本發(fā)明屬于神經(jīng)信號處理研究領(lǐng)域，涉及腦功能網(wǎng)絡(luò)建模方法，特別涉及一種靜息態(tài)同步EEG-fMRI的腦功能網(wǎng)絡(luò)建模方法。

背景技術(shù)：

人類所有的高級認(rèn)知功能如思維、情感和意識依賴大腦，大腦是一個極其復(fù)雜的系統(tǒng)。大腦雖然只占人體2％的質(zhì)量，卻消耗了20％的能量。在沒有任務(wù)的時候，大腦也會進(jìn)行活動，人們將大腦這種不由外部刺激引起，不受被試意愿控制，自發(fā)產(chǎn)生神經(jīng)活動的狀態(tài)稱作“靜息態(tài)”。研究發(fā)現(xiàn)大腦在任務(wù)態(tài)比靜息態(tài)增加的能量消耗通常不超過5％，而占大腦總能耗60％以上的能量用于自發(fā)神經(jīng)活動，可見靜息態(tài)在人腦功能中占據(jù)著重要地位。

腦功能網(wǎng)絡(luò)是多個大腦區(qū)域的集合，這些腦區(qū)在靜息態(tài)和任務(wù)態(tài)下都會進(jìn)行同步活動。隨著各種無創(chuàng)腦功能成像技術(shù)的出現(xiàn)，人類已經(jīng)可以在微觀和宏觀不同尺度水平上探測大腦的活動。腦電圖(Electroencephalogram，EEG)可以檢測到腦活動在毫秒級的變化情況，具有很高的時間分辨率，而功能磁共振成像(functional Magnetic Resonance Imaging，fMRI)能以毫米級的精度定位同步振蕩發(fā)生的位置，具有很高的空間分辨率。目前已經(jīng)出現(xiàn)了多種基于EEG和fMRI的單模態(tài)腦功能網(wǎng)絡(luò)建模方法。

靜息態(tài)fMRI已被應(yīng)用于多種神經(jīng)疾病的研究中，如癲癇、阿爾茲海默癥、精神分裂癥、注意力不集中癥、抑郁癥等。對于阿爾茲海默癥等疾病，fMRI研究結(jié)果與早期的研究相一致，但對于精神分裂癥等疾病，研究結(jié)果的再現(xiàn)性較差。為了更深入的研究這些疾病，需要理解大腦中自發(fā)振蕩的潛在機(jī)理，這可以通過多模態(tài)研究方法實(shí)現(xiàn)。此外，利用fMRI對靜息態(tài)腦功能網(wǎng)絡(luò)建模，由于沒有外界刺激，要對所建網(wǎng)絡(luò)進(jìn)行解釋非常困難，將EEG特征與fMRI信號結(jié)合，可以更好地解釋腦功能網(wǎng)絡(luò)代表的生理意義，并且對于還不清楚的EEG特征也能找到fMRI信號的支持證據(jù)。因此，越來越多的研究人員開始關(guān)注同步EEG-fMRI的研究。

同步EEG-fMRI的數(shù)據(jù)分析方法有比較方法、非對稱融合方法和對稱融合方法。比較方法僅僅對EEG和fMRI數(shù)據(jù)進(jìn)行比較分析，沒有進(jìn)行模態(tài)間的數(shù)據(jù)融合；非對稱融合方法假設(shè)EEG和fMRI測得的神經(jīng)活動完全相同，這種假設(shè)缺乏一定的生理基礎(chǔ)；目前已有的對稱融合方法大多只關(guān)注事件相關(guān)電位與fMRI數(shù)據(jù)的融合，尚未見到對靜息態(tài)同步EEG-fMRI的對稱融合方法的研究。

基于以上研究背景，本發(fā)明提出了一種靜息態(tài)同步EEG-fMRI的腦功能網(wǎng)絡(luò)建模方法，該方法對同步數(shù)據(jù)進(jìn)行對稱融合，并利用融合結(jié)果進(jìn)行腦功能網(wǎng)絡(luò)建模，為有效整合兩種模態(tài)的信息提供了一種新的思路和方案。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明提出了一種靜息態(tài)同步EEG-fMRI的腦功能網(wǎng)絡(luò)建模，該方法能夠有效融合靜息態(tài)下兩種模態(tài)的信息，包含以下具體步驟：

S1.EEG信號預(yù)處理，提取帶限能量(Band Limited Power，BLP)信號并構(gòu)建回歸項(xiàng)。同步采集EEG、fMRI數(shù)據(jù)時，EEG的采樣率遠(yuǎn)遠(yuǎn)大于fMRI，大部分的EEG信號找不到時間上對應(yīng)的fMRI信號，通常將EEG信號的BLP變化與一個表示血氧水平依賴(Blood Oxygenation Level Dependent，BOLD)在刺激呈現(xiàn)后變化的核函數(shù)進(jìn)行卷積，用得到的信號作為擬合fMRI數(shù)據(jù)的回歸項(xiàng)，通過比較回歸項(xiàng)與BOLD信號的關(guān)系來研究EEG與fMRI之間的關(guān)系。本發(fā)明首先對同步記錄的EEG信號通過預(yù)處理得到比較純凈的EEG信號，隨后用獨(dú)立成分分析(Independent Component Anaylysis，ICA)將信號分解為相互獨(dú)立的源信號，最后計算源的BLP信號并構(gòu)建回歸項(xiàng)。

S2.fMRI信號預(yù)處理，提取各腦區(qū)的BOLD信號。原始fMRI數(shù)據(jù)中含有多種噪聲，這些噪聲可能是由于機(jī)器本身產(chǎn)生，也可能是被試的運(yùn)動或生理活動產(chǎn)生，它們會對分析造成很大的干擾，需要通過預(yù)處理來提高原始數(shù)據(jù)的信噪比。由于fMRI數(shù)據(jù)中體素數(shù)目遠(yuǎn)遠(yuǎn)大于采集點(diǎn)數(shù)，要對fMRI數(shù)據(jù)進(jìn)行時域分析，首先需要對其進(jìn)行空間降維。本發(fā)明利用標(biāo)準(zhǔn)解剖模板將大腦灰質(zhì)分成不同的腦區(qū)，將每個腦區(qū)中所有體素時間序列的平均作為該腦區(qū)產(chǎn)生的信號。

S3.對fMRI提取的各腦區(qū)BOLD信號和由EEG得到的回歸項(xiàng)分別進(jìn)行主成分分析(Principal Component Analysis，PCA)。在fMRI分析中，由于分割后的相鄰腦區(qū)會有同步活動，使得相鄰腦區(qū)計算得到的平均時間序列會有一定的相關(guān)性；由于大腦的網(wǎng)絡(luò)同步活動，相隔較遠(yuǎn)腦區(qū)的時間序列之間也會存在較高的相關(guān)性。在EEG分析中，用每個獨(dú)立成分的BLP信號構(gòu)造的回歸項(xiàng)之間也存在相關(guān)性。信號之間的這種相關(guān)會給之后的統(tǒng)計分析帶來許多障礙?；谝陨显?，首先要對fMRI中提取的各腦區(qū)BOLD信號和由EEG得到的回歸項(xiàng)分別進(jìn)行PCA，消除原信號之間的相關(guān)性和信息重疊。另外，靜息態(tài)下大腦消耗的能量大部分用于自發(fā)神經(jīng)活動，因此可以認(rèn)為自發(fā)神經(jīng)活動產(chǎn)生的信號是整個大腦信號的主成分，通過主成分分析的方法將它們提取出來，同時也去除了一些噪聲成分。

S4.對fMRI提取的各腦區(qū)BOLD信號和由EEG得到的回歸項(xiàng)的主成分進(jìn)行典型相關(guān)分析(Canonical Correlation Analysis,CCA)。進(jìn)行該步驟基于以下三點(diǎn)原因：(1)一種EEG模式可能與多個腦區(qū)的BOLD信號相關(guān)，一個腦區(qū)也可能產(chǎn)生不同模式的EEG信號，這表明，EEG和fMRI之間不是簡單的一對一的關(guān)系，需要尋找一種方法，研究多個EEG模式與多個BOLD信號之間在總體上的關(guān)系。(2)同步顱內(nèi)EEG-fMRI的比較方法研究表明，局部場電勢的帶限能量變化與局部BOLD信號是相關(guān)的。這表明，雖然EEG和fMRI兩種成像方式基于不同的成像原理，但它們記錄的自發(fā)神經(jīng)活動信息有一定程度的重疊，因此可以通過比較兩個模態(tài)信號之間的相關(guān)關(guān)系，判斷它們是不是同一源產(chǎn)生的信號。(3)靜息態(tài)大腦同時存在多個功能網(wǎng)絡(luò)，它們分別代表不同的生理活動，且這些功能網(wǎng)絡(luò)的激活時間過程互不相關(guān)。

S5.靜息態(tài)同步EEG-fMRI的腦功能網(wǎng)絡(luò)建模。將典型相關(guān)變量與EEG構(gòu)建的回歸項(xiàng)求相關(guān)，相關(guān)系數(shù)越大，表示該EEG模式與該大腦活動模式越相關(guān)，就越可能是由該腦活動產(chǎn)生的EEG信號，相關(guān)系數(shù)較大的EEG模式一起組成該腦活動所產(chǎn)生的EEG信號。用典型相關(guān)變量與腦區(qū)平均時間序列求相關(guān)，相關(guān)系數(shù)越大，表示該腦區(qū)與該大腦活動模式越相關(guān)，越有可能是參與該腦活動的腦區(qū)，相關(guān)系數(shù)較大的腦區(qū)一起構(gòu)成該腦活動的功能網(wǎng)絡(luò)。

附圖說明

圖1為本發(fā)明所述的建模方法流程圖；

圖2為利用EEG構(gòu)建回歸項(xiàng)的流程圖；

圖3為EEG回歸項(xiàng)和BOLD信號分別進(jìn)行主成分分析的示意圖；

圖4為BOLD信號(a)和EEG回歸項(xiàng)(b)的主成分能量和累計貢獻(xiàn)率；

圖5為對EEG回歸項(xiàng)和BOLD信號的主成分進(jìn)行典型相關(guān)分析的示意圖；

圖6為由EEG回歸項(xiàng)和BOLD信號的主成分求得的典型相關(guān)系數(shù)的直方圖；

圖7為腦功能網(wǎng)絡(luò)建模結(jié)果。

具體實(shí)施方式

下面結(jié)合實(shí)例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述,但本發(fā)明的實(shí)施方式不限于此。

如圖1所示為一種靜息態(tài)同步EEG-fMRI的腦功能網(wǎng)絡(luò)建模方法的具體流程圖，包含以下部分：

一、EEG信號預(yù)處理，提取帶限能量信號并構(gòu)建回歸項(xiàng)

1、EEG信號預(yù)處理

預(yù)處理包含以下六個步驟：(1)使用自適應(yīng)偽跡相減法去除梯度偽跡和心電偽跡；(2)將EEG數(shù)據(jù)降采樣到200Hz；(3)為了移除線性漂移與低頻干擾，對降采樣后的數(shù)據(jù)進(jìn)行1Hz的高通濾波；(4)通過陷波濾波去除50Hz的工頻噪聲；(5)將所有電極信號重新參考到全導(dǎo)的平均信號；(6)去除壞數(shù)據(jù)段。通過以上處理得到比較純凈的EEG信號。

2、EEG信號獨(dú)立成分分析

(1)采用信息最大化ICA算法將61導(dǎo)EEG信號分解為61個源信號；(2)經(jīng)過預(yù)處理的EEG中仍然會存在一些殘留噪聲，使用EEGLAB擴(kuò)展包ADJUST對獨(dú)立成分進(jìn)行分析，識別并去除噪聲成分。

3、計算帶限能量信號

通過短時傅里葉變換計算EEG的帶限能量信號。對每個獨(dú)立成分使用一個無重疊窗計算短時傅里葉變換，為了與fMRI每采集一個圖像所用的時間匹配，窗的大小選擇1.94s。之后將EEG分為delta(1～4Hz)，theta(4～8Hz)，alpha(8～13Hz)，beta(13～30Hz)，gamma(30～50Hz)五個頻帶，對每個頻段內(nèi)所有頻率點(diǎn)在同一時刻的能量值求平均，得到五個頻段的BLP變化，如圖2所示。

4、構(gòu)建回歸項(xiàng)

通常神經(jīng)脈沖電活動和與之相應(yīng)的BOLD變化有4～8秒的延遲，將上一步得到的BLP信號作為一個自變量，通過與標(biāo)準(zhǔn)血氧響應(yīng)函數(shù)(Hemodynamic Response Function，HRF)卷積，構(gòu)建回歸項(xiàng)，如圖2所示。

二、fMRI信號預(yù)處理，提取各腦區(qū)的BOLD信號

1、fMRI信號預(yù)處理

在對fMRI數(shù)據(jù)進(jìn)行分析之前，首先要進(jìn)行一些必要的預(yù)處理，具體步驟如下：

(1)格式轉(zhuǎn)換。將采集到的DICOM格式的文件轉(zhuǎn)換為NIFTI格式，得到666個以img和hdr為后綴的文件，每個img后綴文件是由32張不同層的大腦圖片組成。

(2)去除最開始采集的數(shù)據(jù)。fMRI設(shè)備剛啟動時采集的數(shù)據(jù)不穩(wěn)定，所以去除前十個時間點(diǎn)采集的圖像。

(3)時間層校正。每掃描一個全腦圖像需要1.94秒，該圖像由32層不同時刻記錄的圖像組成，需要進(jìn)行時間層校正，使得各層圖像都是在相同時刻記錄的。本實(shí)驗(yàn)中，每個圖像層數(shù)為32，TR為1.94s，掃描順序?yàn)榻敌颍瑓⒖紝訛榈?6層。

(4)頭動校正。本實(shí)驗(yàn)fMRI掃描需要連續(xù)進(jìn)行大約半小時，被試不可避免的會有頭部運(yùn)動。此外，被試的自發(fā)生理活動如呼吸和心跳也可能導(dǎo)致頭部運(yùn)動，所以需要進(jìn)行頭動校正，減少頭動對數(shù)據(jù)的影響。設(shè)定當(dāng)頭在某個方向的平移大于0.5毫米或旋轉(zhuǎn)角度超過1度時，認(rèn)為被試在這一時刻頭動較大，去除這一時刻數(shù)據(jù)。

(5)空間標(biāo)準(zhǔn)化。由于不同被試腦部結(jié)構(gòu)和大小存在一定的差異，為了方便后續(xù)的分析，需要將每次掃描的大腦數(shù)據(jù)標(biāo)準(zhǔn)化?？臻g標(biāo)準(zhǔn)化是對大腦整體進(jìn)行形變和調(diào)整，即從原始空間中估計到標(biāo)準(zhǔn)空間上，調(diào)整后統(tǒng)一標(biāo)準(zhǔn)化到標(biāo)準(zhǔn)腦上。本實(shí)驗(yàn)中，使用EPI模板進(jìn)行空間標(biāo)準(zhǔn)化。

(6)去線性漂移。由于掃描過程中機(jī)器溫度升高或者被試的適應(yīng)，隨著時間變化會存在一個線性趨勢，因此要去除這種線性漂移。

(7)濾波。人體的一些自發(fā)生理活動，如心跳、呼吸等會產(chǎn)生噪聲，這些噪聲的頻率通常比大腦自發(fā)神經(jīng)活動要高，本實(shí)驗(yàn)選擇0.01～0.08Hz的帶通濾波器將它們?nèi)コ?/p>

2、提取腦區(qū)平均時間序列

由于fMRI原始數(shù)據(jù)量特別大，經(jīng)過預(yù)處理后，一個大腦的體素有61*73*61個，達(dá)到了百萬級，需要采用合適的方法對原始數(shù)據(jù)進(jìn)行空間降維。一種常用的方法就是將大腦灰質(zhì)劃分成不同的腦區(qū)，提取各個腦區(qū)的平均時間序列。本發(fā)明使用解剖自動標(biāo)記(Anatomical Automatic Labeling，AAL)圖譜把大腦灰質(zhì)分為90個區(qū)域，之后對每個腦區(qū)中所有體素的時間序列求平均，得到該腦區(qū)的平均時間序列。

三、對fMRI提取的各腦區(qū)BOLD信號和由EEG得到的回歸項(xiàng)分別進(jìn)行主成分分析

經(jīng)過前面的預(yù)處理步驟，分別得到了BOLD信號和EEG回歸項(xiàng)的數(shù)據(jù)矩陣：X₁和X₂。其中X₁為624*90的矩陣，行代表時間，列代表腦區(qū)；X₂為624*225的矩陣，行代表時間，列由55個獨(dú)立成分的5個頻帶串聯(lián)得到的。

對X₁和X₂分別進(jìn)行PCA，如圖3所示。計算X₁和X₂各自的相關(guān)系數(shù)矩陣、特征值和特征向量，并計算每個特征值的累計貢獻(xiàn)率。如圖4(a)所示，fMRI前15個主成分的能量累計貢獻(xiàn)率達(dá)到了87％，這15個主成分構(gòu)成一個624*15的矩陣P₁；如圖4(b)所示，EEG前20個主成分的能量累計貢獻(xiàn)率達(dá)到了70％，這20個主成分構(gòu)成一個624*20的矩陣P₂。此時，P₁和P₂分別表示從fMRI和EEG中提取的靜息態(tài)大腦活動的主要特征。

四、對fMRI提取的各腦區(qū)BOLD信號和由EEG得到的回歸項(xiàng)的主成分進(jìn)行典型相關(guān)分析

對得到的fMRI的主成分P₁和EEG的主成分P₂進(jìn)行CCA，如圖5所示，得到15對典型相關(guān)變量S₁和S₂，它們都為624*15的矩陣，兩個矩陣的對應(yīng)列為一對典型相關(guān)變量。每對典型相關(guān)變量的典型相關(guān)系數(shù)如圖6所示，設(shè)定閾值為0.5，大于該閾值的認(rèn)為是典型相關(guān)的，得到七對最相關(guān)的典型相關(guān)變量。S₁的每個典型相關(guān)變量表示一個腦活動對應(yīng)的fMRI時間序列，S₂的每個典型相關(guān)變量表示一個腦活動對應(yīng)的EEG時間序列，且S₁和S₂的對應(yīng)列具有較高的相關(guān)系數(shù)，認(rèn)為它們是由同一個腦活動產(chǎn)生的信號。

五、靜息態(tài)同步EEG-fMRI的腦功能網(wǎng)絡(luò)建模

將S₁的每一列與X₁的每一列求相關(guān)，典型相關(guān)變量與各腦區(qū)BOLD信號的相關(guān)系數(shù)直方圖如圖7(a)所示，系數(shù)越大表示腦區(qū)與大腦活動越相關(guān)，越有可能是參與腦活動的腦區(qū)，相關(guān)系數(shù)較大的腦區(qū)一起構(gòu)成該腦功能網(wǎng)絡(luò)如圖7(c)所示；將S₂中的每一列與X₂的每一列求相關(guān)，典型相關(guān)變量與各EEG回歸項(xiàng)的相關(guān)系數(shù)直方圖如圖7(b)所示，系數(shù)越大表示該EEG模式與該大腦活動越相關(guān)，越可能是由該腦活動產(chǎn)生的EEG信號，相關(guān)系數(shù)較大的EEG模式一起組成該腦活動所產(chǎn)生的EEG信號，對圖7(b)中每個頻帶內(nèi)的相關(guān)系數(shù)求均值并取絕對值，得到典型相關(guān)變量與EEG各頻帶的相關(guān)度，如圖7(d)所示。

利用本發(fā)明提出的建模方法得到了七個主要的腦功能網(wǎng)絡(luò)，并且得到各個網(wǎng)絡(luò)對應(yīng)的EEG信號與腦區(qū)，這些腦網(wǎng)絡(luò)與現(xiàn)有的研究結(jié)果具有很高的一致性，證明了該腦功能網(wǎng)絡(luò)建模方法的有效性，為靜息態(tài)腦功能研究提供了一種新的途徑。