基于高密度通道配置的近红外脑功能成像的研究文献综述

1. 文献综述（或调研报告）：

近红外脑功能成像（fNIRS）利用血液的主要成分对600-900nm近红外光良好的散射性，结合修正比尔-朗伯定律（modified Beer-Lambert law），获得大脑活动时氧合血红蛋白（HbO2）和脱氧血红蛋白（HbR）的变化情况，从而间接获取神经元的活动、细胞能量代谢以及血液动力学信息^[9]。

fNIRS的全局干扰主要有两个空间来源：1、头颅表层（包括头皮和颅骨）；2、大脑（由心跳、呼吸、自发的低频振荡等因素引起）。通过根据频率特性设计相应的带通滤波器，可降低由心跳、呼吸、自发的低频振荡等因素引起的干扰^[10]。使用高密度测量方法获取表层的fNIRS信号，去除表层的信号干扰，进一步增大大脑皮层的fNIRS信号的信噪比，实现对大脑皮层的fNIRS信号的提取^[6]。

fNIRS信号受到来自两个不同位置的表层干扰：位于发射极之下和接收极之下，而由于表层的非均质性，这些干扰信号可能不相互关联。每一个发射极和接收极处均设置一个短距离的信号测量，检测相应区域的高密度测量方法获取的数据，以便用于之后的数据分析,如图1所示^[4]。

图1 fNIRS光极的配置

所有的fNIRS信号均先通过带通滤波器，降低由心跳、呼吸、自发的低频振荡等因素引起的干扰。然后使用Kalman滤波和平滑算法，去除低密度测量数据中高密度测量数据的影响。最后通过0.5Hz低通滤波器，然后进行线性回归获得最终结果^[4]。如图2所示。

Kalman滤波和平滑算法是整个数据处理过程中的核心，系统模型描述如下：

假设有线性离散系统的过程模型及测量模型如下：

(1)

(2)

式中，是待估计量，是测量数据，称为过程矩阵，表示状态变换关系，为测量矩阵，是过程噪声，是测量噪声。

将低密度测量信号定义为大脑皮层信号与发射极和接收极的高密度测量信号和的线性组合

(3)

将高密度测量信号带入低密度测量信号的测量过程中，从而应用Kalman滤波方法获取大脑皮层的fNIRS信号。

实验结果表明，同时使用发射极和接收极的高密度测量数据的Kalman滤波器的效果最佳，只使用发射极的高密度测量数据的效果次之，而只使用接收极的高密度测量数据的效果最次^[4,5]。

图2 数据分析算法概览

该实验设计中，为了分别获取发射极和接收极的高密度测量数据，需要进行分时测量，导致数据的分辨率降低。另一方面，实验结果表明，相比于接收极下的表面干扰，发射极下的表面干扰对于实验结果的影响更加明显^[4]。

根据以上结论并结合现有的实验设备，我们将设计一个仅进行发射极处高密度测量的实验方案，并且将尝试使用Kalman滤波或独立成分分析（Independent Component Analysis）的方法处理数据。数据处理流程图如图3所示：

实验结果

实验数据

图3 数据处理流程图

参考文献：

[1] Kopton I M, Kenning P. Near-infrared spectroscopy (NIRS) as a new tool for neuroeconomic research[J]. Frontiers in Human Neuroscience, 2014, 8.

[2] Boas D A, Dale A M, Franceschini M A. Diffuse optical imaging of brain activation: approaches to optimizing image sensitivity, resolution, and accuracy[J]. NeuroImage, 2004, 23: S275–S288.

[3] Zhang Q, Brown E N, Strangman G E. Adaptive filtering for global interference cancellation and real-time recovery of evoked brain activity: a Monte Carlo simulation study[J]. Journal of Biomedical Optics, 2007, 12(4): 044014.

[4] Gagnon L, Yuuml;cel M A, Boas D A, et al. Further improvement in reducing superficial contamination in NIRS using double short separation measurements[J]. NeuroImage, 2014, 85: 127–135.

[5] Gagnon L, Perdue K, Greve D N, et al. Improved recovery of the hemodynamic response in diffuse optical imaging using short optode separations and state-space modeling[J]. NeuroImage, 2011, 56(3): 1362–1371.

[6] Funane T, Atsumori H, Katura T, et al. Quantitative evaluation of deep and shallow tissue layersrsquo; contribution to fNIRS signal using multi-distance optodes and independent component analysis[J]. NeuroImage, 2014, 85: 150–165.

[7] Gagnon L, Cooper R J, Yuuml;cel M A, et al. Short separation channel location impacts the performance of short channel regression in NIRS[J]. NeuroImage, 2012, 59(3): 2518–2528.

[8] Gratton G, Brumback C R, Gordon B A, et al. Effects of measurement method, wavelength, and source-detector distance on the fast optical signal[J]. NeuroImage, 2006, 32(4): 1576–1590.

[9] Zhang Y, Tan F, Xu X, et al. Multiregional functional near-infrared spectroscopy reveals globally symmetrical and frequency-specific patterns of superficial interference[J]. Biomedical Optics Express, 2015, 6(8): 2786.

[10] Fekete T, Rubin D, Carlson J M, et al. The NIRS Analysis Package: Noise Reduction and Statistical Inference[J]. ZUO X-N. PLoS ONE, 2011, 6(9): e24322.

[11] Kashou N H, Giacherio B M, Nahhas R W, et al. Hand-grasping and finger tapping induced similar functional near-infrared spectroscopy cortical responses[J]. Neurophotonics, 2016, 3(2): 025006.

[12] Hervey N, Khan B, Shagman L, et al. Motion tracking and electromyography-assisted identification of mirror hand contributions to functional near-infrared spectroscopy images acquired during a finger-tapping task performed by children with cerebral palsy[J]. Neurophotonics, 2014, 1(2): 025009.