文摘

脑机接口(BCI)是一种技术,允许用户通过检测大脑活动与外部设备通信。作为一个有前途的非侵入性技术,功能近红外光谱(fNIRS)最近在BCI研究中获得越来越多的关注。然而,在实践中fNIRS测量可能遭受巨大的生理干扰,例如,因心脏收缩,呼吸和血压波动,从而严重限制了该方法的实用程序。这里,我们应用multidistance fNIRS方法,与短途和长途optode对我们提出的结合独立分量分析(ICA)和最小二乘(LS) fNIRS的录音来减少干扰。短途fNIRS测量被视为虚拟通道和长途fNIRS测量被视为测量通道。最小二乘优化重建值用于大脑活动的信号。蒙特卡罗模拟光子传播通过成人头的五层板模型实施评估我们的方法。结果表明ICA方法可以单独的大脑信号和干扰;的进一步应用最小二乘法可以显著恢复血液动力学的信号污染的生理干扰fNIRS-evoked大脑活动数据。

1。介绍

近红外光谱(NIRS),采用连续波(CW)仪器与几个波长和各种炮检配置,最近吸引了越来越感兴趣(1]。oxyhaemoglobin的浓度的变化 和deoxyhaemoglobin (HHb),唤起一个适当的刺激,都是计算使用修改后的Lambert-Beer法律(MLBL) [2,3]。在现实情况下,生理活动与心动周期,呼吸,血压脉动通常较低相关性的功能反应诱发的任务执行(4]。测量信号不可避免地受到这种干扰的影响,可以从表面出现层和大脑本身,包括头皮、颅骨、脑脊液(CSF),灰质和白质。

近红外光谱使用刺激唤起生理反应,它已经发展成为一个常用的方法称为功能性近红外光谱(fNIRS)。HbO的浓度2和HHb能同时测量大脑活动的变化,这允许用户通过测量与外界交互相关的神经活动与心理过程有关。脑-机接口(bci)既可以以多种方式表现出来,如功能性磁共振成像(fMRI)、脑磁图(MEG),正电子发射断层扫描(PET)和脑电图(EEG) (5,6]。与这些方法相比,fNIRS的优势对大脑活动的调查包括可移植性,更少的物理限制,时间分辨率好,安全,廉价的仪器(7]。这些特征使fNIRS作为一个有前途的方法来测量HbO的浓度变化2和两个主要HHb吸收发色团在脑组织,而准确地描述了脑血液动力学。但生理干扰的存在是使用fNIRS的主要问题之一。这些生理干扰来自毛细血管和血管在表面层和内部层大脑,作为“全球干预”或“系统生理干扰。”

为了decorrelate生理波动引起的血液动力学的响应,不同群体在fNIRS上取得了广泛的研究数据。带通滤波、低通滤波、移动平均和维纳滤波(8)开发了消除高频仪器噪声和低频漂移。心脏振荡造成的干扰可以有效地去除这些frequency-based算法。然而,特定的生理呼吸和血压变化等噪音信号剩下因为这些波动难以区别大脑活动的血液动力学的响应频率特性。越来越多的算法仍在开发fNIRS降噪和信号的改善。菠菜和伯杰(9)利用双检测器系统和最小二乘法消除top-layer-only波动和验证方法的效果进行蒙特卡罗模拟基于两层浑浊的媒体模式。Zhang et al。6]提出eigenvector-based方法分离activity-evoked反应从系统性生理干扰扩散光学成像数据。他们通常认为信号由于噪声是广泛的空间分布与信号由于神经活动,很难适用于实时处理。Morren et al。10和Zhang et al。11采用自适应滤波消除全球干扰。这两种方法之间的区别是,前者使用信号从一个额外的硬件作为参考,后者与很短的信号从一个通道使用发射器和探测器之间的距离作为参考。卡尔曼滤波模型也被用于分析干扰组件(12,13]。度琪明和于佩尔提出一种自适应一般线性模型基于卡尔曼滤波算法的实时评估脑功能(14]。尽管他们论文的一般线性模型表现出潜在的移除从心脏的生理信号,呼吸,和迈耶波的波动,作者明确指出,必须假定先验分布的过程和观测噪声的卡尔曼滤波模型。

最近,独立分量分析(ICA)已被证明是能够分离和识别干扰引起的一些心脏事件和呼吸,已广泛应用于脑电图和功能磁共振成像研究社区15]。ICA的一个重要的要求是,所有的资源都被认为是相互暂时独立和空间静止。fNIRS的录音与参考信号,参考信号和源之间的独立导致脑深部组织至少应该大约真正基于之前的研究。空间平稳性的要求的来源是ICA的限制,但是对于fNIRS通常不是一个问题,如果一个人可以避免大脑的悸动的运动和调查。我们所知,ICA尚未应用于常见multidistance fNIRS测量记录除了处理空间eigenfiltering算法在最近的一篇论文。

在这里介绍我们的研究,我们提出一个新的分离方法有用的信息关于脑血液动力学的层。我们使用multidistance测量方法和减少全球干预的理论分析基于ICA和最小二乘(LS)标准。短途fNIRS测量被视为参考通道包括表面的血液动力学的变化引起的生理波动和长途fNIRS测量被视为包含功能性血流动力学响应的测量通道和全球干扰。我们的目标是消除全局干涉与肤浅的血液动力学的波动,诱发心脏收缩,呼吸,血压,等等。ICA是一种强大的方法来分离混合多通道记录和恢复成其组成潜在的来源。通过与ICA算法分解远距离测量,我们将信号分成不同的组件基于虚拟通道。最小二乘准则被用来调整相应的权重系数和方向估计的真实信号获得组件。蒙特卡罗模拟人类一个五层模型被用来研究的性能ICA-LS消除全球干涉测量大脑活动。

2。理论

2.1。Lambert-Beer Multidistance探针配置和修改法律

使用近红外(NIR)光(700 ~ 1000 nm)功能测量生物组织决定,首先,在生物组织是相对透明的在这些波长,其次,在氧气的血红蛋白和细胞色素aa的依赖3光学吸收特性(16]。多层组织模型,由头皮、颅骨、脑脊液(CSF)、灰质,白质,用于我们的研究代表了人类头上。multidistance NIRS调查一起安排五层头部模型的示意图如图1。一个带有两个波长的光源位于头和两个探测器的表面被定位在不同的距离从源收集光线漫反射系数后新兴的头。使用特定的炮检分离使我们能够区分过程发生在不同的组织深处,香蕉状态表示的区域包含统计确定光子的路径(17]。我们使用短的距离 与炮检1探针表面的组织层和长途 2炮检来探测更深的组织层。


图1
示意图说明五层板人头模型和multidistance optode配置。S是光子源,D1和D2探测器。

当我们获得的光密度的变化与源和探测器,HbO的浓度变化2在给定的时间和HHb可以使用修改后的Lambert-Beer估计法(MLBL)如下:

2.2。标准ICA模型和虚拟通道

ICA是一种多变量统计技术用于估计一组信号只能使用一个混合物。源和混合过程都是未知的,消息人士估计,假设他们是统计独立的从一个另一个18]。

一维信号与加性噪声的数学模型可以表示为如下方程: 在 是观察到的信号, 源, 是多个噪声组件的混合物。在的情况下 拥有两个或两个以上独立的噪声分量, 可以表示为 在哪里 噪音和的数量吗 的重量吗 噪声。介绍 噪声组件 作为虚拟噪声通道,然后我们有以下表达式: 根据(3)和(4),(2)可以通过以下标准ICA模型表示: 从(3),所需的信号, ,可以通过引入虚拟通道。在我们的论文中,我们使用下面的矩阵应用ICA方法与虚拟通道 是一个一维向量代表观察到的信号吗 是一个一维向量代表多个噪声组件的混合物: 但是问题仍然存在自独立分量分析需要对数据做预处理,确保他们是统计独立的。矩阵的范围改变了预处理后,集中和美白等,所以我们不能得到准确的结果直接由ICA方法。在这里,我们应用最小二乘法进行拟合所需的信号 和观察到的信号 这样的数据可以证实。这些元素 和 的数量 代表向量的长度: 功能之间的关系 和 形式可以描述如下: 为了获得最优的值 和 ,我们使用均方误差(19]: 和 的总和 : 如果我们希望能获得红杉中最低的 ,部分推导 和 必须是零: 通过合并(9)和(10),我们得到了功能之间的关系 和 : 系数 和 可以从以上两个方程计算。通过使用最小二乘法,可以恢复和生理信号的范围可以减少干扰。

3所示。方法

3.1。蒙特卡罗模拟

成人头的分层模型被用来研究光的传播和衰减。模型由五层包括头皮、颅骨、脑脊液(CSF),灰质和白质20.]。我们的研究使用了两炮检对和两个波长的光(见图1)。检测时间序列的生成进行了蒙特卡罗模拟(21功能性血流动力学变化的]基于我们之前的分析(16]。通过使用两个炮检对和两个波长,我们可以混合信号和虚拟通道。自混合信号是一个一维矩阵,所需的虚拟通道是独立分量分析的使用。

这里使用蒙特卡洛代码是一个扩展的多层,三维,加权光子蒙特卡罗代码由王et al。(21]。散射各向异性被假定为0.9和菲涅耳反射tissue-air边界也被考虑在内。我们认为相同的折射率 对所有层22]。仿真中使用的标准参数表1。厚度、传输散射系数 ,HbO2从公布的数据和HHb基线浓度7,20.,23]。HbO的基线浓度2头部和HHb假定氧饱和度为70%。HbO的吸收系数计算2HHb基线浓度和摩尔消光系数。摩尔消光系数在750 nm和830 nm)从文献[获得24]。

表1
血流动力学参数、厚度和光学性质为成人头部模型的每一层。
3.2。血液动力学的响应函数和生理干扰仿真

进一步量化效用的ICA-LS生理噪声的去除,因此功能响应的改进的复苏,我们引入了一系列模拟血液动力学的功能性反应函数。功能性血流动力学反应灰质被定义为卷积的刺激 , 休息期间,1刺激 和一个典型的血液动力学的冲动 (11,20.,25]: 的参数 和 伽马函数变量的设定在8.6和0.56,分别对应最新发现(20.,25]。诱发血液动力学的响应 的卷积 和 : 在哪里 在我们的模型是一个简单的比例因子。

为了使模拟尽可能真实,血液动力学的变化模拟的结合功能性血流动力学反应和生理干扰。心脏生理干扰是由一个组合的波动 、呼吸起伏 ,低频振荡 ,甚低频振荡 以及独立波动 引起的温度变化和皮肤上的汗水。每一层的血液动力学的变化表示如下: 在哪里 , , , 代表HbO的浓度2和HHb每一层作为时间的函数,与标1到5层指数指示头皮,头骨,CSF,灰色和白色很重要,分别。 和HHb基地代表平均或基线浓度。心脏的波动 、呼吸起伏 ,低频振荡 甚低频振荡 都是模拟正弦波和高斯白噪声的总和。系数 , , , , 与索引层上标和HHb或HbO2下标是血液动力学的变化幅度的控制参数,可以在表中找到2。独立的干扰 是由偏见和低通过滤高斯白噪声。独立的干扰 在头皮层和不同体重在心脏,呼吸,低频和甚低频波动在每一层来模拟一定数量的不相关的浅层较深的变化层。使用的参数是基于Scholkmann et al。26)、张等人。工作(11]。

表2
仿真参数干扰振动的振幅和频率和血液动力学的变化。

模拟血液动力学的变化被用来由蒙特卡罗方法计算光学测量。我们推导出模拟光学测量通过推出108光子包和蒙特卡罗模拟的运行时间大约是10个小时在桌面上(英特尔酷睿i5 - 2320 CPU)。采样率设为10赫兹和整个时间序列变化的光密度是假设下的散射特性不随时间变化。实验的目的是作为一个5-epoch块和每个时代由一系列400点,休息,200点和200点的刺激。短炮检距设置为5毫米,只考虑光的渗透入额外的大脑组织。长炮检距设置为45毫米,这是足够长的时间渗透到大脑皮层。因此,短途optode一对被用作虚拟通道和长途optode对ICA模型被用来测量通道。使用(3)和推导公式,唤起大脑信号可以被分开。

4所示。结果

模拟光学测量是通过雇佣S-D1分离的5毫米和S-D2 45毫米的分离。oxyhaemoglobin的浓度变化, deoxyhaemoglobin, 然后与MLBL派生。oxyhaemoglobin的浓度变化, deoxyhaemoglobin的浓度变化, ,使用ICA分离算法和这项研究的结果发表在数字2和3,分别。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图2
ICA方法不同的生理干扰。(一)的时间序列 从S-D1计算。(b)的时间序列 从S-D2计算。(c)生理干扰与ICA分离方法。(d)诱发的大脑活动响应与ICA提取方法。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图3
ICA方法不同的生理干扰。(一)的时间序列 。(b)的时间序列 从S-D2 (HHb)计算。(c)生理干扰与ICA分离方法。(d)诱发的大脑活动响应与ICA提取方法。

ICA是一个信号歧视来自多个信号的方法,提取独立组件没有知识获得信号的利用源的统计独立组件(27]。

在图2,那里的 结果是,虚拟通道数据集计算 从S-D1 5毫米炮检分离(图2(一个)),测量通道数据集计算 从S-D2 45毫米炮检分离(图2 (b))。理论上,测量通道的数据集应该包含诱发血流动力学响应;然而,原始时间序列存在显著的干扰。事实上,原始时间序列相似性的数据集数据的引用2(一个)和2 (b)表明它是由全球干扰。使用获得的数据与S-D1 S-D2炮检对,使用ICA提取独立成分在每个S-D2距离。数据2 (c)和2 (d)情节独立组件的时间进程与ICA提取。

在图3,我们展示的等效结果图2但对于 [HHb]。在独立分量分析的实现 [HHb],我们选择了使用相同的算法 。数据之间的差异2和3的残余干扰吗 [HHb]是不太明显的比 。这个结果可以解释的基础组件的干扰 (HHb)信号是相对较小的比 信号,这是符合已知的事实。这两个 和 [HHb]结果如图2和3表明ICA算法表现出良好的性能在生理干扰分离。

血流动力学变化的结果和相关处理结果如图2和3。我们发现血流动力学变化(数据2(一个),2 (b),3(一个),3 (b))污染的生理干扰。使用ICA方法,生理干扰可以从原始数据中分离出来,如图2 (c)和3 (c)。大脑信号提取与ICA在图所示2 (d)和图3 (d)。很明显,生理干扰抑制。

然而,的大小 和 (HHb)低估了,因为激活体积小于采样体积。这是通常被称为部分体积效应(私企)28]。通过蒙特卡罗模拟,光程长度的比值的激活体积采样体积的光学路径长度可以通过补偿实现的效果。这里,我们补偿通过以比较滤波器输出定量与真正的诱发血液动力学的响应。

HbO的浓度变化2在模拟测量图所示4。其中,图4(一)显示了 时间序列中提取的结果与ICA的45毫米炮检距计算MLBL和图4 (b)显示了块平均的结果。同样,数据4 (c)和4 (d)显示了 (HHb)时间序列中提取与ICA 45毫米炮检距和块平均的结果,与MLBL再次计算。信号处理与ICA-LS之后,见图4(一)和4 (c),诱发血液动力学的变化是清晰的和全球的大部分干扰被移除。通过我们补偿效应后恢复的结果,我们可以比较结果与恢复真正的灰质诱发血液动力学的变化。这种比较中可以看到数据4(一)和4 (c)。在这两个数据,实线表示恢复结果与通过补偿和虚线表示真正的诱发血液动力学的变化用于仿真。尽管有些波动依然存在,恢复 处理ICA-LS算法提供了一个明显的诱发反应。通过计算统计平均值为整个时间序列,结果表明,该方法可以去除大约全球95%的干扰。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
图4
血液动力学的变化与ICA-LS计算方法。(一)的时间序列 通过补偿和(b)块平均的结果。(c)的时间序列 [HHb]通过补偿和(d)块平均的结果。

5。讨论

几种方法在文献中已经探讨了从fNIRS录音试图消除干扰。如果一个参考信号的生理干扰可用,如脉搏血氧计、心电图(ECG),它可以从fNIRS的减去一个适当的缩放后的数据因素由回归在时域或频域。然而,记录参考信号往往被污染;因此减弱fNIRS的价值回归,这是不可取的。此外,参考信号并不是用于低频振荡等干扰。干扰消除的另一种方法是使用数字滤波器;然而,大多数干扰的频谱重叠与大脑活动信号;因此,干扰只能部分被这种方法。

最近,主成分分析(PCA) (6)已经被用于单独fNIRS的信号不相关的组件。生理干扰可以被识别和移除,特别是如果他们的振幅是高的。然而,PCA提取组件有正交空间限制地表形态,这是一个困难的假设。ICA使用更强的统计独立的假设,更适合fNIRS录音。然而,由工件fNIRS的严重污染,一些组件可能是多个强源的混合物。ICA因此仍然能够把多个干扰组件从fNIRS的录音。

我们使用蒙特卡罗方法的成人头的五层模型来模拟大脑活动实验。蒙特卡罗模拟已经广泛用于生物医学领域。不同的方法已经被用于开发蒙特卡洛方法如白蒙特卡罗(29日),混合蒙特Carlo-diffusion方法(30.),图形处理单元(GPU) [31日)技术。进一步的重要性是GPU方法已广泛采用蒙特卡罗模拟,因为GPU加速可用于并行计算。最近,许多基于gpu的蒙特卡罗计算工具,如online-object-oriented和对等蒙特卡罗模拟一直深受Doronin发达和Meglinski32,33]。到目前为止我们还没有开展了基于gpu的蒙特卡罗研究。这是我们正在进行的研究的主题,将用于ICA-LS算法。

本文介绍了一种新的方法从fNIRS录音生理干扰取消。包含的参考通道成功地确保一个组件主要是由生理干扰。我们使用蒙特卡罗模拟来评估使用独立分量分析在全球干扰删除从fNIRS大脑活动数据。最小二乘算法进一步用来确定独立分量的振幅。我们的研究结果表明,独立分量分析和最小二乘法可以减少全球测量中的干扰 和 [HHb]。

6。结论

fNIRS的研究独立分量分析的数据与一个虚拟通道已经证明fNIRS的生理干扰信号可以显著抑制。这些结果评估multidistance fNIRS使用蒙特卡罗模拟测量。最小二乘法应用于处理与ICA分离组件计算结果表明,大脑活动以来fNIRS信号响应分离方法是有效消除全球不仅干扰引起的心跳和呼吸,也通过低频振荡和甚低频振荡,以及其他相关的表面和深层之间的干扰。ICA-LS的优势在multidistance fNIRS测量与其他可能的方法相比,也来自其方便的实现;它既不需要一个辅助测量仪也不依赖先验知识的全球干扰频率。实验还表明,通过引入虚拟噪声通道正常,大脑活动响应可以即使在强噪声背景中提取。因此,使用的方法有明确的潜在fNIRS脑机接口测量。

确认

作者感谢中国国家科学基金会的支持(批准号61201017),黑龙江省自然科学基金(批准号QC2011C097)、中国博士后科学基金(批准号2013 m531027),黑龙江省博士后基金(批准号LBH-Z12093),中央大学的基础研究基金(批准号HIT.NSRIF.2013010)和OBHL,英国。他们也感谢同事在中国、意大利、英国和日本的有用的评论这项工作。