[发明专利]一种基于LSTM的脑电信号源定位方法

权利要求书

1.一种基于LSTM的脑电信号源定位方法，其特征在于，包括以下步骤：

步骤1：模拟脑电数据生成

通过Fieldtrip工具包生成模拟脑电数据，采用标准头模型的MRI图像和标准BIOSEMI-128脑电系统生成头皮脑电信号；

步骤2：基LSTM的定位模型构建

1)利用贝叶斯模型建模脑电信号源定位

对于脑电逆问题，根据贝叶斯建模，神经活动的重建表示为计算条件概率分布P(s_t|l_t-m，l_t-m+1，…，l_t)，根据先验概率公式，源活动s_t在观测信号l_t-m，l_t-m+1，…，l_t下的分布表示为：

P(l_t-m，l_t-m+1，…，l_t|s_t)表示在源活动s_t的条件下，头皮脑电信号的观测值；P(s_t)和P(l_t-m，l_t-m+1，…，l_t)分别表示空间和时间上的先验分布；

2)基于LSTM的定位模型构建

采用由两个LSTM组成的深度神经网络回归模型，其网络包含两个通路，头皮脑电编码和源信号解码，分别从头皮信号和源信号提取时空隐含的位置信息和位置表达的结构，对于头皮信号的编码部分，LSTM网络与不同电极间的连接和不同时刻隐含层的连接对于头皮脑电中的空间和时间关系分别编码，对于源信号解码部分，网络将编码得到的隐含位置信息按照目标的源信息的形式进行解码，其中，

假设输入的头皮脑电信号序列为l_t，t＝1，…，T，每个时刻的输入包含d个不同电极获得的信号，LSTM网络提取到的时空隐含关系保存在隐含层中并传递给解码网络，每个时刻，隐含层节点与当前时刻的头皮脑电输入连接且和上一时刻隐含层的节点相连，LSTM单元的结构，隐含层状态h_t表示如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)

i_t＝σ(W_i·[h_t-1，x_t]+b_i)

o_t＝σ(W_o·[h_t-1，x_t]+b_o)

h_t＝o_t*tanh(C_t)

其中，i_t是输入门，用来模拟将输入信号中的信息选择性地记录在隐含状态的过程；f_t是遗忘门，用来模拟将隐含状态中的部分信息选择性地遗忘的过程；o_t是输出门，用来模拟将上个隐含状态的信息选择性地输出给下个隐含状态的过程；g_t是输入调制门，是对输入信号的变换的过程；c_t是记忆单元；h_t是隐含单元，其中提取了脑电信号的时空隐含位置信息；δ(·)和φ(·)分别是非线性Sigmoid函数和双曲正切函数；W表示下标对应的层和门之间的权重矩阵；b表示下标对应的门的偏置；⊙是门操作中对应元素乘积运算；脑电信号的空间信息保存在输入层与隐含层的连接权W_l*中；而脑电信号的时间信息保存在上个隐含层与当前隐含层连接权w_h*中，

在源信号的解码阶段，解码的网络为单步的LSTM，其初始状态为头皮脑电编码LSTM的隐含层，隐含层和输出层的是全连接的，最终输出源信号的位置参数，是源信号的坐标位置，通过回归源的坐标实现的，采用均方误差(mean square error，MSE)作为网络的损失函数；

其中，x_i＝(l_t-m，l_t-m+1，…，l_t)表示第i个头皮脑电输入，y_i表示第i个输入的源所在的位置，N表示总共的样本数，

步骤3：模拟脑电数据训练定位模型

使用生成的模拟脑电数据来训练定位模型，并在根据测试结果调整网络参数，使得定位模型在模拟数据上的定位精度达到最优；

步骤4：真实脑电数据预处理

对采集到的真实脑电数据进行预处理操作，包括：带通滤波、平均重参考、基线漂移去除、独立成分分析(ICA)，并通过ADJUST算法去除伪迹成分，并利用滑动窗口将脑电信号分割成1秒的片段，每个片段有256个采样点；所述带通滤波的范围为0.3-47Hz；

步骤(5)针对真实脑电数据的信号源定位

将采集到的真实脑电送到训练好的定位模型中，此时模型就根据输入的脑电信号计算出信号源的位置；定位准确率的评价函数为：

其中，真实源位置为(x，y，z)，估计位置为

2.如权利要求1所述的基于LSTM的脑电信号源定位方法，其特征在于，步骤1具体为：利用FEM建立相应的头模型，大脑组织分为灰质、白质、脑脊液、头骨、头皮五类，其对应的传导率分别设定为0.43、0.0024、1.79、0.14和0.33，源信号的位置是从灰质和白质对应的所有体素中随机选择的，偶极子源是存在于灰质和白质所在位置上；数据生成的公式为：

其中x_k是信号源在时刻k的值，x_k的前τ个值是随机选取的，

将生成的数据集以9∶1的比例分成训练数据集和测试数据集，其中，训练数据集用于训练回归网络，而测试数据集则用于评价网络定位信号源的精度，生成的头皮脑电信号表示为一个m*p*q的矩阵，其中m表示样本总量，p表示头皮脑电采样点的个数，p＝r*t，其中r表示采样频率，t表示采样时间，q表示通道数，即采集头皮脑电的电极的个数。