一种大尺度皮层网络信息流个体化三维动态可视化方法

摘要

本发明公开了一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法，属于神经工程领域。所述方法包括以下步骤：对采集到的皮层脑电（ECoG）数据进行预处理，以选取感兴趣通道；依据所选取的感兴趣通道数据，计算在不同时间、频率点的大脑皮层网络信息流矩阵；对经过显著性检验的信息输入、输出流在三维立体脑结构上进行三维动态可视化。所述方法从大尺度皮层网络信息传递、交互与整合的角度探究脑信息加工的动力学特性，实现脑信息流的三维动态可视化，描绘了不同脑区间的时变因果连接模式，提供一种脑功能网络有效连接分析发法，为研究揭示人脑信息加工机制提供了支持。

主权项

一种基于多通道皮层脑电记录的大尺度皮层网络信息流个体化三维动态可视化方法，其特征在于，包括以下步骤：步骤S1，对采集到的皮层脑电ECoG数据进行预处理，以选取感兴趣通道；步骤S2，依据所选取的感兴趣ECoG数据，计算在不同时间和频率的大脑皮层网络信息流矩阵；步骤S3，对经过显著性检验的信息输入、输出流在三维立体脑结构上进行三维动态可视化；所述步骤S2具体包括以下步骤：步骤2.1：利用基于多变量自回归模型的自适应有向传递函数ADTF计算对所述感兴趣ECoG数据在不同时频点上的传递矩阵；多变量自回归模型的描述如下：$X\left(t\right)=\underset{i=1}{\overset{p}{\Sigma }}A(\tau ,t)X(t-\tau )+E\left(t\right)---\left(1\right)$其中，X(t)是信号矩阵，A(τ，t)是延迟时间τ的时变系数矩阵，E(t)是和信号X(t)独立的白噪声，p是能够使用施瓦茨贝叶斯准则(SBC)来确定的模型的阶；为了在频域研究信号之间的信息交互，使用傅立叶变换将(1)式方程变换到频域：A（t，f)X(f)＝E(f)  (2)其中，$A(t,f)=-\underset{\tau =0}{\overset{p}{\Sigma }}{A}_{\tau }\left(t\right)e^{-j2\pi f\tau }---\left(3\right)$令A₀(t)＝‑I，方程(2)改写为：X(f)＝A^‑1(t，f)E(f)＝H(t，f)E(f)   (4)其中，初始值A₀(t)为负的单位矩阵，H(t，f)是随时间变化的转移矩阵，H_ij(t，f)表示在时间t和频率f从信号x_j到信号x_i的信息流大小；则归一化的ADTF值可由下式计算：${\mathrm{ADTF}}_{ij}(t,f)=\frac{|H_{ij}(t,f){|}^2}{{\Sigma }_{k=1}^n|H_{ik}(t,f){|}^2}---\left(5\right)$其中，n是脑电通道的总数，脑电系统为64通道，i和j表示通道编号，则ADTF_ij(t，f)就表示了在时间t和频率f时由通道j流向通道i的信息流大小；步骤2.2：利用偏相关函数计算对所述感兴趣ECoG数据在不同时频点的偏相关系数；首先计算所述感兴趣ECoG数据的交叉谱C(t，f)，计算公式如下：C(t，f)＝H(t，f)∑H^*‑1(t，f)   (6)其中，∑表示白噪声矩阵E(t)的方差，上标*表示对所述转移矩阵H(t，f)取共轭，上标‑1表示对所述转移矩阵H(t，f)进行转置；则偏相关系数的计算公式为：${\Gamma }_{ij}(t,f)=\frac{M_{ij}^2(t,f)}{M_{ii}(t,f)M_{jj}(t,f)}---\left(7\right)$其中，Γ_ij(t，f)表示在时间t和频率f时信号x_j和信号x_i的偏相关系数，M_ij(t，f)表示所述交叉谱C(t，f)的代数余子式；步骤2.3：依据自适应直接传递函数和偏相关系数计算自适应有向直接传递函数AdDTF，得到在不同时间、频率点感兴趣脑区间的直接信息流强度和方向；所述自适应有向直接传递函数AdDTF的计算公式如下：AdDTF(t，f)＝ADTF(t，f)Γ_ij(t，f)   (8)其中，AdDTF_ij(t，f)值表示了在时间t和频率f时信号x_j和信号x_i间的直接信息流强度和方向，反映了大尺度皮层网络信息的交互与整合；因此，流入或流出某一通道的归一化直接信息流计算方法为：${\mathrm{flow}}_{ij}=\frac{{\Sigma }_{t=t_1}^{t_2}{\Sigma }_{f=f_1}^{f_2}{\mathrm{AdDTF}}_{ij}(t,f)}{(t_2-t_1)(f_2-f_1)}---\left(9\right)$其中，t₁和t₂分别对应所选取数据的起始时刻和终止时刻，f₁和f₂分别对应所选取数据的起始频率和终止频率；流出某一通道的直接信息输出流为：$\begin{array}{ccc}{\mathrm{outflow}}_j=\frac{{\Sigma }_{i=1}^n{\mathrm{flow}}_{ij}}{n-1},& for& i\ne j\end{array}---\left(10\right)$流入某一通道的直接信息输入流为：$\begin{array}{ccc}{\mathrm{inflow}}_i=\frac{{\Sigma }_{j=1}^n{\mathrm{flow}}_{ij}}{n-1},& for& j\ne i\end{array}---\left(11\right)$其中，公式(10)和(11)中n为通道总数，脑电系统为64通道，i和j表示通道编号；步骤2.4：信息流统计显著性检验使用替代数据方法进行统计检验；采用一种改进的AAFT迭代生成算法，即IAAFT算法生成替代数据；依据IAAFT算法重复2000次产生一经验分布，在设定的显著性水平P＝0.05下进行显著性检验，以去除随机性引起的无意义信息流；所述步骤S3具体包括以下步骤：步骤3.1：综合利用多模态医学影像数据，对颅内电极进行三维立体定位，以得到电极三维坐标；首先通过X线平片建立颅内电极与脑组织结构的联系，然后对扫描脑部获取的MRI影像进行分割与重建得到单一被试个体的真实脑模型，再把提取得到的电极坐标标定到重建得到的真实脑模型上，完成颅内电极的个体化三维立体定位；步骤3.2：根据重建得到的颅内电极三维坐标，进行大尺度皮层网络信息流交互模式的三维动态可视化；利用从一个通道指向另一个通道的箭头来编码信息流向，利用箭头的颜色和大小来编码信息流的强度；取经过显著性检验的信息流交互值，即在个体化的三维立体脑结构上描绘出信息流的交互模式图，进而呈现大尺度皮层脑电数据ECoG在不同时间、频率时的信息流交互模式动态图；步骤3.3：根据重建得到的颅内电极三维坐标，进行大尺度皮层网络信息输出、输入流模式的三维动态可视化；首先，为了获得流经一通道的信息输出、输入流，分别采用所述步骤2.3中公式(10)和(11)来计算其输出、输入流；然后利用球体的颜色和大小来编码信息输出、输入流的大小，取经过显著性检验的信息输出、输入流值，即在个体化的三维立体脑结构上描绘出信息输出、输入流的模式图，进而呈现大尺度皮层脑电数据ECoG在不同时间、频率时的信息输出、输入流模式动态图。