CN113948189A - 基于gru神经网络的meg源定位方法 - Google Patents

基于gru神经网络的meg源定位方法 Download PDF

Info

Publication number
CN113948189A
CN113948189A CN202111576951.XA CN202111576951A CN113948189A CN 113948189 A CN113948189 A CN 113948189A CN 202111576951 A CN202111576951 A CN 202111576951A CN 113948189 A CN113948189 A CN 113948189A
Authority
CN
China
Prior art keywords
data
neural network
gru neural
training
magnetoencephalogram
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
Application number
CN202111576951.XA
Other languages
English (en)
Other versions
CN113948189B (zh
Inventor
宁晓琳
王春惠
安楠
李勇
向岷
高阳
房建成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Innovation Research Institute of Beihang University
Original Assignee
Hangzhou Innovation Research Institute of Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Innovation Research Institute of Beihang University filed Critical Hangzhou Innovation Research Institute of Beihang University
Priority to CN202111576951.XA priority Critical patent/CN113948189B/zh
Publication of CN113948189A publication Critical patent/CN113948189A/zh
Application granted granted Critical
Publication of CN113948189B publication Critical patent/CN113948189B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Neurology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种基于GRU神经网络的MEG源定位方法，方法包括：根据采集的受试者的MRI数据，建立用于生成训练GRU神经网络的训练数据的头模型，并模拟神经元活动并设置电流偶极子和电导率，生成训练数据，采用训练数据训练预先搭建的GRU神经网络，GRU神经网络采用重复神经网络模块的链式形式，将数据按照时间轴展开，学习脑磁信号的变化；获取用于进行源定位的脑磁数据，并对脑磁数据进行预处理，将预处理后的脑磁数据输入训练后的GRU神经网络，获得用于可视化的源定位信息。上述方法能够有效合理的确定神经元的源位置，并提高处理速度，对噪声具有较好的鲁棒性。

Description

基于GRU神经网络的MEG源定位方法
技术领域
本发明涉及生物医疗仪器定位分析技术，尤其涉及一种基于GRU神经网络的MEG源定位方法。
背景技术
脑磁图仪(Magneto EncephaloGraphy，MEG)已经被证明是一种非常有用的大脑研究工具，不仅可以用于临床诊断，还可以进行高级认知研究。基于SQUID (超导量子干涉器件)的脑磁图技术已经相对成熟，但其运行维护成本较高，集成***非常庞大，测量敏感单元距离头部较远，信息容量低，这些原因在很大程度上限制了脑磁图技术的普及应用。近年来，被动成像的SERF(无自旋交换弛豫原子自旋磁强计)技术被提出，SERF的性能可与最好的SQUIDs相媲美，并且不需要低温冷却。
目前，常用的脑磁源定位方法大多基于SQUID-MEG，主要包括偶极子模型和分布式模型。这些源定位方法是根据单个时间样本给出的，假设源的先验概率分布是静态的，不涉及当前分布和时间的关系。但是实际上，大脑活动具有动态时空互动性，大脑皮层的活动取决于过去的大脑活动。因此，现有的求解算法不能满足精确定位的需求，且容易受到噪声的影响。
发明内容
（一）要解决的技术问题
鉴于现有技术的上述缺点、不足，本发明提供一种基于GRU神经网络的MEG源定位方法，实现提高MEG***的时空分辨率，并对噪声具有较好的鲁棒性。
（二）技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
第一方面，本发明实施例提供一种基于GRU神经网络的MEG源定位方法，包括：
S10、根据采集的受试者的MRI数据，建立用于生成训练GRU神经网络的训练数据的头模型，所述头模型包括：大脑皮质层、脑组织、头皮组织和头骨；
S20、根据所述头模型，模拟神经元活动并设置电流偶极子和电导率，生成训练所述GRU神经网络的训练数据，所述训练数据包括模拟的MEG数据序列，和对应MEG数据序列的激活神经元簇的位置信息；
S30、采用所述训练数据训练预先搭建的GRU神经网络，所述GRU神经网络采用重复神经网络模块的链式形式，将数据按照时间轴展开，学习脑磁信号的变化；
S40、获取用于进行源定位的脑磁数据，并对所述脑磁数据进行预处理，将预处理后的脑磁数据输入训练后的GRU神经网络，获得用于可视化的源定位信息；
所述对所述脑磁数据进行预处理包括：采用手动和数据平均相结合的方法，识别并去除初始状态对齐的脑磁数据中的坏通道，使用带通滤波器进行过滤并抑制伪影和基线校准，得到高信噪比的脑磁信号作为预处理后的脑磁数据。
可选地，所述S10包括：
采用分水岭算法对所述受试者的MRI数据进行分割，基于分割的头皮、颅骨、脑脊液、灰质和白质，重建大脑皮质层、脑组织、头皮组织和头骨。
可选地，所述S20包括：
S21、根据用户触发的创建指令，创建边界元模型网格并设置头部表面实现三角测量的信息及脑组织、头皮组织和头骨的电导率，获得BEM头模型；
S22、基于对BEM头模型进行模拟神经元活动的指令，在预设的源空间内放置n个位置确定的电流偶极子，组成n个模拟激活源，获得头模型坐标系下的第一数据即n个模拟激活源信号；
S23、基于BEM头模型中分布设置的多通道的传感器阵列，建立多通道脑磁图坐标系；并获取头模型坐标系和多通道脑磁图坐标系的配准信息；
S24、根据所述第一数据、配准信息和预先建立的激活源到传感器阵列的正向模型，获得引导场矩阵L；
S25、基于引导场矩阵L，n个模拟激活源信号，进行正向建模生成脑磁图传感器阵列数据；n为大于0的自然数；
S26、对所述脑磁图传感器阵列数据进行修正，将修正后的脑磁图传感器阵列数据X和n个模拟激活源信号作为训练所述GRU神经网络的训练数据。
可选地，所述S26中的对所述脑磁图传感器阵列数据进行修正，包括：
对所述脑磁图传感器阵列数据中加入高斯白噪声以模拟仪器噪声。
可选地，所述S30包括：
将训练数据中修正后的脑磁图传感器阵列数据X作为GRU神经网络的输入，以n个模拟激活源活动S为输出；通过训练，得到训练后的GRU神经网络；
其中，搭建的GRU神经网络通过更新门和重置门来控制长期记忆的遗忘和保留，以及对当前输入信息的选择，在每个GRU神经网络单元中，对于时间t处的输入，通过下述公式来表示当前状态：
Figure 555998DEST_PATH_IMAGE001
公式中，t为每一个模拟激活源的时间长度，z t 为更新门，r t 为重置门，
Figure 411959DEST_PATH_IMAGE002
为候选隐藏状态，h t 为隐藏状态；
*表示Hadamard元素乘积运算符，
Figure 250602DEST_PATH_IMAGE003
为sigmoid函数，tanh为双曲正切函数，x t 为当前时间的输入，
Figure 124885DEST_PATH_IMAGE004
表示下标与门之间的权重参数，
Figure 594044DEST_PATH_IMAGE005
为下标的偏差，所有参数在每个训练步骤中更新并存储；
更新门和重置门的输入均为当前时间步输入x t 与上一时间步隐藏状态h t-1 ，通过sigmoid函数，将输入信息映射到区间，实现门控功能。
可选地，所述S30包括：
使用反向传播波谷时间或者实时循环学习来训练GRU神经网络，采用均方误差作为GRU神经网络的损失函数，损失函数计算公式为：
Figure 389831DEST_PATH_IMAGE006
其中，n表示样本数，
Figure 777267DEST_PATH_IMAGE008
为第k个MEG输入序列即修正的脑磁图传感器阵列的数据，f(X k )表示当GRU神经网络输入为X k 时的实际输出，y k 表示第k个输出对应的预期源信息。
可选地，所述S40包括：
S41、借助于脑磁图测量***中放置在受试者头部的m'个传感器，采集任务态下t个时刻的单任务多区域的真实数据，生成MEG信号X'；将MEG信号X'中多通道数据的初始状态对齐；
S42、采用手动和数据平均相结合的方法，识别并去除初始状态对齐的MEG信号X'中的坏通道，使用带通滤波器进行过滤并抑制伪影和基线校准，得到高信噪比的脑磁信号作为预处理后的脑磁数据；
S43、将预处理后的脑磁数据输入训练后的GRU神经网络，获得用于可视化的源定位信息。
可选地，所述S24和S25中，第一数据与模拟的脑磁图传感器阵列数据的线性关系如下：
X=LS+N
其中，模拟激活源活动S为n*t矩阵，
Figure 666594DEST_PATH_IMAGE009
，s i 为某一时刻的n*1维源信号列向量，i为正整数，1≤i≤t-1；
模拟的脑磁图传感器阵列数据即模拟传感器MEG信号X以m*t矩阵
Figure 231568DEST_PATH_IMAGE010
来表示，m为传感器个数，x i 为某一时刻的m*1维列向量，i为正整数，1≤i≤t-1；
引导场矩阵L是m*n转换矩阵，N为模拟仪器噪声。
第二方面，本发明实施例还提供一种电子设备，包括存储器和处理器，所述存储器中存储计算机指令，所述处理器执行所述存储器中存储的计算机指令，具体执行上述的第一方面任一所述的基于GRU神经网络的MEG源定位方法的步骤。
（三）有益效果
传统的源定位方法容易受到噪声的干扰，而本发明通过训练GRU神经网络，学习脑磁信号的长期动态变化，对噪声输入具有较好的鲁棒性，能够得到更稳健更精确的解，求解速度更快。
另外，传统的源定位方法根据单个时间样本给出，假设源的先验概率分布是静态的，不涉及当前分布和时间的关系。而本发明考虑了大脑活动的动态时空互动性，源定位结果更加接近真实的神经元活动，能够用于更深入的脑部神经元传导研究以及疾病检测。
附图说明
图1为本发明一实施例提供的基于GRU神经网络的MEG源定位方法的流程图；
图2为本发明中MEG源定位方法中训练神经网络的示意图；
图3为本发明中MEG源定位方法GRU单元结构示意图；
图4为本发明一实施例提供的MEG源定位装置的示意图；
图5为本发明一实施例提供的电子设备的示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本实施例中可预先搭建GRU神经网络，本发明实施例中预先搭建的GRU神经网络即通过更新门和重置门来控制长期记忆的遗忘和保留，以及对当前输入信息的选择。单个GRU神经网络单元如图3所示，在每个GRU神经网络单元中，对于时间t处的输入，通过下述公式来表示当前状态：
Figure 412013DEST_PATH_IMAGE001
公式中，t为每一个模拟激活源的时间长度，z t 为更新门，r t 为重置门，
Figure 464152DEST_PATH_IMAGE002
为候选隐藏状态，h t 为隐藏状态；
*表示Hadamard元素乘积运算符，
Figure 540692DEST_PATH_IMAGE003
为sigmoid函数，tanh为双曲正切函数，x t 为当前时间的输入，
Figure 592962DEST_PATH_IMAGE004
表示下标与门之间的权重参数，
Figure 232891DEST_PATH_IMAGE005
为下标的偏差，所有参数在每个训练步骤中更新并存储；
更新门和重置门的输入均为当前时间步输入x t 与上一时间步隐藏状态h t-1 ，通过sigmoid函数，将输入信息映射到区间，实现门控功能。
实施例一
如图1所示，本实施例提供一种基于GRU神经网络的MEG源定位方法，本实施例的方法的执行主体可为任一电子设备，本实施例的方法可包括下述的步骤：
S10、根据采集的受试者的MRI数据，建立用于生成训练GRU神经网络的训练数据的头模型，所述头模型包括：大脑皮质层、脑组织、头皮组织和头骨。
举例来说，可采用Freesurfer软件中分水岭（watershed）算法对所述受试者的MRI数据进行分割，基于分割的头皮、颅骨、脑脊液、灰质和白质，重建大脑皮质层、脑组织、头皮组织和头骨。
S20、根据所述头模型，模拟神经元活动并设置电流偶极子和电导率，生成训练所述GRU神经网络的训练数据，所述训练数据包括模拟的MEG数据序列，和对应MEG数据序列的激活神经元簇的位置信息。
本实施例中，模拟神经元活动，设置源空间，将多个电流偶极子以自由方向放置在头模型的大脑皮脂层上，组成n个模拟的激活源，时间过程由多时间的模拟为混合等幅正弦信号，总活动时间长度为t。本实施例中均是在软件程序中实现的，其借助于用户的输入或触发操作实现。
S30、采用所述训练数据训练预先搭建的GRU神经网络，所述GRU神经网络采用重复神经网络模块的链式形式，将数据按照时间轴展开，学习脑磁信号的变化。
也就是说，将训练数据中修正后的脑磁图传感器阵列数据X作为GRU神经网络的输入，以n个模拟激活源活动S为输出；如图2所示，通过训练，得到训练后的GRU神经网络。
例如，使用反向传播波谷时间或者实时循环学习来训练GRU神经网络，采用均方误差作为GRU神经网络的损失函数，损失函数计算公式为：
Figure 139536DEST_PATH_IMAGE006
其中，n表示样本数，
Figure 441390DEST_PATH_IMAGE011
为第k个MEG输入序列即修正的脑磁图传感器阵列的数据，f(X k )表示当GRU神经网络输入为X k 时的实际输出，y k 表示第k个输出对应的预期源信号。
S40、获取用于进行源定位的脑磁数据（即下述的MEG信号X'），并对所述脑磁数据进行预处理，将预处理后的脑磁数据输入训练后的GRU神经网络，获得用于可视化的源定位信息，即实现了MEG源定位。
在本实施例中，借助于脑磁图测量***中放置在受试者头部的m'个传感器，采集任务态下t个时刻的单任务多区域的真实数据，生成MEG信号X'；将MEG信号X'中多通道数据的初始状态对齐；
接着，识别并去除初始状态对齐的MEG信号X'中的坏通道，使用带通滤波器进行过滤并抑制伪影和基线校准，得到高信噪比的脑磁信号作为预处理后的脑磁数据。举例来说，可采用手动和数据平均相结合的方法识别上述的坏通道，即操作员可人工识别或者采用数据平均方式识别，本实施例不对其限定，能够实现坏通道识别的方式均可。
也就是说，识别并去除MEG信号X'中的坏通道，指将一些无法正常运行的MEG通道标记并在分析时排除在外，例如可通过计算平均值检查通道数据等。进一步地，还可去除脑磁测量设备中的电设备引入的50Hz工频噪声，对数据进行带通滤波，抑制眼动和心脏跳动等生理伪影。基线校准指修正随时间变化的脑磁信号基线。
由此，将处理后的高信噪比信号输入训练好的GRU神经网络，得出源定位结果；在实际应用中，还可将源定位结果可视化，即完成了脑磁源定位过程。
本实施例的脑磁源定位方法通过训练GRU神经网络，能够学习脑磁信号的长期动态变化，求解速度快，定位精度高，同时对噪声输入有较好的鲁棒性。
在具体实现过程中，为更好的理解上述步骤S20的过程，以下结合子步骤S21至子步骤S26对上述过程进行详细说明。
S21、根据用户触发的创建指令，创建边界元模型网格并设置头部表面三角测量文件（即用于实现三角测量的信息）及脑组织、头皮组织和头骨的电导率，获得BEM头模型；
S22、基于对BEM头模型进行模拟神经元活动的指令，在预设的源空间内放置n个位置确定的电流偶极子，组成n个模拟激活源，获得头模型坐标系下的第一数据即n个模拟激活源信号。
在该步骤中，时间过程由多个单时刻的模拟正弦信号叠加，叠加为混合等幅正弦信号，总活动时间长度为t。
S23、基于BEM头模型中预先分布设置的多通道的传感器阵列，建立多通道脑磁图坐标系；并获取头模型坐标系和多通道脑磁图坐标系的配准信息。
可理解的是，可预先通过程序软件的方式在BEM头模型中设置多通道的传感器阵列，进而建立对应传感器阵列的多通道脑磁图坐标系。
S24、根据所述第一数据、配准信息和预先建立的激活源到传感器阵列的正向模型，获得引导场矩阵L。
可理解的是，头模型坐标系和多通道脑磁图坐标系的配准，通过BEM（boundaryelement model，有限元）或FEM(finite element method, 有限元)方法计算从模拟激活源到多通道的传感器阵列的正向模型，得到引导场矩阵L，实现正问题求解。
S25、基于引导场矩阵L，n个模拟激活源信号，进行正向建模生成脑磁图传感器阵列数据。即，将模拟神经元活动与引导场矩阵相结合，通过正向建模生成相应的脑磁图传感器数据。
可理解的是，第一数据与模拟的脑磁图传感器阵列数据的线性关系如下：
X=LS+N
其中，模拟激活源活动S为n*t矩阵，包括t时刻模拟源信号的位置和大小，
Figure 963638DEST_PATH_IMAGE012
，s i 为某一时刻的n*1维源信号列向量，i为正整数，1≤i≤t-1；
模拟的脑磁图传感器阵列数据即模拟传感器MEG信号X以m*t矩阵
Figure 272260DEST_PATH_IMAGE013
来表示，m为传感器个数，x i 为某一时刻的m*1维列向量，i为正整数，1≤i≤t-1；
引导场矩阵L是m*n转换矩阵，N为模拟仪器噪声。
应说明的是，部分实施例中记载的模拟激活源的位置均是模拟激活源信号中的位置，模拟激活源信号包括模拟激活源的位置和大小。
S26、对所述脑磁图传感器阵列数据进行修正，将修正后的脑磁图传感器阵列数据X和n个模拟激活源信号作为训练所述GRU神经网络的训练数据。
举例来说，对所述脑磁图传感器阵列数据进行修正，包括：
对所述脑磁图传感器阵列数据中加入高斯白噪声以模拟仪器噪声。
本实施例的方法通过训练GRU神经网络，学习脑磁信号的长期动态变化，对噪声输入具有较好的鲁棒性，能够得到更稳健更精确的解，求解速度更快。
实施例二
如图4所示，图4示出一种基于GRU神经网络的MEG源定位装置的示意图，基于图4所示的装置，其MEG源定位装置包括：训练单元、真实脑磁数据采集单元和定位单元；
其中，训练单元可包括：信号模拟模块和模型训练模块；
信号模拟模块，可用于根据采集的受试者的MRI数据，建立用于生成训练GRU神经网络的训练数据的头模型，所述头模型包括：大脑皮质层、脑组织、头皮组织和头骨，并根据所述头模型，模拟神经元活动并设置电流偶极子和电导率，生成训练所述GRU神经网络的训练数据，所述训练数据包括模拟的MEG数据序列，和对应MEG数据序列的激活神经元簇的位置信息；
模型训练模块，可用于采用所述训练数据训练预先搭建的GRU神经网络，所述GRU神经网络采用重复神经网络模块的链式形式，将数据按照时间轴展开，学习脑磁信号的变化。
真实脑磁数据采集单元可包括：数据采集模块和预处理模块；
数据采集模块，可用于借助脑磁图测量***中放置在受试者头部的m'个传感器，采集任务态下t个时刻的单任务多区域的真实数据，生成MEG信号X'；
预处理模块，可用于将MEG信号X'中多通道数据的初始状态对齐；并采用手动和数据平均相结合的方法，识别并去除初始状态对齐的MEG信号X'中的坏通道，使用带通滤波器进行过滤并抑制伪影和基线校准，得到高信噪比的脑磁信号作为预处理后的脑磁数据。也就是说，识别并去除MEG信号X'中的坏通道，指将一些无法正常运行的MEG通道标记并在分析时排除在外。
定位单元可包括：源定位模块和结果可视化模块；
源定位模块，可用于将处理后的高信噪比信号输入训练好的GRU神经网络，得出源定位结果；
结果可视化模块可用于将源定位结果可视化，即完成了脑磁源定位过程。
在具体实现过程中，训练单元和真实脑磁数据采集单元可同步进行，本实施例不限定执行顺序，根据实际需要调整。
本实施例的装置通过训练GRU神经网络，能够学习脑磁信号的长期动态变化，求解速度快，定位精度高，同时对噪声输入有较好的鲁棒性。
实施例三
本实施例还提供一种电子设备，包括：存储器和处理器；所述处理器用于执行所述存储器中存储的计算机程序，以实现执行上述实施例一和实施例二任意所述的MEG源定位方法的步骤。
具体地，如图5所示，本实施例的电子设备可包括：至少一个处理器51、至少一个存储器52、至少一个网络接口54和/或其他的用户接口53。电子设备中的各个组件通过总线***55耦合在一起。可理解，总线***55用于实现这些组件之间的连接通信。总线***55除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线***55。
本实施例的电子设备可以执行图1至图4任意所示的方法，其中，用户接口53可以包括显示器、键盘或者点击设备(例如，鼠标或者触感板等)。可以理解，本实施例中的存储器52可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。本文描述的存储器52包括任意其它适合类型的存储器。
在一些实施方式中，存储器52存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作***521和应用程序522。其中，操作***521，包含各种***程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序522，包含各种应用程序，例如媒体播放器(MediaPlayer)、浏览器(Browser)等，用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序522中。
在本发明实施例中，处理器51通过调用存储器52存储的程序或指令，具体的，可以是应用程序522中存储的程序或指令，处理器51用于执行第一方面所提供的方法步骤。
上述本发明实施例揭示的方法可以应用于处理器51中，或者由处理器51实现。处理器51可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器51中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器51可以是通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(FieldProgrammableGateArray， FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器52，处理器51读取存储器52中的信息，结合其硬件完成上述方法的步骤。
另一方面，本发明实施例还提供一种计算机可读存储介质，其用于存储有计算机程序，所述计算机程序被处理器执行时实现上述任意实施例的MEG源定位方法的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (9)

1.一种基于GRU神经网络的MEG源定位方法，其特征在于，包括：
S10、根据采集的受试者的MRI数据，建立用于生成训练GRU神经网络的训练数据的头模型，所述头模型包括：大脑皮质层、脑组织、头皮组织和头骨；
S20、根据所述头模型，模拟神经元活动并设置电流偶极子和电导率，生成训练所述GRU神经网络的训练数据，所述训练数据包括模拟的MEG数据序列，和对应MEG数据序列的激活神经元簇的位置信息；
S30、采用所述训练数据训练预先搭建的GRU神经网络，所述GRU神经网络采用重复神经网络模块的链式形式，将数据按照时间轴展开，学习脑磁信号的变化；
S40、获取用于进行源定位的脑磁数据，并对所述脑磁数据进行预处理，将预处理后的脑磁数据输入训练后的GRU神经网络，获得用于可视化的源定位信息；
所述对所述脑磁数据进行预处理包括：采用手动和数据平均相结合的方法，识别并去除初始状态对齐的脑磁数据中的坏通道，使用带通滤波器进行过滤并抑制伪影和基线校准，得到高信噪比的脑磁信号作为预处理后的脑磁数据。
2.根据权利要求1所述的方法，其特征在于，所述S10包括：
采用分水岭算法对所述受试者的MRI数据进行分割，基于分割的头皮、颅骨、脑脊液、灰质和白质，重建大脑皮质层、脑组织、头皮组织和头骨。
3.根据权利要求1所述的方法，其特征在于，所述S20包括：
S21、根据用户触发的创建指令，创建边界元模型网格并设置头部表面实现三角测量的信息及脑组织、头皮组织和头骨的电导率，获得BEM头模型；
S22、基于对BEM头模型进行模拟神经元活动的指令，在预设的源空间内放置n个位置确定的电流偶极子，组成n个模拟激活源，获得头模型坐标系下的第一数据即n个模拟激活源信号；
S23、基于BEM头模型中分布设置的多通道的传感器阵列，建立多通道脑磁图坐标系；并获取头模型坐标系和多通道脑磁图坐标系的配准信息；
S24、根据所述第一数据、配准信息和预先建立的激活源到传感器阵列的正向模型，获得引导场矩阵L；
S25、基于引导场矩阵L，n个模拟激活源信号，进行正向建模生成脑磁图传感器阵列数据；
S26、对所述脑磁图传感器阵列数据进行修正，将修正后的脑磁图传感器阵列数据X和n个模拟激活源信号作为训练所述GRU神经网络的训练数据。
4.根据权利要求3所述的方法，其特征在于，所述S26中的对所述脑磁图传感器阵列数据进行修正，包括：
对所述脑磁图传感器阵列数据中加入高斯白噪声以模拟仪器噪声。
5.根据权利要求4所述的方法，其特征在于，所述S30包括：
将训练数据中修正后的脑磁图传感器阵列数据X作为GRU神经网络的输入，以n个模拟激活源活动S为输出；通过训练，得到训练后的GRU神经网络；
其中，搭建的GRU神经网络通过更新门和重置门来控制长期记忆的遗忘和保留，以及对当前输入信息的选择，在每个GRU神经网络单元中，对于时间t处的输入，通过下述公式来表示当前状态：
Figure 337261DEST_PATH_IMAGE001
公式中，
Figure 536293DEST_PATH_IMAGE002
为每一个模拟激活源的时间长度，
Figure 784871DEST_PATH_IMAGE003
为更新门，
Figure 39135DEST_PATH_IMAGE004
为重置门，
Figure 587928DEST_PATH_IMAGE005
为候选隐藏状态，
Figure 144812DEST_PATH_IMAGE006
为隐藏状态；
*表示Hadamard元素乘积运算符，
Figure 146266DEST_PATH_IMAGE007
为sigmoid函数，tanh为双曲正切函数，
Figure 702755DEST_PATH_IMAGE008
为当前时间的输入，
Figure 840476DEST_PATH_IMAGE009
表示下标与门之间的权重参数，
Figure 568260DEST_PATH_IMAGE010
为下标的偏差，所有参数在每个训练步骤中更新并存储；
更新门和重置门的输入均为当前时间步输入
Figure 181644DEST_PATH_IMAGE011
与上一时间步隐藏状态
Figure 653077DEST_PATH_IMAGE012
，通过sigmoid函数，将输入信息映射到区间，实现门控功能。
6.根据权利要求5所述的方法，其特征在于，所述S30包括：
使用反向传播波谷时间或者实时循环学习来训练GRU神经网络，采用均方误差作为GRU神经网络的损失函数，损失函数计算公式为：
Figure 645304DEST_PATH_IMAGE013
其中，n表示样本数，
Figure 910249DEST_PATH_IMAGE015
为第k个MEG输入序列即修正的脑磁图传感器阵列的数据，f(X k )表示当GRU神经网络输入为X k 时的实际输出，y k 表示第k个输出对应的预期源信号。
7.根据权利要求1-6任一所述的方法，其特征在于，所述S40包括：
S41、借助于脑磁图测量***中放置在受试者头部的m'个传感器，采集任务态下t个时刻的单任务多区域的真实数据，生成MEG信号X'；将MEG信号X'中多通道数据的初始状态对齐；
S42、采用手动和数据平均相结合的方法，识别并去除初始状态对齐的MEG信号X'中的坏通道，使用带通滤波器进行过滤并抑制伪影和基线校准，得到高信噪比的脑磁信号作为预处理后的脑磁数据；
S43、将预处理后的脑磁数据输入训练后的GRU神经网络，获得用于可视化的源定位信息。
8.根据权利要求3所述的方法，其特征在于：
所述S24和S25中，第一数据与模拟的脑磁图传感器阵列数据的线性关系如下：
X=LS+N
其中，模拟激活源活动S为n*t矩阵，
Figure 919793DEST_PATH_IMAGE016
，s i 为某一时刻的n*1维源信号列向量，i为正整数，1≤i≤t-1；
模拟的脑磁图传感器阵列数据即模拟传感器MEG信号X以m*t矩阵
Figure 297685DEST_PATH_IMAGE017
来表示，m为传感器个数，x i 为某一时刻的m*1维列向量，i为正整数，1≤i≤t-1；
引导场矩阵L是m*n转换矩阵，N为模拟仪器噪声。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储计算机指令，所述处理器执行所述存储器中存储的计算机指令，具体执行上述的权利要求1至8任一所述的基于GRU神经网络的MEG源定位方法的步骤。
CN202111576951.XA 2021-12-22 2021-12-22 基于gru神经网络的meg源定位方法 Active CN113948189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111576951.XA CN113948189B (zh) 2021-12-22 2021-12-22 基于gru神经网络的meg源定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111576951.XA CN113948189B (zh) 2021-12-22 2021-12-22 基于gru神经网络的meg源定位方法

Publications (2)

Publication Number Publication Date
CN113948189A true CN113948189A (zh) 2022-01-18
CN113948189B CN113948189B (zh) 2022-03-15

Family

ID=79339245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111576951.XA Active CN113948189B (zh) 2021-12-22 2021-12-22 基于gru神经网络的meg源定位方法

Country Status (1)

Country Link
CN (1) CN113948189B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115132349A (zh) * 2022-06-10 2022-09-30 华中师范大学 一种事件相关脑活动时空频动态定位***及方法
CN117653147A (zh) * 2024-01-31 2024-03-08 长春理工大学 一种基于脑电信号特征的分类方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108021232A (zh) * 2017-11-09 2018-05-11 清华大学 一种大脑皮层电信号解码的方法和装置
CN109063639A (zh) * 2018-07-30 2018-12-21 浙江大学 一种实时预测大脑行为的方法
CN109685109A (zh) * 2018-11-26 2019-04-26 浙江工业大学 一种基于孪生神经网络的基站标号轨迹分类方法
CN110090017A (zh) * 2019-03-11 2019-08-06 北京工业大学 一种基于lstm的脑电信号源定位方法
CN110292380A (zh) * 2019-07-02 2019-10-01 重庆大学 一种基于gru循环神经网络的疾病诊断***
CN110766070A (zh) * 2019-10-22 2020-02-07 北京威信通信息技术股份有限公司 一种基于循环自编码器的稀少信号识别方法及装置
CN112220485A (zh) * 2020-09-03 2021-01-15 北京慧脑云计算有限公司 一种癫痫脑电图/脑磁图异常波自动检测方法与定位***
CN112883522A (zh) * 2021-01-14 2021-06-01 沈阳工业大学 一种基于gru循环神经网络的微电网动态等效建模方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108021232A (zh) * 2017-11-09 2018-05-11 清华大学 一种大脑皮层电信号解码的方法和装置
CN109063639A (zh) * 2018-07-30 2018-12-21 浙江大学 一种实时预测大脑行为的方法
CN109685109A (zh) * 2018-11-26 2019-04-26 浙江工业大学 一种基于孪生神经网络的基站标号轨迹分类方法
CN110090017A (zh) * 2019-03-11 2019-08-06 北京工业大学 一种基于lstm的脑电信号源定位方法
CN110292380A (zh) * 2019-07-02 2019-10-01 重庆大学 一种基于gru循环神经网络的疾病诊断***
CN110766070A (zh) * 2019-10-22 2020-02-07 北京威信通信息技术股份有限公司 一种基于循环自编码器的稀少信号识别方法及装置
CN112220485A (zh) * 2020-09-03 2021-01-15 北京慧脑云计算有限公司 一种癫痫脑电图/脑磁图异常波自动检测方法与定位***
CN112883522A (zh) * 2021-01-14 2021-06-01 沈阳工业大学 一种基于gru循环神经网络的微电网动态等效建模方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115132349A (zh) * 2022-06-10 2022-09-30 华中师范大学 一种事件相关脑活动时空频动态定位***及方法
CN117653147A (zh) * 2024-01-31 2024-03-08 长春理工大学 一种基于脑电信号特征的分类方法
CN117653147B (zh) * 2024-01-31 2024-04-26 长春理工大学 一种基于脑电信号特征的分类方法

Also Published As

Publication number Publication date
CN113948189B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
CN113948189B (zh) 基于gru神经网络的meg源定位方法
US8553956B2 (en) 3D current reconstruction from 2D dense MCG images
Iversen et al. MEG/EEG data analysis using EEGLAB
US20120232376A1 (en) Methods and systems for channel selection
CN114052668B (zh) 一种基于脑磁图数据的脑功能分析方法
Kujala et al. Localization of correlated network activity at the cortical level with MEG
WO2018165221A1 (en) Joint estimation with space-time entropy regularization
Gu et al. Automatic coregistration of MRI and on-scalp MEG
Baillet The dowser in the fields: searching for MEG sources
CN114065825B (zh) 一种基于结构相似性的脑磁meg源定位方法
Sun et al. The forward EEG solutions can be computed using artificial neural networks
Zhu et al. A spatiotemporal model of cyclic kinematics and its application to analyzing nonrigid motion with MR velocity images
Jatoi et al. BEM based solution of forward problem for brain source estimation
Koikkalainen et al. Reconstruction of 3-D head geometry from digitized point sets: an evaluation study
US20210272275A1 (en) Systems and methods of automatic field-of-view (fov) prescription
Yamamoto et al. Large-and small-scale functional organization of visual field representation in the human visual cortex
Guo et al. Real-time robust signal space separation for magnetoencephalography
Sun et al. Application of Multi-channel Impedance Measurement Device in Teaching of" Signal Analysis and Processing"
CN112950600B (zh) 脑标识提取方法、装置、计算机设备和存储介质
US11712189B2 (en) Dipole group quantification method and dipole group display system
CN118230911A (zh) 一种基于深度学习的脑磁图磁源定位方法、电子设备及存储介质
Pieloth et al. An online system for neuroelectromagnetic source imaging
Vaziri et al. EEGg: Generating Synthetic EEG Signals in Matlab Environment
Winslow et al. Imaging‐Based Integrative Models of the Heart: Closing the Loop between Experiment and Simulation
CN112950600A (zh) 脑标识提取方法、装置、计算机设备和存储介质

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