[发明专利]基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法

权利要求书

1.一种基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法，其特征在于，包括：

步骤1.将M个电极采集到稳态诱发响应的头皮记录分为L段；经过对L段数据的预处理以提高信噪比，得到L个数据段x_l(t),l＝1,2,…L；

步骤2.对各数据段对应的x_l(t)进行快速傅里叶变换，即FFT，提取x_l(t)在刺激频点f₀处的复数分量并将L个数据段对应的整合为联合稳态诱发响应多数据段结构信息的矩阵X，其中(·)^Τ表示转置；若有多个被试的数据，将他们的数据矩阵横向排列整合成一个矩阵X；

步骤3.设置迭代程序的参数：误差阈值ε和最大迭代次数N_iter，并对迭代程序中的各变量初始化：稀疏支撑向量α初始化为α_init，自发脑电-电噪声联合功率向量γ初始化为γ_init；

步骤4.利用稳态诱发响应数据信息矩阵X、头模型和电极分布对应的导程场矩阵旧的稀疏支撑向量α和自发脑电-电噪声联合功率向量γ计算第l段数据对应的源信号的后验均值向量μ_l和后验协方差矩阵Σ_l；

步骤5.根据μ_l、Σ_l计算稀疏支撑向量α和自发脑电-电噪声联合功率向量γ的更新值α_new和γ_new；

步骤6.判断是否满足迭代停止条件：迭代次数n≥N_iter或若不满足则令α＝α_new，γ＝γ_new，回到步骤4继续执行迭代；否则结束迭代，输出稀疏支撑向量α，得到源定位结果；

利用稳态诱发响应数据信息矩阵X、头模型和电极分布对应的导程场矩阵旧的稀疏支撑向量α和自发脑电-电噪声联合功率向量γ计算μ_l和Σ_l包括：

(1)其中Λ＝diag(α)；

(2)

根据μ_l和Σ_l计算稀疏支撑向量α和自发脑电-电噪声联合功率向量γ的更新值α_new和γ_new包括：

(1)其中α_new[n]为α_new的第n个元素，(·)^*表示共轭运算，Σ_l[n,n]为Σ_l的第(n,n)个元素，μ_l[n]为μ_l的第n个元素；

(2)其中γ_new[l]为γ_new的第l个元素，Re(·)和tr(·)分别为取实部和求迹运算；

其中，对迭代程序中的各变量的初始化包括：

(1)稀疏支撑向量α初始化为其中(·)^Η表示共轭转置，⊙表示Hadamard积，而||·||_F表示Frobenius范数；

(2)第l段数据对应的自发脑电-电噪声联合功率γ_l初始化为

2.如权利要求1所述的基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法，其特征在于，对数据进行预处理包括：数据的基线校正与叠加平均。