[發明專利]基于傅里葉同步壓縮變換可靠劃分腦低頻波動子區域方法

在審

• 申請號: 202011297563.3
• 申請日: 2020-11-18
• 公開（公告）號: CN112401907A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 王倪傳;俞欽;顏虹杰;仲兆滿
• 申請（專利權）人: 江蘇海洋大學
• 主分類號: A61B5/374
• 分類號: A61B5/374
• 代理公司: 北京和聯順知識產權代理有限公司 11621
• 代理人: 白京萍

本發明公開了基于傅里葉同步壓縮變換可靠劃分腦低頻波動子區域方法，首先對腦功能磁共振數據進行預處理及去漂移處理，采用傅里葉同步壓縮變換，將大腦的時間信號轉換到時頻信號，并作為腦體素的表征信息，從而可從時頻重構領域解析腦區之間的動態關聯。由于時頻信號的特殊性及大腦信號體素眾多、數據集龐大，引入自動目標生成過程算法適配FSST數據下的Kmeans算法，以空間投影法找尋類的初始標簽，再進行距離計算，重新進行類心計算，直到迭代完成，找到最優的類心。距離計算選擇相關系數，區域選擇數據集中低頻區域的并集。最后將數據還原到空間，再從腦空間圖譜觀測不同分類之間的空間聯系。

技術領域

本發明涉及腦區低頻波動區域的再劃分領域，具體為基于傅里葉同步壓縮變換可靠劃分腦低頻波動子區域方法。

背景技術

大腦的血氧水平依賴性效應可以用于表征大腦神經元的代謝情況，從而間接反映神經元活動。研究發現靜息狀態下人腦存在自發性低頻波動腦功能網絡，且其頻帶往往處于0.01HZ-0.08HZ之間，這種頻帶震蕩的波反映了皮層局部活動及腦區間信息交流的興奮性程度。低頻振幅是解碼大腦活動的重要指標。分析低頻振幅的子區域可以找出區域之間的相關性，并可從另一個角度研究大腦區域的功能連接性，為大腦的連通研究提供一個新的出發點。基于以上的研究背景，本發明結合了一種最新的研究成果：FSST算法，研究表明這更適用于解析頻率變換較快的信號，而腦波信號中存在部分信號有著較為頻繁的震蕩現象，而此類算法更適用于探究腦波信號有著明顯震蕩的區域。此外，由于FSST算法數據存在大量的冗余，且體素龐大，本發明還提出了一種適配數據的分類算法：ATGP-Kmeans，用來更為可靠的劃分這種時頻數據，提升大腦時頻信號聚類結果的價值。

發明內容

本發明的目的在于從時頻空間角度入手，研究低頻區域下子區域間是否存在時頻波動下的動態頻率關聯，能否從時頻角度解析腦的空間連通性。再通過對腦圖的重新映射，觀測腦體素在空間區域中的關聯，以驗證背景技術提出的理念。

為實現上述目的，本發明提供如下技術方案：基于傅里葉同步壓縮變換可靠劃分腦低頻波動子區域方法，該方法包含以下步驟：

步驟1：劃分出低頻區域，找尋不同時刻下，被試的相同狀態所提取的并集低頻振幅的區域，區域的選擇采用傳統的ALFF方法，同時去除了一些噪音區域，并選擇校驗較為嚴格的區域；

步驟2：對預處理的功能核磁共振的信號進行時頻重構，轉化到時頻域之中，獲取相關的時間——頻率——功率譜圖，形成核磁共振信號的時頻數據集合；

步驟3：基于時頻動態相關性角度，利用不同體素在時間——頻率上的動態同步性，采用ATGP-Kmeans適配FSST數據，進行相關系數計算，完成聚類，再映射到空間腦圖譜中，觀察空間中不同腦區的關聯。

作為本發明的一種優選技術方案，所述步驟1中對分類區域的選擇，采用低頻區域作為研究區域；

作為本發明的一種優選技術方案，所述步驟2和步驟3中通過對數據的時頻重構，引入適配的分類算法，對數據進行聚類，再映射到空間中，研究不同腦區體現在空間上的時頻聯系。

所述步驟1中區域的選擇采用傳統的ALFF方法公式為：a_k(f_k)，b_k(f_k)分別為實部與虛部。

作為本發明的一種優選技術方案，所述步驟1中的去除了一些噪音區域，并選擇校驗較為嚴格的區域；

為樣本平均數，為樣本標準偏差，n為樣本數，該統計量t在零假說：μ＝μ0為真的條件下服從自由度為n的t分布。