论文部分内容阅读
经颅直流电刺激(transcranial direct current stimulation,tDCS)是一种无创的经颅大脑电刺激方法,但是截至目前,大部分tDCS脑刺激研究仍然使用大片电极进行刺激。这样的刺激方式虽然能够刺激到目标刺激脑区,但是目标脑区周围大面积脑区同样也会受到刺激。因此,实现高精度的tDCS刺激不仅能够帮助研究人员更好的进行tDCS脑刺激相关研究,而且对于tDCS的应用推广也将起到积极作用。针对实现高精度tDCS脑刺激所需要研究的若干问题,本文首先使用功能磁共振(functional magnetic resonance imaging,fMRI)影像数据和结构磁共振(magnetic resonance imaging,MRI)影像数据,分别研究了功能型靶点和结构型靶点的确定问题,为刺激位置的确定提供技术支持。接着,本文使用基于10/10脑电(electroencephalogram,EEG)电极分布的Dense array tDCS的刺激模式,研究了多目标脑区情况下tDSC系统中各个电极的电流优化问题,为实现多目标脑区高精度刺激提供了技术支持。最后,本文使用National Sleep Research Resource公开数据库中Sleep Heart Health Study(SHHS)数据集,研究了基于睡眠EEG数据的自动睡眠阶段划分问题,为在睡眠过程中实时地进行tDCS刺激提供技术支持。具体来说,本文成果如下。首先,本文使用终身早泄(lifelong premature ejaculation,LPE)患者的fMRI数据研究了功能型靶点的确定问题。本文首先基于automated anatomical labeling(AAL)模板,从每名LPE患者与正常人的fMRI数据中提取了4005条功能连接(特征)。然后使用基于交叉验证的absolute shrinkage and selection operator(cross validation based LASSO,CV-LASSO)算法进行特征筛选。最后,使用筛选出来的特征构建支持向量机(support vector machine,SVM)分类模型,对LPE患者和正常被试进行分类。实验结果表明,CV-LASSO算法成功地从4005个特征中筛选出若干个重要特征,以这些特征构建的SVM模以0.8490±0.1401的准确率将LPE患者于正常被试区分开来。在这些被选出来的特征里,有5个特征不会因随机分组的不同而发生变化(100次十折交叉验证)。另外,这5个特征所对应的10个特定脑区均在LPE研究中被提及于LPE机制相关。因此,这10个脑区可以被确定为用于tDCS治疗、调控或者研究LPE疾病的功能型刺激靶点。然后,本文使用鼻咽癌(nasopharyngeal carcinoma,NPC)患者的高分辨率T2加权MRI数据研究了结构型靶点的确定问题。本文将深度学习网络进行级联,研究了其在鼻咽癌分割上的性能。实验结果表明,级联的网络越多,分割效果越好,但是随着级联网络个数的增加,分割性能会逐渐趋于饱和。此外,用于级联的网络的结构越简单,级联所带来的性能上的增益越大。在所有实验结果里,三个AlexNet模型级联模型效果最佳,在测试组(77人)的平均dice similarity coefficient指数为0.8335,因此,使用该网络从NPC患者MRI影像中提取的肿瘤可以被确定为用于NPC的研究及治疗结构型靶点。接着,本文研究了Dense array tDCS刺激模式在多目标脑区情况下的精确刺激问题。本文首先使用最小二乘(minimum least squares,MLS)和最大化电场强度(maximum electrical field strength,ME)优化策略实现了Dense array tDCS刺激模式在单个目标脑区情况下的精确刺激。然后,本文对MLS策略和ME策略进行改进与拓展,提出了加权的MLS和加权的ME优化策略,并研究了其在多目标脑区情况下的刺激性能。实验结果表明,本文所提出的加权MLS和加权ME优化策略可以解决MLS和ME策略无法在多目标脑区情况下实现精确刺激的问题,并且可以做到刺激能量在各个目标脑区内的精确分配。最后,本文使用Sleep Heart Health Study数据集研究了基于睡眠EEG数据的睡眠阶段划分问题。本文首先将EEG数据进行30s一窗的划分,并使用短时傅里叶变换计算每窗数据的时频谱。接着,以单个时间点(单个30s窗)的时频谱为输入,分别研究了卷积神经网络(convolutional neural network,CNN)和长短时记忆(long shortterm memory,LSTM)网络的睡眠阶段划分性能。最后,以多个时间点的时频谱为输入,进一步研究了LSTM网络的睡眠阶段划分性能。实验结果表明,考虑了单个时间点时频谱内部时间信息的LSTM网络,较传统CNN网络在睡眠阶段划分性能上有一定的提升。当考虑了多个时间点上时频谱内部的时间信息后,LSTM网络的睡眠阶段划分能力进一步提升,并且在3个时间点时到达饱和,准确率和Cohen’s Kappa系数分别为87.4%和0.8512。因此,以多个时间点的时频谱作为输入的LSTM网络可以很好地完成睡眠阶段划分任务。综上所述,本论文分别研究了实现高精度tDCS脑刺激所涉及到的四个小问题:1+2)功能型靶点的确定问题以及结构型靶点的确定问题(靶点定位);3)多目标脑区的高精度tDCS刺激问题(高精度刺激);4)自动睡眠阶段划分问题(睡眠过程中的刺激时机判定)。所提出的CV-LASSO方法和级联的深度学习模型能够以较高精度,分别从fMRI和高分辨率MRI影像中定位功能型靶点及结构型靶点。所提出的加权MLS和加权ME优化策略可以实现较高精度的多目标脑区刺激。所提出的基于LSTM网络的睡眠阶段划分算法可以在被试睡眠过程中实现较高精度的刺激时机判定。