[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

说明书

本发明公开了一种基于稀疏贝叶斯学习的稳态诱发响应(SSR)脑源定位方法。本发明首先将稳态诱发响应记录分为多个数据段，通过快速傅里叶变换提取各段稳态诱发响应记录数据段的频域信息并构造数据矩阵。然后设置迭代自动停止条件以及稀疏支撑向量和自发脑电‑电噪声联合功率向量的初始值。而后迭代更新信号的后验均值与后验协方差并由此更新稀疏支撑向量和自发脑电‑电噪声联合功率向量。最后，当迭代结束时利用最新的稀疏支撑向量给出源定位结果。本发明在频域上对稳态诱发响应源定位问题进行建模，结合多段数据中信号的联合稀疏性，在稀疏贝叶斯学习框架下给出了适用于各种稳态诱发响应的脑源定位方法。

技术领域

本发明涉及稳态诱发响应领域，具体涉及一种基于稀疏贝叶斯学习(SBL)的稳态诱发响应(SSR)脑源定位方法。

背景技术

稳态诱发响应(SSR)是由周期性刺激信号诱发产生的脑电图(EEG)信号成分，具有与周期性刺激信号频率相同的正弦信号形式。与瞬态诱发电位相比，稳态诱发响应具有易于使用傅立叶分析在频域上分辨信号和噪声的优点。目前对稳态诱发响应的研究主要集中在听觉、视觉和体感等领域，在医学领域有重要的潜在应用价值。如听觉稳态响应由周期性的听觉刺激产生，可用于听力测试，麻醉监测和神经学评估，而视觉稳态诱发响应可能与被试的注意力运作方式有关。

从EEG信号起源的角度阐明认知过程的基本机制一直是亟待解决的问题。在头皮上通过电极采集到的脑电记录可以反映大脑内部的神经元活动，对脑电记录和神经元电生理活动关系的合理建模成为解决脑源定位问题的关键。经过几十年的研究，已经有很多关于脑源定位的研究。就源模型的选择而言，通常更倾向于分布式源模型。与等效电流偶极子模型相比，分布式源模型不对源的数量作假设，而且可以得到更好的定位精度。当使用分布式源模型时，利用观测到的EEG数据对激活神经元的空间分布进行估计是一个严重欠定的逆问题。为约束解空间，需要引入合理的先验假设。传统的线性分布式方法通常使用固定并且已知的先验假设，而人为主观设定的先验假设很大程度上影响了源定位结果的准确性。为了得到从数据角度考虑下更为合理的先验条件，越来越多的研究将贝叶斯方法引入脑源定位问题，在贝叶斯框架中以先验分布的形式嵌入先验假设，并通过贝叶斯推理过程确定合适的先验。

虽然稳态诱发响应在频域上的特征是稀疏的，可以通过傅里叶分析在频域上对稳态诱发响应源定位问题进行简化，然而目前还没有研究针对稳态诱发响应特征提出的源定位方法。基于稳态诱发响应在频域上的特征，在贝叶斯框架下建立一个适用于稳态诱发响应脑源定位方法将具有十分重要的意义。

目前尚无已公开专利应用解决基于稀疏贝叶斯学习方法的稳态诱发响应脑源定位问题，但是有一些论文提出了有关贝叶斯方法应用于瞬态诱发电位的脑源定位问题，如：

文献(Wipf and Nagarajan,A unified Bayesian framework for MEG/EEGsource imaging)分析并扩展了适用于源定位问题的几大类贝叶斯方法，包括经验贝叶斯方法，标准MAP估计和多元变分贝叶斯近似，结合现有方法进行改进，提出了可应用于脑电图/脑磁图源成像的统一贝叶斯框架。

文献(Saha,et al.Evaluating the Performance of BSBL Methodology forEEG Source Localization On a Realistic Head Model)和(Costa,et al.Bayesian EEGSource Localization Using a StructuredSparsity Prior)提出为了提高源定位算法的性能，还需要考虑结构稀疏性，并在贝叶斯框架中分别引入了内部块体结构信息和多元Bernoulli-Laplacian结构稀疏先验。

综合当前研究现状，贝叶斯方法应用于脑源定位问题具有很好的优势，但应用于稳态诱发响应脑源定位还需要提出切实可行的方法。

传统技术存在以下技术问题：