不同個(gè)體的相互比較。高斯核在三個(gè)方向上的平滑度通常選為相同的值，用最大值半高全寬(FWHM)值來表示。
[0024](2)特征提取模塊
[0025]特征提取模塊主要用于訓(xùn)練階段(參見圖1)，采用基于拉普拉斯的平滑LO稀疏表征算法或主成分分析算法對預(yù)處理后的fMRI圖像數(shù)據(jù)進(jìn)行腦功能特征提取并保存，然后在測試階段通過在被試腦功能圖像上加載該特征實(shí)現(xiàn)在線提取特征。其中，基于拉普拉斯的平滑LO稀疏表征算法，利用全腦體素在特定認(rèn)知活動中表現(xiàn)出的“稀疏”特性，即只有部分體素參與特定的認(rèn)知過程，并具有對腦狀態(tài)進(jìn)行分類的能力，采用拉普拉斯函數(shù)為核函數(shù)，將不可解析的O范數(shù)最小化問題解析化，然后利用梯度算法對最小化問題進(jìn)行尋優(yōu)求解，并在迭代中利用提前結(jié)束迭代的機(jī)制提高計(jì)算效率。此外，為解決拉普拉斯函數(shù)在零值附近不可導(dǎo)的缺陷，使用反余弦函數(shù)對其逼近。具體來說，平滑LO稀疏表征算法通過對稀疏向量進(jìn)行z變換，然后利用閾值對變換后的向量進(jìn)行篩選來提取特征。而主成分分析算法則是將每個(gè)訓(xùn)練樣本去均值，通過提取離線訓(xùn)練數(shù)據(jù)集的主特征向量，得到一個(gè)數(shù)據(jù)降維的變換矩陣來獲取特征。
[0026](3)分類解碼模塊
[0027]分類解碼模塊采用的分類器為實(shí)時(shí)支持向量機(jī)或?qū)崟r(shí)高斯過程分類。在訓(xùn)練階段，實(shí)時(shí)支持向量機(jī)訓(xùn)練得到支持向量，即距離類別分界線最近的向量，由這些向量構(gòu)成分界面；而實(shí)時(shí)高斯過程分類則利用離線訓(xùn)練數(shù)據(jù)集的協(xié)方差矩陣，通過牛頓迭代法得到后驗(yàn)概率的估計(jì)值和最優(yōu)參數(shù)。在測試階段，實(shí)時(shí)支持向量機(jī)根據(jù)分界面對每個(gè)圖像進(jìn)行實(shí)時(shí)分類；而實(shí)時(shí)高斯過程分類則根據(jù)訓(xùn)練階段后驗(yàn)概率的估計(jì)值，利用拉普拉斯或者期望傳播方法對每個(gè)TR的功能特征在線計(jì)算所屬不同類別的概率，得到分類結(jié)果。
[0028](4)顯示與反饋模塊
[0029]顯示與反饋模塊可以對腦功能特征和頭動參數(shù)進(jìn)行實(shí)時(shí)顯示，其中腦功能特征是指在測試階段的特征提取模塊獲取的來自fMRI信號的分類特征，可以選擇顯示在二維腦模板或者三維腦模板上；頭動參數(shù)包括每個(gè)TR的圖像在X、Y、Z三個(gè)方向的平移參數(shù)以及旋轉(zhuǎn)參數(shù)，并采用不同顏色表示這6個(gè)參數(shù)。如果發(fā)現(xiàn)頭動參數(shù)超過了正常范圍，可以重新掃描或?qū)Ρ辉囘M(jìn)行糾正，以保證高質(zhì)量的實(shí)驗(yàn)數(shù)據(jù)。顯示與反饋模塊也可以把當(dāng)前所有TR的分類準(zhǔn)確率作為反饋信號呈現(xiàn)給被試，分類準(zhǔn)確率指的是在每個(gè)任務(wù)階段(task block)中，識別正確的腦圖像累積數(shù)目和當(dāng)前腦圖像所有累積數(shù)目的比值。被試可以通過采用與分類相關(guān)的認(rèn)知策略，學(xué)習(xí)調(diào)節(jié)分類結(jié)果的準(zhǔn)確率，進(jìn)而達(dá)到影響相應(yīng)的行為表現(xiàn)。反饋信號可使用動態(tài)曲線或者動態(tài)變化的溫度計(jì)形式呈現(xiàn)給被試(參見圖3)。
[0030](5)參數(shù)配置模塊
[0031]參數(shù)配置模塊用于各個(gè)模塊及全局參數(shù)的設(shè)置、讀取與保存，包括各種預(yù)處理參數(shù)、數(shù)據(jù)處理設(shè)置、實(shí)驗(yàn)設(shè)計(jì)參數(shù)及反饋方式的選擇和設(shè)置。全局參數(shù)包括掃描參數(shù)設(shè)置、文件路徑參數(shù)設(shè)置等，其中，掃描參數(shù)包括掃描TR數(shù)、圖像區(qū)域、切片層數(shù)、層間距等參數(shù)。數(shù)據(jù)預(yù)處理參數(shù)包含數(shù)據(jù)類型、預(yù)處理步驟選擇、重采樣體素大小、自適應(yīng)參數(shù)、截止頻率、FWHM參數(shù)等。數(shù)據(jù)處理設(shè)置包含特征提取方法、分類方法和運(yùn)行模式等參數(shù)(參見圖4)。實(shí)驗(yàn)設(shè)計(jì)參數(shù)主要有任務(wù)周期、任務(wù)個(gè)數(shù)、持續(xù)時(shí)間、任務(wù)開始時(shí)間等參數(shù)置。與反饋相關(guān)的參數(shù)包含了反饋方式的選擇以及不同方式下反饋參數(shù)的設(shè)置，具體來說，在動態(tài)曲線方式中，包含了偏移的TR數(shù)、最大變化量、坐標(biāo)系寬度、坐標(biāo)系高度等；在溫度計(jì)方式中，包含了偏移的TR數(shù)、最大變化量、刻度寬度、刻度高度、刻度個(gè)數(shù)、零刻度位置等。
[0032]本發(fā)明的使用可按以下幾個(gè)方面進(jìn)行:
[0033](I)實(shí)時(shí)監(jiān)控?cái)?shù)據(jù)質(zhì)量。fMRI數(shù)據(jù)容易受到各種噪聲、系統(tǒng)穩(wěn)定性、頭動偽影等因素的干擾。噪聲主要包括了白噪聲和生理噪聲，其中白噪聲主要是熱噪聲，來自功能磁共振系統(tǒng)和被試，而生理噪聲主要是被試呼吸和心跳等生理活動帶來的干擾；系統(tǒng)穩(wěn)定性干擾主要是供電系統(tǒng)、射頻發(fā)射系統(tǒng)和射頻接受系統(tǒng)造成的時(shí)間信號波動；另外，掃描中被試的頭動也會在時(shí)間信號中造成非常明顯的波動。如果干擾信號過大，則將嚴(yán)重“污染”fMRI數(shù)據(jù)，導(dǎo)致數(shù)據(jù)失效。因此往往需要根據(jù)功能像來評估數(shù)據(jù)的質(zhì)量，并根據(jù)存在問題及時(shí)采取措施來降低干擾的影響，保證實(shí)驗(yàn)的進(jìn)行。
[0034](2)解讀心理狀態(tài)或者行為表現(xiàn)。利用神經(jīng)解碼可以檢測大腦的認(rèn)知狀態(tài)或者行為表現(xiàn)，例如，判斷被試所看圖片的類別，并應(yīng)用在人臉識別領(lǐng)域中；判斷被試的情緒狀態(tài)，并應(yīng)用在情緒調(diào)節(jié)領(lǐng)域中；判斷被試想象運(yùn)動的方向，并應(yīng)用在腦機(jī)接口領(lǐng)域中。值得一提的是，神經(jīng)解碼與腦機(jī)接口結(jié)合，通過判斷大腦的認(rèn)知狀態(tài)，進(jìn)而控制外部設(shè)備，這將為患有特定功能障礙，如語言障礙、運(yùn)動障礙的患者提供改善生活質(zhì)量的途徑。
[0035](3)認(rèn)知功能調(diào)節(jié)與臨床輔助康復(fù)治療。利用神經(jīng)解碼進(jìn)行神經(jīng)反饋，既可以調(diào)節(jié)健康個(gè)體的特定認(rèn)知功能，也可以對特定認(rèn)知功能障礙疾病的康復(fù)起到輔助促進(jìn)的作用。例如，抑郁癥患者往往存在杏仁核的過度激活，表現(xiàn)為過度沉思和無征兆地陷入情緒化的回憶。由于功能障礙下的大腦活動狀態(tài)與異常的行為表現(xiàn)緊密相關(guān)，利用神經(jīng)解碼反饋，可以使患者學(xué)習(xí)調(diào)節(jié)自己大腦活動的強(qiáng)度，從而達(dá)到改善患者的行為表現(xiàn)，即通過調(diào)整患者的大腦模式從而改變相應(yīng)的異常行為表現(xiàn)。
【主權(quán)項(xiàng)】
1.一種基于腦功能特征的實(shí)時(shí)神經(jīng)解碼系統(tǒng)，包括: 預(yù)處理模塊，用于實(shí)時(shí)讀取功能磁共振數(shù)據(jù)，然后進(jìn)行格式轉(zhuǎn)換、實(shí)時(shí)頭動校正、實(shí)時(shí)空間標(biāo)準(zhǔn)化和平滑； 特征提取模塊，用于對預(yù)處理后的功能磁共振數(shù)據(jù)進(jìn)行特征提取并保存； 分類解碼模塊，用于對特征提取后的數(shù)據(jù)進(jìn)行實(shí)時(shí)分類； 顯示與反饋模塊，用于實(shí)時(shí)顯示腦功能特征以及頭動參數(shù)的大小，并將分類的結(jié)果以多種方式實(shí)時(shí)反饋給被試； 參數(shù)配置模塊，用于設(shè)置、保存、讀取每個(gè)模塊的詳細(xì)參數(shù)。 這套系統(tǒng)的特征在于，其特征提取模塊采用基于拉普拉斯核的平滑LO稀疏表征算法對功能磁共振數(shù)據(jù)進(jìn)行特征提??；其分類模塊采用實(shí)時(shí)高斯過程分類算法，首先通過離線訓(xùn)練獲取后驗(yàn)概率的估計(jì)值和最優(yōu)參數(shù)，然后利用此參數(shù)對每個(gè)掃描脈沖間隔的功能特征在線計(jì)算所屬不同類別的概率，得到分類結(jié)果。
2.如權(quán)利要求1所述的一種基于腦功能特征的實(shí)時(shí)神經(jīng)解碼系統(tǒng)，其數(shù)據(jù)預(yù)處理模塊的特征在于，其實(shí)時(shí)空間標(biāo)準(zhǔn)化采用基于主軸變化和自適應(yīng)高斯牛頓迭代算法的仿射變換和基于最優(yōu)截止頻率離散余弦基函數(shù)的非線性變換對第一幅圖像進(jìn)行參數(shù)估計(jì)，然后利用所估計(jì)的參數(shù)，對后續(xù)圖像進(jìn)行空間變換。
3.如權(quán)利要求1所述的一種基于腦功能特征的實(shí)時(shí)神經(jīng)解碼系統(tǒng)，其顯示與反饋模塊的特征在于，在個(gè)體腦模板上顯示所提取的腦功能特征；將當(dāng)前所有掃描脈沖間隔的分類準(zhǔn)確率以動態(tài)曲線或者動態(tài)溫度計(jì)的形式實(shí)時(shí)呈現(xiàn)給個(gè)體。
【專利摘要】本發(fā)明提供一種基于腦功能特征的實(shí)時(shí)神經(jīng)解碼系統(tǒng)，利用實(shí)時(shí)功能磁共振成像技術(shù)，通過對在線提取的腦功能特征進(jìn)行分類，實(shí)現(xiàn)對磁共振功能圖像的實(shí)時(shí)神經(jīng)解碼。本發(fā)明涉及的系統(tǒng)包括：預(yù)處理模塊、特征提取模塊、分類解碼模塊、顯示與反饋模塊以及參數(shù)配置模塊。預(yù)處理模塊對磁共振功能圖像進(jìn)行在線讀取和格式轉(zhuǎn)換后，通過實(shí)時(shí)頭動校正、空間標(biāo)準(zhǔn)化和平滑，提高圖像的信噪比；然后利用特征提取模塊提取全腦圖像信號的主要成分作為特征；分類解碼模塊則利用實(shí)時(shí)支持向量機(jī)或高斯過程分類器對特征進(jìn)行分類解碼，并通過顯示與反饋模塊將分類正確率實(shí)時(shí)反饋給被試。本發(fā)明對解讀心理、識別大腦活動、以及認(rèn)知功能改善等多個(gè)領(lǐng)域有著重要的應(yīng)用價(jià)值。
【IPC分類】A61B5-055, G06K9-62, G06K9-54
【公開號】CN104605853
【申請?zhí)枴緾N201510029205
【發(fā)明人】趙小杰, 龍志穎, 劉洋, 張春成, 李曉飛
【申請人】北京師范大學(xué)
【公開日】2015年5月13日
【申請日】2015年1月21日