[发明专利]基于GRU神经网络的MEG源定位方法

说明书

本发明涉及一种基于GRU神经网络的MEG源定位方法，方法包括：根据采集的受试者的MRI数据，建立用于生成训练GRU神经网络的训练数据的头模型，并模拟神经元活动并设置电流偶极子和电导率，生成训练数据，采用训练数据训练预先搭建的GRU神经网络，GRU神经网络采用重复神经网络模块的链式形式，将数据按照时间轴展开，学习脑磁信号的变化；获取用于进行源定位的脑磁数据，并对脑磁数据进行预处理，将预处理后的脑磁数据输入训练后的GRU神经网络，获得用于可视化的源定位信息。上述方法能够有效合理的确定神经元的源位置，并提高处理速度，对噪声具有较好的鲁棒性。

技术领域

本发明涉及生物医疗仪器定位分析技术，尤其涉及一种基于GRU神经网络的MEG源定位方法。

背景技术

脑磁图仪(Magneto EncephaloGraphy，MEG)已经被证明是一种非常有用的大脑研究工具，不仅可以用于临床诊断，还可以进行高级认知研究。基于SQUID (超导量子干涉器件)的脑磁图技术已经相对成熟，但其运行维护成本较高，集成系统非常庞大，测量敏感单元距离头部较远，信息容量低，这些原因在很大程度上限制了脑磁图技术的普及应用。近年来，被动成像的SERF(无自旋交换弛豫原子自旋磁强计)技术被提出，SERF的性能可与最好的SQUIDs相媲美，并且不需要低温冷却。

目前，常用的脑磁源定位方法大多基于SQUID-MEG，主要包括偶极子模型和分布式模型。这些源定位方法是根据单个时间样本给出的，假设源的先验概率分布是静态的，不涉及当前分布和时间的关系。但是实际上，大脑活动具有动态时空互动性，大脑皮层的活动取决于过去的大脑活动。因此，现有的求解算法不能满足精确定位的需求，且容易受到噪声的影响。

发明内容

（一）要解决的技术问题

鉴于现有技术的上述缺点、不足，本发明提供一种基于GRU神经网络的MEG源定位方法，实现提高MEG系统的时空分辨率，并对噪声具有较好的鲁棒性。

（二）技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

第一方面，本发明实施例提供一种基于GRU神经网络的MEG源定位方法，包括：

S10、根据采集的受试者的MRI数据，建立用于生成训练GRU神经网络的训练数据的头模型，所述头模型包括：大脑皮质层、脑组织、头皮组织和头骨；

S20、根据所述头模型，模拟神经元活动并设置电流偶极子和电导率，生成训练所述GRU神经网络的训练数据，所述训练数据包括模拟的MEG数据序列，和对应MEG数据序列的激活神经元簇的位置信息；

S30、采用所述训练数据训练预先搭建的GRU神经网络，所述GRU神经网络采用重复神经网络模块的链式形式，将数据按照时间轴展开，学习脑磁信号的变化；

S40、获取用于进行源定位的脑磁数据，并对所述脑磁数据进行预处理，将预处理后的脑磁数据输入训练后的GRU神经网络，获得用于可视化的源定位信息；

所述对所述脑磁数据进行预处理包括：采用手动和数据平均相结合的方法，识别并去除初始状态对齐的脑磁数据中的坏通道，使用带通滤波器进行过滤并抑制伪影和基线校准，得到高信噪比的脑磁信号作为预处理后的脑磁数据。

可选地，所述S10包括：

采用分水岭算法对所述受试者的MRI数据进行分割，基于分割的头皮、颅骨、脑脊液、灰质和白质，重建大脑皮质层、脑组织、头皮组织和头骨。

可选地，所述S20包括：

S21、根据用户触发的创建指令，创建边界元模型网格并设置头部表面实现三角测量的信息及脑组织、头皮组织和头骨的电导率，获得BEM头模型；