[发明专利]一种基于LSTM的脑电信号源定位方法

说明书

本发明公开一种基于LSTM的脑电信号源定位方法，包括以下步骤：步骤(1)、模拟脑电数据生成；步骤(2)基LSTM的定位模型构建、步骤(3)、模拟脑电数据训练定位模型；步骤(4)、真实脑电数据预处理；步骤(5)、针对真实脑电数据的信号源定位。采用本发明技术方案，可以根据采集的脑电信号推测出信号源在颅内位置。

技术领域

本发明属于脑电信号处理领域，尤其涉及一种基于LSTM的脑电信号源定位方法，为根据脑电数据推测颅内神经元的活动提供技术手段。

背景技术

脑电信号(Electroencephalograph，EEG)是通过头皮覆盖电极和导电介质采集到的大脑神经元细胞的放电情况，是一种非常流行的非侵入式检测人类大脑活动的技术，它具有毫秒级别的瞬时分辨率等特点，已被广泛用于大脑网络和脑机接口等研究，成为研究脑科学的一种重要手段。脑电信号是颅内神经元集群动作电位的综合表现，通过头皮脑电(EEG)来重建颅内神经元的活动被称为EEG源成像问题，主要涉及信号源特征重建和信号源位置定位这两类问题。信号源位置定位已成为非常热门的研究领域，已被应用于如癫痫等多种疾病的临床诊断和治疗中。

现有的脑电源定位方法一般都是求解脑模型传导方程来解出脑电源位置和特征的数值解，而脑模型传导方程是个偏微分方程，在有限的信号测量次数下，该方程并没有唯一解，导致脑电信号源定位问题成为非常棘手的为题。通过对传导方程添加额外的约束条件成为求解这类问题的主流方案，常用的约束条件主要有L1范数、L2范数和贝叶斯推理等，由此产生的脑电信号源定位方法有STRAPS、wMNE、LORETA、SBL等。但上述方法都依赖极度于约束条件的选取，好的约束条件能带来好的结果，而受限于神经生物学的发展，约束条件的选取基本靠猜测和尝试，并没有一个科学的指导，导致传统的脑电信号源定位方法并没有取得一个良好的，被临床医学广泛应用的效果。

随着人工智能技术的发展，深度学习在图像，自然语言处理，机器翻译等领域都取得了重大突破，表现出比传统方法更好的性能。在上述领域，深度学习几乎打败了所有的传统方法，因此将深度学习应用于脑电信号分析是将会是个不错的尝试，特别是将深度神经网络回归模型应用于脑电信号源的定位问题。通过大量的数据训练神经网络，使网络学到从脑电源到头皮脑电的映射关系，也即脑模型传导方程，直接绕开了对微分方程的手动求解，巧妙地解决了方程没有唯一解的问题，从而大大提高了脑电信号源的定位精度，并且减少了求解问题的复杂度。

发明内容

针对上述背景，本发明提出一种基于LSTM的脑电信号源定位方法，该方法可以根据采集的脑电信号推测出信号源在颅内位置。

为实现上述目标，本发明采用如下的技术方案：一种基于LSTM的脑电信号源定位方法，具体包括以下步骤：

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，数据由128个通道构型，代表采集头皮脑电脑电的128个电极，将生成的数据分成测试集和验证集。

步骤(2)基LSTM的定位模型构建

本方法使用的神经网络是由两个LSTM组成的深度神经网络回归模型，采用随机梯度下降算法训练网络，网络的损失函数为平方误差损失。网络有两个输入，一个为多通道的脑电信号，另一个为假设的源初始三维坐标(如：0.5，0.5，0.5)。整个网络可以被分为四层：第一层为信号输入层，接受原始头皮脑电信号作为网络的输入；第二层为链接在输入层后的 LSTM，第一层为其输入；第三层也是一个LSTM层，第三层有两个输入，一个为第二层LSTM的状态值输出，另一个输入为假设的源初始三维坐标(如：0.5，0.5，0.5)；第四层为由三个神经元构成的全连接层，三个神经元分别代表信号源的三维坐标值。通过最小化损失函数来使网络的输出(预测的信号源最终三维坐标)接近给定的标签值。

步骤(3)模拟脑电数据训练定位模型