《EEG-fMRI同步采集中脑电信号梯度伪迹去除算法研究》

技术简介：

脑电-功能磁共振(EEG-fMRI)同步采集技术具备时空互补优势,在认知科学研究与临床应用领域具有重要意义。然而,由于核磁脑电采集环境复杂,会出现诸多伪迹污染脑电信号。其中由磁场切换导致的梯度场伪迹对脑电质量影响最大,去除伪迹干扰至关重要。首先,使用平均模板相减法(AAS)处理模拟脑电数据,信号中仍参杂梯度残留尖峰伪迹。先使用薛定谔滤波方法分解脑电数据并识别包含的尖峰,自动减去与EEG幅度相差较大的大部分尖峰成分;再使用幅度阈值方法,通过逆补余误差,定位并去除与EEG幅度相当的残留尖峰,计算信号幅值误差(Er)和信噪比(SNR)。并用真实数据验证以上方法,计算皮尔逊相关系数评价去噪效果。其次,针对模拟核磁脑电数据,采用基于深度学习的梯度伪迹尖峰检测(GATR)方法,使用CNN网络提取脑电信号中的尖峰特征,通过Transformer对这些特征处理后,得到若干个边界段预测结果,边界段始末点即为梯度尖峰伪迹位置,进而精准去除。计算平均精度(mAP)、覆盖率(Coverage)和持续时间误差(DurationError)评价模型的尖峰识别准确率。实验结果表明:对于模拟信号,改进薛定谔滤波算法得到的信噪比(SNR)较薛定谔滤波方法提高27.13%,信号幅值误差(Er)较薛定谔滤波方法平均提高24.95%;对于真实信号,改进薛定谔滤波算法得到皮尔逊相关系数明显小于传统方法,去噪效果较薛定谔滤波方法提升11.42%。所采用的GATR模型识别尖峰的总体平均精度(mAP)达到0.87,覆盖率(Coverage)超过91%,总体持续时间误差(DurationError)低于10.4%;在模拟信号去噪方面得到的信号幅值误差(Er)较薛定谔滤波结合阈值算法提高20.88%,信噪比(SNR)提高16.39%;在真实数据去噪方面得到的皮尔逊相关系数较薛定谔滤波结合阈值算法提高10.11%。通过指标对比分析,无论是尖峰位于波形波谷,还是尖峰伪迹与脑电幅度相当的情况下,改进薛定谔滤波算法和基于深度学习的GATR方法在尖峰识别精度和去噪效果方面表现出色,其中基于深度学习的GATR方法在去噪方面效果更佳。以上两种去噪方法均为EEG-fMRI的融合研究提供了强有力的支持。

研发人员：黄海