一种同步EEG-fMRI脑电信号去BCG伪迹方法

一种同步eeg
‑
fmri脑电信号去bcg伪迹方法
技术领域
1.本发明涉及脑电信号预处理领域，具体涉及一种基于深度学习的去除同步eeg
‑
fmri采集的脑电信号中bcg伪迹的方法。


背景技术：

2.随着脑科学研究的发展，脑电信号(eeg)与功能磁共振成像(fmri)的结合引起了广泛的关注和研究。脑电信号对大脑神经放电活动进行直接测量，具有毫秒级的时间分辨率；而功能磁共振成像通过测量大脑血氧水平变化的方法间接测量大脑活动，具有毫米级的空间分辨率。eeg与fmri在时空分辨率上的互补性，使得同步eeg
‑
fmri能够为脑功能研究提供更为深入和全面的信息。
3.进行同步eeg
‑
fmri研究首先面临的就是伪迹去除问题，其中eeg采集系统向fmri信号引入的伪迹较小，不会显著影响fmri成像质量；而核磁扫描系统则会向eeg信号中引入严重的伪迹，主要有以下三种：
4.1.脉冲伪迹(pa)：它是由脉冲射频引起的，其噪声频率与eeg信号的频率差异很大，一般使用70hz的低通滤波即可去除。
5.2.梯度伪迹(ga)：它是在fmri采集期间磁场切换引发的周期性伪迹，这些伪迹的幅度比eeg信号的幅度大10
‑
100倍，而且因为其自身的时移不变性，可以用模板法将其从eeg信号中去除。
6.3.心冲击伪迹(bcg伪迹)：它是在高强度的磁场条件下，由心跳引起的微小头动、头部血管随心跳而产生的扩张和收缩等多种因素导致的伪迹。此外，bcg伪迹因被试、脑电通道和磁共振扫描仪的不同而变化，甚至在同一试次同一通道内，随着时间的流逝，bcg伪迹的形态也会发生变化。因此，这些因素的存在使得bcg伪迹成为同步eeg
‑
fmri采集的脑电信号中最难去除的伪迹。
7.目前，用于抑制同步采集eeg
‑
fmri时所获得的脑电信号中的bcg伪迹的方法主要有三种。一是基于参考信号的方法：通常利用参考信号生成bcg伪迹模板，并利用该模板去消除脑电信号中的bcg伪迹；二是基于成分分析的盲源分离方法：利用成分分析分离出与bcg伪迹成分相关的正交或独立成分，有选择性地标出视为bcg伪迹的成分并将其去除。三是硬件法，采用碳纤索套等专业的硬件设备，直接测量伪迹的波形，然后从受污染的eeg信号中减去这些伪迹。然而，在模板法中，由于bcg伪迹的时变性，依赖心电信号的模板不能很好的随着伪迹的变化而改变，所以仍会有伪迹残留在eeg信号中；在盲源分离法中，在选择独立成分的数量方面总是需要权衡，有太大的主观性：去除少量独立成分可能仍会有伪迹残留在eeg信号中，反之，去除大量的独立成分可能会导致脑电信号中重要的信息丢失。在硬件法中，特殊的电极帽价格较高而且实验操作较困难。
8.目前深度学习发展迅速，在图像、语音、检索等领域获得了巨大成功，同时近年来，在脑电信号处理领域也取得了不少成果。但是针对于这类非配对的脑电信号转化问题(即实际情况下不能获得同一时间下受污染的eeg信号以及纯净的eeg信号用于有监督的信号
转化)的研究较少。
9.因此，使用深度学习来开发一种不依赖心电参考电极而且能客观便捷准确地去除脑电信号中bcg伪迹的方法极具现实意义。


技术实现要素：

10.针对现有技术的不足，本发明提供一种不依赖心电参考电极并且便捷准确地去除脑电信号中bcg伪迹的方法，其可以广泛地应用于临床医学诊断、神经生理学和认知神经科学等研究领域。本发明不仅不依赖心电信号，而且能够有效保留大量的脑电信息，为脑电去噪提供了一种新思路。
11.为达到上述目的，本发明所采用的技术方案如下：
12.一种同步eeg
‑
fmri脑电信号去bcg伪迹方法具体包括步骤如下：
13.步骤1、脑电信号采集。
14.分别采集在普通环境和核磁共振环境下的30个通道的睁眼、闭眼状态头皮脑电信号；所述的30个通道是fp1、fp2、f3、f4、c3、c4、p3、p4、o1、o2、f7、f8、t7、t8、p7、p8、fz、cz、pz、oz、fc1、fc2、cp1、cp2、fc5、fc6、cp5、cp6、a1、a2。
15.普通环境是指代核磁共振扫描仪以外的自然环境。
16.步骤2、脑电信号预处理。
17.对步骤1所得的脑电信号进行如下预处理，包括基线矫正、去除工频干扰、脉冲伪迹、梯度伪迹等，为现有常规技术，故不详解。
18.步骤3、数据分割
19.对预处理后的四类脑电信号(普通坏境下的睁眼、闭眼状态脑电信号，核磁扫描仪环境下的睁眼、闭眼状态脑电信号)分别进行切片，以t为时间窗口进行滑窗操作，得到一系列大小为c*l(l＝t*w)的脑电信号片段，其中c为通道数，l为数据长度，w为采样频率；然后将上述切片后的四类脑电信号片段构建睁眼和闭眼状态下数据集，每个数据集包括普通坏境下脑电信号a和磁扫描仪环境下脑电信号b。
20.步骤4、利用上述睁眼和闭眼数据集分别进行去除bcg伪迹的睁眼网络模型和闭眼网络模型训练；
21.所述去除bcg伪迹的睁眼网络模型和闭眼网络模型均采用基于cyclegan网络架构模型bcggan；
22.bcggan包括cyclegan、自编码器约束、中间特征约束；
23.所述的cyclegan包括两个生成器以及两个判别器，生成器用以被训练产生尽量真实的信号去欺骗判别器，而判别器则是尽量将生成信号和真实信号区分开来。
24.所述的两个生成器包括用于普通坏境下的脑电信号a转化至磁扫描仪环境下的脑电信号b
′
的生成器g1(b
′
＝g1(a))，以及用于磁扫描仪环境下的脑电信号b转化至普通坏境下的脑电信号a
′
的生成器g2(a
′
＝g2(b))；
25.每个生成器包括下采样子模块、第一特征提取子模块、中间特征提取子模块、第二特征提取子模块、上采样子模块。其中下采样子模块对数据进行编码以去除数据的风格特征；第一特征提取子模块以及第二特征提取子模块均由2层卷积层组成，用于提取深层更加抽象的特征；中间特征提取子模块用于提取数据的特征分布；上采样子模块对数据进行解
码以添加数据的风格特征。
26.gan基于两个假设，其一是可以建立一个强分类器来区分这些特征，其二是可用一个可靠的生成器来转化原始特征并重建目标特征。而在该任务中，很容易建立强分类器作为判别器；对于第二个假设，由于脑电信号的信噪比极低，较难得到一个强大的生成器。生成器划分的目的在于：通过对多个子模块进行额外的训练，提升生成器网络的局部特征提取能力，而从达到整体的性能提升。
27.生成器g1中的下采样子模块、生成器g2中的上采样子模块拼接成一个自编码器ae
a
；生成器g2中的下采样子模块、生成器g1中的上采样子模块拼接成一个自编码器ae
b
；
28.通过对拼接而成的自编码器进行训练，使得下采样子模块能够更好地去除一些与内容无关的特征(伪迹噪声)，使得上采样子模块能够更好地添加一些特定的与内容无关的特征(特定的伪迹噪声)。
29.两个生成器中脑电信号经过下采样子模块、第一特征提取子模块、中间特征提取子模块输出中间特征值a1、b1至中间特征约束；
30.脑电信号a经生成器g1得到b
′
，再输入至生成器g2，经生成器g2下采样子模块、第一特征提取子模块、中间特征提取子模块输出中间特征值b
′
1至中间特征约束；
31.脑电信号b经生成器g2得到a
′
，再输入至生成器g1，经生成器g1下采样子模块、第一特征提取子模块、中间特征提取子模块输出中间特征值a
′
1至中间特征约束；
32.中间特征约束用于将特征值a1、b1、b
′
1、a
′
1输入至公式(8)至公式(11)。由于在深度学习中，网络较深的层数更多是与任务状态相关的一些特征，而在两种环境下的被试状态都处于静息态，中间特征层作为编码阶段的最深层，上述特征值a1、b1、b
′
1、a
′
1在该层的特征分布应该大体相近，通过使公式(11)最小化，以实现在网络中间层提取到有用的任务状态相关特征。
33.根据中间特征约束进行训练，能够进一步提升第一特征提取子模块、中间特征提取子模块、第二特征提取子模块的性能。
34.加入上述的两种训练后，使得生成器中所有子模块进行了额外的训练以达到更好的性能，最终获得一个强大的生成器。
35.所述的两个判别器包括用于分辨信号是否为真实的普通环境下的脑电信号的判别器d
a
，以及信号是否为真实的磁扫描仪环境下的脑电信号的判别器d
a
。
36.判别器d
a
的输入为生成器g2输出的a
′
和数据集中的a；
37.判别器d
a
的输入为生成器g1输出的b
′
和数据集中的b；
38.cyclegan损失函数如下：
[0039][0040][0041][0042][0043]
自编码器约束损失函数如下：
[0044]
[0045][0046][0047]
中间特征约束损失函数如下：
[0048][0049][0050][0051][0052][0053]
式中分别为cyclegan、自编码器约束、中间特征约束三个部分的损失函数，为总体损失函数。其中为数据期望，a∈脑电信号a，b∈脑电信号b，φ
κ
为相关联的对应映射函数，为一个κ特征核的希尔伯特空间。
[0054]
式中为循环一致性损失，其要求输入信号a依次经过g1,g2生成器后所得的输出信号a2能和a保持一致性，形成一个循环的模式。同理输入信号b依次经过g2,g1生成器后所得的输出信号b2能和b保持一致性。式中以及分别为d
a
判别器以及d
b
判别器的损失函数。将上述三个损失函数结合后作为第一个部分的损失函数。
[0055]
式中以及分别为两个自编码器的损失函数，将上述两个损失函数结合后作为第二个部分的损失函数。
[0056]
式中以及分别为两种特征值的mk
‑
mmd距离损失函数，将上述三个损失函数结合后作为第三个部分的损失函数。
[0057]
步骤5、使用训练好的模型中生成器g2以实现磁扫描仪环境下的eeg信号去除bcg伪迹。
[0058]
与现有的常用去除bcg伪迹方法比较，证明本发明提出的方法能有效的去除噪声伪迹信号。
[0059]
本发明的另一个目的是提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现上述的方法。
[0060]
本发明的又一个目的是提供一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述的方法。
[0061]
本发明的有益效果是：
[0062]
1.该方法不需要依赖心电信号作为参考信号，可在没有心电信号或心电信号质量不好时使用；
[0063]
2.该方法不需要主观地选择和bcg伪迹相关的成分数量，避免了人为处理误差。
[0064]
3.无需通过特殊硬件结构来实现去噪功能，只需用普通的核磁共振下脑电放大器即可完成脑电信号的采集，对设备的要求大大降低。
[0065]
4.去噪后的脑电信号基本将bcg伪迹去除，相比其他的去噪算法，本发明在尽可能去除bcg伪迹的同时，能更好地有效保留脑电信息。
附图说明
[0066]
图1为本发明具体实施方法流程图；
[0067]
图2为本发明具体实施方式大脑电极位置图；
[0068]
图3为本发明中bcggan的生成器模型：其中(a)为详细的生成器网络架构；(b)为两个生成器网络组成的主网络，箭头表示数据在生成器网络中的流动方向，数字代表着数据流动所对应的步骤，
①
至
⑤
表示生成器g1，
⑥
至
⑩
表示生成器g2；在生成器g1中，m1表示下采样子模块、m2表示第一特征提取子模块、m3表示中间特征提取子模块、m4表示第二特征提取子模块、m5表示上采样子模块；在生成器g2中，m5表示下采样子模块、m4表示第一特征提取子模块、m3表示中间特征提取子模块、m2表示第二特征提取子模块、m1表示上采样子模块；(c)为bcggan的三个子网络，包括cyclegan、自编码器约束、中间特征约束；
[0069]
图4为本发明与现有常用方法在两个不同时间段去除bcg伪迹的可视化效果对比。
具体实施方式
[0070]
下面结合附图，对本发明基于深度学习的去除同步eeg
‑
fmri采集的脑电信号中bcg伪迹的方法做详细描述。
[0071]
如图1所示，一种基于深度学习的去除同步eeg
‑
fmri采集的脑电信号中bcg伪迹的方法，包括以下步骤：
[0072]
步骤1、脑电数据采集：在经验丰富的临床医生的监督下，经被试人员同意，分别收集其在普通环境和在核磁共振环境下的睁眼以及闭眼状态的脑电数据。信号采集使用一个32通道mri兼容的bp产品记录eeg数据，阻抗调整到10kω以下，采样率为5000hz。根据标准10
‑
20系统将30个脑电电极(fp1、fp2、f3、f4、c3、c4、p3、p4、o1、o2、f7、f8、t7、t8、p7、p8、fz、cz、pz、oz、fc1、fc2、cp1、cp2、fc5、fc6、cp5、cp6、a1、a2)置于大脑头皮上，如图2所示。为了保证采集相对于扫描中梯度切换的时间稳定性，使用syncbox对放大器系统进行同步。放大和数字化的脑电图信号通过光纤电缆传输到位于扫描室外的记录计算机。
[0073]
步骤2、脑电信号预处理：对普通环境下采集的脑电信号使用去平均方法对数据进行基线校正，并去除工频干扰；对核磁共振环境下采集的脑电信号去除脉冲伪迹、梯度伪迹等伪迹。对两类数据进行下采样，采样率为250hz。
[0074]
步骤3、数据分割及整理：将步骤2获得的数据进行切片处理，尽管bcg伪迹不会周期性出现，但其出现频率高，使用t作为时间窗口进行滑窗操作时，能够保证在每个窗口内都包含有bcg伪迹，最终得到一系列大小为c*l(l＝t*w)的切片，其中c为通道数，l为数据长度，w为采样频率。完成数据分割后，这该四类数据进行整理，将睁眼状态下的普通环境数据和核磁扫描仪环境数据组合为一个数据集，将闭眼状态下的普通环境数据和核磁扫描仪环境数据组合为一个数据集，然后分别输入到针对睁眼状态和闭眼状态的网络模型中。
[0075]
步骤4、闭眼状态的信号处理与睁眼状态的信号处理方法完全一致，而针对这两种
不同特征的数据都单独创建模型时，能够进一步提高性能，因此分别训练去除bcg伪迹的睁眼网络模型和闭眼网络模型。在下面步骤介绍中，将不再分别介绍睁眼状态与闭眼状态信号。将数据集输入到bcggan中，包括以下步骤：
[0076]
4.1、训练判别器：d
a
判别器用于分辨脑电信号是否为真实的普通环境下的脑电信号，即区别脑电信号x是否来自数据集中的a；d
b
判别器用于分辨脑电信号是否为真实的磁扫描仪环境下的脑电信号，即区别脑电信号x是否来自数据集中的b。判别器在当前训练迭代轮次中，目标是以及的值尽量小，根据该损失值进行反向传播来调整判别器的参数。
[0077]
4.2、训练生成器：将信号a输入g1生成器中，生成器使用下采样子模块对信号进行编码，再通过第一特征提取子模块、中间特征提取子模块、第二特征提取子模块进一步提取脑电信号特征并进行特征转换，最终通过上采样子模块将脑电信号重构解码，输出生成信号b
′
。将脑电信号b输入g2生成器来输出生成信号a
′
的过程同上。
[0078]
4.3、在cyclegan中，将4.2得到的生成信号作为两个判别器的输入，判别器在已有训练的基础上，对新输入的信号数据提取特征，此时目标是以及的值尽量大；在自编码器约束中，对输入的脑电信号进行编码以及解码操作，此时目标是以及的值尽量小；在中间特征约束中，最小化特征值a1、b1、b
′
1、a
′
1的特征分布距离，此时目标是以及的值尽量小。根据cyclegan、自编码器约束、中间特征约束三个部分的损失值进行反向传播来调整生成器的参数。由于模块参数都是共享的，最终的结果就是经过这样的协同训练，各基本模块的特征提取能力提高，使得总体性能提升。
[0079]
4.4、重复4.1～4.3，经过多次迭代后，最终直到判别器不能区分输入信号的真假，则说明生成器所生成的脑电信号质量高。对于g2生成器来说，当脑电信号b经过g2生成器转化为纯净eeg信号时，则得到了去除bcg伪迹的效果。
[0080]
图3(a)为详细的bcggan生成器网络架构；
[0081]
图3(b)为两个生成器网络组成的主网络，在生成器g1中，m1表示下采样子模块、m2表示第一特征提取子模块、m3表示中间特征提取子模块、m4表示第二特征提取子模块、m5表示上采样子模块；在生成器g2中，m5表示下采样子模块、m4表示第一特征提取子模块、m3表示中间特征提取子模块、m2表示第二特征提取子模块、m1表示上采样子模块；
①
至
⑤
表示生成器g1，
⑥
至
⑩
表示生成器g2；
[0082]
图3(c)为bcggan的三个子网络，包括cyclegan、自编码器约束、中间特征约束；
[0083]
cyclegan中
①
至
⑩
表示普通坏境下脑电信号a经生成器g1得到b
′
，再输入至生成器g2，经生成器g2输出生成信号a
′
；
⑥
至
⑤
表示磁扫描仪环境下脑电信号b经生成器g2得到a
′
，再输入至生成器g1，经生成器g1输出生成信号b
′
；
[0084]
自编码器约束中
①
、
⑩
表示生成器g1中的下采样子模块、生成器g2中的上采样子模块拼接成一个针对于脑电信号a的自编码器ae
a
；
⑥
、
⑤
表示生成器g2中的下采样子模块、生成器g1中的上采样子模块拼接成一个针对于脑电信号b的自编码器ae
b
；
[0085]
中间特征约束中
①
、
②
、
③
表示将磁扫描仪环境下脑电信号b和由脑电信号a经过生成器g1的输出值b
′
分别输入至生成器g2中的下采样子模块、第一特征提取子模块、中间特
征提取子模块，输出中间特征值b1和b
′
1；
⑥
、
⑦
、
⑧
表示将普通坏境下脑电信号a和由脑电信号b经过生成器g2的输出值a
′
分别输入至生成器g1中的下采样子模块、第一特征提取子模块、中间特征提取子模块，输出中间特征值a1和a
′
1，并计算每两种特征值mk
‑
mmd距离损失函数。
[0086]
步骤5、将训练好的模型导出为.pth文件以保存生成器的模型及其参数，在实际进行去除伪迹操作的时候不再需要判别器网络。使用最终模型对已有的受污染eeg信号数据进行去除bcg伪迹操作。
[0087]
本实施例图4对比了两种常见方法(ica算法、商业软件analyzer2)以及本发明bcggan在不同时间段的bcg伪迹去除上的表现。其中虚线为带bcg伪迹的脑电信号，实线为去除bcg伪迹后的曲线，可以看到bcggan在所有方法中去伪迹效果最好，同时在不同时间段上表现稳定，没有出现曲线偏移的现象。