申请/专利权人:苏州大学
申请日:2020-01-02
公开(公告)日:2020-05-05
公开(公告)号:CN111096745A
主分类号:A61B5/0484(20060101)
分类号:A61B5/0484(20060101)
优先权:
专利状态码:有效-授权
法律状态:2021.03.30#授权;2020.05.29#实质审查的生效;2020.05.05#公开
摘要:本发明公开了一种基于稀疏贝叶斯学习的稳态诱发响应SSR脑源定位方法。本发明首先将稳态诱发响应记录分为多个数据段,通过快速傅里叶变换提取各段稳态诱发响应记录数据段的频域信息并构造数据矩阵。然后设置迭代自动停止条件以及稀疏支撑向量和自发脑电‑电噪声联合功率向量的初始值。而后迭代更新信号的后验均值与后验协方差并由此更新稀疏支撑向量和自发脑电‑电噪声联合功率向量。最后,当迭代结束时利用最新的稀疏支撑向量给出源定位结果。本发明在频域上对稳态诱发响应源定位问题进行建模,结合多段数据中信号的联合稀疏性,在稀疏贝叶斯学习框架下给出了适用于各种稳态诱发响应的脑源定位方法。
主权项:1.一种基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法,其特征在于,包括:步骤1.将M个电极采集到稳态诱发响应的头皮记录分为L段;经过对L段数据的预处理以提高信噪比,得到L个数据段xlt,l=1,2,…L。步骤2.对各数据段对应的xlt进行快速傅里叶变换,即FFT,提取xlt在刺激频点f0处的复数分量并将L个数据段对应的整合为联合稳态诱发响应多数据段结构信息的矩阵X,其中·Τ表示转置;若有多个被试的数据,将他们的数据矩阵横向排列整合成一个矩阵X;步骤3.设置迭代程序的参数:误差阈值ε和最大迭代次数Niter,并对迭代程序中的各变量初始化:稀疏支撑向量α初始化为αinit,自发脑电-电噪声联合功率向量γ初始化为γinit;步骤4.利用稳态诱发响应数据信息矩阵X、头模型和电极分布对应的导程场矩阵旧的稀疏支撑向量α和自发脑电-电噪声联合功率向量γ计算第l段数据对应的源信号的后验均值向量μl和后验协方差矩阵Σl;步骤5.根据μl、Σl计算稀疏支撑向量α和自发脑电-电噪声联合功率向量γ的更新值αnew和γnew;步骤6.判断是否满足迭代停止条件:迭代次数n≥Niter或若不满足则令α=αnew,γ=γnew,回到步骤4继续执行迭代;否则结束迭代,输出稀疏支撑向量α,得到源定位结果。
全文数据:
权利要求:
百度查询: 苏州大学 基于稀疏贝叶斯学习的稳态诱发响应脑源定位方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。