基于神经网络的全头磁脑图系统传感器阵列几何结构快速标定新方法

《IEEE Magnetics Letters》：Fast Acquisition of Sensor Array Geometry of Whole-Head Magnetoencephalograph Systems Using a Neural Network

本刊推荐：为解决传统磁脑图(MEG)系统中传感器阵列几何结构标定过程耗时且易陷入局部最优的问题，研究人员开展了基于深度学习神经网络(NN)的快速标定方法研究。他们利用球形校准线圈阵列产生的磁场信号，训练了一个深度神经网络，直接估计每个磁强计的位置(x, y, z)和方向(θ, φ)。结果表明，该方法将160个传感器几何结构的获取时间从19分钟缩短至8毫秒以内，且定位精度与传统方法相当（平均位置偏差0.65 mm，方向偏差0.51°），为可穿戴MEG系统的实时传感器跟踪奠定了基础。

　　

在我们的大脑中，无数神经细胞时刻都在进行着电活动，这些微弱的电流会产生同样微弱的磁场。捕捉并解读这些磁场，就如同在聆听大脑的“窃窃私语”，这就是磁脑图（Magnetoencephalography, MEG）技术的魅力所在。MEG是一种非侵入性的脑功能成像技术，能够以毫秒级的时间分辨率探测神经活动，为理解大脑的工作机制提供了强有力的工具。然而，要准确地“翻译”这些来自大脑的磁信号，并精确定位其内部的电流源，一个至关重要的前提是必须精确知道用来测量磁场的传感器（磁强计）本身在空间中的精确位置和朝向。这就像要用多个麦克风阵列来定位一个声源，必须首先精确知道每个麦克风的位置一样。

对于传统的全头型MEG系统，其传感器阵列通常安装在一個头盔状的杜瓦瓶中，包含上百个通道。为了确定每个传感器几何参数（位置、方向、灵敏度），通常需要一个校准过程。以往的方法是利用一个已知结构的校准线圈阵列产生特定的参考磁场，然后通过求解一个逆问题来反推每个传感器的参数。这个过程需要进行数值搜索，以最小化测量信号与理论信号之间的差异。这种方法虽然有效，但计算耗时，并且对搜索的初始值选择敏感，容易陷入局部最优解，不适合需要快速或实时获取传感器几何信息的应用场景。

随着技术的发展，特别是可穿戴MEG系统的出现，传感器可能被嵌入到柔性的头盔中，其几何结构可能会随着使用者的运动而实时变化。这就对传感器阵列几何结构的快速甚至实时标定提出了迫切需求。正是在这样的背景下，来自日本金泽工业大学的研究团队在《IEEE Magnetics Letters》上发表了他们的最新研究成果，提出了一种基于深度学习神经网络的传感器阵列几何结构快速获取方法，将耗时从分钟级缩短至毫秒级，为实现实时动态标定迈出了关键一步。

为了达成这一目标，研究人员主要采用了以下几个关键技术方法：首先，他们使用了一个包含16个同心圆形线圈的球形校准线圈阵列来产生已知的参考磁场。其次，他们通过理论模拟生成了海量的训练数据，包括超过2.23亿个随机生成的传感器参数（位置和方向）及其对应的16个线圈产生的理论磁场信号。然后，他们设计并训练了一个包含多个全连接层的深度前馈神经网络，其输入是归一化的磁场信号，输出是传感器的五个参数。最后，他们利用一个160通道的全头MEG系统实际采集的校准数据，以及一个包含49个等效电流偶极子（ECD）的干式MEG体模，对训练好的神经网络进行了验证和性能评估，并将其结果与传统的逆问题求解方法进行了比较。

结果

训练神经网络的验证

研究人员使用未参与训练的约11万组数据对训练好的神经网络进行了验证。结果显示，神经网络预测的传感器位置与预设值之间的位移大部分在2毫米以内，其中一半在1毫米以内。预测的传感器方向角位移大部分在2度以内。这表明训练后的神经网络具有良好的泛化能力，能够对未见过的数据做出准确估计。

神经网络预测的传感器阵列几何结构

将训练好的神经网络应用于实际160通道MEG系统的校准数据，获得了整个传感器阵列的几何结构。将其与传统的逆问题求解方法得到的结果进行比较后发现，两者几乎完全一致。计算表明，基于神经网络的方法估计的传感器位置与传统方法估计的位置平均相差0.65 ± 0.29毫米，方向平均相差0.51 ± 0.27度。然而，在计算时间上，神经网络方法处理全部160个传感器所需的时间不到8毫秒，而传统方法则需要19分钟，速度提升了数个数量级。

使用干式MEG体模进行评估

为了从功能上验证神经网络预测的传感器几何结构的准确性，研究人员使用了一个干式MEG体模。该体模可以模拟大脑中特定位置的神经活动（用等效电流偶极子ECD表示）。通过比较基于神经网络标定和传统方法标定的传感器几何结构所重建出的ECD位置与其真实已知位置的偏差，来评估两种方法的准确性。分析结果显示，两种方法在ECD定位精度上没有显著差异。例如，ECD位置在纵向（ΔL）、横向（ΔT）和径向（ΔR）上的位移，两种方法的结果非常接近。通过贝叶斯统计分析，两种方法得出的平均位移差异小于0.1毫米的概率超过92%，这表明从ECD定位的实用角度来看，神经网络方法可以达到与传统方法相媲美的精度。

结论与讨论

本研究成功地将深度学习神经网络应用于MEG系统传感器阵列几何结构的快速获取。该方法避免了传统逆问题求解中耗时的数值搜索和对初始值的依赖，实现了在毫秒级时间内完成整个传感器阵列（160通道）的几何标定，且精度与传统方法相当。虽然神经网络的训练过程需要较长时间（约53小时）和大量计算资源，但一旦训练完成，训练好的模型可以快速部署，并且对于固定设计的校准线圈阵列，该模型可重复用于不同的传感器阵列，具有很好的通用性。

这项研究的成功，为未来可穿戴MEG系统的发展铺平了道路。想象一下，未来人们可能戴着一顶嵌入众多非低温磁强计（如光泵原子磁强计或磁阻传感器）的柔性“帽子”进行脑磁测量，而这顶“帽子”的形态会随着头部的运动而改变。本研究提出的快速标定方法，使得实时跟踪每个传感器位置的变化成为可能，从而确保动态环境下脑磁信号源定位的准确性。尽管在训练效率等方面仍有优化空间，但这项技术无疑为实时、动态的脑功能成像研究开启了一扇新的大门。