用于获得近红外光谱大脑信号的方法与流程

本发明涉及一种用于利用以给定任务频率进行的周期性大脑刺激在受试者体内获得近红外光谱大脑信号的方法，其中，大脑信号是干净的，不存在来自身体其他部位的干扰成分，因此该大脑信号主要对应于大脑活动。

背景技术：

1、基于神经血管耦合原理，功能性近红外光谱技术(fnirs)旨在检测由神经元耗氧量所引起的血液动力学改变。近红外光谱技术(nirs)是一种非侵入式光学成像技术，它已被广泛用于通过氧合血红蛋白(hbo)和脱氧血红蛋白(hbr)的相对浓度变化来测量大脑(主要是皮层)的活动(综述参见：obrig和villringer，2003；pinti等人，2018)。

2、fnirs研究中的一个主要难题是可靠地将因神经血管耦合引起的血液动力学反应与其他混杂成分区分开(tachtsidis和scholkmann，2016)。由大脑活动引起的fnirs变化在幅值上是自然较低的，并且不幸地是，它也与并非源自于大脑皮层的其他波动重叠，这些波动主要是：(i)在大脑区域和脑外区域中均可检测到的全身血液动力学活动(bauernfeind，wressnegger，daly和müller-putz，2014；minati，kress，visani，medford和critchley，2011；tachtsidis等人，2009)，(ii)头部浅表组织层中的局部血流变化(kirilina等人，2012)，以及(iii)仪器噪声和其他伪影。远非简单自发产生的前两者也可以通过认知任务、情感任务或身体任务引起。如果信号的这些与非皮层任务相关的成分的调制模拟了所关注的大脑活化程度(activation)的动力学，则它们可能成为干扰和噪声的重要来源(nambu等人，2017；等人，2013；zimeo morais等人，2017)。以至于takahashi等人(2011)在语言流畅性实验中表明，与任务相关的皮肤血流量(sbf)变化可以解释90％以上的nirs信号，而minati等人(2011年)进一步呈现出了动脉血压(abp)波动的强混杂效应。

3、为了更好地推断功能反应的存在，实验方案试图通过重复足够次数的刺激来提高统计检定力，其中穿插着预期不同反应(或无反应)的对比条件。为此，fnirs实验通常使用区块设计或与事件相关的设计，这取决于人们想分别分析持续反应还是瞬态反应(pinti等人，2018)。事件设计使用持续时间短的刺激，其通常按顺序随机进行并由恒定或抖动的刺激间距予以分隔。区块设计试图通过在一种条件下提供刺激并持续足够长的时间间隔，然后是不同的条件或其余的刺激间距来保持心理参与(amaro&barker，2006)。为了研究‘持续’和‘瞬态’反应之间的相互作用，也可以使用混合设计(petersen&dubis，2012)。

4、根据刺激呈现策略，已经研发了不同的分析方法来关于功能性血液动力学反应作出推断，并将其与混杂干扰分离开(综述参见sungho tak和ye，2014)。尽管经典的平均策略提供了稳健的结果，但通常基于平均值的统计测试(例如t检验或方差分析)不允许估计fnirs信号的形状或时间过程，因此它们已被更强大的方法逐渐取代。这些包括一般线性模型(glm)框架(k.friston，ashburner，kiebel和nichols，2007；schroeter，bücheler等人，2004)、数据驱动方法，例如主成分分析(pca)和独立成分分析(ica)(kohno等人，2007；yiheng zhang，brooks，franceschini和boas，2005)和动态状态空间建模(diamond等人，2006；kolehmainen，prince，arridge和kaipio，2003)。glm是最为广泛采用的统计框架之一，用于量化测量到的fnirs信号与反映预期神经反应的血液动力学模型的拟合程度。它利用了fnirs的良好时间分辨率，并允许在回归模型内包括不同的协变量(例如生理信号)。在其最基本的形式中，该模型是通过将血液动力学反应函数(hrf)与编码神经元反应的假设时间进程的刺激函数卷积而获得的(koh等人，2007；sungho tak和ye，2014)。因此，glm是一种假设驱动方法，其需要结合特定的hrf(通常取自fmri研究)和其他干扰回归因子(nuisance regressor)来构建该线性模型，根据任务类型、大脑区域和参与者的特质，该线性模型可能并不是显而易见的。此外，由于一些统计问题，导致glm在应用于fnirs信号时需要特别小心(huppert，2016；huppert，diamond，franceschini和boas，2009；koh等人，2007)。相比之下，pca方法和ica方法分别只依赖于正交性和独立性的一般统计假设。尽管有助于分离组成fnirs信号的混合成分，但它们需要额外的处理来阐明它们中的哪些与任务相关，哪些与任务无关，当脑外反应和大脑反应相关时，这是尤其困难的(zhou，sobczak，mckay和litovsky，2020)。主要基于卡尔曼滤波器的状态空间模型允许建立复杂的血液动力学模型来描述fnirs信号的时变特性并估计hrf。尽管动态分析似乎提供了更好的对于hrf的估计，并更好地考虑了非平稳信号，但它仍然需要改进模型规范和状态空间估计器。

5、无论每种实验方法的优缺点如何，都可以从包括短距离记录中获益，以获得浅表层对fnirs信号的贡献的参考(综述参见：fantini，frederick和sassaroli，2018；tachtsidis和scholkmann，2016；sungho tak和ye，2014)。多距离测量被认为在分离实际大脑反应方面是特别有效的。然而，仍然存在一些悬而未决的问题，例如，关于源探测器距离的理想范围、短通道的最佳数量及其相对于长通道的布置方式。理想情况下，由于越来越多的证据表明表面血流动力学的异质性(wyser等人，2020)，因此每个长通道应与至少一个附近的短通道配对。不幸地是，目前利用最常用的nirs装置不可能实现成对测量的精确空间构型。

6、因此，本发明的一个目的是提供一种用以获得受试者体内的仅接入(have accessto)长通道和短通道的近红外光谱大脑信号的方法。

技术实现思路

1、本发明描述了一种用以获得受试者体内的近红外光谱大脑信号的方法。本质上，该方法包括下列步骤：将近红外发射器和相应的近侧和远侧近红外探测器放置在受试者的头部的皮肤上；在受试者处于静息状态的基线记录阶段期间，由计算机将从近红外发射器接收到的近红外信号记录在近侧和远侧近红外探测器中，所记录的信号包括由远侧近红外探测器接收到的基线深层信号和由近侧近红外探测器接收到的基线浅层信号；由计算机计算处于给定任务频率下的基线深层信号的幅值与基线浅层信号的幅值之间的比例因子；在受试者在刺激记录阶段期间经历以任务频率进行的周期性大脑刺激的情况下，由计算机将从近红外发射器接收到的近红外信号记录在近侧和远侧探测器中，所记录的信号包括由远侧近红外探测器接收到的深层信号以及由近侧近红外探测器接收到的浅层信号。然后通过将比例因子应用于浅层信号，由计算机在刺激期间获得处于任务频率下的大脑信号；以及将处于任务频率下的深层信号和缩放后的浅层信号之间的差计算为处于任务频率下的大脑信号。该方法的步骤可以通过相应编程的计算机或数据处理设备来执行。该计算机可以是单台计算机，其包括被方便地编程以执行该方法的步骤的软件。此外，如本领域技术人员所知，嵌入式装置或分布式计算机系统或其他已知的计算机布置结构均可被用于执行该方法。

2、有利地，以给定任务频率执行周期性大脑刺激(例如周期性认知任务)将会引起可在fnirs记录中测量到的周期性血液动力学波动，因此可以产生适用于在频域中进行有效分析的振荡状态。为此，可以以特定频率在周期性区块设计内使用心算任务，同时在前额上执行多距离记录。

3、以前，表面波动仅被认为是需要被消除的令人讨厌的混杂因素，但在本发明中，这些波动被改为视为有价值信息的载体，这些信息可能被证明不仅对更好地理解fnirs数据是至关重要的，而且可能同样重要是的，对更为准确地评估神经内脏连接的完整动力学是至关重要的，因此大脑信号可被通过在以给定任务频率进行的周期性大脑刺激期间的深层信号和浅层信号来予以计算。

4、与任务相关的唤醒机制需要认知功能与自主控制之间的密切互动(forte，depascalis等人，2019；forte，favieri等人，2019；nicolini等人，2014；thayer和lane，2009；wang等人，2016)。因此，自主控制似乎与执行大脑区域中的活动水平相关，这允许对环境需求做出适应性反应。相反，自主神经失调可能与某些认知功能(特别是执行功能)的退化有关(forte，de pascalis等人，2019；forte，favieri等人，2019)。这种脑外反应和大脑反应与任务频率的密切协调可能具有很大的功能价值。生理资源之间的正确耦合可能是适当认知和/或心血管功能正常的标志及其破坏、认知能力下降和/或心脏病的潜在早期标志。因此，处于任务频率下的大脑信号及其与脑外反应的关系可用于诸如阿尔茨海默病之类的痴呆症；诸如自闭症或多动症之类的神经发育障碍；自主神经功能障碍；以及其他涉及大脑功能变化的临床存在的现象的诊断和评估。

5、根据本发明的一个实施例，大脑刺激是心理或认知活动，例如心算任务，因此近红外光谱大脑信号对应于由心理或认知活动引起的大脑反应。

6、根据本发明的另一实施例，大脑刺激可以是视觉、听觉、嗅觉、味觉、体感或肌动活动，因此近红外光谱大脑信号对应于由相应的大脑刺激引起的大脑反应。

7、根据本发明的一个实施例，在刺激期间获得处于任务频率下的大脑信号的步骤包括由计算机获得大脑信号的相位(也就是相位角)和幅值。由于大脑信号预期具有与任务频率相等的频率，因此获得大脑信号所需的成分是其幅值和相位，正如频率已知的那样。因此，在以任务频率滤波的深层信号与缩放后的浅层信号之间的差将会提供大脑信号的相位(也就是相位角)和幅值。

8、根据本发明的一个实施例，由计算机在刺激期间获得大脑信号的相位和幅值的步骤包括：由计算机确定与刺激期间的处于任务频率下的深层信号相对应的深层信号相量，其具有：相位：处于任务频率下的深层信号与浅层信号之间的相位差；和幅值：处于任务频率下的浅层信号的幅值；由计算机确定浅层信号相量，该浅层信号相量对应于在刺激期间的处于任务频率下的浅层信号，该浅层信号相量具有参考相位(例如0°)，以及乘以比例因子的处于任务频率下的浅层信号的幅值；由计算机通过从深层信号相量中减去浅层信号相量来确定大脑信号相量，即计算它们的差；以及由计算机计算处于任务频率下的估计大脑信号的相位和幅值。有利地，由于发现浅层信号和深层信号的频率的重要成分处于与任务频率相等的频率，因此可以通过适当地结合从浅层信号和深层信号导出的处于任务频率下的相量来获得该大脑信号。

9、根据本发明的一个实施例，通过由计算机计算在深层信号与浅层信号之间的频域中的经验转移函数并由计算机计算处于任务频率下的转移函数的自变量，来获得处于任务频率下的深层信号和浅层信号之间的相位差，因此，可以使用经验转移函数来由计算机通过获得脑外反应和大脑反应之间的时间协调，估计与大脑功能活动相对应的大脑信号的相位。

10、根据本发明的一个实施例，由计算机计算在处于任务频率下的基本深层信号的幅值和基本浅层信号的幅值之间的比例因子的步骤包括由计算机计算基本深层信号与基本浅层信号之间的与复频率相关的基本转移函数的近似值，并由计算机将比例因子确定为处于任务频率下的基本转移函数的增益，因此，也可以由计算机使用经验转移函数来估计大脑功能活动的增益，这可用于获得大脑信号。因此，可以由计算机使用被应用于深层信号和浅层信号的转移函数来获得大脑信号的增益或幅值和相位。

11、根据本发明的一个实施例，任务频率是在0.015hz和0.07hz之间的频率，因此身体的自然振荡(例如由心跳、呼吸或mayer动脉压波引起的振荡)并不影响该大脑信号。优选地，任务频率是在0.025hz和0.05hz之间的频率，使得该任务频率与身体的已知自然振荡相距得足够远。更为优选地，任务频率是0.033hz的频率，使得对应的周期是15秒，其可以被容易地测量到，用于计算周期性大脑刺激期间的每个周期的持续时间。

12、根据本发明的一个实施例，具有按关注区域分组的多组近红外发射器和相应的近侧和远侧近红外探测器，该方法还包括由计算机对针对每组获得的浅层信号和深层信号求取平均值，因此对信号求取平均值，从而降低每个关注区域的信噪比。

13、根据本发明的一个实施例，在刺激期间记录的步骤包括交替进行在受试者体内刺激周期性心理任务的半周期；以及基线静息的半周期，使得在记录阶段期间保持该任务频率，从而允许提升处于任务频率下的深层信号和浅层信号的成分。因此，还预计刺激的半周期和基线静息的半周期具有相同的持续时间。

14、还公开了一种用以获得受试者体内的近红外光谱大脑信号的系统，该系统包括：装置，该装置包括近红外发射器和相应的近侧和远侧近红外探测器，该装置适于将近红外发射器以及相应的近侧和远侧近红外探测器放置在受试者的头部的皮肤上；以及计算机，其包括用于执行以下步骤的装置：在受试者处于静息状态的基线记录阶段期间，将从近红外发射器接收到的近红外信号记录在近侧和远侧近红外探测器中，所记录的信号包括由远侧探测器接收到的基线深层信号以及由近侧探测器接收到的基线浅层信号；计算在处于给定任务频率下的基线深层信号和基线浅层信号的幅值之间的比例因子；在受试者在刺激记录阶段经历以任务频率进行的周期性大脑刺激的情况下，将从近红外发射器接收到的近红外信号记录在近侧和远侧探测器中，所记录的信号包括：由近侧探测器接收到的浅层信号和由远侧探测器接收到的深层信号；通过将比例因子应用于浅层信号，在刺激期间获得处于任务频率下的大脑信号；以及将处于任务频率下的深层信号和缩放后的浅层信号之间的差计算为处于任务频率下的大脑信号。处于任务频率下的深层信号和缩放后的浅层信号之间的差可由计算机计算为处于任务频率上的深层信号和放大后的浅层信号的相量差，因此大脑信号的相位和幅值可由计算机以非侵入的方式计算出。