基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法

摘要

基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法，涉及脑功能信号提取方法。它解决了当脑组织非均匀性严重时现有技术检测脑功能活动过程中氧合血红蛋白浓度变化δ[hbo₂]和还原血红蛋白浓度变化δ[hhb]难以检测的问题。本发明通过检测器记录大脑安静状态下和诱发激励时漫反射光强，以获得两个不同波长λ₁和λ₂时的光密度变化量的时间序列：和和采用修正朗伯比尔定律获取r₁测得的δ[hbo₂]ⁿ(k)和δ[hhb]ⁿ(k)，r₂测得的δ[hbo₂]^f(k)δ[hhb]^f(k)；根据获得的所有参数推算出脑功能信号表达式；求解脑功能信号e(k)。本发明适用于医疗领域。

主权项

1.基于多距测量方法的经验模态分解优化算法的脑功能信号提取方法，其特征在于：它包括以下步骤：步骤一、在待测脑组织的头皮表面放置由双波长光源S和检测器D1和D2构成的近红外探头，其中，双波长光源S到检测器D1之间的直线距离为r₁，5mm≤r₁≤10mm，用于敏感外层脑组织的血液动力学变化；双波长光源S到检测器D2之间的直线距离为r₂，30mm≤r₂≤45mm，能够敏感大脑皮质的血液动力学变化，通过检测器记录大脑安静状态下的漫反射光强和大脑处于诱发激励时的漫反射光强，以获得两个不同波长λ₁和λ₂时的光密度变化量的时间序列：和和k为时间，k＝1，2，...，N；N为正整数，表示在双波长光源S到检测器D1之间的直线距离为r₁且波长为λ₁时光密度变化量的时间序列，表示在双波长光源S到检测器D1之间的直线距离为r₁且波长为λ₂时光密度变化量的时间序列，表示在双波长光源S到检测器D1之间的直线距离为r₂且波长为λ₁时光密度变化量的时间序列，表示在双波长光源S到检测器D1之间的直线距离为r₂且波长为λ₂时光密度变化量的时间序列；步骤二、根据步骤一获得的光密度变化量的时间序列并采用修正朗伯比尔定律获取r₁测得的氧合血红蛋白浓度变化量的时间序列Δ[HbO₂]^N(k)和还原血红蛋白浓度变化量的时间序列Δ[HHb]^N(k)，r₂测得的氧合血红蛋白浓度变化量的时间序列Δ[HbO₂]^F(k)和还原血红蛋白浓度变化量的时间序列Δ[HHb]^F(k)；$\Delta {\left[{\mathrm{HbO}}_2\right]}^N\left(k\right)=\frac{({ϵ}_{\mathrm{HHb}}\left({\lambda }_1\right)\Delta {\mathrm{OD}}_{{\lambda }_2}^N\left(k\right)/\mathrm{DPF})-({ϵ}_{\mathrm{HHb}}\left({\lambda }_2\right)\Delta {\mathrm{OD}}_{{\lambda }_1}^N\left(k\right)/\mathrm{DPE})}{r_1({ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_2\right){ϵ}_{\mathrm{HHb}}\left({\lambda }_1\right)-{ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_1\right){ϵ}_{\mathrm{HHb}}\left({\lambda }_2\right))},$$\Delta {\left[\mathrm{HHb}\right]}^N\left(k\right)=\frac{({ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_2\right)\Delta {\mathrm{OD}}_{{\lambda }_1}^N\left(k\right)/\mathrm{DPF})-({ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_1\right)\Delta {\mathrm{OD}}_{{\lambda }_2}^N\left(k\right)/\mathrm{DPF})}{r_1({ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_2\right){ϵ}_{\mathrm{HHb}}\left({\lambda }_1\right)-{ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_1\right){ϵ}_{\mathrm{HHb}}\left({\lambda }_2\right))},$$\Delta {\left[{\mathrm{HbO}}_2\right]}^F\left(k\right)=\frac{({ϵ}_{\mathrm{HHb}}\left({\lambda }_1\right)\Delta {\mathrm{OD}}_{{\lambda }_2}^F\left(k\right)/\mathrm{DPF})-({ϵ}_{\mathrm{HHb}}\left({\lambda }_2\right)\Delta {\mathrm{OD}}_{{\lambda }_1}^F\left(k\right)/\mathrm{DPF})}{r_2({ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_2\right){ϵ}_{\mathrm{HHb}}\left({\lambda }_1\right)-{ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_1\right){ϵ}_{\mathrm{HHb}}\left({\lambda }_2\right))},$$\Delta {\left[\mathrm{HHb}\right]}^F\left(k\right)=\frac{({ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_2\right)\Delta {\mathrm{OD}}_{{\lambda }_1}^F\left(k\right)/\mathrm{DPF})-({ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_1\right)\Delta {\mathrm{OD}}_{{\lambda }_2}^F\left(k\right)/\mathrm{DPF})}{r_2({ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_2\right){ϵ}_{\mathrm{HHb}}\left({\lambda }_1\right)-{ϵ}_{{\mathrm{HbO}}_2}\left({\lambda }_1\right){ϵ}_{\mathrm{HHb}}\left({\lambda }_2\right))},$其中，ε_HHb(λ₁)为探头光源的波长为λ₁时的消光系数，为探头光源的波长为λ₂时的消光系数，DPF为差分路径因子；步骤三、用x(k)表示步骤二中的Δ[HbO₂]^N(k)或Δ[HHb]^N(k)，用经验模态分解将x(k)分解为N个固态模式函数分量IMF分量，将剩余分量作为最后的IMF分量，则x(k)表示为$x\left(k\right)=\underset{i=1}{\overset{N}{\Sigma }}{c}_i\left(k\right)$其中，c_i(k)为分解的IMF分量；步骤四、用d(k)表示步骤二中的Δ[HbO₂]^F(k)或Δ[HHb]^F(k)，d(k)中包含脑功能活动信号r(k)和生理干扰i(k)，即d(k)＝r(k)+i(k)，采用线性映射关系，用c_i(k)的线性组合表示i(k)的估计，即$\hat{i}\left(k\right)=\underset{i=1}{\overset{N}{\Sigma }}{w}_i\left(k\right)c_i\left(k\right)$其中，为i(k)的估计，i＝1，2，...，N，w_i(k)为第i个IMF分量的权系数；步骤五、根据步骤二中的d(k)＝r(k)+i(k)和即可推算出脑功能信号的表达式：$e\left(k\right)=d\left(k\right)-\hat{i}\left(k\right)=r\left(k\right)+[i\left(k\right)-\hat{i}\left(k\right)]$其中，e(k)为脑功能信号，r(k)为e(k)的脑功能信号估计；步骤六、利用加权最小二乘算法作为代价函数，求取优化系数w_i(k)，再将求取优化的系数w_i(k)带入步骤五中的公式中，即可获得脑功能信号e(k)，加权最小二乘算法为：$J\left(k\right)=\underset{n=1}{\overset{k}{\Sigma }}{\chi }^{k-n}{e}^2\left(n\right)$进一步表示为$J\left(k\right)=\underset{n=1}{\overset{k}{\Sigma }}{\chi }^{k-n}{e}^2\left(n\right)=\underset{n=1}{\overset{k}{\Sigma }}{\chi }^{k-n}{[d\left(n\right)-\underset{i=1}{\overset{N}{\Sigma }}{w}_i\left(k\right)c_i\left(n\right)]}^2$其中，χ为指数加权因子，χ＝0.99；n＝1，...k，k为正整数，i＝1，2，...，N，N为正整数，求解使J(k)最小的w_i(k)，获得脑功能信号e(k)。