利用電生理數(shù)據(jù)估計(jì)大腦的連通性是研究大腦動力學(xué)系統(tǒng)的重要手段。復(fù)雜的神經(jīng)系統(tǒng)在其活動中產(chǎn)生的電磁信號為研究其生物物理過程提供了途徑,EEG(Electroencephalography)和MEG(Magnetoencephalography)能夠以非侵入式高時(shí)間分辨率地采集到這些電生理信號。通過EEG/MEG逆問題技術(shù),不僅能夠重建出顱內(nèi)源空間的電生理信號,而且也可以估計(jì)出源空間的連通性。然而估計(jì)EEG/MEG源空間連通性面臨著源泄漏的挑戰(zhàn),因?yàn)樾孤⿻斐商摷俚倪B通性。因此本文從線性源模型的泄漏控制角度對連通性重建方案進(jìn)行了討論,并提出了相關(guān)的驗(yàn)證實(shí)驗(yàn),評估了連通性估計(jì)方法的泄漏消除性能,證明了借助結(jié)構(gòu)稀疏性的方法能夠精確地估計(jì)大腦電生理連通性:首先,本文介紹了以大腦生物物理過程建立的狀態(tài)空間和圖模型的理論框架,并在此基礎(chǔ)上介紹了源空間的信號估計(jì)和連通性估計(jì)方法。然后,本文對利用重建的源空間信號來估計(jì)連通性的兩步估計(jì)策略進(jìn)行了討論。指出了采用泄漏校正的兩步連通性估計(jì)典型實(shí)踐中的四個(gè)關(guān)鍵步驟存在的問題,其中最重要的是證明了源空間泄漏造成了非零相位的影響。本文對此給出了相應(yīng)的解決方案:相比使用EEG/MEG的時(shí)域帶限信號的協(xié)方差,采用帶限的希爾伯特包絡(luò)的協(xié)方差來估計(jì)頻域的逆問題更精確;為了保留相位信息,應(yīng)該使用源空間復(fù)數(shù)希爾伯特包絡(luò)計(jì)算協(xié)方差;由于源泄漏并非只影響零相位關(guān)聯(lián)性,在關(guān)于偏相干的Graphical Ridge估計(jì)的基礎(chǔ)上本文通過求解真實(shí)互功率譜的代數(shù)Riccati方程消除泄漏的非零相位的連通性失真;根據(jù)網(wǎng)絡(luò)的結(jié)構(gòu)稀疏性,使用無偏的Hermitian Graphical LASSO(hgLASSO)估計(jì)逆協(xié)方差矩陣得到偏相干。接著,為了降低連通性估計(jì)維度,根據(jù)結(jié)構(gòu)稀疏假設(shè),本文在貝葉斯框架重新審視了逆問題,引出了Paz-Linares等人提出的源空間信號重建方法——頻域結(jié)構(gòu)化稀疏貝葉斯學(xué)習(xí)(Spectral Structured sparse Bayesian Learning,sSSBL)。由于利用觀測數(shù)據(jù)直接估計(jì)模型參數(shù)的一步估計(jì)方法——隱高斯圖源模型(Hidden Gaussian Graphical Source-model,HIGGS)在高維估計(jì)中需要sSSBL為其篩選體素空間以及設(shè)定初值,以保證算法收斂,因此在介紹sSSBL的精確源定位性能之后,本文利用典型相關(guān)分析計(jì)算了重建的源電生理信號和血液動力學(xué)信號之間的頻率耦合特性。根據(jù)結(jié)果發(fā)現(xiàn)兩者的頻率耦合關(guān)系與此前文獻(xiàn)報(bào)道的局部場電位(Local field potential,LFP)與血氧水平依賴(Blood oxygenation level dependent,BOLD)信號的關(guān)系一致,證明了sSSBL重建得到的源信號也具有良好的頻率特性,進(jìn)一步驗(yàn)證了其能夠精確地估計(jì)源空間信號。另一方面,通過貝葉斯框架也揭示了兩步估計(jì)中存在將源信號協(xié)方差作為先驗(yàn)固定的問題,進(jìn)而介紹了Paz-Linares等人為源空間連通性估計(jì)設(shè)計(jì)的三層貝葉斯模型HIGGS方法,以及其中用于偏相干估計(jì)的無偏hgLASSO。最后為了比較各種源連通性重建方案,本文在xi-alpha模型和Hermitian Gaussian Graphical Model(hGGM)模型的基礎(chǔ)上使用向量自回歸模型建立了更加符合真實(shí)大腦電生理時(shí)空特性的時(shí)域仿真。通過對比仿真驗(yàn)證中各方法的性能表現(xiàn),證明了本文對兩步法使用AREC校正等改進(jìn)手段是有效的。而HIGGS方法在本文的仿真中對連通性估計(jì)非常精確,為EEG和MEG進(jìn)行大腦連通性估計(jì)提供了可靠手段。綜上所述,本文為大腦電生理數(shù)據(jù)用于高維神經(jīng)動力學(xué)的研究提供了理論和方法的支持。結(jié)合仿真和真實(shí)數(shù)據(jù)的結(jié)果本文驗(yàn)證了連通性估計(jì)方法的可靠性,推進(jìn)了EEG/MEG連通性估計(jì)在大腦認(rèn)知活動和醫(yī)療健康領(lǐng)域應(yīng)用的發(fā)展。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：R338;TN911.7
【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
    1.3 本文的主要貢獻(xiàn)與創(chuàng)新
    1.4 本論文的結(jié)構(gòu)安排
第二章 源空間連通性重建的基本理論
    2.1 大腦的電生理信號基礎(chǔ)
    2.2 狀態(tài)空間模型
        2.2.1 源空間電生理信號的狀態(tài)方程
        2.2.2 利用正問題建立的觀測方程
    2.3 源的Hermitian高斯圖模型
    2.4 源的圖模型與狀態(tài)空間模型的關(guān)系
    2.5 源空間的信號估計(jì)及連通性估計(jì)
    2.6 本章小結(jié)
第三章 改進(jìn)連通性兩步估計(jì)
    3.1 使用正交化校正泄漏的兩步法及其缺陷
    3.2 使用代數(shù)Riccati方法校正泄漏的兩步法
        3.2.1 求解源空間樣本互功率譜
        3.2.2 瞬時(shí)泄漏造成的多相位連通性失真
        3.2.3 代數(shù)Riccati方程求解真實(shí)互功率譜
    3.3 本章小結(jié)
第四章 利用結(jié)構(gòu)稀疏的貝葉斯源空間信號重建方法
    4.1 貝葉斯框架下的逆問題
    4.2 頻域結(jié)構(gòu)稀疏貝葉斯學(xué)習(xí)
    4.3 源空間信號重建的可靠性研究
        4.3.1 源信號重建可靠性研究回顧
        4.3.2 重建的電生理信號和血液動力學(xué)信號的耦合
    4.4 本章小結(jié)
第五章 利用結(jié)構(gòu)稀疏性的貝葉斯源空間連通性重建方法
    5.1 兩層貝葉斯模型存在的問題
    5.2 三層貝葉斯模型
    5.3 無偏Hermitian Graphical LASSO估計(jì)
        5.3.1 Hermitian Graphical LASSO的無偏校正
        5.3.2 求解Hermitian Graphical LASSO
    5.4 源空間連通性重建的可靠性研究
        5.4.1 源空間連通性重建可靠性研究回顧
        5.4.2 時(shí)域仿真驗(yàn)證
    5.5 本章小結(jié)
第六章 全文總結(jié)與展望
    6.1 全文總結(jié)
    6.2 后續(xù)工作展望
致謝
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的成果

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫明遠(yuǎn);;個(gè)性化推薦中的數(shù)據(jù)稀疏性問題研究[J];網(wǎng)友世界;2014年07期

2 沙志超;黃知濤;周一宇;王豐華;;基于時(shí)頻稀疏性的跳頻信號時(shí)頻圖修正方法[J];宇航學(xué)報(bào);2013年06期

3 朱俊;陳長偉;;結(jié)合總變差和組稀疏性的壓縮感知重構(gòu)方法[J];兵器裝備工程學(xué)報(bào);2017年11期

4 高磊;陳曾平;;基于代理函數(shù)優(yōu)化的稀疏性字典學(xué)習(xí)[J];電子學(xué)報(bào);2011年12期

5 何昭水;謝勝利;傅予力;;信號的稀疏性分析[J];自然科學(xué)進(jìn)展;2006年09期

6 馮寶;劉曉剛;;基于字典稀疏性的腦圖像數(shù)據(jù)盲分離方法[J];計(jì)算機(jī)工程;2015年12期

7 曾小波;魏祖寬;金在弘;;協(xié)同過濾系統(tǒng)的矩陣稀疏性問題的研究[J];計(jì)算機(jī)應(yīng)用;2010年04期

8 郁雪;李敏強(qiáng);;一種有效緩解數(shù)據(jù)稀疏性的混合協(xié)同過濾算法[J];計(jì)算機(jī)應(yīng)用;2009年06期

9 劉旭東;;一種緩解數(shù)據(jù)稀疏性的協(xié)同過濾推薦系統(tǒng)[J];煙臺職業(yè)學(xué)院學(xué)報(bào);2011年04期

10 杜吉祥;余慶;翟傳敏;;基于稀疏性約束非負(fù)矩陣分解的人臉年齡估計(jì)方法[J];山東大學(xué)學(xué)報(bào)(理學(xué)版);2010年07期

相關(guān)博士學(xué)位論文 前10條

1 范曉波;基于稀疏性的網(wǎng)絡(luò)斷層掃描研究[D];電子科技大學(xué);2018年

2 唐琳;基于稀疏性的雷達(dá)成像方法研究[D];哈爾濱工程大學(xué);2015年

3 安百國;關(guān)于模型稀疏性的研究[D];東北師范大學(xué);2012年

4 王麗艷;斷層圖像稀疏性重建模型與算法研究[D];南京理工大學(xué);2012年

5 劉章孟;基于信號空域稀疏性的陣列處理理論與方法[D];國防科學(xué)技術(shù)大學(xué);2012年

6 劉曉晶;稀疏正則化地震反演方法研究[D];中國石油大學(xué)(華東);2016年

7 劉海峰;電子商務(wù)中基于信任關(guān)系的商品推薦方法[D];大連理工大學(xué);2015年

8 呂偉;MIMO無線通信系統(tǒng)中的稀疏信號檢測與優(yōu)化[D];華中科技大學(xué);2013年

9 付金山;基于稀疏分解理論的聲矢量陣信號處理[D];哈爾濱工程大學(xué);2012年

10 王平;盲源分離和信道編碼盲識別研究[D];西安電子科技大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 王穎;利用結(jié)構(gòu)稀疏性提高大腦電生理學(xué)連通性估計(jì)的準(zhǔn)確性[D];電子科技大學(xué);2020年

2 劉穎;面向依賴性和稀疏性的多類標(biāo)文本分類序列生成模型研究[D];哈爾濱工業(yè)大學(xué);2018年

3 閆麗萍;稀疏結(jié)構(gòu)化LSTSVR算法的研究[D];西安電子科技大學(xué);2019年

4 談凱;稀疏切片逆回歸：最優(yōu)收斂速度及其自適應(yīng)估計(jì)[D];華東師范大學(xué);2018年

5 高猛;基于社交網(wǎng)絡(luò)的推薦系統(tǒng)數(shù)據(jù)稀疏性問題的研究[D];內(nèi)蒙古大學(xué);2015年

6 李申展;推薦引擎中的稀疏性問題研究[D];中南民族大學(xué);2013年

7 張韶越;一個(gè)基于曲率稀疏性的圖像分割方法[D];華東師范大學(xué);2012年

8 謝杰民;協(xié)同過濾系統(tǒng)的數(shù)據(jù)稀疏性問題研究[D];廣東工業(yè)大學(xué);2016年

9 席超;面向稀疏性數(shù)據(jù)的協(xié)同過濾推薦算法的研究與實(shí)現(xiàn)[D];北京郵電大學(xué);2013年

10 王旭林;基于自然圖像統(tǒng)計(jì)性先驗(yàn)和稀疏性先驗(yàn)的圖像模型研究[D];哈爾濱工業(yè)大學(xué);2014年

本文編號：2886441