CN114903486B - 基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其存储介质 - Google Patents
基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其存储介质 Download PDFInfo
- Publication number
- CN114903486B CN114903486B CN202210423451.0A CN202210423451A CN114903486B CN 114903486 B CN114903486 B CN 114903486B CN 202210423451 A CN202210423451 A CN 202210423451A CN 114903486 B CN114903486 B CN 114903486B
- Authority
- CN
- China
- Prior art keywords
- risk
- syndrome
- magnetoencephalography
- abnormal
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000010355 oscillation Effects 0.000 title claims abstract description 80
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 69
- 208000011580 syndromic disease Diseases 0.000 title claims abstract description 65
- 208000028017 Psychotic disease Diseases 0.000 title claims abstract description 51
- 230000001537 neural effect Effects 0.000 title claims description 63
- 210000004556 brain Anatomy 0.000 title claims description 37
- 238000010586 diagram Methods 0.000 title description 9
- 238000002582 magnetoencephalography Methods 0.000 claims abstract description 79
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 208000020016 psychiatric disease Diseases 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 210000003128 head Anatomy 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 21
- 208000024891 symptom Diseases 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 230000004807 localization Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000003325 tomography Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 9
- 208000037048 Prodromal Symptoms Diseases 0.000 claims description 8
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 239000004020 conductor Substances 0.000 claims description 5
- 238000012880 independent component analysis Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 206010060891 General symptom Diseases 0.000 claims description 4
- 230000004424 eye movement Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims 3
- 210000005036 nerve Anatomy 0.000 abstract description 12
- 239000002243 precursor Substances 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 8
- 230000000284 resting effect Effects 0.000 description 6
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000002490 cerebral effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000001142 back Anatomy 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000007278 cognition impairment Effects 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000004399 eye closure Effects 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 210000004884 grey matter Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000008035 nerve activity Effects 0.000 description 1
- 210000000869 occipital lobe Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002450 orbitofrontal effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002360 prefrontal effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000000698 schizophrenic effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/242—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents
- A61B5/245—Detecting biomagnetic fields, e.g. magnetic fields produced by bioelectric currents specially adapted for magnetoencephalographic [MEG] signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analogue processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明涉及一种基于脑磁图检测精神病高危综合征异常神经振荡的方法，该方法包括：(1)采用前驱综合征结构化访谈量表，以面对面访谈的形式对受试者进行精神病高危综合征评估；(2)根据评估结果获取对应的精神病高危人群的脑磁图数据，并对其进行数据预处理，用于提高脑磁图信号的质量；(3)对经过预处理后的脑磁图数据进行时频分析，获取精神病高危人群的神经振荡异常频段；(4)对神经振荡异常频段进行脑磁图源定位处理，以获得最终的脑磁图检测结果。本发明还涉及一种相应的装置、处理器及其计算机可读存储介质。采用了本发明的该方法、装置、处理器及其计算机可读存储介质，能够精准的获取到精神病临床高危人群的异常神经振荡情况。
Description
技术领域
本发明涉及生物医学信息技术领域，尤其涉及成像技术和医学精神病学的疾病诊断评估的交叉技术领域，具体是指一种基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其计算机可读存储介质。
背景技术
通过促进大脑神经元组之间的交流，神经振荡与整合认知和感觉过程密切相关，在大脑功能中起着至关重要的作用。已有证据表明，精神疾病(如精神分裂症)患者有明显的认知障碍和异常神经振荡。然而，这些异常神经振荡的本质特征、发生机制以及临床适用性仍不清楚。研究者们已观察到精神分裂症患者在静息态下的神经振荡异常，如低频活动增加和高频活动减少。此外，已经证明振荡幅度的减小伴随着θ频带处振荡相干性的减小。静息态反映了大脑一种自发的、内在的神经活动，即当被试在脑成像扫描期间保持放松且不从事任何特定任务时可以观察到这种活动。
近年来，精神病临床高危综合征(CHR-P)因其有着早期识别、预防和干预的优势，在精神病学研究中发挥了重要作用。精神疾病一般在早期阶段已有认知缺陷和部分临床症状。因此，识别CHR-P人群的大脑神经活动异常和生物标志物已成为精神病研究的重点。然而，关于CHR-P人群的神经振荡异常的证据有限。时频分析是描述神经振荡特征的一种有效技术。通过比较CHR-P人群和健康人群的时频功率谱值，可以观察到发生异常神经振荡的感兴趣频带。然后，探寻CHR-P人群引发异常频带中的神经振荡信号对应大脑皮层中源位置。现有研究尚未解决该问题。脑磁图(MEG)是一种具有很高的时间分辨率和空间分辨率的功能性神经成像技术，且传感器获取的信号几乎不受头盖骨和头皮干扰的影响。由于MEG信号具有直接、干净、动态、安全和非侵入性记录的优点，MEG源定位方法可以成功识别振荡信号的位置。
因此，本发明专利申请即为解决上述现有技术中所存在的亟待解决的问题，同时，相应的技术方案受国家自然科学基金项目(81901832，62072014)，促进市级医院临床技能与临床创新能力三年行动计划(SHDC2020CR4066)，上海市科学技术委员会基金项目(19ZR1477800)，上海市精神卫生中心项目(2020-FX-01)资助。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种能够找出异常振荡频带及其在个体大脑皮层中的相应位置的基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其计算机可读存储介质。
为了实现上述目的，本发明的基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其计算机可读存储介质如下：
该基于脑磁图检测精神病高危综合征异常神经振荡的方法，其主要特点是，所述的方法包括以下步骤：
(1)采用前驱综合征结构化访谈量表，以面对面访谈的形式对受试者进行精神病高危综合征评估；
(2)根据评估结果获取对应的精神病高危人群的脑磁图数据，并对其进行数据预处理，用于提高脑磁图信号的质量；
(3)对经过预处理后的所述的脑磁图数据进行时频分析，获取精神病高危人群的神经振荡异常频段；
(4)对所述的神经振荡异常频段进行脑磁图源定位处理，以获得最终的脑磁图检测结果。
较佳地，所述的步骤(1)具体为：
(1.1)采用前驱综合征结构化访谈量表，通过面对面访谈的形式确定所述的受试者是否符合临床高危状态标准，如果符合，则进入步骤(1.2)，否则，不进行评估处理；
(1.2)对当前所述的受试者进行精神病高危综合征评估处理。
较佳地，所述的精神病高危综合征评估处理将进行四种症状的评估，包括：
阳性症状，采用SIPS量表P1-P5类别进行评估；
阴性症状，采用SIPS量表N1-N6类别进行评估；
解体症状，采用SIPS量表D1-D4类别进行评估；以及
一般性症状，采用SIPS量表G1-G4类别进行评估。
较佳地，所述的步骤(2)具体为：
(2.1)根据评估结果，获取连续的脑磁图闭眼静息态数据，并按照预设时间间隔进行分段处理；
(2.2)使用0.5-60Hz的带通滤波器和50Hz的去工频滤波对经过分段处理后的信号进行滤波处理；
(2.3)并采用独立成分分析，去除滤波信号中的眼动伪迹和心电伪迹。
较佳地，所述的步骤(3)具体为：
(3.1)采用基于汉宁窗的多窗谱分析时频变换，对高危综合征和健康人群进行对比时频分析，同时对能量谱的值进行归一化处理，并设置相同的呈现阈值；
(3.2)通过对比两组的时频分析结果，获得精神病高危人群的神经振荡异常频段。
较佳地，所述的步骤(4)具体为：
(4.1)根据获取到的神经振荡异常频段，进行受试者个体头模型创建；
(4.2)采用边界元方法对所述的个体头模型进行正问题求解，所述的边界元方法具体为：
计算非均匀导体中电流源的电势V＝TV0，其中T为转移矩阵，V0为电位向量，表示形式为：
其中第i个网格点位置ri、rj位置处的偶极子电流为Cj，传导率为α；
(4.3)对所述的个体头模型进行反问题求解，并通过精确低分辨率脑电磁层析成像进行估计处理；
(4.4)根据处理结果，进行最终的脑磁图源的绘制和显示。
较佳地，所述的步骤(4.1)具体为：
(4.1.1)读取受试者的个体MRI核磁共振成像中的T1图像数据；
(4.1.2)体素分割，将所述的个体MRI核磁共振成像与脑磁图坐标系配准，三维重建头模，并应用参数为5毫米的空间间隔对所述的三维重建头模进行体素分割；
(4.1.3)头模型创建，应用半真实头部模型，从受试者所述的个体MRI核磁共振成像中提取出外部大脑表面，在分割解剖所述的MRI核磁共振成像后，通过顶点和三角形的形式描述大脑表面，计算出单壳头模型。
较佳地，所述的步骤(4.3)具体为：
(4.3.1)首先使用从所述的时频分析结果中获取感兴趣的频带，例如：本技术方案中发现异常的振荡频段为θ频段(4-7Hz)，δ频段(1-3Hz)；
(4.3.2)分别在当前感兴趣频带(即θ频段(4-7Hz)和δ频段(1-3Hz))上对经过预处理的脑磁图数据执行带通滤波处理；
(4.3.3)再应用主成分分析提取步骤(4.3.2)进行滤波处理的结果的特征，其中主成分分析的贡献率阈值为0.75，对步骤(4.3.2)滤波后的脑磁图数据矩阵进行降维；
(4.3.4)最后通过精确低分辨率脑电磁层析成像进行精确定位，实现目标估计。
较佳地，所述的步骤(4.3.4)将采用如下方式计算脑磁场测量值：
Y＝KX+ε；
其中，Y＝[y(1),y(2),…,y(N)]，y(i)表示第i时刻的脑磁图测量值，其具体为一个M×1维度的向量；K表示M×J维的场增益矩阵；M为传感器的个数；J为体素的个数；X表示一个J×N的电流密度矩阵；ε为一个M×N的噪声矩阵。
该基于脑磁图检测精神病高危综合征异常神经振荡的装置，其主要特点是，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现上述所述的基于脑磁图检测精神病高危综合征异常神经振荡的方法的各个步骤。
该基于脑磁图检测精神病高危综合征异常神经振荡的处理器，其主要特点是，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于脑磁图检测精神病高危综合征异常神经振荡的方法的各个步骤。
该计算机可读存储介质，其主要特点是，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述所述的基于脑磁图检测精神病高危综合征异常神经振荡的方法的各个步骤。
采用了本发明的该基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其计算机可读存储介质，应用了一种新的技术——脑磁图技术，其能够记录CHR-P的静息态神经活动，引入脑磁图分析方法来描述精神病高危综合征人群的神经振荡特征，包括预处理、时频分析和源定位。并且使用该方法发现了一个异常的振荡频带及其在个体大脑皮层中的相应位置。
附图说明
图1为本发明的基于脑磁图检测精神病高危综合征异常神经振荡的方法进行脑磁图源定位处理的流程图。
图2为本发明的基于脑磁图检测精神病高危综合征异常神经振荡的方法比较精神病临床高危人群(CHR-P)与健康对照人群(HC)的时频分析结果示意图。
图3为本发明的基于脑磁图检测精神病高危综合征异常神经振荡的方法进行精神病高危综合征的源定位结果在θ频段(4-7Hz)神经振荡结果的示意图。
图4为本发明的基于脑磁图检测精神病高危综合征异常神经振荡的方法进行精神病高危综合征的源定位结果在delta频段(1-3Hz)神经振荡结果的示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
在详细说明根据本发明的实施例前，应该注意到的是，在下文中，术语“包括”、“包含”或任何其他变体旨在涵盖非排他性的包含，由此使得包括一系列要素的过程、方法、物品或者设备不仅包含这些要素，而且还包含没有明确列出的其他要素，或者为这种过程、方法、物品或者设备所固有的要素。
该基于脑磁图检测精神病高危综合征异常神经振荡的方法，其中，所述的方法包括以下步骤：
(1)采用前驱综合征结构化访谈量表，以面对面访谈的形式对受试者进行精神病高危综合征评估；
(2)根据评估结果获取对应的精神病高危人群的脑磁图数据，并对其进行数据预处理，用于提高脑磁图信号的质量；
(3)对经过预处理后的所述的脑磁图数据进行时频分析，获取精神病高危人群的神经振荡异常频段；
(4)对所述的神经振荡异常频段进行脑磁图源定位处理，以获得最终的脑磁图检测结果。
作为本发明的优选实施方式，所述的步骤(1)具体为：
(1.1)采用前驱综合征结构化访谈量表，通过面对面访谈的形式确定所述的受试者是否符合临床高危状态标准，如果符合，则进入步骤(1.2)，否则，不进行评估处理；
(1.2)对当前所述的受试者进行精神病高危综合征评估处理。
作为本发明的优选实施方式，所述的精神病高危综合征评估处理将进行四种症状的评估，包括：
阳性症状，采用SIPS量表P1-P5类别进行评估；
阴性症状，采用SIPS量表N1-N6类别进行评估；
解体症状，采用SIPS量表D1-D4类别进行评估；以及
一般性症状，采用SIPS量表G1-G4类别进行评估。
作为本发明的优选实施方式，所述的步骤(2)具体为：
(2.1)根据评估结果，获取连续的脑磁图闭眼静息态数据，并按照预设时间间隔进行分段处理；
(2.2)使用0.5-60Hz的带通滤波器和50Hz的去工频滤波对经过分段处理后的信号进行滤波处理；
(2.3)并采用独立成分分析，去除滤波信号中的眼动伪迹和心电伪迹。
作为本发明的优选实施方式，所述的步骤(3)具体为：
(3.1)采用基于汉宁窗的多窗谱分析时频变换，对高危综合征和健康人群进行对比时频分析，同时对能量谱的值进行归一化处理，并设置相同的呈现阈值；
(3.2)通过对比两组的时频分析结果，获得精神病高危人群的神经振荡异常频段。
作为本发明的优选实施方式，所述的步骤(4)具体为：
(4.1)根据获取到的神经振荡异常频段，进行受试者个体头模型创建；
(4.2)采用边界元方法对所述的个体头模型进行正问题求解，所述的边界元方法具体为：
计算非均匀导体中电流源的电势V＝TV0，其中T为转移矩阵，V0为电位向量，表示形式为：
其中第i个网格点位置ri、rj位置处的偶极子电流为Cj，传导率为α；
(4.3)对所述的个体头模型进行反问题求解，并通过精确低分辨率脑电磁层析成像进行估计处理；
(4.4)根据处理结果，进行最终的脑磁图源的绘制和显示。
作为本发明的优选实施方式，所述的步骤(4.1)具体为：
(4.1.1)读取受试者的个体MRI核磁共振成像中的T1图像数据；
(4.1.2)体素分割，将所述的个体MRI核磁共振成像与脑磁图坐标系配准，三维重建头模，并应用参数为5毫米的空间间隔对所述的三维重建头模进行体素分割；
(4.1.3)头模型创建，应用半真实头部模型，从受试者所述的个体MRI核磁共振成像中提取出外部大脑表面，在分割解剖所述的MRI核磁共振成像后，通过顶点和三角形的形式描述大脑表面，计算出单壳头模型。
作为本发明的优选实施方式，所述的步骤(4.3)具体为：
(4.3.1)首先使用从所述的时频分析结果中获取感兴趣的频带，例如：本方法中发现异常的振荡频段为θ频段(4-7Hz)，δ频段(1-3Hz)；
(4.3.2)分别在所述的感兴趣频带，比如θ频段(4-7Hz)和δ频段(1-3Hz)上对经过预处理的脑磁图数据执行带通滤波处理；
(4.3.3)再应用主成分分析提取步骤(4.3.2)进行滤波处理的结果的特征，其中主成分分析的贡献率阈值为0.75，对步骤(4.3.2)滤波后的脑磁图数据矩阵进行降维；
(4.3.4)最后通过精确低分辨率脑电磁层析成像进行精确定位，实现目标估计。
作为本发明的优选实施方式，所述的步骤(4.3.4)将采用如下方式计算脑磁场测量值：
Y＝KX+ε；
其中，Y＝[y(1),y(2),…,y(N)]，y(i)表示第i时刻的脑磁图测量值，其具体为一个M×1维度的向量；K表示M×J维的场增益矩阵；M为传感器的个数；J为体素的个数；X表示一个J×N的电流密度矩阵；ε为一个M×N的噪声矩阵。
在实际应用当中，本技术方案具体包括以下四个处理流程：精神病临床高危综合征的评估、脑磁图数据预处理、时频分析、源定位。
1.评估精神病高危综合征，采用前驱综合征结构化访谈(SIPS)量表，通过面对面访谈确定受试者是否符合CHR状态标准。SIPS包含评估四种症状的19个项目：阳性症状(量表P1-P5)、阴性症状(量表N1-N6)、解体症状(量表D1-D4)和一般性症状(量表G1-G4)。
2.对于已获取的精神病高危人群的脑磁图数据进行预处理，用于提高MEG(脑磁图)信号的质量。将连续的MEG闭眼静息态数据，按10秒作为一段，分成许多段。使用0.5-60Hz的带通滤波器和50Hz的去工频滤波对分段后的信号进行滤波。采用独立成分分析(ICA)去除眼动伪迹和心电伪迹。
3.对于预处理后的MEG数据，进行时频分析。时频分析采用基于汉宁窗的多窗谱分析时频变换。对于高危综合征和健康人群的两组时频分析结果，归一化能量谱的值，并设置相同的呈现阈值。通过对比两组的时频分析结果，给出高危人群的神经振荡异常频段。
4.对于异常频段信号，进行脑磁图源定位。该步骤为本发明方法的关键环节。该方法包括个体头模型创建、正问题求解、逆问题求解和源的显示。这四个步骤如图1所示。在头部模型构建中，使用了一个真实形状的单壳近似来构建体积传导模型。使用迭代最近点算法将单个MRI(核磁共振成像)和数字化头部形状共同融合到MEG坐标系。通过解剖MRI的体积分割技术获得灰质的概率组织图。图1中的逆解在源定位中起到了关键作用，并在本研究中通过精确低分辨率脑电磁层析成像(eLORETA)进行了估计。
在逆问题求解中，首先使用从时频分析结果中获得的感兴趣的频带，例如1-3Hz，在该频段上对预处理的MEG数据执行带通滤波。然后，应用主成分分析提取前一步结果的特征。通过使用eLORETA技术实现精确定位的反问题解决方案描述如下。
我们用符号Y表示脑磁场测量值，具体用一个矩阵Y＝[y(1),y(2),…,y(N)]来表示。脑磁图前向解公式可描述如下：
Y＝KX+ε ……(1)
其中y(i)表示第i时刻的MEG测量值，为一个M×1维度的向量；K表示M×J维的场增益矩阵；M为传感器的个数；J为体素的个数；X表示一个J×N的电流密度矩阵；ε为一个M×N的噪声矩阵。然后，公式(1)的一种线性解的表示形式为：
其中α≥0为Tikhonov正则化因子,W是一个正定对称的权值矩阵。公式(2)的经典加权最小范数解为：
X＝W-1KT(KW-1KT+αL)+Y ……(3)
其中L＝I-11T/1T1,I是单位矩阵,且1是一个所有元素均为1的M×1向量。eLORETA算法的关键步骤是在零误差的情况下估计精确定位的权重。权重的非线性解表示为：
其中ωii＝1,…,J)表示对角矩阵W的所有元素。公式(4)通过迭代算法实现。通过计算所有体素的强度，最大强度的体素位置为源的位置。源显示应用ft_sourceplot函数执行，其中方法参数为‘ortho’。
针对所述的脑磁图数据进行时频分析，请参阅图2所示，图2中的频谱值是基于两个步骤生成的：(1)段上所有通道频谱值的总平均值，以及(2)所有段第一步生成的频谱值的平均值。根据图2的子图A(CHR-P)，高功率谱值集中在δ(1–3-Hz)、θ(4–7-Hz)和α(8–13Hz)的频段，而这些值集中在子图B(HC)的α和δ频段。实验结果表明，CHR-P患者的神经振荡在θ频段(4-7-Hz)和δ频段(1-3-Hz)显著异常。与HC结果相比，CHR-P在两个频段的功率谱显著增强。
针对所述的脑磁图源定位处理，根据时频分析的结果，我们进一步希望根据异常神经振荡的两个频带的MEG信号确定精神病高危综合征的个体MRI中的哪些区域被激活。如图3和图4显示了使用所提出方法的震源定位结果。发现了两个θ带振荡源，即左枕叶(近楔叶)和左颞枕交界处。此外，在右背外侧前额叶和右眶额回附近发现了相关的大脑区域，用于δ带振荡。
本发明的该基于脑磁图检测精神病高危综合征异常神经振荡的装置，其中，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现上述所述的基于脑磁图检测精神病高危综合征异常神经振荡的方法的各个步骤。
该基于脑磁图检测精神病高危综合征异常神经振荡的处理器，其中，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述所述的基于脑磁图检测精神病高危综合征异常神经振荡的方法的各个步骤。
该计算机可读存储介质，其中，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述所述的基于脑磁图检测精神病高危综合征异常神经振荡的方法的各个步骤。
在本技术方案中，我们应用了一种新的技术——脑磁图技术，记录CHR-P的静息态神经活动。详细介绍了MEG分析的方法，包括预处理、多窗谱分析时频分析和eLORETA源定位。实验结果表明，在θ频段(4-7-Hz)和δ频段(1-3-Hz)神经振荡明显异常。对于θ带和右背外侧前额叶，相关脑区位于左枕叶和左颞枕交界处，对于δ带，相关脑区位于眶额回附近。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的，程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一实施例”、“一些实施例”、“示例”、“具体示例”、或“实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
采用了本发明的该基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其计算机可读存储介质，应用了一种新的技术——脑磁图技术，其能够记录CHR-P的静息态神经活动，引入脑磁图分析方法来描述精神病高危综合征人群的神经振荡特征，包括预处理、时频分析和源定位。并且使用该方法发现了一个异常的振荡频带及其在个体大脑皮层中的相应位置。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。
Claims (7)
1.一种基于脑磁图检测精神病高危综合征异常神经振荡的装置，其特征在于，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，用于实现基于脑磁图检测精神病高危综合征异常神经振荡的方法的以下步骤：
(1)采用前驱综合征结构化访谈量表，以面对面访谈的形式对受试者进行精神病高危综合征评估；
(2)根据评估结果获取对应的精神病高危人群的脑磁图数据，并对其进行数据预处理，用于提高脑磁图信号的质量；
(3)对经过预处理后的所述的脑磁图数据进行时频分析，获取精神病高危人群的神经振荡异常频段；
(4)对所述的神经振荡异常频段进行脑磁图源定位处理，以获得最终的脑磁图检测结果；
所述的步骤(1)具体为：
(1.1)采用前驱综合征结构化访谈量表，通过面对面访谈的形式确定所述的受试者是否符合临床高危状态标准，如果符合，则进入步骤(1.2)，否则，不进行评估处理；
(1.2)对当前所述的受试者进行精神病高危综合征评估处理；
所述的步骤(3)具体为：
(3.1)采用基于汉宁窗的多窗谱分析时频变换，对高危综合征和健康人群进行对比时频分析，同时对能量谱的值进行归一化处理，并设置相同的呈现阈值；
(3.2)通过对比两组的时频分析结果，获得精神病高危人群的神经振荡异常频段，包括θ频段(4-7Hz)和δ频段(1-3Hz)；
所述的步骤(4)具体为：
(4.1)根据获取到的神经振荡异常频段，进行受试者个体头模型创建；
(4.2)采用边界元方法对所述的个体头模型进行正问题求解，所述的边界元方法具体为：
计算非均匀导体中电流源的电势V＝TV0，其中T为转移矩阵，V0为电位向量，表示形式为：
其中第i个网格点位置ri、rj位置处的偶极子电流为Cj，传导率为α；
(4.3)对所述的个体头模型进行反问题求解，并通过精确低分辨率脑电磁层析成像进行估计处理；
(4.4)根据处理结果，进行最终的脑磁图源的绘制和显示；
所述的步骤(4.3)具体为：
(4.3.1)首先使用从所述的时频分析结果中获取感兴趣频带，即神经振荡异常频段；
(4.3.2)分别在所述的感兴趣频带上对经过预处理的脑磁图数据执行带通滤波处理；
(4.3.3)再应用主成分分析提取步骤(4.3.2)进行滤波处理的结果的特征，并对步骤(4.3.2)滤波后的脑磁图数据矩阵进行降维；
(4.3.4)最后通过精确低分辨率脑电磁层析成像进行精确定位，实现目标估计。
2.根据权利要求1所述的基于脑磁图检测精神病高危综合征异常神经振荡的装置，其特征在于，所述的精神病高危综合征评估处理将进行四种症状的评估，包括：
阳性症状，采用SIPS量表P1-P5类别进行评估；
阴性症状，采用SIPS量表N1-N6类别进行评估；
解体症状，采用SIPS量表D1-D4类别进行评估；以及
一般性症状，采用SIPS量表G1-G4类别进行评估。
3.根据权利要求1所述的基于脑磁图检测精神病高危综合征异常神经振荡的装置，其特征在于，所述的步骤(2)具体为：
(2.1)根据评估结果，获取连续的脑磁图闭眼静息态数据，并按照预设时间间隔进行分段处理；
(2.2)使用0.5-60Hz的带通滤波器和50Hz的去工频滤波对经过分段处理后的信号进行滤波处理；
(2.3)并采用独立成分分析，去除滤波信号中的眼动伪迹和心电伪迹。
4.根据权利要求1所述的基于脑磁图检测精神病高危综合征异常神经振荡的装置，其特征在于，所述的步骤(4.1)具体为：
(4.1.1)读取受试者的个体MRI核磁共振成像中的T1图像数据；
(4.1.2)体素分割，将所述的个体MRI核磁共振成像与脑磁图坐标系配准，三维重建头模，并应用参数为5毫米的空间间隔对所述的三维重建头模进行体素分割；
(4.1.3)头模型创建，应用半真实头部模型，从受试者所述的个体MRI核磁共振成像中提取出外部大脑表面，在分割解剖所述的MRI核磁共振成像后，通过顶点和三角形的形式描述大脑表面，计算出单壳头模型。
5.根据权利要求1所述的基于脑磁图检测精神病高危综合征异常神经振荡的装置，其特征在于，所述的步骤(4.3.4)将采用如下方式计算脑磁场测量值：
Y＝KX+ε；
其中，Y＝[y(1),y(2),…,y(N)]，y(i)表示第i时刻的脑磁场测量值，其具体为一个M×1维度的向量；K表示M×J维的场增益矩阵；M为传感器的个数；J为体素的个数；X表示一个J×n的电流密度矩阵；ε为一个M×N的噪声矩阵。
6.一种基于脑磁图检测精神病高危综合征异常神经振荡的处理器，其特征在于，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，用于实现基于脑磁图检测精神病高危综合征异常神经振荡的方法的以下步骤：
(1)采用前驱综合征结构化访谈量表，以面对面访谈的形式对受试者进行精神病高危综合征评估；
(2)根据评估结果获取对应的精神病高危人群的脑磁图数据，并对其进行数据预处理，用于提高脑磁图信号的质量；
(3)对经过预处理后的所述的脑磁图数据进行时频分析，获取精神病高危人群的神经振荡异常频段；
(4)对所述的神经振荡异常频段进行脑磁图源定位处理，以获得最终的脑磁图检测结果；
所述的步骤(1)具体为：
(1.1)采用前驱综合征结构化访谈量表，通过面对面访谈的形式确定所述的受试者是否符合临床高危状态标准，如果符合，则进入步骤(1.2)，否则，不进行评估处理；
(1.2)对当前所述的受试者进行精神病高危综合征评估处理；
所述的步骤(3)具体为：
(3.1)采用基于汉宁窗的多窗谱分析时频变换，对高危综合征和健康人群进行对比时频分析，同时对能量谱的值进行归一化处理，并设置相同的呈现阈值；
(3.2)通过对比两组的时频分析结果，获得精神病高危人群的神经振荡异常频段，包括θ频段(4-7Hz)和δ频段(1-3Hz)；
所述的步骤(4)具体为：
(4.1)根据获取到的神经振荡异常频段，进行受试者个体头模型创建；
(4.2)采用边界元方法对所述的个体头模型进行正问题求解，所述的边界元方法具体为：
计算非均匀导体中电流源的电势V＝TV0，其中T为转移矩阵，V0为电位向量，表示形式为：
其中第i个网格点位置ri、rj位置处的偶极子电流为Cj，传导率为α；
(4.3)对所述的个体头模型进行反问题求解，并通过精确低分辨率脑电磁层析成像进行估计处理；
(4.4)根据处理结果，进行最终的脑磁图源的绘制和显示；
所述的步骤(4.3)具体为：
(4.3.1)首先使用从所述的时频分析结果中获取感兴趣频带，即神经振荡异常频段；
(4.3.2)分别在所述的感兴趣频带上对经过预处理的脑磁图数据执行带通滤波处理；
(4.3.3)再应用主成分分析提取步骤(4.3.2)进行滤波处理的结果的特征，并对步骤(4.3.2)滤波后的脑磁图数据矩阵进行降维；
(4.3.4)最后通过精确低分辨率脑电磁层析成像进行精确定位，实现目标估计。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现基于脑磁图检测精神病高危综合征异常神经振荡的方法的以下步骤：
(1)采用前驱综合征结构化访谈量表，以面对面访谈的形式对受试者进行精神病高危综合征评估；
(2)根据评估结果获取对应的精神病高危人群的脑磁图数据，并对其进行数据预处理，用于提高脑磁图信号的质量；
(3)对经过预处理后的所述的脑磁图数据进行时频分析，获取精神病高危人群的神经振荡异常频段；
(4)对所述的神经振荡异常频段进行脑磁图源定位处理，以获得最终的脑磁图检测结果；
所述的步骤(1)具体为：
(1.1)采用前驱综合征结构化访谈量表，通过面对面访谈的形式确定所述的受试者是否符合临床高危状态标准，如果符合，则进入步骤(1.2)，否则，不进行评估处理；
(1.2)对当前所述的受试者进行精神病高危综合征评估处理；
所述的步骤(3)具体为：
(3.1)采用基于汉宁窗的多窗谱分析时频变换，对高危综合征和健康人群进行对比时频分析，同时对能量谱的值进行归一化处理，并设置相同的呈现阈值；
(3.2)通过对比两组的时频分析结果，获得精神病高危人群的神经振荡异常频段，包括θ频段(4-7Hz)和δ频段(1-3Hz)；
所述的步骤(4)具体为：
(4.1)根据获取到的神经振荡异常频段，进行受试者个体头模型创建；
(4.2)采用边界元方法对所述的个体头模型进行正问题求解，所述的边界元方法具体为：
计算非均匀导体中电流源的电势V＝TV0，其中T为转移矩阵，V0为电位向量，表示形式为：
其中第i个网格点位置ri、rj位置处的偶极子电流为Cj，传导率为α；
(4.3)对所述的个体头模型进行反问题求解，并通过精确低分辨率脑电磁层析成像进行估计处理；
(4.4)根据处理结果，进行最终的脑磁图源的绘制和显示；
所述的步骤(4.3)具体为：
(4.3.1)首先使用从所述的时频分析结果中获取感兴趣频带，即神经振荡异常频段；
(4.3.2)分别在所述的感兴趣频带上对经过预处理的脑磁图数据执行带通滤波处理；
(4.3.3)再应用主成分分析提取步骤(4.3.2)进行滤波处理的结果的特征，并对步骤(4.3.2)滤波后的脑磁图数据矩阵进行降维；
(4.3.4)最后通过精确低分辨率脑电磁层析成像进行精确定位，实现目标估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210423451.0A CN114903486B (zh) | 2022-04-21 | 2022-04-21 | 基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210423451.0A CN114903486B (zh) | 2022-04-21 | 2022-04-21 | 基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114903486A CN114903486A (zh) | 2022-08-16 |
| CN114903486B true CN114903486B (zh) | 2025-04-08 |
Family
ID=82764980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210423451.0A Active CN114903486B (zh) | 2022-04-21 | 2022-04-21 | 基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114903486B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110063732A (zh) * | 2019-04-15 | 2019-07-30 | 北京航空航天大学 | 用于精神分裂症早期检测和风险预测系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130096408A1 (en) * | 2010-01-13 | 2013-04-18 | Regent Of The University Of Minnesota | Imaging epilepsy sources from electrophysiological measurements |
| US20140378815A1 (en) * | 2011-05-24 | 2014-12-25 | The Regents Of The University Of California | Magnetoencephalography source imaging |
-
2022
- 2022-04-21 CN CN202210423451.0A patent/CN114903486B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110063732A (zh) * | 2019-04-15 | 2019-07-30 | 北京航空航天大学 | 用于精神分裂症早期检测和风险预测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于人格自评量表的精神分裂症患者及其一级亲属的脑电研究;黄微;中国博士学位论文全文数据库医药卫生科技辑;20200615;第2020年卷(第6期);E071-9 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114903486A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Teipel et al. | Regional networks underlying interhemispheric connectivity: an EEG and DTI study in healthy ageing and amnestic mild cognitive impairment | |
| Bosch-Bayard et al. | 3D statistical parametric mapping of EEG source spectra by means of variable resolution electromagnetic tomography (VARETA) | |
| Pizzagalli | Electroencephalography and high-density electrophysiological source localization | |
| Rajeswari et al. | Advances in biomedical signal and image processing–A systematic review | |
| US9940712B2 (en) | Quantitating disease progression from the MRI images of multiple sclerosis patients | |
| He et al. | Boundary element method-based cortical potential imaging of somatosensory evoked potentials using subjects' magnetic resonance images | |
| US20140066739A1 (en) | System and method for quantifying or imaging pain using electrophysiological measurements | |
| Kaltiainen et al. | Theta-band oscillations as an indicator of mild traumatic brain injury | |
| CN106204562A (zh) | 一种基于fMRI与DTI融合的穹隆白质分割的方法 | |
| CN115187555A (zh) | 一种静息态功能磁共振个体化靶点定位方法 | |
| Liu et al. | Comparison of EEG source localization using simplified and anatomically accurate head models in younger and older adults | |
| House et al. | Morphometric MRI analysis enhances visualization of cortical tubers in tuberous sclerosis | |
| CN114065825B (zh) | 一种基于结构相似性的脑磁meg源定位方法 | |
| Marino et al. | Heart–brain interactions in the MR environment: characterization of the ballistocardiogram in EEG signals collected during simultaneous fMRI | |
| Rajamanickam | A mini review on different methods of functional-MRI data analysis | |
| Sure et al. | Alterations of resting-state networks of Parkinson‘s disease patients after subthalamic DBS surgery | |
| Corsi | Electroencephalography and magnetoencephalography | |
| Hikishima et al. | Brain-wide mapping of resting-state networks in mice using high-frame rate functional ultrasound | |
| Moretti | Involvement of mirror neuron system in prodromal Alzheimer's disease | |
| CN114903486B (zh) | 基于脑磁图检测精神病高危综合征异常神经振荡的方法、装置、处理器及其存储介质 | |
| Cetin et al. | Multimodal based classification of schizophrenia patients | |
| CN117672467A (zh) | 静息态功能磁共振图像处理分析方法及装置 | |
| Maziero et al. | Two-dimensional temporal clustering analysis for patients with epilepsy: detecting epilepsy-related information in EEG-fMRI concordant, discordant and spike-less patients | |
| Ladrova et al. | Multichannel ballistocardiography: A comparative analysis of heartbeat detection across different body locations | |
| Alfano et al. | Advanced neuroimaging techniques in the clinical routine: A comprehensive MRI case study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |