fNIRS信号处理方法的统计结果差异

背景：功能性脑血氧成像(fNIRS)研究已进行20多年，但在信号处理上仍缺乏共识。成熟研究人员和初学者在认知上存在巨大差异。

问题：fNIRS最常见的一个主要问题是没有考虑与神经血管耦合无关的，可能污染信号的血流动力学变化(头皮血流、全身血流)，没有考虑的原因可能是研究人员在没有深入了解的情况下直接使用设备制造商提供的信号处理方法。

目的：调查不同信号处理方法(包含/不包含信号污染处理)如何影响fNIRS研究的结果。方法：我们评估了一家商业公司提供的标准信号处理方法(nirsLAB)，并将其与三种自定义方法进行比较。本研究调查了所选方法对临床数据集(任务诱发的运动皮层活动)的统计结果的影响。研究没有使用短通道，应用了基于多个长通道的两种校正方法。

结果：信号处理方法的选择对研究结果有相当大的影响。使用不包含去除信号污染的方法时，发现全脑的几个显著血流动力学反应，而使用多通道回归处理信号污染后，这些统计差异消失。

结论：在无法进行长短距通道测量的情况下，使用能校正生理混淆效应的信号处理方法能得到更真实的结果。我们建议研究者深入了解所有信号处理步骤后再使用制造商提供的标准信号处理方法。本文发表在Frontiers in Human Neuroscience杂志。

1.介绍

功能性近红外脑血氧成像(fNIRS)越来越多应用于神经科学研究，与其他神经成像模式比较: (1)功能性磁共振成像(fMRI)具有更高的空间分辨率且可以测量皮层下区域的活动，而fNIRS更易于使用、价格更低、具有便携性；(2)与脑电图(EEG)相比，fNIRS可以提供更高的空间分辨率，对用户更友好(限制少)，更少受头部运动的影响。随着fNIRS技术与其商用设备的普及，更多研究人员开始使用这项技术，该趋势在康复研究、心理学、运动科学领域尤为明显。目前，没有标准化、广泛接受的fNIRS信号处理方法，也没有相关指南，初入门的研究人员可能依赖商业公司提供的工具直接进行信号处理和数据分析，导致统计结果假阳或假阴。导致这些情况的主要问题是任务诱发的头皮和全身血流造成信号污染。信号处理具有难度的原因有二：(i)脑外和大脑皮层的血流变化可能由身体小动作(如手指敲击)或生理心理影响引发(如心率、血压、交感神经激活)。因此fNIRS心理学研究，尤其是康复研究和运动科学研究血流动力学信号被污染的风险很高。(ii)许多商业设备配备固定头帽(固定光极)，无法进行短距/多距测量，多距测量只能通过额外购买特定模版实现。短距/多距离测量是目前消除信号污染的最佳方法，并且可能在几年后成为标准，其可以测量到脑外血流变化(光源-检测器间距0.5–1.0cm)与目标脑组织层的信号(光源-检测器间距3-4cm)，排除脑外血流变化。如果无法使用短距通道测量脑外变化，还可以考虑其他方法，如主成分分析(PCA)和独立成分分析(ICA)，将原始信号分解为各种子成分，假设各成分正交(PCA)或具有最大的统计独立性(ICA)。还有一种方法是进行回归处理，这也是本文使用的方法。本研究探讨了临床研究fNIRS数据使用不同方法处理是否会导致结果差异，该领域也经常使用无短距测量的fNIRS信号采集方法。我们将nirsLAB(NIRx)的标准信号处理方法与三种自定义信号处理方法进行比较：(i)自定义信号处理方法，根据数据进行滤波和去伪；(ii)自定义信号处理方法(i)+两类多通道回归去除多个通道常见的成分，该成分可能是头皮血流。

2.材料与方法

2.1.被试

本研究招募15名健康成年人(4名男性，11名女性)，右利手，平均年龄29.9±5.5岁(24-41岁)。排除患有神经系统疾病，或双手或食指有限制性损伤的人员。所有受试者提供书面知情同意书，研究和方案得到苏黎世伦理委员会的批准。

2.2.仪器

2.2.1.手指康复设备(Amadeo)

任务为在Amadeo上执行低频率的被动、辅助、主动的食指运动，Amadeo是一种手指康复设备，针对不同程度的损伤提供各种训练。受试的手臂安装到机器人中，用袖带固定手臂，胶带固定手指，允许每个手指单独移动。被动运动时设备带动手指运动，辅助运动时设备协助手指运动，主动运动时被试自行进行手指运动。

2.2.2.功能性近红外脑血氧成像(fNIRS)

本研究使用连续波NIRS系统(NIRSport, NIRx)。NIRSport包含8个光源、8个检测器，使用纺织帽(EASYCAP)，国际10-20系统放置光极。光源包含760nm和850nm两种。考虑参与者的头部解剖结构使用不同尺寸的帽子(周长为54、56、58和60厘米)。光极放置参考了先前文献，FC3/FC4周围可能覆盖PMC、BA6，C3/C4覆盖初级感觉运动皮层的中央前和中央后回(M1/S1、BA4)。光源和检测器双边分布在兴趣区(ROI)周围，光源-检测器间距为25–45毫米。左右脑分别有八个通道，四个通道观察PMC和M1，重点研究M1/S1，FC3/FC4周围通道用于进行多通道回归。研究使用NIRStar 14.0以7.81Hz的采样率获取数据。使用AtlasViewer软件(HOMER2的一部分)计算空间灵敏度，以确保光极放置对相应ROI的测量(参见图1B)，证明光极模版能够测量到至少源自两个ROI脑区变化的fNIRS信号。

图1. (A)模版排布:光源(红色)、检测器(蓝色)、通道(黄色)、10-20脑电图位置(白色)；(B)灵敏度:通道(绿线)、光极(红点)，灵敏度值显示以log10为单位。

2.3.实验流程

被试的非惯用手左手装到Amadeo设备中，要求受试在数据采集过程中保持不动，以避免fNIRS信号的运动伪影。任务前休息180秒，图2显示三类条件：(i)被动手指运动：食指被动弯曲和伸展，仅由Amadeo设备以1Hz频率运动；(ii)辅助手指运动：Amadeo设备引导/启动运动，受试者被指示与Amadeo一起以1Hz的频率运动；(iii)主动手指运动：手指在Amadeo设备内且没有引导，自形进行约1Hz的食指运动(由于导轨的静摩擦存在轻微阻力)。本研究使用随机block设计，每个条件重复10次。整个实验过程中其他手指都保持在恒定位置，在每个trial开始前5秒告知受试接下来需要执行的条件。本研究假设所选范式至少会激活边缘皮质，伴随着逐渐增加的全身血流动力学反应(被动到主动的肌肉运动)。

图2.三种任务类型：被动、辅助、主动手指运动，整个实验持续27.5分钟

2.4.信号处理

信号处理、数据分析使用Matlab R2013b版、定制脚本和nirsLAB v2016.05版。第一步，首先将原始光密度(OD)与数据设置信息一起导入nirsLAB，并将变异系数>15%的通道排除在进一步分析之外分析(一名被试排出两个通道，两名被试排除一个通道)。然后根据每种信号处理方法分别进行数据处理(见图3)。

2.4.1.基于nirsLAB的信号处理

(1)去除不连续信号段(改编自nirsLAB用户手册第3.3章)。(a)根据原始数据(R)计算标准差(SD)(b)对连续的数据(Ri和Ri+1)计算Ji= (Ri+1− Ri)/SD(c)确定Ji≥ 5的位置(d)从Ri+1开始，跳跃位置后所有数减常数值：R'k= Rk- (Ri+1- Ri)，k = i + 1, . . ., n(2)去除运动伪迹(nirsLAB用户手册第3.4章)。所有通道由两名研究者分别检查，在两人均认定其为运动伪迹时才标记。刺激期间或就在刺激前的MA(Motion Artifact,运动伪影)替换为随机信号(高斯分布中采样的一组随机数，SD等于MA之前和之后4秒的平均值，均值等于紧接MA前的数据)。平均计算，每个被试数据包含2.3个MA(SD=4.3)。(3)带通滤波(0.01-0.2Hz)。(4)转换:光密度转O2Hb与HHb浓度。使用mBBL进行转化，OD转O2Hb与HHb浓度，计算了每个受试者的年龄相关差分路径长度因子(DPF)。(5)基线为120秒到180秒间的时间段(见图2)，使用Schnitt(1986)的光谱表示血红蛋白的摩尔消光系数。(6)数据导出nirsLAB，导入Matlab进行分析。

2.4.2.自定义信号处理标准版

(1)nirsLAB中使用mBBL进将光密度转O2Hb与HHb浓度。(2)数据从nirsLAB导出，导入Matlab进行进一步分析。(3)通过样条插值法去除MA，该方法从选定段减去插值出的MA，随后移动已校正的MA段使其与MA段之前的基线匹配。MA再次由两名研究者独立检查，平均而言每个受试者检测到10.5个MA(SD=9.0)。MA算法的参数选择为最优值。(4)带通滤波。应用窗口长度为4s的Savitzky-Golay(S-G)滤波器去除高频噪声；通过窗口长度为80秒的S-G滤波去除低频噪声。S-G滤波进行局部多项式回归(本文为三阶)，具有以数据自适应的方式保留数据的高频结构优势。

2.4.3.自定义信号处理多通道双边回归(双边版)

(1)nirsLAB中使用mBBL进将光密度转O2Hb与HHb浓度。(2)数据从nirsLAB导出，导入Matlab进行进一步分析。(3)去除MA使用标准版同样步骤。(4)滤波使用标准版同样步骤。(5)使用Saager和Berger(2005)提出的方法进行多通道回归，从每个通道中去除污染替代信号来进行校正，替代信号为所有通道的中值。

2.4.4.自定义信号处理多通道单边回归(单边版)

(1)nirsLAB中使用mBBL进将光密度转O2Hb与HHb浓度。(2)数据从nirsLAB导出，导入Matlab进行进一步分析。(3)去除MA使用标准版同样步骤。(4)滤波使用标准版同样步骤。(5)使用Saager和Berger(2005)提出的方法进行多通道回归，从每个通道中去除污染替代信号来进行校正，替代信号为目标通道对侧所有通道的中值(如通道15的替代信号为通道1-8的中值)。

2.4.5.后续处理: 去趋势、标准化、block平均

每种方法处理后将数据分割成长度为20秒(刺激持续时间)加5秒刺激前基线的片段。整个数据在每个条件下被分割成10个片段，然后通过线性回归消除片段趋势来去除缓慢生理漂移。每个片段的信号减去刺激前基线的中值来进行标准化，以消除个体差异，最后计算block平均值。

图3.信号处理方法示意图，第一阶段使用四种不同方法

2.5.统计数据分析

由于数据是非正态分布的，O2Hb和HHb浓度的相对变化由每个通道block平均的刺激后5秒到刺激后15秒的中值计算。使用Friedman检验观察信号处理方法间的差异，Alpha设置为0.05。使用nirsLAB软件计算血流动力学状态地形图，以提供视觉比较。

3.结果

图4显示了不同信号处理方法下O2Hb和HHb浓度变化的block平均。一般来说，受试者增加主动参与时(被动通过辅助过渡到主动的手指运动)，O2Hb和HHb的响应幅度都增加，然而响应的方向似乎与先前的发现相反。此外，没有发现明显的反应偏侧化。图5显示了与基线段相比O2Hb和HHb响应刺激的相对变化，包含与不包含多通道回归的信号处理方法存在可见的差异。图6显示了应用不同信号处理方法的统计结果，包含与不包含多通道回归的方法之间的差异显著。不包含回归分析的方法发现O2Hb有3-4个通道存在显著差异，HHb有0个；包含回归分析的方法发现O2Hb有0个通道存在显著差异，HHb有0-2个。

图4.各通道O2Hb与HHb浓度变化的block平均

图4八个通道覆盖运动皮层左侧(C3)和和右侧(C4)，红/蓝点表示EEG10-20系统的位置。黄/绿/蓝/红色曲线分别为nirsLAB版、标准版、双边版、单边版的处理结果。为了便于比较，x轴显示0到25秒的时间(紫线表示刺激开始)，y轴显示相对血红蛋白浓度(0对应基线中值)。

图5.基线校正后O2Hb和HHb幅度相对变化的地形图

图5蓝色区域表示与基线相比振幅较低，深红色表示与基线相比振幅较大，橙红色表示与基线相比没有变化。

图6.不同信号处理方法的统计结果

图6条形代表左(C3)、右(C4)运动皮层各通道在不同条件下结果的Friedman检验(四种处理方法)。红/白点表示EEG10-20系统位置，黄色条形表示Friedman检验结果显著。

4.讨论与结论

过去几年已有大量研究证据表明fNIRS采集的皮层血流动力学信号被大脑、脑外信号污染，不代表神经血管耦合。特别在康复研究、心理学、运动科学领域发表的许多文章忽略了信号污染的问题，可能原因包括缺乏相关知识、仪器的技术限制(如固定模版无法进行短距测量)。大多数文章中使用fNIRS设备制造商提供的软件进行数据分析，应用默认配置过滤、去除伪迹。本文使用无短距通道的fNIRS设备提供的标准处理方法(nirsLAB版)与三种自定义方法(标准版、双边版、单边版)进行比较，招募健康被试执行手指运动任务，预测目标皮层仅被任务激活。然而，肌肉运动也增加了系统血流动力学响应，这在图4(黄、绿色曲线)可以看到，特别是O2Hb可以看到从被动到主动手指运动时曲线幅度增加，不过这种增加仅在不应用多通道回归的处理方法时可见。显然，信号处理方法对统计结果有相当大的影响，由此对得出的结论也有很大影响。

4.1.统计结果

4.1.1.nirsLAB版vs.自定义处理方法

公开、免费的nirsLAB是一个相当全面的fNIRS分析工具包，但nirsLAB只有有限的过滤和去伪迹选项，从手册可以看到：“数据预处理组件(第3章)可以：从数据中删除与实验无关的时间间隔；从数据中去除伪迹(梯度、尖峰)；应用带宽、低通、高通滤波器排除与实验无关的频段。”为研究这些限制是否对结果产生影响，我们将基于nirsLAB的处理方法与自定义的数据自适应滤波和去伪迹方法进行了比较。虽然图片未看出明显区别(图4、5)，但统计比较发现两种方法存在差异，这一发现强调了滤波和去伪迹的重要性。

4.1.2.包含vs.不包含多通道回归

如上文所述，包含与不包含多通道回归的方法间存在显著差异(图6)。我们推测多通道回归降低了fNIRS测量神经血管耦合引起的血流动力学变化的灵敏度，这一推测需要使用短距测量来验证。当使用不提供多距测量的商业设备时，我们强烈建议研究人员修改默认参数，或者根据先前文献的建议适当调整信号处理方法来弥补缺陷。

4.1.3.单边vs.双边多通道回归

本文选择两类信号替代污染数据:(i) 所有通道的中位数(双边回归)；(ii) 对侧半脑所有通道的中位数(单边回归)。该方法旨在从信号中消除与任务相关的生理噪声，认为生理噪声在所有(或单边)通道中相似(假设生理噪声主要由系统血流动力学响应引起)。这会增加fNIRS对各皮层血液动力学变化的敏感度。假设单边回归在应用于活动半脑(移动手指的对侧)时具有优势，因为对侧半脑可能只有最小化的任务相关激活，从而降低了去除功能性大脑活动成分的可能性。另一方面，应用于非活动半脑(移动手指同侧)时，替代信号可能包含大部分功能性大脑活动成分，从而将这些成分从通道中去除。双边回归可能采集到不因脑外(头皮血流)和脑内神经血管耦合引起的所有血流动力学响应(如血压、呼吸—由血液二氧化碳浓度变化引起)。双边回归是一种很粗糙的方法，只在无法进行多距测量时才与单边回归一起使用。我们需要先验证这些方法提高临床测量数据质量的有效性。

4.1.4.block平均

我们预测本文的任务最多导致轻微可测的皮质激活，因为手指运动缓慢且微小，并且不需要脑力劳动。图4、5(双边)的结果似乎支持这一假设，因为O2Hb和HHb均不显示显著激活。不包含回归的方法所得结果出乎意料，我们假设在这些信号处理方法中会发现任务下O2Hb会增加、HHb减少(预计头皮血流量增加)，然而结果发现不存在任务诱发的这一血流动力学反应，这一现象需要进一步的研究来解释。

5.限制

1.测量不包括多距测量，因此只能预估哪些通道有效。不过，本文的目的是说服领域内新研究人员信号污染的处理不当可能导致对结果的无效解释，因此使用这些研究者常用的设置更具说服力。2.双边回归包括目标通道的信号，可能包含任务诱发的神经血管耦合的血流动力学响应。如果反应强烈，可能会对回归的功效产生负面影响，这种情况下使用留一法会更合适(不过本研究的预期反应不强烈)。3.本文探索性地应用了回归分析，该方法可能无法沿用到其他研究中，需要先使用短距测量进行验证。4.即使我们试图客观地选定运动伪迹，这一过程仍可能去除有效信号，或产生方法间的差异。此外，随机信号或样条插值法的应用也会产生伪迹污染。与基于nirsLAB的方法相比，自定义信号处理应用的运动伪迹检测方法更灵敏、精度更高，这也会导致统计结果存在差异。5.我们使用的block实验任务时长与任务间隔时长恒定(图2)，这也会导致一些伪迹无法通过滤波去除。未来研究需要确定随机时长的block设计可以多大程度避免这类伪迹。6.为了保持被试集中注意力，他们在实验开始前不久获得了实验相关信息，这可能导致预期效应，不过不太可能影响不同信号处理方法之间的统计结果差异。7.我们使用简单的block平均来分析数据。一般线性模型能够减少信号污染(如将同时记录的生理信号:心率、血压或呼吸作为独立因素添加到模型中)，不过我们特意保持方法简单，这样研究结果更适用于fNIRS领域的新研究人员。

6.结论

fNIRS领域仅成立20年，仍缺乏通用、达成共识的信号处理和数据分析方法。一方面，成熟的研究小组会定期发布新的建议，最终达成领域内共识。另一方面，新研究人员与成熟研究者之间存在难以逾越的知识鸿沟。本研究强调了校正任务诱发(刺激诱发)的非神经血管耦合的血流动力学变化(污染信号)的重要性。不同处理方法可能对统计结果产生重大影响，并对结果的解释也产生重大影响。因此，我们建议研究人员先深入了解信号处理各步骤，再使用制造商提供的标准信号处理方法。此外，无法应用多距测量时，建议临床研究者们使用先前文献提及的信号处理方法。