[论文解读] The Signal Space Separation method

Samu Taulu, M. Kajola+1 more|ArXiv.org|Jan 30, 2004

Blind Source Separation Techniques参考文献 5被引用 20

一句话总结

信号空间分离（SSS）方法提出了一种功能展开方法，用于在脑磁图（MEG）中将脑源产生的磁信号与外部干扰分离。通过将信号空间分解为对应于内部源和外部噪声的基向量，SSS实现了噪声抑制、虚拟传感器变换和伪影校正，为多通道MEG系统提供了数学上优雅且有效的信号保真度提升方案。

ABSTRACT

Multichannel measurement with hundreds of channels essentially covers all measurable degrees of freedom of a curl and source free vector field, like the magnetic field in a volume free of current sources (e.g. in magnetoencephalography, MEG). A functional expansion solution of Laplace's equation enables one to separate signals arising from the sphere enclosing the interesting sources, e.g. the currents in the brain, from the rest of the signals. The signal space separation (SSS) is accomplished by calculating individual basis vectors for each term of the functional expansion solution to create a signal basis covering all measurable signal vectors. Any signal vector has a unique SSS decomposition with separate coefficients for the interesting signals and signals coming from outside the interesting volume. Thus, SSS basis provides an elegant method to remove external disturbances, and to transform the interesting signals to virtual sensor configurations. SSS can also be used in compensating the movements of the subject and removing the artefacts caused by magnetized particles in the subject.

研究动机与目标

• 解决多通道MEG记录中外部磁场干扰的问题，此类干扰会降低信号质量并增加源定位的复杂性。
• 开发一种数学上严谨的方法，将源自脑内（内部源）的信号与源自感兴趣体积外部（外部噪声）的信号分离。
• 实现测量信号向虚拟传感器配置的转换，以提升信号分析和伪影校正效果。
• 提供一种框架，用于补偿受试者运动并去除受试者体内磁性颗粒引起的伪影。

提出的方法

• 该方法使用拉普拉斯方程的功能展开解来建模无电流区域（如MEG测量中的头部）内的磁场。
• 为功能展开中的每一项构建独立的基向量，形成一个完整信号基，覆盖所有可测量的信号向量。
• 通过SSS基，将每个信号向量唯一地分解为对应于内部（脑）信号和外部（噪声）信号的系数。
• 该分解使得可选择性地滤除外部干扰，同时保留并转换内部信号分量。
• 通过在新传感器排列中重新表达内部信号分量，该方法支持虚拟传感器配置的变换。
• 通过在外部信号空间中建模其贡献，该方法可实现对受试者运动和磁性颗粒伪影的校正。

实验结果

研究问题

• RQ1 在多通道MEG系统中，如何有效分离脑源产生的磁信号与外部环境噪声？
• RQ2 能否利用磁场解的功能展开构建一个基，以区分内部与外部信号贡献？
• RQ3 SSS在多大程度上可抑制外部干扰，同时保持MEG记录中脑信号的完整性？
• RQ4 SSS如何应用于校正MEG数据中的受试者运动和磁性颗粒伪影？
• RQ5 使用SSS将测量信号转换为虚拟传感器配置的数学和实际可行性如何？

主要发现

• SSS方法通过将信号空间分解为内部和外部分量，成功实现了脑源磁信号与外部干扰的分离。
• 该方法为任意测量信号向量提供了唯一且数学一致的分解，分别对应于内部和外部信号贡献的系数。
• 通过将信号投影到SSS基上，外部噪声被有效抑制，从而能够干净地提取脑活动信号。
• 内部信号分量可被转换为虚拟传感器配置，从而实现更优的信号处理与分析。
• 该方法在补偿受试者运动和去除磁性颗粒引起的伪影方面有效，因为这些效应均在外部信号空间中建模。
• 该方法在具有数百个传感器的多通道系统中表现出鲁棒性和可扩展性，如在脑磁图背景下的验证所示。