[发明专利]一种基于机器学习的工作记忆任务脑磁图分类系统

说明书

本发明公开了一种基于机器学习的工作记忆任务脑磁图分类系统，包括脑磁图数据采集模块、脑磁图数据预处理模块、脑磁图源重建模块和机器学习分类模块，其中脑磁图数据采集模块用于采集被试不同工作记忆任务态的脑磁图数据，脑磁图数据预处理模块用于对不同工作记忆任务态的脑磁图数据进行质量控制并分离噪声和伪影，脑磁图源重建模块用于对经过脑磁图数据预处理模块的数据进行传感器信号分析及源重建分析，机器学习分类模块以功率时间序列作为特征，对被试所属的工作记忆任务进行分类。本发明整合了对工作记忆脑磁图数据完整的从预处理到源重建的分析流程，对工作记忆任务脑磁图数据分类，对于工作记忆解码和大脑记忆相关机制的研究有重要意义。

技术领域

本发明涉及神经影像数据分析和机器学习技术领域，尤其涉及一种基于机器学习的工作记忆任务脑磁图分类系统。

背景技术

脑作为人体中最为神秘的器官，人们不断的在探索大脑的奥秘，试图了解大脑的内部机理和工作机制。近年来，随着功能磁共振成像（functional magnetic resonanceimaging, fMRI）、脑电图（Electroencephalogram, EEG）、脑磁图（Magnetoencephalography, MEG）、正电子发射断层扫描（Positron Emission ComputedTomography, PET）等影像技术的产生与应用，人们对于大脑的研究有了新的发展，这些技术也在探索人类大脑机理和相关认知活动方面发挥越来越大的作用。其中，目前利用EEG、fMRI和MEG等功能成像技术探索大脑已成为热门研究之一（He B, Liu Z. MultimodalFunctional Neuroimaging: Integrating Functional MRI and EEG/MEG[J]. IEEEreviews in biomedical engineering, 2008, 1(2008): 23-40）。EEG 通过采集头皮上不同位置电位差绘制成图像，其优势在于时间分辨率高，可以捕捉大脑在极短时间内的变化，但传统的EEG电极数量有限，空间分辨率差，且脑电传导在脑组织、脑脊液、颅骨、皮肤等不同介质中差异较大，源重建较为困难（Roberta Grech, Cassar Tracey, Muscat Joseph,et al. Review on solving the inverse problem in EEG source analysis[J].Journal of neuroengineering and rehabilitation, 2008, 5(1): 25）。fMRI基于大脑的血氧水平依赖（blood oxygenation level dependent，BOLD），反映了由任务诱发或自发神经代谢活动而引起的脱氧血红蛋白浓度变化，从而间接反映大脑的神经元功能活动（Ugurbil K. Development of functional imaging in the human brain (fMRI); theUniversity of Minnesota experience[J]. Neuroimage, 2012,62(2):613-619）。fMRI具有空间分辨率高、采集无创等优点，然而现有的fMRI的时间分辨率一般为2s，相比于瞬息万变的脑功能变化来说，仍然较低，不足以捕捉大脑处理不同任务过程中的瞬间变化。脑磁图（MEG）通过记录神经元群电活动产生的磁场来研究大脑活动，它以非常高（毫秒内）的时间分辨率直接、无创地记录大脑活动，并生成动态、信息丰富的大规模大脑活动表示（JGross. Magnetoencephalography in Cognitive Neuroscience: A Primer[J]. Neuron,2019, 104(2): 189-204）。其具有极高的空间分辨率（1-3mm）和时间分辨率（1-2ms），且磁场受脑脊液、颅骨等干扰小，检查无创、无放射性，在研究脑功能方面有其独特的优势。利用MEG技术对人体大脑功能进行研究具有重要意义，有望为揭示大脑工作机制提供新的资料。