本文選題：EEG源成像 + 貝葉斯概率框架��； 參考：《華南理工大學(xué)》2016年博士論文

【摘要】：腦電圖(electroencephalography,EEG)是一種重要的腦功能成像技術(shù)。EEG具有諸多優(yōu)勢,比如無創(chuàng)性、無放射性、高時間分辨率和經(jīng)濟性。因此,EEG已在認知神經(jīng)科學(xué)和臨床上有著廣泛的應(yīng)用。根據(jù)頭皮記錄的EEG信號重構(gòu)皮層腦活動稱為EEG源成像。準確估計腦活動的位置和尺寸有助于我們理解認知過程的基本機理以及腦損傷的病理學(xué)特征。在臨床上,比如癲癇治療,準確確定病灶的位置和尺寸對手術(shù)治療有著重要的意義。EEG源成像是一個嚴重病態(tài)的問題,存在無窮多解滿足EEG記錄。因此我們需要先驗假設(shè)約束解空間以得到唯一解。傳統(tǒng)的方法包括基于2范數(shù)約束和基于稀疏約束的源成像方法。然而,基于2范數(shù)約束的源成像方法的結(jié)果相比于“真相”過于彌散,且對源尺寸不敏感。與此相反,基于稀疏約束的源成像算法的結(jié)果過度局灶性,不能重構(gòu)彌散源的尺寸。準確重構(gòu)彌散源的位置和尺寸依然是一個極具挑戰(zhàn)的問題。由于EEG信號中具有豐富的時域信息,許多研究已證明利用EEG信號中的時域信息能提高源成像的性能。本文在貝葉斯概率框架下,根據(jù)時域-空域先驗約束,利用貝葉斯推斷和凸優(yōu)化技術(shù),研究EEG彌散源成像算法,以更準確的重構(gòu)腦活動。本文的主要貢獻如下:1.基于貝葉斯概率框架,提出了基于狀態(tài)空間表達式的EEG源成像方法:時空正則化EEG彌散源成像算法(spatio-temporally regularized algorithm for M/EEG patch source imaging,STRAPS)。該方法利用一個多變量自回歸模型表示源信號在時間和空間上的相關(guān)性�？紤]到卡爾曼濾波器在存儲和計算上的挑戰(zhàn),STRAPS利用遞推最小二乘法計算源信號的近似解。相比于傳統(tǒng)方法,STRAPS能更準確的估計彌散源的位置、尺寸和波形。與類似的模型相比,STRAPS在獲得較滿意的估計同時具有更低的計算復(fù)雜度和存儲需求。2.在經(jīng)驗貝葉斯框架下,提出了基于馬爾科夫隨機場和時間基函數(shù)的源成像算法:貝葉斯彌散源電磁時空成像(Bayesian Electromagnetic Spatio-Temporal Imaging of Extended Sources,BESTIES)。BESTIES利用馬爾科夫隨機場表示源在空間上的相互關(guān)系,在時間上假設(shè)源信號是若干時間基函數(shù)的線性組合。利用變分貝葉斯推斷和凸優(yōu)化技術(shù),得到了一個數(shù)據(jù)自驅(qū)動的源成像算法。MRF參數(shù)和時間基函數(shù)對源信號的貢獻完全由EEG數(shù)據(jù)確定。與傳統(tǒng)的基于2范數(shù)和稀疏約束的算法,BESTIES得到更準確的腦活動空間和時間模態(tài)估計。3.基于貝葉斯概率框架,提出了基于差分域稀疏和時間基函數(shù)的源成像算法:基于條件均值的差分域稀疏的彌散源成像(Variation Sparse Source Imaging based on Conditional Mean for Electromagnetic Extended Sources,VSSI-CM)。VSSICM利用源信號在差分域(相鄰源之間的差)上的稀疏性,重構(gòu)彌散源的尺寸。在時域上,將EEG記錄和源信號同時投影到由若干時間基函數(shù)構(gòu)成的子空間。VSSI-CM利用Laplace先驗分布實現(xiàn)源信號在差分域上的稀疏。與傳統(tǒng)的MAP估計不同,VSSI-CM將后驗均值作為源信號估計。利用凸分析,將Laplace分布表示為不同尺度的高斯分布的上界。同時利用雙環(huán)算法,得到一個完全數(shù)據(jù)自驅(qū)動的算法。實驗結(jié)果顯示,相比于傳統(tǒng)方法,VSSI-CM能更準確的估計皮層活動的位置和尺寸。同時,VSSI-CM也得到比MAP估計更好的重構(gòu)結(jié)果。4.基于經(jīng)驗貝葉斯框架,提出了基于矩陣分解的源成像算法框架:基于時空基函數(shù)的源成像算法(Spatio-Temporal Basis Functions Source Imaging,STBFSI)。STBFSI將源信號分解為若干未知的時間基函數(shù)的線性疊加。在空間上,利用經(jīng)驗貝葉斯框架,假設(shè)源信號的協(xié)方差是若干協(xié)方差基的加權(quán)和。利用自相關(guān)決策(automatic relevance determination,ARD)機制,根據(jù)EEG信號自動確定與源信號相關(guān)的空間協(xié)方差基、時間基函數(shù)的數(shù)目以及各自的波形。STBFSI提供了一個基于時間-空間約束的源成像算法的框架,使得能夠很靈活的利用其他成像模態(tài)(比如f MRI)的信息。
[Abstract]:Electroencephalography (EEG) is an important brain functional imaging technique,.EEG has many advantages, such as noninvasive, non radioactive, high time resolution and economy. Therefore, EEG has been widely used in cognitive neuroscience and clinic. The reconstruction of cortical brain activity based on the EEG signal of the scalp is called EEG source imaging. Accurate estimation of the location and size of brain activity helps us to understand the basic mechanism of the cognitive process and the pathological features of brain damage. In clinical, such as epilepsy treatment, the exact location and size of the lesion is of great significance to the surgical treatment..EEG source imaging is a severe and ill conditioned problem, and there is an infinite number of solutions that satisfy the EEG record. So we need a priori hypothesis constrained solution space to obtain unique solutions. The traditional methods include 2 norm constraint based and sparse constraint based source imaging methods. However, the result of the source imaging method based on the 2 norm constraint is too diffuse and insensitive to the source size. The results of the imaging algorithm are overly localized and can not reconstruct the size of the dispersion source. It is still a very challenging problem to reconstruct the location and size of the dispersion source accurately. Because of the rich time domain information in the EEG signal, many studies have proved that the performance of the high source imaging can be proposed by using the time domain information in the EEG signal. Under the frame, the EEG dispersion source imaging algorithm is studied using Bayesian inference and convex optimization techniques to reconstruct brain activity more accurately. The main contributions of this paper are as follows: 1. based on Bayesian probability framework, a EEG source imaging method based on state space expression is proposed: spatio-temporal regularized EEG dispersion imaging algorithm (SP Atio-temporally regularized algorithm for M/EEG patch source imaging, STRAPS). This method uses a multivariable autoregressive model to express the correlation between source signals in time and space. Considering the challenge of Calman filter in storage and computing, STRAPS uses recursive least squares to calculate the approximate solution of source signals. The traditional method, STRAPS can more accurately estimate the location, size and waveform of the dispersion source. Compared with the similar model, STRAPS obtains a more satisfactory estimate and has lower computational complexity and storage requirements.2. under the empirical Bias framework, a source imaging algorithm based on Markov random field and time base function is proposed: Bias The dispersion source electromagnetic spatiotemporal imaging (Bayesian Electromagnetic Spatio-Temporal Imaging of Extended Sources, BESTIES).BESTIES uses the Markov random field to express the relationship between the source and the space. In time, the source signal is assumed to be a linear combination of some time base functions. The contribution of.MRF parameter and time base function to source signal is completely determined by EEG data. With the traditional algorithm based on 2 norm and sparse constraint, BESTIES obtains more accurate brain activity space and time mode estimation.3. based on Bayesian probability frame, and proposes a sparse and time base based on the difference domain. The source imaging algorithm of a function: Variation Sparse Source Imaging based on Conditional Mean for Electromagnetic Extended Sources, based on conditional mean values, reconstruct the size of the dispersion source using the sparsity of the source signal on the difference domain (the difference between the adjacent sources). The G record and the source signal are projected simultaneously to the subspace.VSSI-CM composed of several time base functions. The Laplace prior distribution is used to realize the sparsity of the source signal in the difference domain. Unlike the traditional MAP estimation, VSSI-CM takes the posterior mean as the source signal estimation. Using the convex analysis, the Laplace distribution is represented as the upper bound of the Gauss distribution of different scales. At the same time, a complete data self driving algorithm is obtained by using the double loop algorithm. The experimental results show that VSSI-CM can estimate the location and size of cortical activity more accurately than the traditional method. At the same time, VSSI-CM also gets better reconstruction result than MAP estimation..4. based on the empirical Bayesian framework, the source imaging based on matrix decomposition is proposed. The framework: Spatio-Temporal Basis Functions Source Imaging (STBFSI).STBFSI based on space-time basis function (Imaging, STBFSI).STBFSI decomposes the source signal into a linear superposition of a number of unknown time base functions. In space, the empirical Bayesian framework is used to assume that the co variance of the source signal is the weighted sum of some covariance bases. The automatic relevance determination (ARD) mechanism automatically determines the spatial covariance base related to the source signal according to the EEG signal. The number of time base functions and the respective waveform.STBFSI provide a framework for the source imaging algorithm based on time space constraints, so that other imaging modalities can be used flexibly (such as f MRI). Information.

【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：R741.044

【相似文獻】

相關(guān)期刊論文 前1條

1 賈森;楊然;;基于范數(shù)優(yōu)化的并行磁共振成像算法[J];東南大學(xué)學(xué)報(自然科學(xué)版);2009年S1期

相關(guān)會議論文 前10條

1 王文遠;;貝頁斯層析成像算法在密度反演中的應(yīng)用[A];中國工程物理研究院科技年報（2003）[C];2003年

2 鄧黽;吳彥鴻;;雙站合成孔徑雷達ωk成像算法研究[A];全國第五屆信號和智能信息處理與應(yīng)用學(xué)術(shù)會議�？�(第一冊)[C];2011年

3 馬進;許會;;微波成像算法綜述[A];科技創(chuàng)新與產(chǎn)業(yè)發(fā)展（A卷）——第七屆沈陽科學(xué)學(xué)術(shù)年會暨渾南高新技術(shù)產(chǎn)業(yè)發(fā)展論壇文集[C];2010年

4 張云;趙昕;姜義成;;艦船目標(biāo)的分數(shù)階自相關(guān)瞬時成像算法研究[A];全國第二屆信號處理與應(yīng)用學(xué)術(shù)會議�？痆C];2008年

5 趙滿慶;賈鑫;;一端固定的雙站SAR成像算法研究[A];第三屆全國嵌入式技術(shù)和信息處理聯(lián)合學(xué)術(shù)會議論文集[C];2009年

6 黃曉芳;馬侖;劉崢;;基于最小熵準則的彈載SAR成像算法[A];第十二屆全國信號處理學(xué)術(shù)年會（CCSP-2005）論文集[C];2005年

7 劉愛芳;朱曉華;劉中;;基于分數(shù)階Fourier變換的距離瞬時多普勒成像算法[A];現(xiàn)代通信理論與信號處理進展——2003年通信理論與信號處理年會論文集[C];2003年

8 白霞;孫進平;毛士藝;;雙基地合成孔徑雷達的Chirp z變換成像算法[A];第十三屆全國信號處理學(xué)術(shù)年會（CCSP-2007）論文集[C];2007年

9 陳靜;楊萬麟;;機載雙基地SAR的R-D成像算法[A];2006中國西部青年通信學(xué)術(shù)會議論文集[C];2006年

10 陳浩;吳仁彪;劉家學(xué);韓智勇;;基于NUFFT的探地雷達偏移成像算法[A];第十四屆全國信號處理學(xué)術(shù)年會(CCSP-2009)論文集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 楊軍;機/星載寬幅SAR成像算法研究[D];西安電子科技大學(xué);2014年

2 李浩林;機載SAR快速后向投影成像算法研究[D];西安電子科技大學(xué);2015年

3 邵鵬;大斜視SAR成像及凝視成像算法研究[D];西安電子科技大學(xué);2015年

4 廖軼;圓跡環(huán)掃合成孔徑雷達成像算法研究[D];西安電子科技大學(xué);2015年

5 孟自強;雙基前視高機動平臺SAR系統(tǒng)特性及成像算法研究[D];西安電子科技大學(xué);2016年

6 秦濤;微波熱致聲波成像算法及其應(yīng)用研究[D];西北工業(yè)大學(xué);2016年

7 劉柯;基于貝葉斯理論和時空約束的腦電源成像方法研究[D];華南理工大學(xué);2016年

8 劉光平;超寬帶合成孔徑雷達高效成像算法[D];中國人民解放軍國防科學(xué)技術(shù)大學(xué);2003年

9 任百玲;主動毫米波安檢成像算法及系統(tǒng)研究[D];北京理工大學(xué);2014年

10 鐘華;雙站合成孔徑雷達成像算法研究[D];上海交通大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 余同歡;機載合成孔徑雷達大斜視成像算法研究[D];中國科學(xué)技術(shù)大學(xué);2016年

2 蔣思源;基于抗干擾的彈載SAR成像算法研究與仿真[D];電子科技大學(xué);2016年

3 季鵬;多層墻體穿透目標(biāo)成像算法研究[D];電子科技大學(xué);2016年

4 張應(yīng)松;固態(tài)體積式真三維立體顯示系統(tǒng)成像算法研究[D];合肥工業(yè)大學(xué);2016年

5 何曉蓉;基于L1和L2范數(shù)的EIT靜態(tài)成像算法的對比研究[D];天津大學(xué);2014年

6 田宵駿;超高分辨率機載SAR成像算法及其GPU實現(xiàn)[D];南京航空航天大學(xué);2016年

7 黃澤浩;矢量電磁層析成像算法研究[D];哈爾濱工業(yè)大學(xué);2015年

8 孫曉明;基于UWB的運動目標(biāo)成像算法的分析與實現(xiàn)[D];成都理工大學(xué);2016年

9 武青青;基于散射模型的SAR成像算法研究[D];西安電子科技大學(xué);2015年

10 張銳;基于GPU的機載SAR成像算法的設(shè)計與實現(xiàn)[D];西安電子科技大學(xué);2015年

，

本文編號：1800782