[发明专利]一种基于脑功能特征的实时神经解码系统

权利要求书

1.一种基于脑功能特征的实时神经解码系统，包括：

预处理模块，用于实时读取功能磁共振数据，然后进行格式转换、实时头动校正、实时空间标准化和平滑，所述的实时空间标准化采用基于主轴变化和自适应高斯牛顿迭代算法的仿射变换和基于离散余弦基函数的最优截止频率的非线性变换对第一幅图像进行参数估计，然后利用所估计的参数，对后续每个图像进行空间变换；其中，仿射变换，通过主轴变化为高斯牛顿迭代提供了一个更易于收敛的初始估计，并在高斯牛顿迭代过程中引入自适应参数来调整迭代的步长以加快迭代的速度，减少仿射变换所需时间；其中，非线性变换，通过选取最优的离散余弦基函数的截止频率，来平衡标准化算法的运行时间与准确性；

特征提取模块，用于对预处理后的功能磁共振数据进行特征提取并保存；

分类解码模块，用于对特征提取后的功能磁共振数据进行实时分类；

显示与反馈模块，用于实时显示脑功能特征以及头动参数的大小，并将分类的结果以多种方式实时反馈给个体；

这套系统的特征在于，其特征提取模块采用基于拉普拉斯核的平滑L0稀疏表征算法对预处理后的功能磁共振数据进行特征提取；基于拉普拉斯的平滑L0稀疏表征算法，采用拉普拉斯函数为核函数，将不可解析的0范数最小化问题解析化，然后利用梯度算法对最小化问题进行寻优求解，并在迭代中利用提前结束迭代的机制提高计算效率；此外，为解决拉普拉斯函数在零值附近不可导的缺陷，使用反余弦函数对其逼近；具体来说，平滑L0稀疏表征算法通过对稀疏向量进行z变换，然后利用阈值对变换后的向量进行筛选来提取特征；其分类模块采用实时高斯过程分类算法，首先通过离线训练获取后验概率的估计值和最优参数，然后利用离线训练获取的后验概率的估计值对每个扫描脉冲间隔的功能特征在线计算所属不同类别的概率，得到分类结果；具体为实时高斯过程分类算法利用离线训练数据集的协方差矩阵，通过牛顿迭代法得到后验概率的估计值和最优参数，再根据训练阶段后验概率的估计值，利用拉普拉斯或者期望传播方法对每个TR获取的功能磁共振数据的功能特征在线计算所属不同类别的概率，得到分类结果。

2.如权利要求1所述的一种基于脑功能特征的实时神经解码系统，其显示与反馈模块的特征在于，在个体脑模板上显示所提取的脑功能特征；将当前所有扫描脉冲间隔的分类准确率以动态曲线的形式实时呈现给个体。