[发明专利]基于传感器阵列分解和波束成形的脑磁图源定位装置

说明书

本发明公开了一种基于传感器阵列分解和波束成形的脑磁图深度源定位装置，包括脑磁图传感器和定位单元，定位单元包括传感器阵列的迭代分解模块、向量波束成形估计器模块和深度源定位计算模块，传感器阵列的迭代分解模块应用迭代CP(CANDECOMP/PARAFAC)矩阵分解方法重构MEG传感器阵列信号；的向量波束成形估计器模块应用重构后的传感器阵列信号和样本的二阶统计量来估计总体的协方差矩阵；深度源定位计算模块应用投影向量的方差最小优化准则来估计深脑源的位置，本发明的技术方案受传感器信号噪声和干扰的影响小，对于深度源的定位精度很高，能较好地改进寻找颞叶内侧起源的癫痫患者的病灶区。

技术领域

本发明属于生物医学信息领域中的成像技术和医学神经病学的病灶区定位的交叉技术领域，尤其是涉及一种基于传感器阵列分解和波束成形的脑磁图源定位装置。

背景技术

脑磁图是一种具有很高的时间分辨率和空间分辨率的功能性神经成像技术，且传感器获取的信号几乎不受头盖骨和头皮干扰的影响。因而利用这种高质量的传感器信号来反推大脑中信号源的位置，这一源定位装置和方法已广泛应用认知神经科学和神经病学等多个领域，其中一个非常重要的应用就是寻找癫痫患者的致痫灶。据现有资料显示，目前脑磁图在新皮层癫痫患者的定位中已取得较好的效果，然而，对于颞叶内侧或岛叶病灶区的癫痫患者来说，脑磁图的源定位方法几乎很难找到准确位置。脑磁图的深度源定位一直以来成为关注的焦点，也是尚未突破的技术难点。

近十多年来，已经有很多源定位方法被提出，其中波束成形方法为解决该问题的一类有效的方法。该类方法之所以有非常好的定位效果，主要应用到协方差矩阵估计和投影后向量的最小方差优化准则，然而利用原有传感器数据进行方差估计存着受噪声干扰等弊端。主要是由于大脑深部或较深部的源发出的信号被外部传感器接收后，这些信号原本就很弱，有些甚至不容易被观察到。因此，得到一种更稳健有效的源定位装置，尤其是深度源定位装置和方法以估计协方差矩阵成为能否定位大脑深部或较深部的源的关键。

发明内容

为解决上述技术问题，本发明提供了一种基于传感器阵列分解和波束成形的脑磁图源定位装置，不仅针对普通源定位，尤其针对大脑深部或较深部的源的定位有非常好的效果。

本发明完整的技术方案包括：

一种基于传感器阵列分解和波束成形的脑磁图源定位装置，尤其是基于传感器阵列分解和波束成形的脑磁图深度源定位装置，包括脑磁图传感器和定位单元，所述的定位单元包括传感器阵列的迭代分解模块、向量波束成形估计器模块和源定位计算模块，所述的传感器阵列的迭代分解模块应用迭代CP(CANDECOMP/PARAFAC)矩阵分解方法重构脑磁图(英文简写：MEG)传感器阵列(包含梯度计阵列和磁力计阵列)信号；所述的向量波束成形估计器模块应用重构后的传感器阵列信号和样本的二阶统计量来估计总体的协方差矩阵；所述的源定位计算模块应用投影向量的方差最小优化准则来估计处于深部脑区的源的位置。

验证模块，所述的验证模块在仿真数据和真实的癫痫病例数据上验证定位的准确性和有效性。

所述定位装置利用脑磁图传感器采集得到脑磁图传感器信号，并记为X＝[x₁，x₂，...，x_M]，所述的定位单元根据传感器信号X来反推出源信号的位置，即反问题求解，该脑磁图传感器信号的反问题解模型表示为公式(1)：

X＝LD+ε (1)

其中x_i表示在第i时刻点的MEG传感器测量值，x_i为N×1向量，N为传感器数目，L表示一个N×J的前向解获得矩阵(lead-field matrix)，J表示未知的偶极子矩参数，D是一个在给定时间序列上的J×M偶极子矩矩阵，ε表示N×M的噪声矩阵，反问题求解过程即为根据已知的传感器阵列信号X求出解D；

优选的，所述的传感器阵列的迭代分解模块对MEG传感器阵列信号进行如下重构处理：