脑机接口与近红外光谱成像技术

脑-机接口（BCI）是一种通信系统，允许使用大脑活动来控制计算机或其他外部设备。它可以绕过周围神经系统，为患有严重运动障碍或处于持续植物人状态的人提供一种交流手段。本文综述了基于fNIRS的脑机接口的脑信号生成任务、噪声去除方法、特征提取/选择方案和分类技术。fNIRS-BCI最常见的脑区是初级运动皮层和前额叶皮层。相对于运动皮层，运动表象任务优于运动执行任务，因为可以避免可能的本体感觉反馈。与前额叶皮层相比，fNIRS在检测心算、音乐表象、情绪诱导等认知任务方面显示出明显的优势，在去除fNIRS 数据中的生理噪声方面，主要采用带通滤波。然而，为了克服脑电信号和生理信号同时出现在同一频带内时不能使用带通滤波器的问题，人们正在寻求更先进的技术，如自适应滤波、独立分量分析（ICA）、多光点排列等。在提取与期望脑信号相关的特征时，使用去噪血流动力学响应的均值、方差、峰值、斜率、偏度和峰度。在分类方面，线性判别分析方法具有支持向量机（SVM）、隐马尔可夫模型（HMM）、人工神经网络等简单但性能良好的特点，fNIRS将更广泛地应用于神经康复和神经刺激后神经可塑性的监测。通过捆绑式探针、混合式EEG-fNIRS-BCI和初始凹陷的检测，有望在未来取得技术突破。

脑-计算机接口（BCI）系统为用户提供独立于大脑输出通道（即外周神经系统和肌肉）的控制通道（Wolpaw等人，2002）。这种系统可作为运动障碍患者（如肌萎缩侧索硬化症（ALS）和脊髓损伤患者和/或处于持续锁定状态（LIS）的患者）交流和运动功能恢复（通过神经修复）的手段。它也可以作为神经康复工具来改善这些人的运动和/或认知能力。

典型的BCI系统包括五个阶段（见图1）：

1）：脑信号采集、预处理、特征提取/选择、分类和应用界面。在第一个脑信号采集阶段，使用适当的脑成像方式获取适当的信号。由于采集到的信号通常很弱，并且包含噪声（生理和仪器）和伪影，因此需要进行预处理，这是第二阶段。在第三阶段，提取一些有用的数据，即所谓的“特征”。在第四阶段中，使用合适的分类器对这些特征进行分类。最后，在第五阶段中，将分类信号发送到计算机或其他外部设备，以向这些设备生成所需的控制命令。在神经反馈应用中，需要实时显示大脑活动，从而实现大脑功能的自我调节。

图1描绘了功能性近红外光谱（fNIRS）和脑电图（EEG）脑机接口的示意图。

脑信号采集采用了几种方法，包括脑电图（Wolpaw等人，2002；Turnip等人，2011；Turnip and Hong，2012；Wang等人，2012；Hwang等人，2013；Kleih and Kubler，2013；Ko and Sim，2013；Hammer等人，2014；Kim等人，2014；Soekadar 等人，2014）、脑磁图（MEG）（Mellinger等人，2007）；Buch等人，2008年；Sardouie和Shamsollahi，2012年），功能磁共振成像（fMRI）（Weiskopf等人，2004年；LaConte，2011年；van der Heiden等人，2014年）和fNIRS（Ferrari

等人，1985年，2004年；Kato等人，1993年；Hu等人，2013年；Bhutta等人，2014年；Rea等人，2014年；Santosa等人，2014年）。其中，fNIRS相对较新，它利用近红外光（通常为650~1000nm波长）测量氧化血红蛋白（HbO）和脱氧血红蛋白（HbR）的浓度变化（villinger等人，1993；Hoshi等人，1994；Hoshi 和Tamura，1997；villinger和Chance，1997；Boas等人，2004a，b；Hong和Nguyen，2014年）。它的主要优点是相对较低的成本、便携性、安全性、低噪音（与功能磁共振成像相比）和易用性。与EEG和MEG不同，它的数据不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的血流变化。由于血红蛋白是氧载体，所以在神经元激活后，HbO 和HbR浓度的变化可能与相关的神经元放电有关。fNIRS使用近红外（NI）光发射探测器对，工作于两个或多个波长。发射到头皮的镍光通过脑组织扩散，导致光子的多次散射。其中一些光子通过大脑皮层区域后离开头部，其中的发色团（即HbO和HbR）在时间上发生变化。然后，使用战略定位的探测器探测这些退出的光子。由于HbO和HbR对不同波长的NI光具有不同的吸收系数，因此，通过应用修正的Beer-Lamberts定律（Delpy等人，1988年）。

Jobsis（1977）首次报道了fNIRS的测量原理，并将其应用于脑血流动力学的研究已有二十多年的历史，尽管其BCI的应用才刚刚起步。证明fNIRS治疗BCI 可行性的第一项研究是Coyle等人。（2004年）。他们要求受试者进行连续挤压和释放软球的运动图像。基于ΔcHbO（t）的活动阈值，他们确定大脑是被激活还是处于静止状态。

2007年，三项研究证明了控制fNIRS-BCI产出的可行性：Coyle等人。（2007）使用定制的fNIRS系统（称为Mindswitch）测试开关控制。他们的方案包括两个交替呈现给受试者的选项：当一个想要的选项被突出显示时，受试者执行挤压和释放软球的运动图像，以增强运动皮层中的HbO信号，并以此方式在心理上表达他们的选择。运动图像中的信号与休息期间的信号进行分类，平均准确率超过80%。Sitaram等人。（2007）研究表明，使用支持向量机（SVM）和隐马尔可夫模型（HMM），fNIRS信号在执行运动和图像过程中的模式识别准确率达到80%以上。另一方面，Naito等人对ALS患者进行了首次调查。（2007）：40名ALS 患者（其中17名完全锁定）被要求将他们对几个问题的回答编码为“是”或“否”。他们被要求通过执行心理计算、音乐图像和其他此类任务来回答“是”，并通过保持放松来回答“否”。然后将光强信号的瞬时振幅和相位作为二次判别分析分类器的特征，成功地解码了70%的ALS患者的反应，这些患者并没有完全锁定。然而，对于完全锁定的ALS患者，该方法仅适用于40%的受试者（分类准确率约为80%）。

2008年，Utsugi等人。（2008）显示了“停止”控制的可行性。他们测量了由心理计算产生的ΔcHbO（t）和ΔcHbR（t）的时空平均值。Bauernfeind等人。（2008）开发了fNIRS系统，并报告在前额叶皮层的心算任务中观察到了ΔcHbO （t）和ΔcHbR（t）的变化。13名受试者的测量信号相对稳定。在此基础上，提出了在BCI中的应用。

2009年，Luu和Chau（2009）证明了使用从前额叶皮层获得的fNIRS信号进行偏好解码的可能性。九名受试者被要求对两种饮料进行心理评估，并决定他们喜欢哪一种。他们没有使用特定的活动来选择首选饮料，而是在决策中使用直接的神经关联。直接使用光强信号和线性判别分析（LDA）进行偏好解码的准确率在80%左右。同年，Tai和Chau（2009）展示了从情绪诱导任务中开发fNIRS信号