利用结构稀疏性提高大脑电生理学连通性估计的准确性

发布时间：2020-11-16 16:38

　　 利用电生理数据估计大脑的连通性是研究大脑动力学系统的重要手段。复杂的神经系统在其活动中产生的电磁信号为研究其生物物理过程提供了途径,EEG(Electroencephalography)和MEG(Magnetoencephalography)能够以非侵入式高时间分辨率地采集到这些电生理信号。通过EEG/MEG逆问题技术,不仅能够重建出颅内源空间的电生理信号,而且也可以估计出源空间的连通性。然而估计EEG/MEG源空间连通性面临着源泄漏的挑战,因为泄漏会造成虚假的连通性。因此本文从线性源模型的泄漏控制角度对连通性重建方案进行了讨论,并提出了相关的验证实验,评估了连通性估计方法的泄漏消除性能,证明了借助结构稀疏性的方法能够精确地估计大脑电生理连通性:首先,本文介绍了以大脑生物物理过程建立的状态空间和图模型的理论框架,并在此基础上介绍了源空间的信号估计和连通性估计方法。然后,本文对利用重建的源空间信号来估计连通性的两步估计策略进行了讨论。指出了采用泄漏校正的两步连通性估计典型实践中的四个关键步骤存在的问题,其中最重要的是证明了源空间泄漏造成了非零相位的影响。本文对此给出了相应的解决方案:相比使用EEG/MEG的时域带限信号的协方差,采用带限的希尔伯特包络的协方差来估计频域的逆问题更精确;为了保留相位信息,应该使用源空间复数希尔伯特包络计算协方差;由于源泄漏并非只影响零相位关联性,在关于偏相干的Graphical Ridge估计的基础上本文通过求解真实互功率谱的代数Riccati方程消除泄漏的非零相位的连通性失真;根据网络的结构稀疏性,使用无偏的Hermitian Graphical LASSO(hgLASSO)估计逆协方差矩阵得到偏相干。接着,为了降低连通性估计维度,根据结构稀疏假设,本文在贝叶斯框架重新审视了逆问题,引出了Paz-Linares等人提出的源空间信号重建方法——频域结构化稀疏贝叶斯学习(Spectral Structured sparse Bayesian Learning,sSSBL)。由于利用观测数据直接估计模型参数的一步估计方法——隐高斯图源模型(Hidden Gaussian Graphical Source-model,HIGGS)在高维估计中需要sSSBL为其筛选体素空间以及设定初值,以保证算法收敛,因此在介绍sSSBL的精确源定位性能之后,本文利用典型相关分析计算了重建的源电生理信号和血液动力学信号之间的频率耦合特性。根据结果发现两者的频率耦合关系与此前文献报道的局部场电位(Local field potential,LFP)与血氧水平依赖(Blood oxygenation level dependent,BOLD)信号的关系一致,证明了sSSBL重建得到的源信号也具有良好的频率特性,进一步验证了其能够精确地估计源空间信号。另一方面,通过贝叶斯框架也揭示了两步估计中存在将源信号协方差作为先验固定的问题,进而介绍了Paz-Linares等人为源空间连通性估计设计的三层贝叶斯模型HIGGS方法,以及其中用于偏相干估计的无偏hgLASSO。最后为了比较各种源连通性重建方案,本文在xi-alpha模型和Hermitian Gaussian Graphical Model(hGGM)模型的基础上使用向量自回归模型建立了更加符合真实大脑电生理时空特性的时域仿真。通过对比仿真验证中各方法的性能表现,证明了本文对两步法使用AREC校正等改进手段是有效的。而HIGGS方法在本文的仿真中对连通性估计非常精确,为EEG和MEG进行大脑连通性估计提供了可靠手段。综上所述,本文为大脑电生理数据用于高维神经动力学的研究提供了理论和方法的支持。结合仿真和真实数据的结果本文验证了连通性估计方法的可靠性,推进了EEG/MEG连通性估计在大脑认知活动和医疗健康领域应用的发展。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：R338;TN911.7
【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究工作的背景与意义
    1.2 国内外研究历史与现状
    1.3 本文的主要贡献与创新
    1.4 本论文的结构安排
第二章 源空间连通性重建的基本理论
    2.1 大脑的电生理信号基础
    2.2 状态空间模型
        2.2.1 源空间电生理信号的状态方程
        2.2.2 利用正问题建立的观测方程
    2.3 源的Hermitian高斯图模型
    2.4 源的图模型与状态空间模型的关系
    2.5 源空间的信号估计及连通性估计
    2.6 本章小结
第三章 改进连通性两步估计
    3.1 使用正交化校正泄漏的两步法及其缺陷
    3.2 使用代数Riccati方法校正泄漏的两步法
        3.2.1 求解源空间样本互功率谱
        3.2.2 瞬时泄漏造成的多相位连通性失真
        3.2.3 代数Riccati方程求解真实互功率谱
    3.3 本章小结
第四章 利用结构稀疏的贝叶斯源空间信号重建方法
    4.1 贝叶斯框架下的逆问题
    4.2 频域结构稀疏贝叶斯学习
    4.3 源空间信号重建的可靠性研究
        4.3.1 源信号重建可靠性研究回顾
        4.3.2 重建的电生理信号和血液动力学信号的耦合
    4.4 本章小结
第五章 利用结构稀疏性的贝叶斯源空间连通性重建方法
    5.1 两层贝叶斯模型存在的问题
    5.2 三层贝叶斯模型
    5.3 无偏Hermitian Graphical LASSO估计
        5.3.1 Hermitian Graphical LASSO的无偏校正
        5.3.2 求解Hermitian Graphical LASSO
    5.4 源空间连通性重建的可靠性研究
        5.4.1 源空间连通性重建可靠性研究回顾
        5.4.2 时域仿真验证
    5.5 本章小结
第六章 全文总结与展望
    6.1 全文总结
    6.2 后续工作展望
致谢
参考文献
攻读硕士学位期间取得的成果

【相似文献】

相关期刊论文 前10条

1 孙明远;;个性化推荐中的数据稀疏性问题研究[J];网友世界;2014年07期

2 沙志超;黄知涛;周一宇;王丰华;;基于时频稀疏性的跳频信号时频图修正方法[J];宇航学报;2013年06期

3 朱俊;陈长伟;;结合总变差和组稀疏性的压缩感知重构方法[J];兵器装备工程学报;2017年11期

4 高磊;陈曾平;;基于代理函数优化的稀疏性字典学习[J];电子学报;2011年12期

5 何昭水;谢胜利;傅予力;;信号的稀疏性分析[J];自然科学进展;2006年09期

6 冯宝;刘晓刚;;基于字典稀疏性的脑图像数据盲分离方法[J];计算机工程;2015年12期

7 曾小波;魏祖宽;金在弘;;协同过滤系统的矩阵稀疏性问题的研究[J];计算机应用;2010年04期

8 郁雪;李敏强;;一种有效缓解数据稀疏性的混合协同过滤算法[J];计算机应用;2009年06期

9 刘旭东;;一种缓解数据稀疏性的协同过滤推荐系统[J];烟台职业学院学报;2011年04期

10 杜吉祥;余庆;翟传敏;;基于稀疏性约束非负矩阵分解的人脸年龄估计方法[J];山东大学学报(理学版);2010年07期

相关博士学位论文 前10条

1 范晓波;基于稀疏性的网络断层扫描研究[D];电子科技大学;2018年

2 唐琳;基于稀疏性的雷达成像方法研究[D];哈尔滨工程大学;2015年

3 安百国;关于模型稀疏性的研究[D];东北师范大学;2012年

4 王丽艳;断层图像稀疏性重建模型与算法研究[D];南京理工大学;2012年

5 刘章孟;基于信号空域稀疏性的阵列处理理论与方法[D];国防科学技术大学;2012年

6 刘晓晶;稀疏正则化地震反演方法研究[D];中国石油大学(华东);2016年

7 刘海峰;电子商务中基于信任关系的商品推荐方法[D];大连理工大学;2015年

8 吕伟;MIMO无线通信系统中的稀疏信号检测与优化[D];华中科技大学;2013年

9 付金山;基于稀疏分解理论的声矢量阵信号处理[D];哈尔滨工程大学;2012年

10 王平;盲源分离和信道编码盲识别研究[D];西安电子科技大学;2013年

相关硕士学位论文 前10条

1 王颖;利用结构稀疏性提高大脑电生理学连通性估计的准确性[D];电子科技大学;2020年

2 刘颖;面向依赖性和稀疏性的多类标文本分类序列生成模型研究[D];哈尔滨工业大学;2018年

3 闫丽萍;稀疏结构化LSTSVR算法的研究[D];西安电子科技大学;2019年

4 谈凯;稀疏切片逆回归：最优收敛速度及其自适应估计[D];华东师范大学;2018年

5 高猛;基于社交网络的推荐系统数据稀疏性问题的研究[D];内蒙古大学;2015年

6 李申展;推荐引擎中的稀疏性问题研究[D];中南民族大学;2013年

7 张韶越;一个基于曲率稀疏性的图像分割方法[D];华东师范大学;2012年

8 谢杰民;协同过滤系统的数据稀疏性问题研究[D];广东工业大学;2016年

9 席超;面向稀疏性数据的协同过滤推荐算法的研究与实现[D];北京邮电大学;2013年

10 王旭林;基于自然图像统计性先验和稀疏性先验的图像模型研究[D];哈尔滨工业大学;2014年

本文编号：2886441