CN116011506B - 立体脑电图电极信号解码模型构建方法及其应用 - Google Patents
立体脑电图电极信号解码模型构建方法及其应用 Download PDFInfo
- Publication number
- CN116011506B CN116011506B CN202310308650.1A CN202310308650A CN116011506B CN 116011506 B CN116011506 B CN 116011506B CN 202310308650 A CN202310308650 A CN 202310308650A CN 116011506 B CN116011506 B CN 116011506B
- Authority
- CN
- China
- Prior art keywords
- decoding
- electroencephalogram electrode
- electroencephalogram
- acquiring
- electrode signal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000001537 neural effect Effects 0.000 claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 5
- 239000002131 composite material Substances 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000005057 finger movement Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 210000005036 nerve Anatomy 0.000 claims description 6
- 230000001953 sensory effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000002829 reductive effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000000638 stimulation Effects 0.000 claims description 4
- 210000004872 soft tissue Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 4
- 230000033001 locomotion Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000002123 temporal effect Effects 0.000 description 8
- 230000015654 memory Effects 0.000 description 7
- 230000002459 sustained effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 206010033799 Paralysis Diseases 0.000 description 3
- 238000003491 array Methods 0.000 description 3
- 238000004070 electrodeposition Methods 0.000 description 3
- 238000002513 implantation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000007428 craniotomy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007943 implant Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004007 neuromodulation Effects 0.000 description 1
- 239000011295 pitch Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Landscapes
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请实施例公开了一种立体脑电图电极信号解码模型构建方法及其应用，其中立体脑电图电极信号解码模型构建方法包括：利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据，获取所述双极数据的综合振幅特征；对所述综合振幅特征进行解码，得到对应的平均相关系数，利用所述平均相关系数对所述综合振幅特征进行特征选择，得到目标特征；获取构建的LSTM网络，使用所述目标特征对所述LSTM网络进行训练，得到所需的所述立体脑电图电极信号解码模型。解决现有技术中的许多策略和不同的机器学习算法，在试图具体解码SEEG信号时的性能尚不稳健，造成SEEG电极信号的解码精度较低的问题。
Description
技术领域
本申请涉及医学图像处理技术领域，具体涉及一种立体脑电图电极信号解码模型构建方法及其应用。
背景技术
脑机接口（brain-computer interface，BCI）技术已被证明可以形成神经旁路并恢复瘫痪患者的想象运动。此外，BCI技术也可恢复触觉信号，这对恢复灵巧的手部运动非常重要。微电极和皮层电描记（electrocorticography，ECoG）技术已被应用于脑机接口，然而微电极和ECoG的植入所需要的开颅手术时间较长，极大增加了手术风险。立体脑电图（stereoelectroencephalographic，SEEG）这一微创技术为这些BCI***提供了新的信号记录方式。SEEG电极是薄电极（＜1mm），通常长度为25-30 cm，通过小孔***(直径＜2.4mm）。与植入微电极和ECoG电极所需的开颅面积相比，SEEG电极显著减少了所需要的颅骨开口的总面积。与ECoG电极相比，SEEG手术相关的不良事件发生率显著降低。
解码性能是BCI***中的一个重要因素，其直接受到所使用电极的位置和类型的影响。将ECoG和微电极阵列放置在脑回上的方法，已被用于各种解码应用，包括想象控制光标移动和机器人手臂控制、单个手指运动的解码等。然而，使用SEEG电极进行BCI应用的解码性能尚不清楚。双向神经旁路是SEEG电极的一个引人注目的应用，可用于恢复运动和触觉，以唤起指尖的高度聚焦感知***。在瘫痪患者的日常活动辅助中，双向神经旁路需要有效地恢复各种运动，包括持续运动。然而，目前BCI的运动过程中获得的主要是阶段性（瞬时）神经调节模式，主要集中在短时间或脉冲性，而非持续性运动。SEEG记录中主要的阶段性（瞬时）神经模式发生在持续抓握运动期间。这表明，使用这种类型的活动作为解码器的输入特征，以恢复电子神经旁路***中的持续运动可能会带来重大挑战。另一个挑战来自神经元活动中随时间发生的噪声和振幅漂移/变化，这些变异会降低解码性能。这强调了使用有效的信号处理和提取用于解码的可再现特征选择方法的重要性。此外，在产生持续输出的同时，可以有效使用瞬时特征的机器学习方法对于恢复手部运动非常重要。
许多策略和不同的机器学习算法，包括线性分类器、回归机、支持向量机（SVM）和深度神经网络，已经被用于解码大脑中记录的神经信号，但在试图具体解码SEEG信号时的性能尚不稳健，造成SEEG电极信号的解码精度较低的问题。
发明内容
本申请实施例的目的在于提供一种立体脑电图电极信号解码模型构建方法及其应用，用以解决现有技术中的许多策略和不同的机器学习算法，在试图具体解码SEEG信号时的性能尚不稳健，造成SEEG电极信号的解码精度较低的问题。
为实现上述目的，本申请实施例提供一种立体脑电图电极信号解码模型构建方法，包括：利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据，获取所述双极数据的综合振幅特征；
对所述综合振幅特征进行解码，得到对应的平均相关系数，利用所述平均相关系数对所述综合振幅特征进行特征选择，得到目标特征；
获取构建的LSTM网络，使用所述目标特征对所述LSTM网络进行训练，得到所需的所述立体脑电图电极信号解码模型。
可选地，所述利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据包括：
对待测对象进行功能磁共振成像，并植入立体脑电图电极引线，在预设的各种运动和感觉任务中记录所产生的所述双极数据。
可选地，所述获取所述双极数据的综合振幅特征包括：
将预设长度的非重叠布莱克曼窗口应用于所述双极数据，然后对每个窗口进行短快速傅里叶变换和1s盒式滤波；
将每个经过变换和滤波后的所述双极数据的频率的振幅信息在预选频带上进行整合，选出目标频率范围以与标准频带对齐，补偿随着频率增加而降低的功率密度，保持可比较的信号幅度和解码质量，从而产生所述双极数据的所述综合振幅特征。
可选地，对所述综合振幅特征进行解码之前，还包括：
通过减去所述综合振幅特征的平均值并除以标准偏差对所述综合振幅特征进行标准化。
可选地，所述对所述综合振幅特征进行解码，得到对应的平均相关系数包括：
对每个所述综合振幅特征的所有线索对齐进行平均，以形成复合时间响应；
为了量化潜在特征的重复性，使用基于时间相关性的算法，通过时间响应相对于复合时间响应获得的相关系数进行平均，来获取所述平均相关系数。
可选地，所述利用所述平均相关系数对所述综合振幅特征进行特征选择包括：
选择的所述平均相关系数的范围为0.4至0.6时，称为中等相关水平，能够提高解码性能，超出此范围的所述平均相关系数的值倾向于降低解码性能；选择的所述平均相关系数的范围＞0.6时，具有更高的时间相关性。
可选地，所述获取构建的LSTM网络包括：
构建LSTM网络的第一步是从单元中识别并省略不需要的信息；
接下来决定并存储来自单元状态中的新输入的信息并更新单元状态；
最后，基于输出单元状态并经过过滤输出值，sigmoid层决定单元状态的进入输出的部分。
可选地，所述特定行为包括手/手指运动和指尖的机械刺激；
所述利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据还包括：
位于缺乏神经活动的软组织中的立体脑电图电极被用作***接地，减去来自相邻立体脑电图电极的信号，以提供降噪后的所述双极数据。
为实现上述目的，本申请还提供一种立体脑电图电极信号解码方法，包括：
将待解码分析的立体脑电图电极产生的神经信号输入前面所述的立体脑电图电极信号解码模型构建方法所构建的立体脑电图电极信号解码模型，得到解码结果。
为实现上述目的，本申请还提供一种计算机存储介质，其上存储有计算机程序，其中所述计算机程序被机器执行时实现如上所述的方法的步骤。
本申请实施例具有如下优点：
本申请实施例提供一种立体脑电图电极信号解码模型构建方法，包括：利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据，获取所述双极数据的综合振幅特征；对所述综合振幅特征进行解码，得到对应的平均相关系数，利用所述平均相关系数对所述综合振幅特征进行特征选择，得到目标特征；获取构建的LSTM网络，使用所述目标特征对所述LSTM网络进行训练，得到所需的所述立体脑电图电极信号解码模型。
通过上述方法，利用长短期记忆（long short-term memory，LSTM）网络构建解码模型，具有更好的性能和处理消失梯度问题的能力，基于SEEG（立体脑电图）电极信号，采用基于时间相关性（特征重复性的度量）的特征选择方法，构建LSTM网络算法，在有效使用瞬时特征的同时可以产生持续输出，从而提高了SEEG电极信号的解码精度。
附图说明
为了更清楚地说明本申请的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引申获得其它的实施附图。
图1为本申请实施例提供的一种立体脑电图电极信号解码模型构建方法的流程图；
图2为本申请实施例提供的一种立体脑电图电极信号解码模型构建方法的功能磁共振成像和电极放置示意图；
图3为本申请实施例提供的一种立体脑电图电极信号解码模型构建方法的SEEG记录中手部和手指持续运动的相位神经活动示意图。
具体实施方式
以下由特定的具体实施例说明本申请的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本申请的其他优点及功效，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
此外，下面所描述的本申请不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本申请一实施例提供一种立体脑电图电极信号解码模型构建方法，参考图1，图1为本申请的一实施方式中提供的一种立体脑电图电极信号解码模型构建方法的流程图，应当理解的是，该方法还可以包括未示出的附加框和/或可以省略所示出的框，本申请的范围在此方面不受限制。该方法包括以下步骤：
在步骤101处，利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据，获取所述双极数据的综合振幅特征。
在一些实施例中，所述利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据包括：
对待测对象进行功能磁共振成像，并植入立体脑电图电极引线，在预设的各种运动和感觉任务中记录所产生的所述双极数据。
具体地，进行功能磁共振成像（functional magnetic resonance imaging，fMRI），并植入SEEG电极引线，在各种运动和感觉任务中记录信号（见图2，在图2中，A为术前fMRI；B为SEEG电极放置位置示意图；C为电极放置照片；D为实验对象观看视频收到手部运动的视觉提示，提示持续3或4秒，然后休息3或4秒。）。SEEG电极由16个长度为2mm、直径为0.8mm、间距为4.43mm（中心到中心）的圆柱体触点组成。HD ECoG网格（PMT Corporation）由直径为2mm的扁平触点组成，采用8×8触点排列和16×16触点排列，间距（中心到中心）分别为5mm和4mm。使用任务态fMRI激活映射来指导电极放置。使用iElvis工具箱对电极进行数字定位，使用BioImage Suite1软件在植入后CT上手动定位电极，该CT使用仿射变换与植入前3T高分辨率T1加权相MRI共同配准。使用HCP最小处理管道的FreeSurfer输出来获得软脑膜表面。使用HCP Connectome Workbench3同时可视化fMRI激活图和电极。在将电极坐标导入Connectome Workbench之前，应用RAS坐标偏移。
在一些实施例中，所述获取所述双极数据的综合振幅特征包括：
将预设长度的非重叠布莱克曼窗口应用于所述双极数据，然后对每个窗口进行短快速傅里叶变换和1s盒式滤波；
将每个经过变换和滤波后的所述双极数据的频率的振幅信息在预选频带上进行整合，选出目标频率范围以与标准频带对齐，补偿随着频率增加而降低的功率密度，保持可比较的信号幅度和解码质量，从而产生所述双极数据的所述综合振幅特征。
具体地，使用Neuroport***以10kHz的采样率记录神经活动，包括手/手指运动和指尖的机械刺激。位于缺乏神经活动的软组织中的电极被用作***接地。减去来自相邻电极的信号，以提供降噪后的双极数据。将长度为200ms的非重叠Blackman（布莱克曼）窗口应用于神经活动的双极数据，然后对每个窗口进行短快速傅里叶变换（short Fast FourierTransform，sFFT）（所得频率分辨率为5Hz）和1s盒式滤波。选择非重叠窗口方法以允许快速计算并支持伪影去除。然后将每个经过变换和滤波后的双极数据的频率的振幅信息在预选频带上进行整合，如下所示：0–10（δ和θ）、10–15（α/μ）、15–30（β）、30–100（γ1）、100–500（γ2）和500–5000（γ3）Hz。选择出目标频率范围（如上所述的0–10、10–15、15–30、30–100、100–500和500–5000Hz）以与标准频带（如上所述的δ和θ、α/μ、β、γ1、γ2和γ3）对齐，并为三个γ频带分配增加的带宽，以补偿随着频率增加而降低的功率密度，并保持可比较的信号幅度和解码质量，从而产生了所有双极数据的综合振幅特征（integrated amplitudefeatures，IAFs），通过减去其平均值并除以整个任务中的标准偏差进行标准化。
在步骤102处，对所述综合振幅特征进行解码，得到对应的平均相关系数，利用所述平均相关系数对所述综合振幅特征进行特征选择，得到目标特征。
在一些实施例中，所述对所述综合振幅特征进行解码，得到对应的平均相关系数包括：
对每个所述综合振幅特征的所有线索对齐进行平均，以形成复合时间响应；
为了量化潜在特征的重复性，使用基于时间相关性的算法，通过时间响应相对于复合时间响应获得的相关系数进行平均，来获取所述平均相关系数。
在一些实施例中，所述利用所述平均相关系数对所述综合振幅特征进行特征选择包括：
选择的所述平均相关系数的范围为0.4至0.6时，称为中等相关水平，能够提高解码性能，超出此范围的所述平均相关系数的值倾向于降低解码性能；选择的所述平均相关系数的范围＞0.6时，具有更高的时间相关性。
具体地，实施两项运动任务和一项感觉任务。第一个运动任务为“张开-闭合手”任务，实验对象在视频中的动画手的视觉提示下，张开手（张开手指）并闭合手（握拳）（参考图2）。第二项运动任务为“手指屈曲”任务，涉及以持续的方式模仿动画手分别弯曲每个手指。感觉任务包括在每次视觉提示（实验对象未看到）期间，使用细丝分别轻敲三个指腹。在神经活动分析中创建与每个视觉提示对齐的时期，从提示开始，并在提示结束后延伸至400ms（参考图3）。对每个IAF的所有线索对齐进行平均，以形成复合时间响应。为了量化潜在特征的重复性，使用基于时间相关性的算法，通过时间响应相对于复合时间响应获得的相关系数进行平均，来计算平均相关系数（mean correlation coefficient，MCC）（解码步骤）。根据MCC值对IAF进行特征选择，MCC值的范围为0.4至0.6时，称为中等相关水平，可以提高解码性能；超出此范围的MCC值倾向于降低解码性能。使用选定的目标特征来训练LSTM算法。利用训练好的LSTM网络来分析解码SEEG电极产生的神经信号。
在步骤103处，获取构建的LSTM网络，使用所述目标特征对所述LSTM网络进行训练，得到所需的所述立体脑电图电极信号解码模型。
在一些实施例中，所述获取构建的LSTM网络包括：构建LSTM网络的第一步是从单元中识别并省略不需要的信息；
接下来决定并存储来自单元状态中的新输入的信息并更新单元状态；
最后，基于输出单元状态并经过过滤输出值，sigmoid层决定单元状态的进入输出的部分。
具体地，LSTM是一种特殊的RNN，能够学习长期依赖性，并作为默认值长期记忆信息。LSTM模型以链结构的形式组织，重复模块具有不同的结构，其结构不像标准的RNN那样是一个单一的神经网络，而是具有四个相互作用的层。
1、构建LSTM网络的第一步是从单元（cell）中识别并省略不需要的信息。识别和排除IAF数据的过程由sigmoid函数决定，该函数获取在时间
的最后一个LSTM单元的输出（/>
）和时间/>
的当前输入（/>
）。此外，sigmoid函数确定应消除旧输出的哪个部分。这个门（gate）叫做遗忘门（或/>
）；其中，/>
是值范围为0到1的向量，对应于单元格状态中的每个数字/>
，其定义如下：
其中，
是sigmoid函数、/>
和/>
分别是遗忘门的权重矩阵和偏差。
2、接下来决定并存储来自单元状态（cell state）中的新输入（
）的信息并更新单元状态。这一步骤包括两个部分，sigmoid层和tanh层。首先，sigmoid层决定是否应该更新或忽略新信息（0或1），其次，tanh函数赋予传递的值权重，决定其重要性级别(-1至1）。将这两个值相乘以更新单元状态。然后将此新记忆添加到旧记忆/>
，生成/>
，即：
其中，
和/>
分别是时间/>
和/>
的单元状态，而/>
和/>
分别是单元状态的权重矩阵和偏差。
3、最后，基于输出单元状态（
）并经过过滤输出值（/>
），sigmoid层决定单元状态的哪些部分进入输出，sigmoid门的输出（/>
）乘以从tanh层单元状态创建的新值（/>
），其值范围为-1和1，即：
其中，
和/>
分别是输出门的权重矩阵和偏差。
在手部持续运动和触觉刺激任务中，使用带有重复特征选择的LSTM网络算法均取得了较高的解码精度。在“张开-闭合手”任务中，16个电极位置的解码精度为92.04
1.51%；在“手指屈曲”任务中，37个电极位置的解码精度为91.69/>
0.49%；在“触觉刺激”任务中，9个电极位置的解码精度为80.64/>
1.64%。
本申请还提供一种立体脑电图电极信号解码方法，包括：
将待解码分析的立体脑电图电极产生的神经信号输入前面所述的立体脑电图电极信号解码模型构建方法所构建的立体脑电图电极信号解码模型，得到解码结果。
具体实现方法参考前述方法实施例，此处不再赘述。
通过上述方法，开发了一种基于SEEG电极信号的LSTM网络算法，用于分析手指运动和触觉刺激，利用长短期记忆（long short-term memory，LSTM）网络构建解码模型，具有更好的性能和处理消失梯度问题的能力，基于SEEG（立体脑电图）电极信号，采用基于时间相关性（特征重复性的度量）的特征选择方法，构建LSTM网络算法，在有效使用瞬时特征的同时可以产生持续输出，从而提高了SEEG电极信号的解码精度。这种微创方法不仅降低了手术风险，并且可用于恢复瘫痪患者的手部持续运动和触感，可能成为许多BCI应用的首选方法。
具有以下优点：
使用微创SEEG电极可以记录与运动和触觉相关的稳定且信息丰富的神经信号，且手术风险较微电极和EcoG小，是用于BCI***中脑电信号记录的安全可行方法；
使用基于时间相关性的特征选择方法，识别并分析手部运动和触觉，用作LSTM网络算法的输入特征，该算法能够可靠和准确地预测手指运动和指腹上呈现的触觉刺激，以在接收瞬时输入的同时产生持续输出，可以使用相对较少的电极位点并维持较高的解码精度。
本申请可以是方法、装置、***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，其上载有用于执行本申请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。
用于执行本申请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，从而实现本申请的各个方面。
这里参照根据本申请实施例的方法、装置（***）和计算机程序产品的流程图和/或框图描述了本申请的各个方面。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单元，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单元执行时，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申请的多个实施例的***、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。
注意，除非另有直接说明，否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此，除非另有明确说明，否则所公开的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下，进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头，该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
虽然，上文中已经用一般性说明及具体实施例对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。
Claims (6)
1.一种立体脑电图电极信号解码模型构建方法，其特征在于，包括：
利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据，获取所述双极数据的综合振幅特征；其中，
所述利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据包括：
对待测对象进行功能磁共振成像，并植入立体脑电图电极引线，在预设的各种运动和感觉任务中记录所产生的所述双极数据；
所述获取所述双极数据的综合振幅特征包括：
将预设长度的非重叠布莱克曼窗口应用于所述双极数据，然后对每个窗口进行短快速傅里叶变换和1s盒式滤波，
将每个经过变换和滤波后的所述双极数据的频率的振幅信息在预选频带上进行整合，选出目标频率范围以与标准频带对齐，补偿随着频率增加而降低的功率密度，保持可比较的信号幅度和解码质量，从而产生所述双极数据的所述综合振幅特征；
对所述综合振幅特征进行解码，得到对应的平均相关系数，利用所述平均相关系数对所述综合振幅特征进行特征选择，得到目标特征；其中，
所述对所述综合振幅特征进行解码，得到对应的平均相关系数包括：
对每个所述综合振幅特征的所有线索对齐进行平均，以形成复合时间响应，
为了量化潜在特征的重复性，使用基于时间相关性的算法，通过时间响应相对于复合时间响应获得的相关系数进行平均，来获取所述平均相关系数；
所述利用所述平均相关系数对所述综合振幅特征进行特征选择包括：
选择的所述平均相关系数的范围为0.4至0.6时，称为中等相关水平，能够提高解码性能，超出此范围的所述平均相关系数的值倾向于降低解码性能；选择的所述平均相关系数的范围＞0.6时，具有更高的时间相关性；
获取构建的LSTM网络，使用所述目标特征对所述LSTM网络进行训练，得到所需的所述立体脑电图电极信号解码模型。
2.根据权利要求1所述的立体脑电图电极信号解码模型构建方法，其特征在于，对所述综合振幅特征进行解码之前，还包括：
通过减去所述综合振幅特征的平均值并除以标准偏差对所述综合振幅特征进行标准化。
3.根据权利要求1所述的立体脑电图电极信号解码模型构建方法，其特征在于，所述获取构建的LSTM网络包括：
构建LSTM网络的第一步是从单元中识别并省略不需要的信息；
接下来决定并存储来自单元状态中的新输入的信息并更新单元状态；
最后，基于输出单元状态并经过过滤输出值，sigmoid层决定单元状态的进入输出的部分。
4.根据权利要求1所述的立体脑电图电极信号解码模型构建方法，其特征在于，
所述特定行为包括手/手指运动和指尖的机械刺激；
所述利用立体脑电图电极获取对象在特定行为下所产生的神经活动的双极数据还包括：
位于缺乏神经活动的软组织中的立体脑电图电极被用作***接地，减去来自相邻立体脑电图电极的信号，以提供降噪后的所述双极数据。
5.一种立体脑电图电极信号解码方法，其特征在于，包括：
将待解码分析的立体脑电图电极产生的神经信号输入如权利要求1至4任一项所述的立体脑电图电极信号解码模型构建方法所构建的立体脑电图电极信号解码模型，得到解码结果。
6.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被机器执行时实现如权利要求1至4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310308650.1A CN116011506B (zh) | 2023-03-28 | 2023-03-28 | 立体脑电图电极信号解码模型构建方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310308650.1A CN116011506B (zh) | 2023-03-28 | 2023-03-28 | 立体脑电图电极信号解码模型构建方法及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116011506A CN116011506A (zh) | 2023-04-25 |
| CN116011506B true CN116011506B (zh) | 2023-06-09 |
Family
ID=86021423
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310308650.1A Active CN116011506B (zh) | 2023-03-28 | 2023-03-28 | 立体脑电图电极信号解码模型构建方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011506B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109498041A (zh) * | 2019-01-15 | 2019-03-22 | 吉林大学 | 基于脑电与脉搏信息的驾驶员路怒状态识别方法 |
| CN113100781A (zh) * | 2021-04-09 | 2021-07-13 | 浙江象立医疗科技有限公司 | 基于脑电耦合关系的术中伤害刺激反应性监测***及方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107518894A (zh) * | 2017-10-12 | 2017-12-29 | 公安部南昌警犬基地 | 一种动物脑电分类模型的构建方法及装置 |
| US20230157621A1 (en) * | 2020-04-16 | 2023-05-25 | Politecnico Di Bari | Method and apparatus for processing signals for detecting and signalling an imminent loss of balance of a subject and associated system for preventive detection of a fall |
| CN111973179B (zh) * | 2020-08-25 | 2021-06-25 | 北京智源人工智能研究院 | 脑电波信号处理方法、装置、电子设备及存储介质 |
| CN112162634A (zh) * | 2020-09-24 | 2021-01-01 | 华南理工大学 | 一种基于seeg信号的数字输入脑机接口*** |
| CN113180696A (zh) * | 2021-04-28 | 2021-07-30 | 北京邮电大学 | 一种颅内脑电的检测方法、装置、电子设备及存储介质 |
| CN113397559B (zh) * | 2021-06-17 | 2023-08-18 | 深圳大学 | 立体定向脑电图分析方法、装置、计算机设备及存储介质 |
| CN115153563A (zh) * | 2022-05-16 | 2022-10-11 | 天津大学 | 基于eeg的普通话听觉注意解码方法及装置 |
| CN115081486B (zh) * | 2022-07-05 | 2023-07-04 | 华南师范大学 | 一种癫痫发作前期颅内脑电网络定位癫痫灶***及方法 |
-
2023
- 2023-03-28 CN CN202310308650.1A patent/CN116011506B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109498041A (zh) * | 2019-01-15 | 2019-03-22 | 吉林大学 | 基于脑电与脉搏信息的驾驶员路怒状态识别方法 |
| CN113100781A (zh) * | 2021-04-09 | 2021-07-13 | 浙江象立医疗科技有限公司 | 基于脑电耦合关系的术中伤害刺激反应性监测***及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116011506A (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sussillo et al. | Making brain–machine interfaces robust to future neural variability | |
| US9044155B2 (en) | Stimulus artifact removal for neuronal recordings | |
| Ince et al. | High accuracy decoding of movement target direction in non-human primates based on common spatial patterns of local field potentials | |
| Sburlea et al. | Exploring representations of human grasping in neural, muscle and kinematic signals | |
| Devarajan et al. | On nonnegative matrix factorization algorithms for signal-dependent noise with application to electromyography data | |
| Kao et al. | Leveraging neural dynamics to extend functional lifetime of brain-machine interfaces | |
| Baby et al. | A convolutional neural-network model of human cochlear mechanics and filter tuning for real-time applications | |
| Ahmadi et al. | Robust and accurate decoding of hand kinematics from entire spiking activity using deep learning | |
| US9501825B2 (en) | Real-time functional-MRI connectivity analysis | |
| CN114190953A (zh) | 针对脑电采集设备的脑电信号降噪模型的训练方法和*** | |
| Mladenovic et al. | Active inference as a unifying, generic and adaptive framework for a P300-based BCI | |
| Wang et al. | Guan | |
| CN116011506B (zh) | 立体脑电图电极信号解码模型构建方法及其应用 | |
| CN117282029B (zh) | 脊髓电刺激参数调整方法、骨植入式电刺激装置和介质 | |
| Ahirwal et al. | Study of ABC and PSO algorithms as optimised adaptive noise canceller for EEG/ERP | |
| JP2020203051A (ja) | コンピュータプログラム、情報処理装置、情報処理方法、学習済みモデルの生成方法及び学習済みモデル | |
| EP4081099B1 (en) | Brain computer interface running a trained associative model applying multiway regression to simulate electrocorticography signal features from sensed eeg signals, and corresponding method | |
| Farrokhi et al. | A piecewise probabilistic regression model to decode hand movement trajectories from epidural and subdural ECoG signals | |
| Sutharsan et al. | Electroencephalogram signal processing with independent component analysis and cognitive stress classification using convolutional neural networks | |
| CN115721323A (zh) | 一种脑机接口信号识别方法、***及电子设备 | |
| Dastin-van Rijn et al. | PELP: accounting for missing data in neural time series by Periodic Estimation of Lost Packets | |
| Idowu et al. | A stacked sparse auto-encoder and back propagation network model for sensory event detection via a flexible ECoG | |
| Fontana et al. | Analysis of electrode shift effects on wavelet features embedded in a myoelectric pattern recognition system | |
| Liu et al. | Cochlear implant electrode sequence optimization using patient specific neural stimulation models | |
| CN117828274B (zh) | 一种从脑电信号中去除人工耳蜗伪迹的方法 |
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 |