bci测试如何整改_基于fNIRS技术的脑机接口（BCI）

原创： 陈锐CR BrainTechnology
在去年的文章中，我已经介绍过《使用脑电设备实现BCI脑机接口的运用》和《 脑机接口的简介》。
脑机接口（BCI）是一种非常有用的技术，它允许使用大脑中的信号来控制计算机或着其它第三方的外部设备。在目前的研究中，更多的是利用脑电EEG技术来做很多的康复训练和通讯作用，帮助患有通患有严重运动障碍或处于持续性植物状态的人们提供一种交流手段。在以往的研究中，科学研究人员更多的是集中在EEG信号的探索，像每年的脑机接口大赛，基本上以脑电EEG、肌电EMG信号做基础来控制，在近些年来，近红外技术(fNIRS)也是很新颖的技术手段，它没有脑电EEG技术那样“娇气”，受环境伪迹干扰大，也不需要打导电膏这样麻烦的过程。
近红外的技术特点与脑电EEG和核磁fMRI的比较可以参考之前的文章《 EEG vs MRI vs fMRI vs fNIRS》，近红外技术的主要优点，与fMRI技术相比是相对较低的成本，便携性高，安全性好，低噪音以及易于使用。与EEG和MEG相比，它的数据不太容易受到电噪声的影响，因为它是一种光学成像方式。fNIRS测量由神经元放电引起的局部毛细血管网络中的血流变化。fNIR是一种非侵入性脑成像方法，涉及从近红外光（NIRs）衰减测量或时间或相位变化测量组织浓度的相对变化。近红外技术利用利用光学特性（红外光），其中皮肤，组织和骨对700-900nm光谱中的近红外光几乎是透过的，而血红蛋白（Hb）和脱氧血红蛋白（deoxy-Hb）对这段波长很敏感。所以deoxy-Hb和oxy-Hb的吸收光谱的差异允许通过使用两个或多个波长的光衰减来测量血红蛋白浓度的相对变化。选择在等吸光点805nm左右的上方和下方至少各一个波长进行测量。在脑成像中，使用修正版的比尔 - 朗伯定律（mBLL），这个定律是可以用来计算血红蛋白相对浓度作为总光子穿行路径长度的函数。通常情况下，光发射器和探测器放置在受试者颅骨的同侧，目前探测的最佳距离在3cm左右，因此记录的测量结果是由于椭圆形路径（也叫光子香蕉）之后的散射（反射）光。

典型的脑机接口BCI系统基本上由五个阶段：信号采集，预处理，特征提取/选择，分类和反馈应用。在第一个信号采集阶段，使用适当的脑部成像方式采集适当的信号。由于所采集的信号通常较弱并且包含噪声（生理和仪器本身）和伪迹等，因此需要进行数据预处理，这是第二步。在第三步中，提取了一些有用的数据，即所谓的“特征”。在第四步，使用合适的分类器对这些特征进行分类。最终，在第五步中，将分类的信号发送到计算机或其它外部设备，以向设备生成预期的控制命令。在神经反馈应用中，需要实时显示大脑活动，以实现大脑功能的自我调节。以下图示意描绘（混合）功能的近红外光谱（fNIRs）和脑电图（EEG）BCI的示意图。

fNIRS和EEG的混合示意图
--图来源参考文献1第一步信号采集中，这是最基本的过程，小编就不在阐述。第二步是近红外数据预处理过程中，你可能会遇到文章中的一些《 fNIRS近红外光信号质量影响因素》，在去除fNIRS数据中的生理噪声时，大多数使用了带通滤波。当然还有更多更高级的方式去除这些，比如自适应滤波，独立分量分析（ICA），主成分分析（PCA）等，特别是当大脑和生理信号均在近频带内出现时不能使用带通滤波器的时候。第三步是提取与所需脑信号有关的特征，这里有多种计算的方法，对于每一个研究来说，所需要的方法是不一样的，目前常见的方法是使用去除噪音的血液动力学响应的平均值，方差，峰值，斜率等。还有比较新型的方法遗传算法，它是一种优化技术，用于从集合中选择最有效的特征来用于指令。在近红外信号识别中，还会遇到选择何种信号观测是比较好的，就目前的研究来看，HBO的信号变化会比HBR来的快，也更清晰，所以选择HBO作为BCI的变化信号是非常有利的。第四步，对于分类，分类技术用于识别受试者大脑的不同信号特征，然后将这些识别出的信号特征转换为用于应用界面目的的控制指令。在目前大多数的实验中，包括fNIRS、EEG等技术中，基本上是使用不同的分类技术选择适当的特征来区分各种不同的大脑信号特征来进行筛选。然后受试者在训练阶段通过有监督的学习进行分类算法能够在随后的测试阶段检测出大脑的信号模式。fNIRS-BCI中一些常用的分类方法是LDA，SVM，HMM和人工神经网络（ANN）。对于SVM是目前小编见过崔旭老师使用的方法。SVM的算法理解可查看小编另一个公众号上文章《如何像小孩介绍支持向量机SVM》。

第五步，就是应用，发送指令和反馈。在目前的大多数研究中，更多的实验是在实验室环境进行的，也是更多的是进行的演示，还尚未有研究应用到病人或者生活中，这是需要一个转化的过程。但小编相信，在未来fNIRS技术有着很大的前景，它的便携性、非侵入性以及易用性上比现有的fMRI和EEG有着独特的优势。
参考文献：
Noman Naseer, Keum-Shik Hong(2015). fNIRS-based brain-computer interfaces: a review.Front Hum Neurosci. 2015; 9: 3.
Ferrari M., Mottola L., Quaresima V. (2004). Principles, techniques, and limitations of near infrared spectroscopy. Can. J. Appl. Physiol. 29, 463–487. 10.1139/h04-031

本文部分内容参考文献，文章仅供学习使用，不用于商业行为，若有侵权及疑问，请后台留言！赞赏小编Make brain technology more simple!
推荐阅读：
fNIRS分析工具箱fNIRS近红外脑成像在研究心理健康上的运用 fNIRS中的超扫描（hyperscanning）技术研究

陈锐CR
与君共勉，一起学习！