论文部分内容阅读
脑磁图(Magnetoencephalography,MEG)是目前最先进的磁源成像技术，它采用低温超导技术，能够实时、无创地测量大脑磁场信号的变化，具有极高的时间分辨率。由于磁场的传播不受介质的影响，利用脑外的磁场分布推断并监测大脑内部源信号的变化情况成为可能。此外，将源信号投影到磁共振成像(Magnetic Resonance Imaging,MRI)解剖影像之上，可以更清晰地观察大脑活动信息。本文主要在以下几方面进行了深入研究: 首先，对MEG功能网络构建方法进行了改进。目前的研究中，一般选取各脑区功率最强的源信号代表其神经活动情况，该方法显然损失了大量信息。本文提出了两种改进方案:(1)基于相关性分析和叠加平均的方法;(2)基于聚类分析的方法。为验证改进方案的可行性，对HCP数据库中20名被试工作记忆和运动任务的MEG数据分别利用改进前后的方法构建功能网络。并对两种任务状态进行聚类分析。结果显示，利用相关系数构建连接矩阵时，改进前后的方法都能获得比较好的分类准确率;利用相位相干(Phase Coherence，PC)构建连接矩阵时，只有基于聚类分析的方法能获得较好的结果;而利用相位迟滞指数(Phase Lag Index，PLI)构建连接矩阵时，改进前后的方法都不能准确聚类。 其次，本文还提出了一种基于滑窗的MEG动态功能网络分析方法。用滑窗的方法将MEG数据分段并进行源信号重建，对各窗口内的源信号分别进行功能网络的构建。本文对HCP数据库中16名正常被试的静息态MEG数据进行了分析，发现大脑即使是在静息的状态下也呈现不断变化的活动模式。对各被试的动态网络进行k均值聚类分析，得到5种稳定的状态。其中，出现频率最高的状态的连接模式与默认网络呈现出了较高的一致性。由此推断，该状态可能是大脑功能网络动态变化的一个基线。 最后，本文基于Matlab和FiledTrip开发了一套MEG数据处理工具包:EasyMEG。该工具包具有简单易用的图形交互界面，可以完成对MEG数据的常规处理，包括预处理、锁时分析、时频分析、源分析和绘图等。可以满足不同用户对MEG数据处理的需求。