文摘

本文提出一种多通道功能连续波近红外光谱(fNIRS)系统,双级光强度下收集数据模式与多个炮检分离优化对通道的信噪比。该系统应用于分类不同的大脑皮层前额叶皮层(PFC)的激活状态。心算、数字广度、语义任务,和休息状态被选为四个心理任务。森林深处算法被用来实现较高的分类精度。利用杂粮fNIRS数据扫描,这系统可以提取结构特征和导致更高的性能。该系统通过适当的优化可以达到86.9%的准确率自建数据集,这是最高的结果相比,现有的系统。

1。介绍

大脑监测已经应用于研究人类大脑活动和探索近年来脑-机接口。有许多不同类型的无创监测大脑活动的方法。传统技术如功能性磁共振成像(fMRI)和正电子发射断层扫描(PET)价格昂贵,而且不适合连续每日大脑监测。因此,一些便携和可穿戴神经成像技术越来越受欢迎的选择,尤其是功能性近红外光谱(fNIRS)。

fNIRS光学技术是基于近红外光线的衰减,使我们能够监测血流动力学和代谢变化在皮质激活(1]。作为一种非侵入性技术与平衡的时空分辨率,fNIRS吸引了越来越多的关注,作为一个强大的替代或补充传统的神经影像技术在过去的年2]。根据测量组织生色团浓度的变化,主要是氧还原血红蛋白,fNIRS可以应用于评估脑功能活动在不同的心理任务。

由于脑机接口(BCI)技术为一种新的方式通过大脑活动与机器进行交互,它增加了研究工作。结果,小说fNIRS和混合fNIRS-EEG系统提出了开发BCI小说分析算法和信号处理技术的应用程序(3- - - - - -7]。

BCI的应用程序的一个非常有吸引力的大脑区域是前额叶皮层(PFC),它提供了高质量的信号没有头发的干扰和成为一个合适的和流行的测量fNIRS地区。众所周知,PFC参与各种执行功能,工作记忆和语义任务(8]。

如今,有许多商业fNIRS设备市场的人员。他们中的大多数在大脑活动提供出色的性能检测。但是所有的这些系统非常复杂不适合便携性或者非常昂贵不适合大规模研究。实现PFC fNIRS系统收集数据,有几个发光二极管(LED)光源和探测器位于大脑区域获得光学感兴趣的频道。在以前的研究中,一些系统使用一个炮检分离距离(9- - - - - -12),和一些系统使用多个炮检分离距离(13,14]。自发现光强度变化明显不仅与炮检分离距离还有光源发出的光强度和组织光学特性,有必要做一个仔细的通道,通道校准为渠道提高信号质量不同炮检分离的距离,这意味着所有探测器的输出信噪比(信噪比),而不是饱和度高。

校准应由硬件通常是昂贵的。有两种方法可以做传统的自适应校准。一是调整发射光强度使检测光源强度实现检测电路的输入范围。另一种方法是调整光探测,光传感器的灵敏度,以及相关的前端电路的输出信号在一个适当的范围的一个模拟数字转换器(ADC)。除了fNIRS的硬件的同谋,自适应过程校准软件也复杂,特别是对于多个炮检分离布局配置为特定的大脑更灵活的监控。fNIRS更重要的是,复杂的系统的尺寸和重量不能紧凑的可穿戴的应用,以及其昂贵的价格也限制了fNIRS的大规模使用。

构建一个健壮的模型对试验数据进行分类fNIRS-BCI系统也是必不可少的。先前的研究也验证分类的可行性几个心理任务的PFC(例如,心算)。到目前为止,有很多二元分类模型和其中一些可以实现精度高,即使在一个试验(4,6,7]。然而,心理任务的多级分类PFC尚未深入研究。不同的皮质活动展示空间差异检测模式,所以使用一个基于多通道系统的多任务分类算法在fNIRS-BCI承诺更多的应用程序。

考虑到以上问题,本文提出了一种双级光强度方法提供更有用的渠道,降低硬件的要求,这使得我们fNIRS系统更适合的可移植性,因为它放松需要校准信号通道的通道。然后,我们进行四种不同心理任务激活与多通道检测系统,然后采用PFC森林深处算法分类四个皮质的激活状态。本文还比较了表演时以不同的发色团浓度为特征,总结了最优参数特征提取和模型调整实现精度高。

2。系统设计和实验范式

2.1。fNIRS的硬件系统

整个系统框图如图1。拟议的系统包括一个6通道光源模块,摘要介绍光电二极管(PD)光探测器模块,和一个基于现场可编程门阵列(FPGA),控制器与一个内置的wi - fi模块。光源探测器和光探测器探测器放置在发光和收集的额头,分别。


图1
提出了检测系统的整体系统图。

在考虑被测信号的敏感性和可选光源在商业市场,735年和850 nm波长选择系统中(15]。6通道光源模块包括6双波长光学来源(在一个包,两个发光二极管735 nm和850 nm, Ushio)及其驱动电路,利用电压缓冲器和triode-based电压转换器转换的输出数模转换器(DAC, AD5542A)到相应的LED驱动电流而不影响DAC的功能。为了实现系统适应性高的各种实验和主题,每个波长光强度可以调整马马从0到50 0.78μ一个步骤。发光强度应该仔细选择实现更好的最终信号在测试过程中根据不同的试验条件。

光接收电路一般放大了μa级电流检测到一个光电二极管和放大信号数字化后为方便数据传输和信号处理。放大电路有两个阶段。第一阶段是5000年跨阻抗放大器的增益。第二阶段是一个活跃的100 kHz截止频率的低通滤波器抗锯齿,紧随其后的是一个24位ADC。

控制器保持光的序列驱动和接收与FPGA的多流能力(ZYNQ7000)和编码数据通道ADC的识别和数据压缩。系统和终端设备之间的无线通信实现TI CC3220SF SoC嵌入式收发器的进一步数据处理和分类。

控制器的协调下,有48通道工作在时分多址(TDMA)调制转换速率的43.8赫兹,通过发射每个波长的光源和领导一个接一个在一定的强度。灵活的探头分布板设计的光源和探测器探测。布局模式的光源和光检测器探头放在前额可以基于需求定制特殊实验的定位上的观测点相对的皮层区域。布局中使用我们的BCI任务分类实验与多个源和探测器分离图所示2。


图2
源和探测器的布局。
2.2。数据采集与双级光强度

由于光线高度散射特性在脑组织,光源发出的光子将分散,反映在组织中的传播路径,和一些光子将反映出大脑和探测器探测到。形成的漫反射的光传输路径检测光子源和探测器之间的脑组织banana-like形状。光从大脑是减毒如光吸收的部分沿着路径(生色团16,17]。fNIRS的系统措施通过人体组织获得的光强度的光衰减变化,以便测量氧合血红蛋白的浓度变化(HbO2)和脱氧血红蛋白(Hb)基于修改的比尔-朗伯定律的微分形式(dMBLL) [18- - - - - -20.]: 在哪里 光衰减的变化, 意味着检测强度值的两个不同的国家组织, 探测到的光子的总平均路径长度,然后呢 是组织的吸收系数。

对于不同的组织,路径长度 有关微分路径长度因素(DPF)和炮检分离距离 :

DPF可以通过实验获得的价值或蒙特卡罗模拟在不同条件下21,22]。在这项工作中,我们使用5.98和6.5为735 nm和850 nm波长,分别。

从方程(1),我们知道吸收衰减变化成正比变化,变化的加权和的HbO的浓度2和Hb: 在哪里 权重的吸收系数不同的发色团。如果两个波长的测量衰减变化,浓度的变化可以从检测到的强度计算值(20.]:

因此,在转换的过程中检测到光衰减生色团浓度变化,测量 对最终结果的准确性是至关重要的。如图3,检测到的光强度与源的发射光强度和炮检分离的距离。领导可以在两个不同的强度水平下工作来源,和两个相同的光电二极管探测器被标记为PD1 PD2。banana-like形状显示不同空间分布的近红外光谱灯通道。


图3
比较近红外光谱光的空间分布在不同的频道。

总检测光强减弱当炮检分离间隔的增加。然而,光子经过白质层的比例增加,这意味着一个增益灵敏度23,24]。因此,之间有一个权衡检测到的光强度和fNIRS信号的有用信息。如图3,如果排放源光强度高,信号通道的强度有着悠久的分离距离炮检会改善,但是渠道的探测器和很短的距离可能会饱和。相反,如果排放源光强度很低,信号通道的质量的短距离炮检分离会好,但长途的渠道可能遭受低可以实现的信噪比。尽管一些通道的信噪比是不好的在一些情况下,它仍然包含有效信息与精神状态有关。

达到最佳信噪比为每个通道,LED光源的光强度应该是选择和调整为每个探测器与不同的距离。如图2,有不同的炮检(SD)路径在所有渠道;很明显,单级光强度长时间无法提供良好的信噪比SD路径和短SD路径通道在同一时间。如果我们为每个通道校准光强度,调整每个探测器的光强度与不同的距离,8种配置将使用,时间分辨率将下降了8倍。为了解决信号质量和时间分辨率之间的冲突,我们提出一种双级光强度数据采集方法来平衡它,如图4。


图4
比较的单一强度和双级强度。

单一强度模式很容易实现。然而,当源/检测器对的空间和位置是有限的,不可能正确地调整对所有测量需求和测试对象。因为来源是由DAC,控制器在该系统可以调整光强。因此,领导可以编码工作在不同的光源强度水平的软件。基于TDMA,每个领导都是开启两次高强度(Lv.H)和低强度(Lv.L),和所有发光二极管工作在这种模式下,打开一个接一个。切换方案会影响检测结果,特别是在不同通道之间的失真。这是一个常见的问题在fNIRS时分控制方法。如果一个开关周期内(在我们的系统中,循环周期 )远短于大脑活动血红蛋白信号的响应时间(通常大于1秒),影响可以忽略。在我们的系统中,只有一个DAC,光源只能交换一个接一个。每次我们改变DAC的输出决定光强度水平,大约5毫秒后可获得稳定的输出,因为电路的安装时间。如果我们经常变化的水平,额外的总等待时间将变得不可接受。图的数量水平变化4是成本最小的额外时间最小的失真提供最终的信号。在我们的体系中,我们保持光强度的接触的组织更低于安全标准的要求(IEC62471)。

使用双级光强度的方法降低了对硬件的依赖,使系统的可穿戴。此外,对于渠道与多个炮检分离,总是有一个更好的结果为每个频道下两个水平。校准是让每一个频道有良好的信噪比和不饱和。通过使用双级光强度方法在多个分离的炮检配置中,短暂的分离距离的炮检对不饱和在低强度下所发出的光,和长时间分离炮检对低噪声信号会发现在高强度辐射光。双级光强度的方法扩展了炮检分离和放松的宽容需要一个通道,通道校准。通过结合在一起,我们可以最大化的有效渠道数量有限的区域的额头。和双级模式牺牲时间分辨率低于任何其他多层次模式或通道,通道校准下多个炮检分离。

最后,我们使用fNIRS系统设计一个自定义布局模式下双级光强度模式在实验收集PFC活动数据。完整的输出由48通道从所有炮检组合,及其预处理过程如图5。被应用于dMBLL后,测量信号然后过滤由基于巴特沃斯滤波器的通带0.01 - 1赫兹,准备以下特征提取的数据。


图5
数据预处理的过程。
2.3。实验范式

连续波检测系统收集的检测数据和两个波长(735 nm和850 nm)。如右边所示图的一部分1的多通道系统包括8个探测器和六个来源;都是连接到一个特殊的硅胶制成的帽子,提供良好的耦合在头皮上。这个话题在实验需要戴这个帽子,和设置如图6。


图6
实验与拟议的系统设置。

在实验中,受试者被要求坐在一个椅子上,尽量避免头部和身体运动。每个审判由一段30秒的一种竹筏基线,5给定任务的重复,30秒postrest时期。每次实验之前,指令是显示在屏幕上,主体需要尽快和尽可能正确地应对任务。实验包括三个不同的任务:(我)心算(MA)任务:主题需要计算一个小的减法质数(如13,在这种情况下)从一个随机连续三位数和继续做减法的减法,直到任务完成。在马的任务,只有第一个数字显示在屏幕上。(2)数字广度(DS)任务:开始的时候,一个随机6位号码是显示在屏幕上数字的位数;每个数字显示持续0.1,0.4年代间隔。显示整个号码后,主题需要召回数量在相反的顺序,然后按下按钮继续下一个数显示整个任务时期。(3)语义(SM)任务:两家中国名词随机选择从数据库这个词是显示在屏幕上。主体需要使用这两个词来造一个句子,按下按钮下一组单词继续相同的语义任务,直到完成为止。

实验范式和屏幕显示如图的一个例子7。所有程序都由软件控制自动保证标准范式,同时和NIRS系统收集数据。


图7
序列图的实验范式。

3所示。森林深处精神任务分类

森林深处是一种新型的决策树方法。杂粮扫描结合一个级联的随机森林,森林深处在结构上了解并执行极好地甚至在小规模的数据通过自动设置模型。此外,森林深处少hyperparameters比传统的神经网络,及其性能是相当健壮hyperparameter设置(25]。标准的决策树算法相比,森林深处的方法是更好的在一个特性研究作为原始数据的降维是不必要的。其次,森林深处的结果更准确的结果决定多个分类和回归树。此外,森林深处的方法并行计算的能力,这使得它非常有效。

检测数据在高采样频率与多个频道,它将获得高维度处理和有强烈的时空结构。未来NIRS-BCI系统中的实时应用程序分类算法应该尽可能快速和高效。从森林深处的运行效率高,可以进一步提高与优化的并行实现25森林深处,是一个合适的和有前途的选择。

3.1。特征提取与杂粮扫描

根据前面提到的实验范式,我们需要选择和提取原始检测数据的特性。在选择HbO的浓度变化2,Hb, HbT (HbO的总和2和Hb)特性,有1315个原始特征在每个时间序列样本在一段30秒的任务43.8赫兹的频率。总共48通道有三个变量,低光强下信号收集(李)和高级光强度(嗨)连接成一个 矩阵作为每个任务的原始实例根据给定的空间位置。

考虑到检测数据的时空特征,我们风格的扫描检测数据处理图像;因此,我们可以提取结构特征没有皮质活动的图像重建。如图8,考虑到最终功能向量的维度,(与原始实例 原始特征)是通过滑片 - - - - - -维窗口的一步 ;然后, 将产生新的小实例,它属于相同的任务类原始实例。如果我们滑动窗口特性的一个特性,这意味着是一个步,新的小实例的数量等于 (例如,如果 ,滑动窗口将产生1028个小实例为每个原始实例)。


图8
插图与扫描功能重建。

所有实例提取相同大小的窗户将被用来训练两种不同的森林,一个完全随机树森林和随机森林b,因为我们有三个任务和休息状态,每个类特性将生成与4尺寸然后连接转换功能。通过使用多个大小的滑动窗口,将生成不同的特征向量,并准备以下级联森林舞台。

3.2。级联随机森林

森林深处有一个级联结构,如图9,使得每一层的信息接收和传递特性。因为我们用杂粮扫描,将会有几水平在每一层,每一层基于决策树是森林的合奏。我们使用两个完全随机树的森林和两个随机森林对于每一个级别,并且每个森林会产生估计类的分布。


图9
级联过程的森林。

在使用三个窗口大小进行杂粮扫描,三维特征向量在不同的生产,这将被用来训练的三个等级相应的级联随机森林。对于每个实例,每棵树将生成一个分布的比例不同的类,分为训练样本。通过平均所有相同的森林,每个森林会产生估计结果,形成一个清晰的类向量。类向量的森林然后连接相应的水平与原特征向量输入到下一个级别的级联。

后增加一个新的水平,整个级联将估计的性能验证集。这个过程会重复,直到验证收敛性能。如果没有性能增益,培训过程将自动终止;然后,生成的最终预测将池四个随机森林的结果在最后一层。

4所示。实验结果和讨论

来验证提出的系统和测试分类器的性能,我们使用一个数据集收集的前面提到的实验从两个平均23岁的健康男性。与马有四类标签,DS, SM,和休息,每个类都有48个实例。

为了确定最优模型,我们首先比较了性能不同的发色团的特征选择,没有扫描。fNIRS的HbO的信号2和Hb通常有负相关关系在心理任务,和HbO的变化2大于Hb在实际皮质激活(26]。它是一致的结果,只有在HbO2作为一个功能比Hb图可以达到更高的精度10。这也解释了只有以HbT为原始特征的表现不佳,因为它通常与HbO相同的趋势2但在一个较小的变化。然而,当血流改变HbO产生类似的趋势变化2和Hb, HbT可以反映事实的一个重要特性。这显然表明,所有三种浓度的组合有一个更好的性能比任何单一类型的发色团。


图10
意味着不同的发色团特征选择的准确性。

然后,我们比较了不同的光强度水平的性能。扫描后的原始特性窗口大小从36到144年,对应于1/8和1/2的宽度,结果分别如图11。不同的扫描窗口大小显示不同的数据从不同的时间频率域特征。其中一些含有更多的有用的信息进行分类。结果,分类精度随扫描窗口大小。选择双级光强度下的数据显示意味着精度高于一个高级或者是低级的强度。这个结果是一致的,双级光强度提供了更多的渠道信息比单层多炮检分离距离布局配置下,放松硬件的复杂性,同时也节省了避免通道,通道校准的时间分辨率,它的两个重要方面是可穿戴BCI设备。


图11
意味着不同的光强度水平选择的准确性。

双级光强度的方法收集的数据和所有三种生色团被选定的构造特征。比较一些传统的机器学习分类器采用支持向量机(SVM),决策树(DT)和再邻国(资讯)森林深处(DF)分类器,我们进行4倍交叉验证评估的准确性。如图12,所有的模型和数据集进行评估与不同single-grained扫描大小,和大小0意味着没有扫描的原始特性。它生动地表明,森林深处比其他分类器分类器有更好的性能,特别是没有扫描重建的原始特性。其他分类器也受益很多从扫描过程的森林,这显示了一个改善意味着精度在图12。


图12
意思是四种方法在不同窗口大小的准确性。

在所有这些算法和大小比较之后,我们选择了三个窗口大小与最佳的性能在不同大小杂粮扫描范围。在森林深处的值hyperparameters算法列在表中1。

表1
森林深处算法的参数在这工作。

与最优hyperparameters训练后,生成的模型被用来预测测试集,取得了平均86.95%的准确性,和两个主题的混淆矩阵图所示13。


图13
混淆矩阵的两个主题。

结果表明,其余状态很容易被确认为正确的标签,但马任务,SM DS的任务,任务可能被错误预测作为其余国家在没有明显波动的浓度。这三个任务有时也可以相互混淆;这主要是因为运动工件存在。它将改善与其他算法在我们的进一步研究。

表2这项工作也比较与其他最近发表fNIRS-based精神任务分类。fNIRS的设计多通道系统,专用炮检布局,和双级强度数据采集,提出工作方便穿和传输数据,实现分类精度最高的4。

表2
比较fNIRS-based精神任务分类。

总之,双级光强激发有利于大脑活动分类通过提供更有用的渠道,这是很重要的便携式小型NIRS-BCI设备使用范围时源/探测器布局定位监测在一个特定的大脑区域。和森林深处算法比其他方法可以达到更高的精度,特别是没有扫描。这表明,森林深处有一个潜在的处理原始数据,这将花费更少的时间和承诺在未来NIRS-BCI应用程序。

5。结论

提出了一种连续波fNIRS系统有多个渠道不同的炮检间隔提取空间特征和收集数据,为选择相关的大脑区域提供灵活性。compactable和可穿戴系统涉及双级发光强度模式更好的信噪比。fNIRS系统是用于收集数据在三个认知心理任务和其他国家的有关算法利用森林深处,我们的系统可以实现更高的分类精度比其他方法,即使原始数据。根据不同hyperparameters的比较,我们确定最优模型three-grained扫描。最后,这项工作为4不同皮质激活状态达到86.9%的准确率。

信息披露

研究本文的扩展以前的工作作为会议文摘2019年IEEE生物电路与系统会议(BioCAS)根据以下链接:https://ieeexplore.ieee.org/document/8919082。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是国家重点支持的研究和发展项目批准号2019下的中国yfb2204500,部分由中国自然科学基金会(国家自然科学基金委)拨款61904104,和部分的科学,技术和创新行动计划的上海市,中国批准号1914220370。