CN112971811B - 脑功能定位方法、装置及电子设备 - Google Patents
脑功能定位方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112971811B CN112971811B CN202110178618.7A CN202110178618A CN112971811B CN 112971811 B CN112971811 B CN 112971811B CN 202110178618 A CN202110178618 A CN 202110178618A CN 112971811 B CN112971811 B CN 112971811B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- behavior
- brain function
- original electroencephalogram
- 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.)
- Active
Links
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请公开了一种脑功能定位方法、装置及电子设备，该方法包括：获取待处理的原始脑电数据和行为追踪数据，其中，所述行为追踪数据是反映由用户的目标脑功能控制产生的用户连续行为的数据，所述原始脑电数据和所述行为追踪数据在时序上同步；根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，其中，所述目标位置信息表征所述目标脑功能在所述用户脑中的位置。该方法通过获取原始脑电数据以及与该原始脑电数据在时序上同步的行为追踪数据，根据该原始脑电数据和该行为追踪数据，即可方便、准确的对目标脑功能进行定位。
Description
技术领域
本公开涉及神经工程技术领域，更具体地，涉及一种脑功能定位方法、装置及一种电子设备。
背景技术
在神经外科手术中，当大脑的重要功能区与病灶邻近或重合时，该功能区则可能受到手术影响，从而引起脑功能损伤。因此，如何准确的对大脑的重要功能区进行定位越来越受到人们的关注。
目前，在术前用来进行脑功能定位的技术一般有：经颅磁刺激技术(TMS，Transcranial Magnetic Stimulation)以及功能核磁成像技术(fMRI FunctionalMagnetic Resonance Imaging)；而在术中用来进行脑功能定位的技术一般是皮层电刺激技术(CES，Cortical Electrical Stimulation)。
以上方法虽然都能够实现脑功能定位，然而，术前脑功能定位技术除了受限于其技术原理而造成的精确度不够之外，还可能受其他原因导致其精确度进一步下降，例如，在手术时，颅骨打开会造成大脑轻微变形，致使术前脑功能定位结果无法与术中皮层结构精确配准。而现有的术中脑功能定位技术要求严格，可操作性差，并且其还忽略个体间的差异性以及忽略了低于伽马频段的皮层电活动与特定认知任务之间的关系，因此，其同样存在精确度不够的问题。
发明内容
本公开实施例的一个目的是提供一种用于脑功能定位的新技术方案。
根据本公开的第一方面，提供了一种脑功能定位方法，该方法包括：
获取待处理的原始脑电数据和行为追踪数据，其中，所述行为追踪数据是反映由用户的目标脑功能控制产生的用户连续行为的数据，所述原始脑电数据和所述行为追踪数据在时序上同步；
根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，其中，所述目标位置信息表征所述目标脑功能在所述用户脑部的位置。
可选地，所述根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，包括：
获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征；以及，
根据所述行为追踪数据，获得反映所述用户连续行为的强度的行为强度特征；
根据所述原始脑电数据中包含的成分分别对应的时域特征和所述行为强度特征，确定所述原始脑电数据包含的成分中与所述目标脑功能对应的目标成分；
根据所述目标成分对应的空间域特征，获得所述目标位置信息。
可选地，在执行所述获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征步骤之前，所述方法还包括：
对所述原始脑电数据的每个通道中的数据进行时频变换处理，获得与所述原始脑电数据对应的三维张量数据。
可选地，所述获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征，包括：
将所述三维张量数据延时域维度延展为二维矩阵；
使用主成分分析算法获取所述二维矩阵的方差解释曲线，并根据所述方差解释曲线，获得所述原始脑电数据中包含的成分的目标数量；
根据所述目标数量，对所述三维张量数据进行分解，获得所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征。
可选地，所述根据所述原始脑电数据中包含的成分分别对应的时域特征和所述行为强度特征，获得所述原始脑电数据包含的成分中与所述目标脑功能对应的目标成分，包括：
获取第一成分对应的第一时域特征，其中，所述第一成分为所述原始脑电数据中包含的成分中的任意一成分；
对所述第一时域特征和所述行为强度特征进行相关性分析，获得第一相关性系数；
根据所述第一相关性系数，获得所述目标成分。
可选地，所述根据所述第一相关性系数，获得所述目标成分，包括：
通过调整所述第一时域序列的相位，获得N个第一伪时域特征；
分别对所述行为强度特征和所述N个第一伪时域特征进行相关性分析，获得N个第一伪相关性系数；
在所述第一相关性系数在所述N个第一伪相关性系数的分布情形满足预设分布条件的情况下，确定所述第一成分为所述目标成分；
其中，N为大于1的整数。
可选地，所述根据所述行为追踪数据，获得反映所述用户连续行为的强度的行为强度特征，包括：
对所述行为追踪数据进行第一降采样处理，获得第一行为追踪数据；
使用频率范围在预设范围内的滤波器对所述第一行为追踪数据进行带通滤波处理，获得第二行为追踪数据；
对所述第二行为追踪数据进行高斯平滑处理，获得所述行为强度特征。
可选地，所述目标脑功能包括语言功能。
根据本公开的第二方面，本公开还提供了一种脑功能定位装置，包括：
数据获取模块，用于获取待处理的原始脑电数据和行为追踪数据，其中，所述行为追踪数据是反映由用户的目标脑功能控制产生的用户连续行为的数据，所述原始脑电数据和所述行为追踪数据在时序上同步；
定位模块，用于根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，其中，所述目标位置信息表征所述目标脑功能在所述用户脑部的位置。
根据本公开的第三方面，还提供了一种电子设备，其包括根据本公开的第二方面所述的装置；或者，包括：
存储器，用于存储可执行的指令；
处理器，用于根据所述可执行的指令的控制，运行所述电子设备执行根据本公开的第一方面所述的方法。
本公开的一个有益效果在于，根据本公开的实施例，在进行脑功能定位时，在获得用户授权之后，通过采集在时序上同步的、该用户的原始脑电数据和行为追踪数据，其中，该行为追踪数据是反映由用户的目标脑功能控制产生的用户连续行为的数据；之后，通过分析该原始脑电数据和该行为追踪数据，即可方便、精确的获得该目标脑功能在用户脑中的位置。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其他特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本公开的实施例，并且连同其说明一起用于解释本公开的原理。
图1是显示可用于实现一个实施例的脑功能定位方法的脑功能定位***的硬件配置的原理框图。
图2是本公开实施例提供的一种脑功能定位方法的流程示意图。
图3是本公开实施例提供的目标位置信息的获取过程示意图。
图4是本公开实施例提供的脑电数据处理过程示意图。
图5是本公开实施例提供的一种脑功能定位装置的原理框图。
图6是本公开实施例提供的一种电子设备的硬件结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其他例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
<硬件配置>
图1是可用于实施根据一个实施例的脑功能定位方法的脑功能定位***的硬件配置的原理框图。
如图1所示，脑功能定位***100包括电子设备1000、脑电数据采集设备2000、行为追踪数据采集设备3000和通信网络4000。
该电子设备1000可以为服务器，也可以为终端设备，此处不做特殊限定。
如图1所示，电子设备1000可以包括处理器1100、存储器1200、接口装置1300、通信装置1400、显示装置1500和输入装置1600。处理器1100例如可以是中央处理器CPU等。存储器1200例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1130例如包括USB接口、串行接口等。通信装置1400例如能够进行有线或无线通信。显示装置1500例如是液晶显示屏。输入装置1600例如可以包括触摸屏、键盘等。
本实施例中，电子设备1000可用于参与实现根据本公开任意实施例的方法。
应用于本公开实施例中，电子设备1000的存储器1200用于存储指令，所述指令用于控制所述处理器1100进行操作以支持实现根据本发明任意实施例的方法。技术人员可以根据本发明所公开方案设计指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。
本领域技术人员应当理解，尽管在图1中示出了电子设备1000的多个装置，但是，本公开实施例的电子设备1000可以仅涉及其中的部分装置，例如，只涉及处理器1110和存储器1120。这是本领域公知，此处不再赘述。
在本实施例中，脑电数据采集设备2000可以是用于采集皮层脑电数据，即脑电图(EEG，Electroencephalogram)信号的设备。
在本实施例中，该行为追踪数据采集设备3000是用于采集行为追踪数据的设备，例如，如图2中所示，在定位语言功能时，该设备可以为用于采集用户连续语音的麦克风。
通信网络4000可以是无线网络也可以是有线网络，可以是局域网也可以是广域网。脑电数据采集设备2000以及行为追踪数据采集设备4000可以通过通信网络4000与电子设备10 00进行通信。
需要说明的是，在具体实施时，该脑功能定位***100还可以包括其他设备，例如，还可以包括视频采集设备，以在用户基于该脑功能定位100辅助进行神经外科手术时，采集手术过程中的视频数据，此处不做特殊限定。
<方法实施例>
目前，在神经外科手术过程中，为了定位用户大脑中的重要脑功能区域，一般是使用皮层电刺激技术，例如，通过基于40-150赫兹之间的高频伽马皮层电活动的脑功能定位***进行术中脑功能定位。
然而，发明人发现，该方法主要存在以下局限性：1、实验范式繁琐，要求严格且可操作性差，即，目前广泛采用的实验范式为传统的心理学测查任务范式，即让用户在严格控制时间的情况下，集中注意力，对重复出现的指令做出反应，整个测查任务中同样的指令要重复数十次至上百次，即刺激/指令-反应范式；在随后的数据处理中，通常的做法是假定用户对每个指令都做了相同的反应，且脑活动过程也是完全一致的，并在此基础上建立统计模型得到结果，然而在手术过程中进行该类任务往往是极不方便的。2、忽略个体间的差异性，当前基于刺激/指令-反应范式的脑功能定位技术，其假设为同一类型的刺激引起的脑活动和行为活动是类似的，因而在统计上是同质的，但是，这一假设忽略了个体间的差异性，以及用户执行任务时在试次之间的差异性；实际上被试的个体行为是连贯的，大脑会根据内部和外部状态不断地进行***层面的控制和协调，而这些在简单的刺激-反应模式中很难体现。3、忽略了低于伽马频段的皮层电活动与特定认知任务之间的关系，目前基于高频伽马皮层活动的脑功能定位技术只关注高频伽马的电活动，没能充分考虑到全频段的认知活动特征，丢弃了其他频段的丰富的脑活动特征，极大地影响了特定认知活动的功能定位。由于上述局限性，就导致现在的术中脑功能定位技术可能不能精确的对脑功能进行定位。
为了在神经外科手术过程中，精确的对目标脑功能进行定位，以辅助进行手术，本公开实施例提供一种脑功能定位方法，请参看图2，其是本公开实施例提供的一种脑功能定位方法的流程示意图，该方法可以由电子设备实施，例如由图1中的电子设备1000实施，此处不做特殊限定。
根据图2所示，本实施例的方法可以包括如下步骤S2100-S2200，以下予以详细说明。
步骤S2100，获取待处理的原始脑电数据和行为追踪数据，其中，所述行为追踪数据是反映由用户的目标脑功能控制产生的用户连续行为的数据，所述原始脑电数据和所述行为追踪数据在时序上同步。
在本实施例中，如无特殊说明，以目标脑功能为语言功能为例说明本实施例提供的脑功能定位方法，需要说明的是，在具体实施时，目标脑功能也可以为其他功能，例如，还可以为运动功能，触觉功能等，此处不做特殊限定。
以目标脑功能为语言功能为例，在具体实施时，行为追踪数据，可以是在获得用户授权的情况下，在采集该用户的脑电数据，即，上述原始脑电数据的过程中，通过行为追踪数据采集设备，例如，麦克风采集到的用户输出的连续语音数据。
在具体实施时，为了保证行为追踪数据和原始脑电数据在时序上同步，可以在采集行为追踪数据的过程中，对脑电数据采集设备和行为追踪数据采集设备采集的信号通过增加事件标记进行同步。
例如，可以在通过麦克风开始采集用户输出的连续语音数据时，向用于对脑电数据进行信号放大处理的信号放大器发送事件标记，之后，在进行脑功能定位时，通过检索该事件标记实现原始脑电数据和行为追踪数据的同步。
当然,在具体实施时,也可以通过其他方法保证原始脑电数据和行为追踪数据在时序上的同步,此处不再赘述。
步骤S2200，根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，其中，所述目标位置信息表征所述目标脑功能在所述用户脑中的位置。
请参看图3，其是本公开实施例提供的获取目标位置信息的过程示意图。具体来讲，在经过步骤S2100采集到在时序上同步的原始脑电数据和行为追踪数据之后，由于行为追踪数据为反映目标脑功能控制产生的用户连续行为的数据，因此，可以通过分析该行为追踪数据与原始脑电数据包含的成分对应的时域特征之间的相关性，确定与目标脑功能对应的目标成分，进而根据该目标成分对应的空间域特征，快速、精确的确定该目标脑功能的目标位置信息，以下结合图3进行详细说明。
如图3所示，在一个实施例中，所述根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，包括以下步骤S2201-S2204：
步骤S2201，获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征。
如图3所示，在具体实施时，在实施该步骤S2201之前，针对获取到的原始脑电数据，该方法还包括：对所述原始脑电数据的每个通道中的数据进行时频变换处理，获得与所述原始脑电数据对应的三维张量数据。
具体来讲，区别于现有技术仅关注高频伽马的电活动，而没有充分考虑到全频段的认知活动特征，从而丢弃了其他频段的丰富的脑活动特征，进而降低了特定认知活动的脑功能定位结果的精确性的问题，在本实施例中，针对获取到的原始脑电数据，在进行脑功能定位时，先对该原始脑电数据进行转换参考处理，并取平均参考；之后，再以1赫兹-90赫兹的带通滤波器对其进行滤波处理，以降低数据中噪声；再之后，可以通过使用小波变换(WT，Wavelet Transform)对该原始脑电数据的每个通道中的数据进行时频变换，从而构建与原始脑电数据对应的基于多通道时频图的三维张量数据。
请参看图4，其是本公开实施例提供的脑电数据处理过程示意图。如图3以及图4中A区域所示，在具体实施时，所述获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征，包括：将所述三维张量数据延时域维度延展为二维矩阵；使用主成分分析算法获取所述二维矩阵的方差解释曲线，并根据所述方差解释曲线，获得所述原始脑电数据中包含的成分的目标数量；根据所述目标数量，对所述三维张量数据进行分解，获得所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征。
具体来讲，可以在获得原始脑电数据对应的三维张量数据之后，通过使用张量成分分析技术对该三维张量数据进行分解，以获得该原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征，其中，为了提升处理效率，在该实施例中，可以先将该三维张量数据延时域维度延展为二维矩阵，之后，如图4中A区域所示，可以通过主成分分析算法(PCA，Principal Component Analysis)获取该二维矩阵的方差解释曲线，并根据该方差解释曲线，获得该原始脑电数据中包含的成分的目标数量，例如，在如4中A区域中，原始脑电数据中包含的成分的数量可以为10。
在确定该目标数量之后，即可使用张量成分分析技术对该三维张量数据进行分解，以获得该原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征，其中，有关如何对三维张量数据进行张量成分分析，由于现有技术中有详细说明，此处不再赘述。
步骤S2202，根据所述行为追踪数据，获得反映所述用户连续行为的强度的行为强度特征。
在具体实施时，所述根据所述行为追踪数据，获得反映所述用户连续行为的强度的行为强度特征，包括：对所述行为追踪数据进行第一降采样处理，获得第一行为追踪数据；使用频率范围在预设范围内的滤波器对所述第一行为追踪数据进行带通滤波处理，获得第二行为追踪数据；对所述第二行为追踪数据进行高斯平滑处理，获得所述行为强度特征。
以目标脑功能为语言功能为例，在根据其对应的行为追踪数据，即，语音数据，获得其对应的行为强度特征时，可以先将该语音数据降采样至4000赫兹；之后，再使用20赫兹-2000赫兹的带通滤波器对降采样后的数据进行滤波处理；再之后，可以以200毫秒为窗长，40毫秒为步长计算滤波处理后的数据的均方根，并以半高宽为1秒的高斯核对其进行高斯平滑处理，以得到该语音数据对应的行为强度特征。当然，在具体实施时，针对其他脑功能对应的行为追踪数据，也可以使用与之对应的方法对其处理，以获得其对应的行为追踪数据以及提取其行为强度特征，此处不再赘述。
步骤S2203，根据所述原始脑电数据中包含的成分分别对应的时域特征和所述行为强度特征，确定所述原始脑电数据包含的成分中与所述目标脑功能对应的目标成分。
在经过上述步骤，获得如图4中B区域所示的、该行为追踪数据对应的行为强度特征，以及，如图4中C区域所示的、该原始脑电数据中各成分分别对应的时域特征之后，即可通过分析每一成分对应的时域特征与该行为强度特征之间的相关性，以确定该成分是否是与目标功能对应的成分，进而获得目标位置信息，以下予以详细说明。
在一个实施例中，所述根据所述原始脑电数据中包含的成分分别对应的时域特征和所述行为强度特征，获得所述原始脑电数据包含的成分中与所述目标脑功能对应的目标成分，包括：获取第一成分对应的第一时域特征，其中，所述第一成分为所述原始脑电数据中包含的成分中的任意一成分；对所述第一时域特征和所述行为强度特征进行相关性分析，获得第一相关性系数；根据所述第一相关性系数，获得所述目标成分。
在该实施例中，所述根据所述第一相关性系数，获得所述目标成分，获得所述目标成分，包括：通过调整所述第一时域序列的相位，获得N个第一伪时域特征；分别对所述行为强度特征和所述N个第一伪时域特征进行相关性分析，获得N个第一伪相关性系数；在所述第一相关性系数在所述N个第一伪相关性系数的分布情形满足预设分布条件的情况下，确定所述第一成分为所述目标成分；其中，N为大于1的整数。
以目标脑功能为语言功能为例，为了确定语音序列与脑电数据中哪个成分的时域特征呈显著相关，在具体实施时，可以将张量分解得到的每个时域特征序列，例如，随机打乱相位500次，以得到500个伪随机时域序列，之后，分别与语音时序特征做相关性分析，如果原始相关性分析得到的线性相关系数分布在500个随机相关系数的前5％，则被认为，该成分的时域序列与语音特征显著相关。需要说明的是，在本实施例中，是以N为500，该预设分布条件为第一相关性系数分布在该N个第一伪相关性系数的前5％为例，在具体实施时，该类数值可以根据具体需要进行设置，此处不做特殊限定。
步骤S2204，根据所述目标成分对应的空间域特征，获得所述目标位置信息。
此处依然以目标脑功能为语言功能为例，如图3及图4所示，根据与语音时序特征显著相关的成分，可以确定哪个分解得到的成分受语言的显著调控，例如，由图4中D区域所示可得成分2和成分8为目标成分，则进一步的，如图4中E区域以及G区域所示，可以根据该两个成分的频率域特征，对其进行功率谱分析，再进一步的根据其对应的空间成分，确定目标脑功能，例如语言相关的激活位点，即可根据该激活位点确认语言功能的位置信息。
在具体实施过程中，该方法允许施测人员灵活调整方案以适应不同情况，例如，针对脑功能中的语言功能，其行为追踪数据可以通过采集用户音频获得，也可以通过向用户播放一段连续的音频，并将该音频作为该行为追踪数据，以增加该方法的使用范围。另外，在进行脑功能定位时，该方法在获得原始脑电数据中，通过对该原始脑电数据进行时频变换，获得全频段的三维张量数据，并在最终定位时，通过对全功率谱特征的检索，增加了定位结果的准确性和效率。同时，经过反复试验验证，发明人发现，该方法可以在相对少量数据的基础上，经过短时间的处理就能获得有效结果，使得在需要多次进行脑功能定位，例如，在神经外科手术中可以反复多次进行脑功能定位，以确保用户脑功能不受伤害。
综上所述，本实施例提供的脑功能定位方法，在进行脑功能定位时，在获得用户授权之后，通过采集在时序上同步的、该用户的原始脑电数据和行为追踪数据，其中，该行为追踪数据是反映由用户的目标脑功能控制产生的用户连续行为的数据；之后，通过分析该原始脑电数据和该行为追踪数据，即可方便、精确的获得该目标脑功能在用户脑中的位置。
<装置实施例>
与上述方法实施例相对应，在本实施例中，还提供一种脑功能定位装置，如图5所示，该装置5000可以包括数据获取模块5100和定位模块5200。
该数据获取模块5100，用于获取待处理的原始脑电数据和行为追踪数据，其中，所述行为追踪数据是反映由用户的目标脑功能控制产生的用户连续行为的数据，所述原始脑电数据和所述行为追踪数据在时序上同步。
该定位模块5200，用于根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，其中，所述目标位置信息表征所述目标脑功能在所述用户脑中的位置。
在一个实施例中，该定位模块5200在根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息时，可以用于：获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征；以及，根据所述行为追踪数据，获得反映所述用户连续行为的强度的行为强度特征；根据所述原始脑电数据中包含的成分分别对应的时域特征和所述行为强度特征，确定所述原始脑电数据包含的成分中与所述目标脑功能对应的目标成分；根据所述目标成分对应的空间域特征，获得所述目标位置信息。
在该实施例中，该装置5000还包括三维张量数据获得模块，用于对所述原始脑电数据的每个通道中的数据进行时频变换处理，获得与所述原始脑电数据对应的三维张量数据。
在该实施例中，该定位模块5200在获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征时，可以用于：将所述三维张量数据延时域维度延展为二维矩阵；使用主成分分析算法获取所述二维矩阵的方差解释曲线，并根据所述方差解释曲线，获得所述原始脑电数据中包含的成分的目标数量；根据所述目标数量，对所述三维张量数据进行分解，获得所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征。
在该实施例中，该定位模块5200在根据所述原始脑电数据中包含的成分分别对应的时域特征和所述行为强度特征，获得所述原始脑电数据包含的成分中与所述目标脑功能对应的目标成分时，可以用于：获取第一成分对应的第一时域特征，其中，所述第一成分为所述原始脑电数据中包含的成分中的任意一成分；对所述第一时域特征和所述行为强度特征进行相关性分析，获得第一相关性系数；根据所述第一相关性系数，获得所述目标成分。
在该实施例中，该定位模块5200在根据所述第一相关性系数，获得所述目标成分时，可以用于：通过调整所述第一时域序列的相位，获得N个第一伪时域特征；分别对所述行为强度特征和所述N个第一伪时域特征进行相关性分析，获得N个第一伪相关性系数；在所述第一相关性系数在所述N个第一伪相关性系数的分布情形满足预设分布条件的情况下，确定所述第一成分为所述目标成分；其中，N为大于1的整数。
<设备实施例>
与上述方法实施例以及装置实施例相对应，在本实施例中，还提供一种电子设备，其可以包括根据本公开任意实施例的脑功能定位装置5000，用于实施本公开任意实施例的脑功能定位方法。
如图6所示，该电子设备6000还可以包括处理器6200和存储器6100，该存储器6100用于存储可执行的指令；该处理器6200用于根据指令的控制运行电子设备以执行根据本公开任意实施例的脑功能定位方法。
以上装置5000的各个模块可以由处理器6200运行该指令以执行根据本公开任意实施例的脑功能定位方法来实现。
该电子设备6000可以是服务器，也可以是其他类型的设备，例如是终端设备等，在此不做限定。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其他可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。本公开的范围由所附权利要求来限定。
Claims (9)
1.一种脑功能定位方法，包括：
获取待处理的原始脑电数据和行为追踪数据，其中，所述行为追踪数据是反映由用户的目标脑功能控制产生的用户连续行为的数据，所述原始脑电数据和所述行为追踪数据在时序上同步；
根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，其中，所述目标位置信息表征所述目标脑功能在所述用户脑中的位置；
其中，所述根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，包括：
获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征；以及，
根据所述行为追踪数据，获得反映所述用户连续行为的强度的行为强度特征；
根据所述原始脑电数据中包含的成分分别对应的时域特征和所述行为强度特征，确定所述原始脑电数据包含的成分中与所述目标脑功能对应的目标成分；
根据所述目标成分对应的空间域特征，获得所述目标位置信息。
2.根据权利要求1所述的方法，在执行所述获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征步骤之前，所述方法还包括：
对所述原始脑电数据的每个通道中的数据进行时频变换处理，获得与所述原始脑电数据对应的三维张量数据。
3.根据权利要求2所述的方法，所述获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征，包括：
将所述三维张量数据延时域维度延展为二维矩阵；
使用主成分分析算法获取所述二维矩阵的方差解释曲线，并根据所述方差解释曲线，获得所述原始脑电数据中包含的成分的目标数量；
根据所述目标数量，对所述三维张量数据进行分解，获得所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征。
4.根据权利要求1所述的方法，所述根据所述原始脑电数据中包含的成分分别对应的时域特征和所述行为强度特征，获得所述原始脑电数据包含的成分中与所述目标脑功能对应的目标成分，包括：
获取第一成分对应的第一时域特征，其中，所述第一成分为所述原始脑电数据中包含的成分中的任意一成分；
对所述第一时域特征和所述行为强度特征进行相关性分析，获得第一相关性系数；
根据所述第一相关性系数，获得所述目标成分。
5.根据权利要求4所述的方法，所述根据所述第一相关性系数，获得所述目标成分，包括：
通过调整所述第一时域序列的相位，获得N个第一伪时域特征；
分别对所述行为强度特征和所述N个第一伪时域特征进行相关性分析，获得N个第一伪相关性系数；
在所述第一相关性系数在所述N个第一伪相关性系数的分布情形满足预设分布条件的情况下，确定所述第一成分为所述目标成分；
其中，N为大于1的整数。
6.根据权利要求1所述的方法，所述根据所述行为追踪数据，获得反映所述用户连续行为的强度的行为强度特征，包括：
对所述行为追踪数据进行第一降采样处理，获得第一行为追踪数据；
使用频率范围在预设范围内的滤波器对所述第一行为追踪数据进行带通滤波处理，获得第二行为追踪数据；
对所述第二行为追踪数据进行高斯平滑处理，获得所述行为强度特征。
7.根据权利要求1所述的方法，所述目标脑功能包括语言功能。
8.一种脑功能定位装置，包括：
数据获取模块，用于获取待处理的原始脑电数据和行为追踪数据，其中，所述行为追踪数据是反映由用户的目标脑功能控制产生的用户连续行为的数据，所述原始脑电数据和所述行为追踪数据在时序上同步；
定位模块，用于根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，其中，所述目标位置信息表征所述目标脑功能在所述用户脑中的位置；
其中，所述根据所述原始脑电数据和所述行为追踪数据，获得目标位置信息，包括：
获取所述原始脑电数据中包含的成分分别对应的时域特征、空间域特征以及频率域特征；以及，
根据所述行为追踪数据，获得反映所述用户连续行为的强度的行为强度特征；
根据所述原始脑电数据中包含的成分分别对应的时域特征和所述行为强度特征，确定所述原始脑电数据包含的成分中与所述目标脑功能对应的目标成分；
根据所述目标成分对应的空间域特征，获得所述目标位置信息。
9.一种电子设备，包括权利要求8所述的装置；或者，
所述电子设备包括：
存储器，用于存储可执行的指令；
处理器，用于根据所述指令的控制运行所述电子设备执行如权利要求1-7任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110178618.7A CN112971811B (zh) | 2021-02-09 | 2021-02-09 | 脑功能定位方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110178618.7A CN112971811B (zh) | 2021-02-09 | 2021-02-09 | 脑功能定位方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112971811A CN112971811A (zh) | 2021-06-18 |
| CN112971811B true CN112971811B (zh) | 2022-04-01 |
Family
ID=76392714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110178618.7A Active CN112971811B (zh) | 2021-02-09 | 2021-02-09 | 脑功能定位方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112971811B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114343640B (zh) * | 2022-01-07 | 2023-10-13 | 北京师范大学 | 注意力评估方法及电子设备 |
| CN114403898B (zh) * | 2022-01-24 | 2023-07-14 | 北京师范大学 | 一种脑电数据的噪声去除方法、装置及电子设备 |
| CN114533084B (zh) * | 2022-02-09 | 2023-07-14 | 北京师范大学 | 脑电特征提取方法、装置、电子设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5029082A (en) * | 1987-03-30 | 1991-07-02 | Wide Trade Foundation Ltd. & Export Corporation | Correlative analysis in multi-domain processing of cardiac signals |
| CN103619406A (zh) * | 2011-06-03 | 2014-03-05 | 奈科斯迪姆公司 | 用于组合解剖连接模式和导航脑刺激的方法和*** |
| CN107468242A (zh) * | 2017-06-15 | 2017-12-15 | 北京师范大学 | 一种新型基于皮层脑电的功能定位*** |
| CN107669244A (zh) * | 2017-10-27 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于EEG‑fMRI的癫痫异常放电位点定位方法及*** |
| CN107822628A (zh) * | 2017-11-24 | 2018-03-23 | 山东财经大学 | 一种癫痫脑部病灶区自动定位装置及*** |
| CN111184509A (zh) * | 2019-11-29 | 2020-05-22 | 杭州电子科技大学 | 一种基于传递熵的情绪诱导脑电信号分类方法 |
| WO2020167997A1 (en) * | 2019-02-12 | 2020-08-20 | Surgical Theater, Inc. | System and method for modeling neurological activity |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005025416A2 (en) * | 2003-09-11 | 2005-03-24 | Regents Of The University Of Minnesota | Localizing neural sources in a brain |
| US10433742B2 (en) * | 2013-08-05 | 2019-10-08 | The Regents Of The University Of California | Magnetoencephalography source imaging for neurological functionality characterizations |
| CN104586387B (zh) * | 2015-01-19 | 2017-02-01 | 秦皇岛市惠斯安普医学***股份有限公司 | 一种时、频、空域多参数脑电特征提取与融合方法 |
-
2021
- 2021-02-09 CN CN202110178618.7A patent/CN112971811B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5029082A (en) * | 1987-03-30 | 1991-07-02 | Wide Trade Foundation Ltd. & Export Corporation | Correlative analysis in multi-domain processing of cardiac signals |
| CN103619406A (zh) * | 2011-06-03 | 2014-03-05 | 奈科斯迪姆公司 | 用于组合解剖连接模式和导航脑刺激的方法和*** |
| CN107468242A (zh) * | 2017-06-15 | 2017-12-15 | 北京师范大学 | 一种新型基于皮层脑电的功能定位*** |
| CN107669244A (zh) * | 2017-10-27 | 2018-02-09 | 中国人民解放军国防科技大学 | 基于EEG‑fMRI的癫痫异常放电位点定位方法及*** |
| CN107822628A (zh) * | 2017-11-24 | 2018-03-23 | 山东财经大学 | 一种癫痫脑部病灶区自动定位装置及*** |
| WO2020167997A1 (en) * | 2019-02-12 | 2020-08-20 | Surgical Theater, Inc. | System and method for modeling neurological activity |
| CN111184509A (zh) * | 2019-11-29 | 2020-05-22 | 杭州电子科技大学 | 一种基于传递熵的情绪诱导脑电信号分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| An Intracranial Electroencephalography(iEEG) Brain Function Mapping Tool with an Application to Epilepsy Surgery Evalution;Yinghua Wang,et al;《Frontiers in Neuroinformatics》;20160425;第10卷(第15期);全文 * |
| 癫痫手术治疗中皮层脑电的分析及应用;闫佳庆;《中国博士学位论文全文数据库医药卫生科技辑》;20160731;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112971811A (zh) | 2021-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112971811B (zh) | 脑功能定位方法、装置及电子设备 | |
| Rutkowski et al. | Tactile and bone-conduction auditory brain computer interface for vision and hearing impaired users | |
| NL2001805C2 (en) | Method for processing a brain wave signal and brain computer interface. | |
| Anh et al. | A real-time model based support vector machine for emotion recognition through EEG | |
| Coben et al. | Neural connectivity in epilepsy as measured by Granger causality | |
| Klug et al. | Zapline‐plus: A Zapline extension for automatic and adaptive removal of frequency‐specific noise artifacts in M/EEG | |
| Huang et al. | Push-pull competition between bottom-up and top-down auditory attention to natural soundscapes | |
| CN111671420B (zh) | 一种从静息态脑电数据中提取特征的方法及终端设备 | |
| Gao et al. | Granger causal time-dependent source connectivity in the somatosensory network | |
| Aydin et al. | Emotion recognition with eigen features of frequency band activities embedded in induced brain oscillations mediated by affective pictures | |
| Cong et al. | Validating rationale of group-level component analysis based on estimating number of sources in EEG through model order selection | |
| Mahajan et al. | Real time EEG based cognitive brain computer interface for control applications via Arduino interfacing | |
| Li et al. | Identifying Patients with Poststroke Mild Cognitive Impairment by Pattern Recognition of Working Memory Load‐Related ERP | |
| US9275457B1 (en) | Real-time subject-driven functional connectivity analysis | |
| Stevenson et al. | A nonlinear model of newborn EEG with nonstationary inputs | |
| Pham et al. | A proposed blind DWT-SVD watermarking scheme for EEG data | |
| US10512411B2 (en) | Brain mapping system and method thereof | |
| Zhao et al. | A SSVEP stimuli encoding method using trinary frequency-shift keying encoded SSVEP (TFSK-SSVEP) | |
| Hermanto et al. | Brain signal reference concept using cross correlation based for brain computer interface | |
| TW201442428A (zh) | 基於多通道獨立成分分析之訊號即時處理系統及方法 | |
| Ali et al. | Time-frequency coherence of multichannel EEG signals: Synchrosqueezing transform based analysis | |
| Bansal et al. | Real time acquisition and analysis of neural response for rehabilitative control | |
| Rutkowski | Multichannel EEG sonification with ambisonics spatial sound environment | |
| CN112998724B (zh) | 眼电伪影去除方法、装置及电子设备 | |
| Byun et al. | Fast auditory evoked potential extraction with real‐time singular spectrum analysis |
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 |