阵U(n)以及核心张量G;令k=0;
2)令k=k+1,并对n=1,2,…N,执行下列运算:
B(k)←X×1U(1)T…×n-1U(n-1)T×NUNT;
并执行核心张量B(k)的n模展开的奇异值分解,确定其主要奇异值个数Rn,其中,B(k)为第k次迭代得到的核心张量,然后执行运算:
U(N)←U(:,1:Rn);
3)计算第k次迭代得到的核心张量B(k),计G(k)=B(k),并通过下面公式判断是否收敛:
||G(k)-G(k-1)||F<E;其中,E为极小值;
若满足收敛条件,则执行下一步,否则返回第2)步继续迭代,直到收敛为止;
4)输出因子矩阵U(N)和核心张量G(k);根据因子矩阵U(N)和核心张量G(k)重构出原始张量的所述估计值。
根据本发明又一种优选实施方式,所述的基于Tucker分解和ripple时间窗的脑磁图源定位装置还包括源显示单元,用于显示所述源位置。
根据本发明又一种优选实施方式,所述源位置为脑部的癫痫发作区(致痫区)。
根据本发明又一种优选实施方式,所述的基于Tucker分解和ripple时间窗的脑磁图源定位装置还包括预处理单元,用于对所述第一脑磁图信号进行滤波、去线性趋势以及独立成分分析(ICA)获得预处理后的第一脑磁图信号,该预处理后的第一脑磁图信号输入所述ripple检测单元进行后续处理。
根据本发明又一种优选实施方式,所述ripple时间窗为多个,针对每个ripple时间窗对应的第二脑磁图信号,所述源定位单元计算出对应的多个源位置,并根据所述多个源位置集中对应的区域作为定位结果。具体地,例如将Z个源位置中的至少Y次反复对应的区域作为最终的结果输出,Y优选为大于等于3。根据实验验证表明,3次以上的反复对应(指示)的区域基本接近真实的致痫区,从而进一步提高了定位的准确性,为医生的后期手术提供了可靠参考。
优选地,所述ripple时间窗为Z个,针对每个ripple时间窗对应的第二脑磁图信号,所述源定位单元计算出对应的Z个源位置,确定Z个源位置分别对应的Z个脑部区域,将所述Z个脑部区域中具有第一集中度的脑部区域作为定位结果。经过研究表明,取Z大于等于10,第一集中度为45%-85%,可以实现对真实致痫区的准确定位,相较于单一的源定位而言,能够进一步减小医生的工作量,排除潜在的干扰。
根据本发明又一种优选实施方式,还提供一种基于Tucker分解和ripple时间窗的脑磁图源定位方法,其特征在于包括以下步骤:
通过脑磁图传感器获取用户的第一脑磁图信号;
通过均方根方法检测所述第一脑磁图信号中的ripple时间窗作为源定位的时间窗口,获得所述ripple时间窗内的第一脑磁图信号作为第二脑磁图信号,其中,频率为80-250Hz的且振幅高于背景信号的至少四个连续振荡信号被定义为ripple;
对所述第二脑磁图信号的原始张量进行Tucker分解来计算所述原始张量的估计值,其中,利用高阶正交迭代约束Tucker分解计算的所述估计值,使该估计值保持唯一,所述估计值中去除了原始张量中的噪声因子张量;
通过对所述估计值计算协方差矩阵,且通过波束成形中的LCMV逆问题求解方法计算所述第二脑磁图信号对应的源位置。
根据本发明又一种优选实施方式,通过源显示单元显示所述源位置。
根据本发明又一种优选实施方式,将所述源位置作为脑部的癫痫发作区。
根据本发明又一种优选实施方式,通过预处理单元对所述第一脑磁图信号进行滤波、去线性趋势以及独立成分分析获得预处理后的第一脑磁图信号,该预处理后的第一脑磁图信号用于后续的ripple时间窗检测。
根据本发明又一种优选实施方式,所述ripple时间窗为多个,针对每个ripple时间窗对应的第二脑磁图信号,计算出对应的多个源位置,并根据所述多个源位置集中对应的区域确定为定位结果。
根据本发明又一优选实施方式,还提供了一种基于Tucker分解和ripple时间窗的新型源定位装置,包括ripple检测单元、张量分解单元、源定位单元以及验证单元。优选地,Ripple检测单元应用均方根方法。MEG(脑磁图)信号采用Tucker分解计算原始张量的估计值,基于高阶正交迭代的方式约束使Tucker分解的结果保持唯一,去除主要信息为噪声的因子张量。源定位单元对Tucker分解后张量的估计值计算协方差矩阵,从而用LCMV的方法计算癫痫脑磁信号的源位置。验证单元包括在真实脑磁数据上面的验证,其中,基于真实数据的验证将基于ripple的Tucker分解与基于spike的临床偶极子方法进行比较。如图3所示,其中示出了比较结果,其中,本发明相对于基于spike的临床偶极子方法较大程度地提高了脑部致痫区域的定位精度。
优选地,ripple检测单元将80-250Hz的且振幅高于背景信号的至少四个连续振荡定义为ripple。优选地,将80-250Hz的且振幅高于背景信号第一阈值的至少四个振荡定义为ripple,进一步提高定位精度。优选地,本发明中将均方根(RMS)方法用于MEG中ripple的检测,其条件例如可具体选择如下:波形功率值应达到背景信号的3-9倍,并且波形的持续时间至少持续15ms(对应于至少四个振荡)。优选地,假阳性ripple可以手动消除。
根据本发明又一优选实施方式,正交迭代过程中,输入原始张量X;输出迭代完成后的因子矩阵U(n)和核心张量G。
正交迭代的计算过程优选具体如下:
1)利用高阶奇异值分解(HOSVD)算法计算原始张量X的因子矩阵U(n)以及核心张量G。令k=0;
2)令k=k+1,并对n=1,2,…N,执行下列运算:
B(k)←X×1U(1)T…×n-1U(n-1)T×NUNT;其中,X×nU(n)T表示张量X与矩阵U(n)T的n-模乘积;
并执行核心张量B(k)的n模展开的SVD,确定其主要奇异值个数Rn,然后执行运算:
U(N)←U(:,1:Rn)
3)计算第k次迭代的核心张量B(k),计G(k)=B(k),并通过下面的收敛公式判断是否收敛:
||G(k)-G(k-1)||F<E
E为极小值。
若满足收敛条件,则执行下一步,否则返回第2步继续迭代,直到收敛为止。
4)输出因子矩阵U(N)和核心张量G(k);根据因子矩阵U(N)和核心张量G(k)重构出原始张量的所述估计值。
可以理解的是,其中,初始化核心张量G(0)为零张量(全部元素为0)。||G(k)-G(k-1)||F<E表示确定G(k)-G(k-1)是否符合收敛条件的收敛公式。
优选地,针对所述估计值,用波束成形(beamformer)分析方法求解逆问题来计算协方差矩阵和估计源的位置,波束成形的原理是:通过时域信息和频域信息对信号滤波,以获得指定方向的信息,同时衰减来自其他方向的噪声干扰。
与现有技术相比,本发明具有以下一个或多个技术效果:
(1)脑磁图源定位中通过Tucker分解方法有效去除了脑磁信号中的高频噪声和低频噪声,减少了癫痫灶(致痫区域)定位结果受噪声信号的影响,同时降低了计算的复杂度。
(2)利用高阶正交迭代(HOOI)方法对Tucker分解的结果实现了唯一性的约束,保证了每次计算结果的一致性。
(3)以ripple作为源定位选择的时间窗,结合Tucker分解进一步提高了癫痫灶(致痫区域)定位的准确度,为后续的手术提供了参考和依据。
(4)通过检测出多个ripple时间窗并获得相应的多个源定位,根据多个源定位集中对应的区域来确定最终的定位结果,进一步提高了定位的精度;结合多个源定位结果,将10个以上脑部区域(源定位区域)中具有第一集中度(45%-85%)的脑部区域作为定位结果,能够进一步减小医生的工作量,排除潜在的干扰。
虽然前述内容是关于本发明的实施例,但可在不背离本发明的基本范围的情况下,设计出本发明其他和更进一步的实施例,本发明的范围由权利要求书确定。
上述实施例仅为本发明的较佳实施例而已,并不用以限制本发明,这些实施例中不互相违背的技术特征可彼此结合。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于Tucker分解和ripple时间窗的脑磁图源定位装置,其特征在于包括:
脑磁图传感器,用于获取用户的第一脑磁图信号;
ripple检测单元,用于通过均方根方法检测所述第一脑磁图信号中的ripple时间窗作为源定位的时间窗口,获得所述ripple时间窗内的第一脑磁图信号作为第二脑磁图信号,其中,频率为80-250Hz的且振幅高于背景信号的至少四个连续振荡信号被定义为ripple;
基于高阶正交迭代的Tucker分解单元,用于对所述第二脑磁图信号的原始张量进行Tucker分解来计算所述原始张量的估计值,其中,利用高阶正交迭代约束Tucker分解计算的所述估计值,使该估计值保持唯一,所述估计值中去除了原始张量中的噪声因子张量;以及
源定位单元,用于对所述估计值计算协方差矩阵,且通过波束成形中的LCMV逆问题求解方法计算所述第二脑磁图信号对应的源位置;
其中,优选地,所述高阶正交迭代的计算过程如下:
1)利用高阶奇异值分解算法计算原始张量X的因子矩阵U(n)以及核心张量G;令k=0;
2)令k=k+1,并对n=1,2,…N,执行下列运算:
B(k)←X×1U(1)T…×n-1U(n-1)T×NUNT;
并执行核心张量B(k)的n模展开的奇异值分解,确定其主要奇异值个数Rn,其中,B(k)为第k次迭代得到的核心张量,然后执行运算:
U(N)←U(:,1:Rn);
3)计算第k次迭代得到的核心张量B(k),计G(k)=B(k),并通过下面公式判断是否收敛:
||G(k)-G(k-1)||F<E;其中,E为极小值;
若满足收敛条件,则执行下一步,否则返回第2)步继续迭代,直到收敛为止;
4)输出因子矩阵U(N)和核心张量G(k);根据因子矩阵U(N)和核心张量G(k)重构出原始张量的所述估计值。
2.根据权利要求1所述的基于Tucker分解和ripple时间窗的脑磁图源定位装置,其特征在于还包括源显示单元,用于显示所述源位置。
3.根据权利要求2所述的基于Tucker分解和ripple时间窗的脑磁图源定位装置,其特征在于所述源位置为脑部的癫痫发作区。
4.根据权利要求1-3任一项所述的基于Tucker分解和ripple时间窗的脑磁图源定位装置,其特征在于还包括预处理单元,用于对所述第一脑磁图信号进行滤波、去线性趋势以及独立成分分析获得预处理后的第一脑磁图信号,该预处理后的第一脑磁图信号输入所述ripple检测单元进行后续处理。
5.根据权利要求1-3任一项所述的基于Tucker分解和ripple时间窗的脑磁图源定位装置,其特征在于所述ripple时间窗为多个,针对每个ripple时间窗对应的第二脑磁图信号,所述源定位单元计算出对应的多个源位置,并根据所述多个源位置对应的具有第一集中度的区域作为定位结果。
6.一种基于Tucker分解和ripple时间窗的脑磁图源定位方法,其特征在于包括以下步骤:
通过脑磁图传感器获取用户的第一脑磁图信号;
通过均方根方法检测所述第一脑磁图信号中的ripple时间窗作为源定位的时间窗口,获得所述ripple时间窗内的第一脑磁图信号作为第二脑磁图信号,其中,频率为80-250Hz的且振幅高于背景信号的至少四个连续振荡信号被定义为ripple;
对所述第二脑磁图信号的原始张量进行Tucker分解来计算所述原始张量的估计值,其中,利用高阶正交迭代约束Tucker分解计算的所述估计值,使该估计值保持唯一,所述估计值中去除了原始张量中的噪声因子张量;
通过对所述估计值计算协方差矩阵,且通过波束成形中的LCMV逆问题求解方法计算所述第二脑磁图信号对应的源位置。
7.根据权利要求6所述的方法,其特征在于通过源显示单元显示所述源位置。
8.根据权利要求7所述的方法,其特征在于将所述源位置作为脑部的癫痫发作区。
9.根据权利要求6-8任一项所述的方法,其特征在于通过预处理单元对所述第一脑磁图信号进行滤波、去线性趋势以及独立成分分析获得预处理后的第一脑磁图信号,该预处理后的第一脑磁图信号用于后续的ripple时间窗检测。
10.根据权利要求6-8任一项所述的方法,其特征在于所述ripple时间窗为多个,针对每个ripple时间窗对应的第二脑磁图信号,计算出对应的多个源位置,并根据所述多个源位置集中对应的区域作为定位结果。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526796.6A CN112674773B (zh) | 2020-12-22 | 2020-12-22 | 基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 |
CN202111402038.8A CN113951885B (zh) | 2020-12-22 | 2020-12-22 | 一种脑磁图源定位方法、存储介质和设备 |
PCT/CN2021/140340 WO2022135448A1 (zh) | 2020-12-22 | 2021-12-22 | 基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011526796.6A CN112674773B (zh) | 2020-12-22 | 2020-12-22 | 基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111402038.8A Division CN113951885B (zh) | 2020-12-22 | 2020-12-22 | 一种脑磁图源定位方法、存储介质和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112674773A true CN112674773A (zh) | 2021-04-20 |
CN112674773B CN112674773B (zh) | 2021-12-24 |
Family
ID=75450400
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111402038.8A Active CN113951885B (zh) | 2020-12-22 | 2020-12-22 | 一种脑磁图源定位方法、存储介质和设备 |
CN202011526796.6A Active CN112674773B (zh) | 2020-12-22 | 2020-12-22 | 基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111402038.8A Active CN113951885B (zh) | 2020-12-22 | 2020-12-22 | 一种脑磁图源定位方法、存储介质和设备 |
Country Status (2)
Country | Link |
---|---|
CN (2) | CN113951885B (zh) |
WO (1) | WO2022135448A1 (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113951887A (zh) * | 2021-12-22 | 2022-01-21 | 北京航空航天大学杭州创新研究院 | 一种频谱匹配独立成分分析方法及*** |
CN114065825A (zh) * | 2022-01-17 | 2022-02-18 | 北京航空航天大学杭州创新研究院 | 一种基于结构相似性的脑磁meg源定位方法 |
WO2022135448A1 (zh) * | 2020-12-22 | 2022-06-30 | 北京航空航天大学 | 基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 |
CN117503057A (zh) * | 2023-11-09 | 2024-02-06 | 电子科技大学 | 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102791332A (zh) * | 2009-11-04 | 2012-11-21 | 代理并代表亚利桑那州立大学的亚利桑那董事会 | 调节大脑活动的设备和方法 |
US20130144153A1 (en) * | 2011-12-01 | 2013-06-06 | The Regents Of The University Of California | Functional magnetic resonance imaging apparatus and methods |
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 |
US20160022168A1 (en) * | 2014-07-24 | 2016-01-28 | University Of Lethbridge | Brain state dependent therapy for improved neural training and rehabilitation |
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 |
CN110612057A (zh) * | 2017-06-07 | 2019-12-24 | 柯惠有限合伙公司 | 用于检测中风的***和方法 |
CN111096745A (zh) * | 2020-01-02 | 2020-05-05 | 苏州大学 | 基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法 |
CN111209974A (zh) * | 2020-01-14 | 2020-05-29 | 华中科技大学鄂州工业技术研究院 | 基于张量分解的异构大数据核心特征提取的方法及*** |
CN111340142A (zh) * | 2020-05-14 | 2020-06-26 | 南京慧脑云计算有限公司 | 一种癫痫脑磁图棘波自动检测方法与溯源定位*** |
US20200289005A1 (en) * | 2019-03-14 | 2020-09-17 | Ricoh Company, Ltd. | Multi-sphere head model for dipole localization |
CN111801046A (zh) * | 2017-11-10 | 2020-10-20 | 勒维斯公司 | 使用个体患者数据及治疗性脑网络图的疗效及/或治疗性参数推荐 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7461045B1 (en) * | 2003-08-18 | 2008-12-02 | University Of Florida Research Foundation, Inc. | Optimization of spatio-temporal pattern processing for seizure warning and prediction |
WO2012133185A1 (ja) * | 2011-03-31 | 2012-10-04 | 独立行政法人理化学研究所 | 脳波解析装置、脳波解析方法、プログラム、及び記録媒体 |
CN105615877B (zh) * | 2016-02-22 | 2018-11-27 | 广州视源电子科技股份有限公司 | 癫痫脑电信号特征的定位*** |
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 |
-
2020
- 2020-12-22 CN CN202111402038.8A patent/CN113951885B/zh active Active
- 2020-12-22 CN CN202011526796.6A patent/CN112674773B/zh active Active
-
2021
- 2021-12-22 WO PCT/CN2021/140340 patent/WO2022135448A1/zh active Application Filing
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102791332A (zh) * | 2009-11-04 | 2012-11-21 | 代理并代表亚利桑那州立大学的亚利桑那董事会 | 调节大脑活动的设备和方法 |
US20190105517A1 (en) * | 2009-11-04 | 2019-04-11 | Arizona Board Of Regents On Behalf Of Arizona State University | Devices and methods for modulating brain activity |
CN103717129A (zh) * | 2011-05-24 | 2014-04-09 | 加利福尼亚大学董事会 | 脑磁图源成像 |
US20130144153A1 (en) * | 2011-12-01 | 2013-06-06 | The Regents Of The University Of California | Functional magnetic resonance imaging apparatus and methods |
US20160022168A1 (en) * | 2014-07-24 | 2016-01-28 | University Of Lethbridge | Brain state dependent therapy for improved neural training and rehabilitation |
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 |
CN110612057A (zh) * | 2017-06-07 | 2019-12-24 | 柯惠有限合伙公司 | 用于检测中风的***和方法 |
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 |
CN111801046A (zh) * | 2017-11-10 | 2020-10-20 | 勒维斯公司 | 使用个体患者数据及治疗性脑网络图的疗效及/或治疗性参数推荐 |
US20200289005A1 (en) * | 2019-03-14 | 2020-09-17 | Ricoh Company, Ltd. | Multi-sphere head model for dipole localization |
CN111096745A (zh) * | 2020-01-02 | 2020-05-05 | 苏州大学 | 基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法 |
CN111209974A (zh) * | 2020-01-14 | 2020-05-29 | 华中科技大学鄂州工业技术研究院 | 基于张量分解的异构大数据核心特征提取的方法及*** |
CN111340142A (zh) * | 2020-05-14 | 2020-06-26 | 南京慧脑云计算有限公司 | 一种癫痫脑磁图棘波自动检测方法与溯源定位*** |
Non-Patent Citations (2)
Title |
---|
JOHN G.R. JEFFERYS: "《Mechanisms of physiological and epileptic HFO generation》", 《PROGRESS IN NEUROBIOLOGY》 * |
杨宝山: "《2DPCA在脑磁图棘波信号检测中的应用》", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022135448A1 (zh) * | 2020-12-22 | 2022-06-30 | 北京航空航天大学 | 基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 |
CN113951887A (zh) * | 2021-12-22 | 2022-01-21 | 北京航空航天大学杭州创新研究院 | 一种频谱匹配独立成分分析方法及*** |
CN114065825A (zh) * | 2022-01-17 | 2022-02-18 | 北京航空航天大学杭州创新研究院 | 一种基于结构相似性的脑磁meg源定位方法 |
CN117503057A (zh) * | 2023-11-09 | 2024-02-06 | 电子科技大学 | 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质 |
CN117503057B (zh) * | 2023-11-09 | 2024-05-31 | 电子科技大学 | 基于高阶张量分解构建脑网络的癫痫发作检测装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022135448A1 (zh) | 2022-06-30 |
CN113951885A (zh) | 2022-01-21 |
CN112674773B (zh) | 2021-12-24 |
CN113951885B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112674773B (zh) | 基于Tucker分解和ripple时间窗的脑磁图源定位方法和装置 | |
van der Meer et al. | Carbon-wire loop based artifact correction outperforms post-processing EEG/fMRI corrections—A validation of a real-time simultaneous EEG/fMRI correction method | |
Valenza et al. | Point-process nonlinear models with laguerre and volterra expansions: Instantaneous assessment of heartbeat dynamics | |
Roonizi et al. | A signal decomposition model-based Bayesian framework for ECG components separation | |
Oster et al. | Nonlinear Bayesian filtering for denoising of electrocardiograms acquired in a magnetic resonance environment | |
CN103549950A (zh) | 移动心电监测差分阈值检测改进算法 | |
EP1872715B1 (en) | Method and system for multi-channel biosignal processing | |
US12023496B2 (en) | Closed-loop adaptive AC stimulation neural network regulation method and system | |
Gupta et al. | An efficient low computational cost method of R-peak detection | |
US10912470B2 (en) | System and method for tracking cerebral blood flow in fMRI | |
CN108509823A (zh) | Qrs波群的检测方法及装置 | |
CN104905786A (zh) | 一种心电伪迹在线去除算法 | |
EP3679860B1 (en) | Control method and system for filtering out working frequency interference signal | |
Slama et al. | Application of statistical features and multilayer neural network to automatic diagnosis of arrhythmia by ECG signals | |
Kotas et al. | Averaging of nonlinearly aligned signal cycles for noise suppression | |
Calisto et al. | A new approach for investigating intracranial pressure signal: filtering and morphological features extraction from continuous recording | |
Raatikainen et al. | Combined spatiotemporal ICA (stICA) for continuous and dynamic lag structure analysis of MREG data | |
CN110327032A (zh) | 一种单导心电信号pqrst波联合精准识别算法 | |
Zafar et al. | Initial dip detection based on both HbO and HbR vector-based phase analysis | |
Hegde et al. | A review on ECG signal processing and HRV analysis | |
KR102493239B1 (ko) | 수면단계 분석 시스템 및 방법 | |
AU2021102053A4 (en) | Processing and identification method for spike-and-slow-wave complex in electroencephalogram (eeg) | |
Fahruzi et al. | Screening of non-overlapping apnea and non-apnea from single lead ECG-apnea recordings using time-frequency approach | |
CN116491909B (zh) | 一种基于振幅调制多尺度熵的睡眠动力学表征方法 | |
CN104007823B (zh) | 基于点通滤波的频率相位混合解码脑机接口方法及其装置 |
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 |