一种脑源活动和噪声同时求解系统及方法

技术特征：
1.一种脑源活动和噪声同时求解系统，其特征在于，包括：数据输入模块，用于获取脑活动采样数据和导联场矩阵l；模型构建模块，用于构建采样数据生成模型，该采样数据生成模型为y(t)＝ls(t) au(t) ε，其中y(t)为时刻t的采样数据，s(t)为t时刻的脑源活动，a为m个采样传感器噪声的增益矩阵，u(t)为t时刻的脑源活动，ε为常数，将采样数据生成模型转换为采样数据概率生成模型，该采样数据概率生成模型包括n个脑源活动的先验方差与m个采样传感器噪声的先验方差联合组成的先验分布超参数；求解模块，用于采用基于贝叶斯的期望最大值算法对采样数据概率生成模型求解，确定先验分布超参数，同时求解脑源活动数据和噪声数据。2.如权利要求1所述的脑源活动和噪声同时求解系统，其特征在于，a为m
×
m的单位矩阵。3.如权利要求2所述的脑源活动和噪声同时求解系统，其特征在于，将采样数据生成模型转换为采样数据概率生成模型前，将采样数据生成模型转换为f＝[l1，
…
l
n
，e1，
…
，e
m
]其中，l
n
是第n个脑源的导联场矩阵，s
n
(t)是第n个脑源在时刻t的大脑活动，u
m
(t)是时刻t第m个传感器的噪声信息，t是采样点的数目，1≤n≤n，1≤m≤m。4.如权利要求1所述的脑源活动和噪声同时求解系统，其特征在于，先验分布超参数v为为是第n个脑源活动的先验方差，1≤n≤n，[v
n 1
，...，v
n m
]是噪声的先验方差，diag表示构造对角矩阵。5.如权利要求1所述的脑源活动和噪声同时求解系统，其特征在于，所述对采样数据概率生成模型求解包括：步骤1，根据输入模块获取的脑活动采样数据确定采样数据生成概率模型的先验分布，采用贝叶斯理论的最大期望值算法对脑活动和噪声的后验概率分布均值求解；步骤2，构建用于对采样数据生成概率模型的生成数据协方差与输入模块获取的脑活动采样数据协方差进行拟合的代价函数，利用最大化边际似然法求解出局部最优的先验分布超参数；重复执行步骤1、步骤2，直至代价函数收敛，将此时的先验分布超参数作为最终确定的先验分布超参数；根据最终确定的先验分布超参数同时求解脑源活动数据和噪声数据。6.如权利要求1所述的脑源活动和噪声同时求解系统，其特征在于，ε为零或1e-20
。7.一种脑源活动和噪声同时求解方法，其特征在于，包括：获取脑活动采样数据和导联场矩阵l；构建采样数据生成模型，该采样数据生成模型为y(t)＝ls(t) au(t) ε，其中y(t)为时
刻t的采样数据，s(t)为t时刻的脑源活动，a为m个采样传感器噪声的增益矩阵，u(t)为t时刻的脑源活动，ε为常数，将采样数据生成模型转换为采样数据概率生成模型，该采样数据概率生成模型包括n个脑源活动的先验方差与m个采样传感器噪声的先验方差联合组成的先验分布超参数；采用基于贝叶斯的期望最大值算法对采样数据概率生成模型求解，确定先验分布超参数，同时求解脑源活动数据和噪声数据。8.如权利要求7所述的脑源活动和噪声同时求解方法，其特征在于，a为m
×
m的单位矩阵。9.如权利要求8所述的脑源活动和噪声同时求解方法，其特征在于，将采样数据生成模型转换为采样数据概率生成模型前，将采样数据生成模型转换为f＝[l1，
…
l
n
，e1，
…
，e
m
]其中，l
n
是第n个脑源的导联场矩阵，s
n
(t)是第n个脑源在时刻t的大脑活动，u
m
(t)是时刻t第m个传感器的噪声信息，t是采样点的数目，1≤n≤n，1≤m≤m。10.如权利要求7所述的脑源活动和噪声同时求解方法，其特征在于，先验分布超参数v为为是第n个脑源活动的先验方差，1≤n≤n，[v
n 1
，...，v
n m
]是噪声的先验方差，diag表示构造对角矩阵。

技术总结
本申请公开了一种脑源活动和噪声同时求解系统及方法。该系统包括：数据输入模块，用于获取脑活动采样数据和导联场矩阵L；模型构建模块，用于构建采样数据生成模型，该采样数据生成模型为y(t)＝LS(t) Au(t) ε，其中y(t)为时刻t的采样数据，S(t)为t时刻的脑源活动，A为M个采样传感器噪声的增益矩阵，u(t)为t时刻的脑源活动，ε为常数，将采样数据生成模型转换为采样数据概率生成模型；求解模块，用于采用基于贝叶斯的期望最大值算法对采样数据概率生成模型求解。该方法可以实现对脑源活动和噪声的同时求解。声的同时求解。声的同时求解。


技术研发人员：蔡畅 齐鑫宝 龙源顺 康慧聪 商莹莹 陈靓影
受保护的技术使用者：华中师范大学
技术研发日：2022.06.20
技术公布日：2022/9/13