一种基于注意力机制的脑磁图MEG源定位方法与流程

本发明涉及生物医学信号分析与处理领域，尤其涉及一种基于注意力机制的脑磁图meg源定位方法。

背景技术：

1、脑磁图(meg：magnetoencephalography)技术是一种无创、非侵入式的神经生理学检测方法，用于记录大脑的神经活动。脑磁图meg通过检测大脑产生的微弱磁场，实现对大脑功能的高时空分辨率的影像绘制。meg技术使用超导量子干涉仪(squid：superconducting quantum interference device)或基于无自旋交换弛豫(serf：spinexchange relaxation free)的原子磁强计(opm：optical pumping magnetometer)等磁场传感器来检测这些微弱磁场。这些磁场与大脑中不同功能状态下的神经活动密切相关，通过分析这些磁场信号，可以了解大脑的功能状态。meg信号的采集通常需要一个由多个传感器组成的阵列，以便覆盖大脑表面的多个区域。

2、脑磁图meg与脑电图(eeg：electroencephalogram)和功能磁共振成像(mri：functional magnetic resonance imaging)相比具有时空分辨率高，可直接反映神经活动、无辐射损害、可适用于不同年龄段等一定优势。同时脑磁图meg也具有其空间分辨率较低、信号噪声比低等不足之处。

3、上述，需要研究新的脑磁图源定位方法，以确定大脑活动的源位置和强度。

技术实现思路

1、为了解决以上技术问题，本发明提供了一种基于注意力机制的脑磁图meg源定位方法。在不改变其他探测器器件和探测器安装条件下，利用机器学习方法，构建进行脑磁图数据处理的输入输出模型，用以提高脑磁图源定位的实时性和准确性。

2、本发明的技术方案是：

3、一种基于注意力机制的脑磁图meg源定位方法，首先利用磁共振成像仪获取磁共振结构像，使用超导量子干涉器或原子磁强计获取脑磁图数据。对所获取数据进行预处理，包括结构图像数据稀疏化,脑磁图数据去除噪声和去除伪迹。构建基于注意力机制的源定位模型，对mri结构像与脑磁图数据进行多模态融合与多特征表达，训练定位模型,对脑磁图数据对齐定位。最后进行脑磁图数据定位分析与反馈优化,并进行定位结果准确性与一致性验证

4、利用mri结构图数据和meg数据的模态信息融合和多特征表达，提高源定位的准确性。利用核心为注意力机制的transformer模型的全局上下文感知能力，捕捉到meg数据中的长距离依赖关系，减少定位错乱。利用transformer模型的并行计算能力，可以在较短的时间内完成大量数据处理，提高计算效率。本发明流程清晰，具有更好的实时性和更高的准确率。

5、进一步的，

6、利用滤波预处理：将初始脑磁图数据通过0.1hz-40hz的带通滤波器，以去除低频和高频噪声，提高脑磁图源定位的准确性；

7、去除伪迹：利用独立成分分析ica进行伪迹消除，将数个观察到的信号分离成若干个独立的源信号，每个源信号都代表一种特定的生理活动；通过寻找一个线性变换，使得变换后的各个成分之间相互独立，进而可以将上述几种伪迹噪声从脑磁图源信号分离出来，从而去除伪迹。

8、再进一步的，

9、分别为mri所构建的大脑结构图像和所采集的脑磁图数据集建立坐标系，并进行转换，首先转换为一维向量，然后定义矩阵尺度，并转换为二维矩阵；

10、定义脑磁图信号时间窗口阈值，将窗口内的脑磁信号段作为矩阵的一个元素，获取脑磁图信号的初始源空间信号分布，按照前述结构像的规则进行排列。

11、利用数学模型和优化算法对空间滤波和谱分析后的信号进行源定位；

12、基于结构的空间源定位方法利用脑部解剖结构信息，作为先验结构图像知识，结合脑磁图信号进行源定位；

13、利用上述两者的跨模态信息融合以及位置对齐算法进行源定位。

14、定位模型的输入为所探测脑磁图信号，输出为经过重新排列与对齐的信号矩阵，即获取脑磁图信号源定位的结果；

15、定位模型的底层结构为transformer，transformer以tensor存储数据，以自注意力层来捕捉输入序列中不同位置之间的相关性；

16、模型的编码器用于提取输入数据的特征，解码器用于生成源定位结果；在搭建过程中，需要调整模型参数和超参数；

17、利用提取的特征数据对transformer模型进行训练；训练过程采用自监督学习或其他无监督学习方法，使模型能够从原始mri数据和meg数据中学习信息。

18、将经过下采样预处理的mri结构图像输入到transformer模型中，图像的行和列分别表示图像的高度和宽度；

19、在编码器部分，通过编码器层对输入图像进行特征提取；

20、在每个编码器层中，多头自注意力机制可以帮助模型捕捉到图像中不同位置的关联信息，而位置全连接前馈网络则可以对序列进行非线性变换；

21、在transformer模型中，需要对输入图像进行位置编码，以使模型能够识别图像中不同位置的信息；

22、位置编码通过在输入图像的像素值中添加位置信息实现；

23、利用sin-cos位置编码和线性位置编码方法实现位置编码；

24、这些位置编码方法可以使模型在训练过程中更好地捕捉到图像中不同位置的关联信息。

25、在transformer模型的解码器部分，可以根据编码器的输出和已经解码的部分预测下一个输出；

26、这里的输出位置信息可以是与输入图像中每个像素相对应的位置信息，也可以是图像中特定位置的像素值；同时获取位置索引信息；这些位置信息用于后续对meg信号进行位置的定位对齐。

27、对预处理后的脑磁图数据，定义脑磁图信号时间窗口阈值，将窗口内的脑磁信号段作为矩阵的一个元素，获取脑磁图信号的初始源空间信号分布，按照前述结构像的规则进行排列，进行特征提取；

28、设定上述矩阵元素特征包括时域标准差和平均振幅，频域功率谱密度和频率分量；

29、上述meg数据特征和元素之间距离特征以及mri结构图的位置特征，用以输入transformer模型，训练带有注意力机制的神经网络模型；

30、模型编码器提取输入mri位置信息和meg定义特征，利用训练好的带有注意力机制的模型对meg数据进行源定位分析，输出空间位置对齐信息。

31、通过对比源定位结果与实际脑部结构，进行结果评估；

32、通过交叉验证评估模型性能；

33、根据评估结果，对模型进行优化。

34、对同一采样在设定时间之内利用同组传感器所获取的脑磁图数据，定义不同的时间窗口阈值，获取不同序列的脑磁图源空间数据分布，进行一次以上meg源定位，进行结果一致性验证；

35、对于不同采样，在不同的时间和条件下，按照上述验证过程，进行源定位结果一致性验证；

36、对定位准确性进行验证，对微弱磁信号探测器所记录，并利用mri、fmri对meg定位结果进行验证。

37、本发明的有益效果是

38、(1)利用先验mri成像信息与脑磁图数据相结合，实现跨模态信息融合，提高源定位的准确性。

39、(2)利用视觉注意力的全局上下文感知，捕捉到meg数据中的长距离依赖关系。注意力机制使模型能够根据meg数据中的相关性，关注与源定位任务密切相关的区域，提高了定位准确性。

40、(3)transformer构建的模型，其并行计算能力使其能够在较短的时间内完成大量数据处理，具有良好的实时性，提高了计算效率。

41、(4)对于矩阵中元素的定位，注意力机制有助于模型抵抗噪声和干扰，提高了源定位结果的鲁棒性。

42、本发明利用注意力机制和全局的上下文感知提升了脑磁图源定位的准确性。作为一种机器学习方法，利用历史数据对模型进行优化，验证定位结果准确性与一致性。