[發(fā)明專利]一種基于腦功能特征的實(shí)時(shí)神經(jīng)解碼系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201510029205.7
• 申請(qǐng)日: 2015-01-21
• 公開（公告）號(hào): CN104605853B
• 公開（公告）日: 2018-10-09
• 發(fā)明（設(shè)計(jì)）人: 趙小杰;龍志穎;劉洋;張春成;李曉飛
• 申請(qǐng)（專利權(quán)）人: 北京師范大學(xué)
• 主分類號(hào): A61B5/055
• 分類號(hào): A61B5/055;G06K9/54;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于腦功能特征的實(shí)時(shí)神經(jīng)解碼系統(tǒng)，包括：

預(yù)處理模塊，用于實(shí)時(shí)讀取功能磁共振數(shù)據(jù)，然后進(jìn)行格式轉(zhuǎn)換、實(shí)時(shí)頭動(dòng)校正、實(shí)時(shí)空間標(biāo)準(zhǔn)化和平滑，所述的實(shí)時(shí)空間標(biāo)準(zhǔn)化采用基于主軸變化和自適應(yīng)高斯牛頓迭代算法的仿射變換和基于離散余弦基函數(shù)的最優(yōu)截止頻率的非線性變換對(duì)第一幅圖像進(jìn)行參數(shù)估計(jì)，然后利用所估計(jì)的參數(shù)，對(duì)后續(xù)每個(gè)圖像進(jìn)行空間變換；其中，仿射變換，通過主軸變化為高斯牛頓迭代提供了一個(gè)更易于收斂的初始估計(jì)，并在高斯牛頓迭代過程中引入自適應(yīng)參數(shù)來調(diào)整迭代的步長以加快迭代的速度，減少仿射變換所需時(shí)間；其中，非線性變換，通過選取最優(yōu)的離散余弦基函數(shù)的截止頻率，來平衡標(biāo)準(zhǔn)化算法的運(yùn)行時(shí)間與準(zhǔn)確性；

特征提取模塊，用于對(duì)預(yù)處理后的功能磁共振數(shù)據(jù)進(jìn)行特征提取并保存；

分類解碼模塊，用于對(duì)特征提取后的功能磁共振數(shù)據(jù)進(jìn)行實(shí)時(shí)分類；

顯示與反饋模塊，用于實(shí)時(shí)顯示腦功能特征以及頭動(dòng)參數(shù)的大小，并將分類的結(jié)果以多種方式實(shí)時(shí)反饋給個(gè)體；

這套系統(tǒng)的特征在于，其特征提取模塊采用基于拉普拉斯核的平滑L0稀疏表征算法對(duì)預(yù)處理后的功能磁共振數(shù)據(jù)進(jìn)行特征提取；基于拉普拉斯的平滑L0稀疏表征算法，采用拉普拉斯函數(shù)為核函數(shù)，將不可解析的0范數(shù)最小化問題解析化，然后利用梯度算法對(duì)最小化問題進(jìn)行尋優(yōu)求解，并在迭代中利用提前結(jié)束迭代的機(jī)制提高計(jì)算效率；此外，為解決拉普拉斯函數(shù)在零值附近不可導(dǎo)的缺陷，使用反余弦函數(shù)對(duì)其逼近；具體來說，平滑L0稀疏表征算法通過對(duì)稀疏向量進(jìn)行z變換，然后利用閾值對(duì)變換后的向量進(jìn)行篩選來提取特征；其分類模塊采用實(shí)時(shí)高斯過程分類算法，首先通過離線訓(xùn)練獲取后驗(yàn)概率的估計(jì)值和最優(yōu)參數(shù)，然后利用離線訓(xùn)練獲取的后驗(yàn)概率的估計(jì)值對(duì)每個(gè)掃描脈沖間隔的功能特征在線計(jì)算所屬不同類別的概率，得到分類結(jié)果；具體為實(shí)時(shí)高斯過程分類算法利用離線訓(xùn)練數(shù)據(jù)集的協(xié)方差矩陣，通過牛頓迭代法得到后驗(yàn)概率的估計(jì)值和最優(yōu)參數(shù)，再根據(jù)訓(xùn)練階段后驗(yàn)概率的估計(jì)值，利用拉普拉斯或者期望傳播方法對(duì)每個(gè)TR獲取的功能磁共振數(shù)據(jù)的功能特征在線計(jì)算所屬不同類別的概率，得到分類結(jié)果。

2.如權(quán)利要求1所述的一種基于腦功能特征的實(shí)時(shí)神經(jīng)解碼系統(tǒng)，其顯示與反饋模塊的特征在于，在個(gè)體腦模板上顯示所提取的腦功能特征；將當(dāng)前所有掃描脈沖間隔的分類準(zhǔn)確率以動(dòng)態(tài)曲線的形式實(shí)時(shí)呈現(xiàn)給個(gè)體。