功能性近紅外腦成像系統綜述

馬 佩，沈無雙，沈慧娟，張學典

（1.上海理工大學 光電信息與計算機工程學院，上海 200093；2.上海理工大學 醫用光學技術與儀器教育部重點實驗室，上海 200093）

引言

功能性近紅外腦成像(functional near-infrared spectroscopy，fNIRS)技術是用于測量大腦血紅蛋白濃度變化以間接反映大腦活動程度的技術，對人類進一步探究大腦腦區認知功能具有重要意義。由于大腦在靜息狀態和激活狀態都需要供氧，因此大腦活動的劇烈程度可反映在氧合血紅蛋白（HbO）和脫氧血紅蛋白（Hb）的濃度變化上[1]，所以一個高性能的fNIRS 系統可以輔助診斷患者的精神類疾病、床邊實時檢測患者的腦活動以及幫助研究人員探究人類大腦的奧秘等等。

fNIRS 的測量過程是由垂直放置在頭皮上的光源發射出近紅外光穿過大腦組織，經組織的吸收和散射作用后射出，由垂直放置在頭皮上的光電探測器接收，整個光路呈“香蕉狀”[2]，如圖1所示。人體的大腦組織大致可以分為頭皮、顱骨、腦脊液、灰質和白質這5 層組織，在600～900 nm 波段的近紅外光中，大腦組織相對透明，光源可以到達灰質和白質層以探測血紅蛋白的濃度變化，其探測深度由光源與探測器之間的距離所決定，兩者之間的關系大致為探測距離是光源與探測器距離的1/2[3]。之后通過修正的朗伯比爾定律在已知入射光和出射光光強的情況下即可計算出HbO 和Hb 的相對濃度[4]。fNIRS系統主要分為3 種測量模式：連續波型（CW）[5]、時域型（TD）[6]、頻域型（FD）[7]。由于連續波型結構簡單且能準確有效地測量HbO 和Hb 的相對濃度變化，相比于其他測量模式，連續型更適用于對受試者的持續監測且設備成本低廉，因此無論是在商業產品還是實驗室研究中，連續波型是目前應用最廣泛的測量類型[5]。

圖1 光源及光電探測器放置在頭顱上的正中矢截面示意圖Fig.1 Midsagittal plane section diagram of light source and photodetector placed on skull

根據測量原理可將fNIRS 系統主要分為3 個部分：光源發射部分、光電探測器接收部分和數據處理部分。光源發射部分的功能是通過發光二極管（LED）或激光二極管（LD）發射出低功率的近紅外光照射至大腦；光電探測器接收部分的功能是通過放置在頭皮上的光電二極管接收光強并將其轉化為電信號送至上位機處理；數據處理部分的功能是將采集到的電信號進行處理分析以獲得可視的HbO 和Hb 濃度變化。因此選擇合適的系統設計方法能夠有效改善系統性能，對fNIRS 系統的性能有重要的影響，對基于fNIRS的各類研究具有重要意義。

1 fNIRS 系統探測模塊的設計現狀

1.1 光源的設計

fNIRS 系統檢測的是大腦血液動力學反應，其依據為氧合血紅蛋白（HbO）與脫氧血紅蛋白（Hb）在600～900 nm 波段吸收性較強且具有不同的吸收光譜，具體表現為在短波長中，Hb 的吸收光譜大于HbO[8]；在805 nm 左右兩者具有相同的吸收光譜；在長波長中，HbO 吸收光譜大于Hb，因此光源模塊應至少由兩個不同波長的發光二極管（LED）或激光二極管（LD）組成[9]。由于雙波長光源能夠滿足對兩種血紅蛋白濃度的測量，因此在大部分實驗研究和商業儀器中均采用雙波長光源。針對兩種波長的選擇以及組合的效果，Sato 等[10]研究發現在692 nm 左右的波長與830 nm 的波長組合時所測得的信噪比最高。此外，部分研究人員采用了三波長光源來測量HbO 和Hb 濃度[11]，原因是為了增加測量數據和計算結果的準確性以及引入了細胞色素C 氧化酶濃度作為第三種新的研究變量，Chitnis等[12]采用八波長光源且將細胞色素C 氧化酶濃度作為衡量腦活動的指標之一，細胞色素C 氧化酶是近紅外到紅外波段光能的主要光受體，也是細胞呼吸過程中催化氧氣消耗的酶，能夠在缺氧條件下催化一氧化氮的產生，因此細胞色素C 氧化酶也能夠間接反映大腦的活動程度[13]。

光源模塊一般采用發光二極管（LED）或激光二極管（LD）制成。LED 的優點在于其尺寸小、價格低、波長選擇廣泛、驅動電路簡單且已存在集成多波長的LED，對于設計外型輕便的fNIRS系統來說，LED 的應用會更加廣泛。但是LED比LD 具有更寬的光譜，這可能會因無法準確區分兩波長以致HbO 和Hb 濃度計算結果誤差較大。Iwano 等[14]提出兩波長的串擾是由頭部組織中光路長度的差異引起的，他們通過將朗伯比爾定律中使用的消光系數ε替換為各波長LED光強對ε的加權平均，可以有效地抑制LED 兩波長的串擾。李常勝[15]采用LD 作為fNIRS 系統的發射光源，其原因是相比于LED，LD 的優點在于其發射出來的光是窄帶寬的相干光，且發散性較窄，可以避免波長重疊的干擾。光源和探測器的數量和排布決定了探測通道的多少，通道的數量由目標探測區域的范圍和準確度來決定，一般來說，探測范圍越廣，精度要求越高，通道數量就越多，所需的光源和探測器的數量也會相應增加，部分fNIRS 系統設計的光源和探測器以及通道數量如表1 所示。此外，在選擇LD 作為發射光源時必須考慮其發射功率，王海娟等[16]根據激光安全等級國際鑒定標準[17]對醫療激光進行了分類，大多采用LD為光源的fNIRS 系統的發射功率在10～40 mW，發射頻率在2～60 Hz，屬于IIIb 類。表1 列舉了近年來部分fNIRS 系統設計的光源和探測器的類型。

表1 光源和探測器的類型及數量Tab.1 Type and number of light sources and detectors

1.2 光電探測器的設計

光電探測器的作用是測量出射光光強并將其轉換為電信號以便數據采集裝置采集。光電探測器的選擇與設計關系到整個fNIRS 系統的靈敏度，fNIRS 系統的檢測靈敏度體現在對微弱出射光強的探測能力上，因此光電探測器的靈敏度越高，探測微弱信號的能力就越強，所以整個系統的靈敏度就越高。光電探測器在fNIRS 系統中主要使用光電倍增管（PMT）、光電二極管（PD）、雪崩光電二極管（APD）這3 種。光電倍增管應用了外光電效應和二次電子發射的理論，是一種具有超高靈敏度的器件，且能夠在深度組織成像中收集彌漫性信號。但是PMT 只具有中等的量子效率(QE)且其制造成本昂貴，PMT 工作在高電壓下，更容易由于過度曝光而損壞元件[18]。因此硅光電倍增管（SiPM）改善了PMT 的缺點，能夠在強光下過飽和而不被破壞。Chiarelli 等[19]提出SiPM 和LED 的耦合能夠使光學探頭輕量化且有效地減少運動偽影，與其他可穿戴的發fNIRS 系統相比，SiPM 擁有單光子對靈敏度以及動態范圍廣的特性，能夠使連續波fNIRS 系統估計所需的光源-探測器距離更加準確。

光電二極管（PD）在fNIRS 系統中的應用較為廣泛，其中最常用的是硅光電二極管（SiPD），由于其線性度較好且成本低廉，因此它更適用于數據的快速采集。當使用SiPD 時，會產生因環境溫度升高而加倍產生的暗電流[20]，當經過模數轉換器(ADC)到達終端之前，暗電流將會被放大數倍，因此讀者可根據SiPD 產品手冊設計電路將暗電流通過調零消除；此外Yaqub 等[21]針對該問題設計了一個集成12 位的逐次逼近型ADC，并將SiPD 置于光導模式以實現在大量的fNIRS 數據下實現高采樣率，同時采用了一種濾波電路來抑制高壓電源高頻噪聲的影響。

雪崩光電二極管（APD）在fNIRS 系統中的應用也越發廣泛，特別是在商用的fNIRS 儀器中，APD 是基于半導體內光電效應，能將微弱光信號轉化為電信號的光電器件，APD 通過光生載流子在強電場的作用下不斷轟擊器件加速轟擊晶格原子，使其產生新的電子空穴最終發生雪崩效應，實現在微弱的光強下仍能夠產生大的電流的功能[22]。APD 與SiPD 相比APD 的響應速度大于100 MHz，與PMT 相比具有不低的靈敏度，且對于環境光的干擾不敏感。但當APD 內部溫度過高時會產生暗電流從而產生誤差，因此李常勝[15]添加了溫度控制器件以確保光電探測器采集信號的準確性。Sultana 等[23]提出SiAPD主要的缺點是傳輸時間相對較長以及雪崩倍增因子產生的額外內部噪聲，因此他們研制了一種基于CMOS 和跨阻放大器的高增益、低功耗、低噪聲的光電接收機，并將其應用于fNIRS 光電探測器前端以改善SiAPD 的缺點。因此選擇合適的光電探測器能夠有效提高fNIRS 系統的檢測靈敏度，對改善系統功能具有積極意義。

1.3 光源與探測器之間的排布設計

在fNIRS 系統中，光源和探測器的排布是按照大腦的腦區進行放置的，能夠將探測器精準的匹配腦區對于獲取目標信號是非常重要的。人類的大腦皮層可以按照不同功能劃分為幾個不同的功能區，稱為Brodmann 分區，由德國神經解剖學家Tanaka[32]提出，他將大腦的每個半球分為52 個區域，每個區域代表著不同的功能，例如前額聯合區與思考、認知、規劃和個性有關；運動前皮層與規劃運動有關；初級運動皮層與自主運動控制有關等，因此將光源和探測器放置在不同腦區即可探測該腦區在靜息狀態或者激活狀態下的HbO 和Hb 的濃度變化。與fMRI 相比，fNIRS 的空間分辨率較低，其原因是很難將放置在頭皮的探頭與大腦功能區進行精確匹配，一般需要輔助手段幫助其準確定位，fNIRS 探頭放置的規則一般按照EEG 放置探頭的10-20 或10-10 標準導聯對探頭進行定位，北師大認知神經科學實驗室的朱朝喆教授提出了能指導fNIRS探頭擺放和經顱磁刺激（TMS）的經顱功能腦圖譜（fTBA）[33]，是一種由3D 磁定位和導航軟件構成的頭殼導航系統，他們通過實驗對比發現fTBA 能實現更精確可靠的fNIRS 探頭放置。

為了探測大腦皮層的HbO 和Hb 濃度變化，近紅外光應該穿透腦組織到大約10～20 mm 的深度。Feng 等[34]的研究表明，當增加光源與探測器之間的距離d時，光穿透腦組織的深度也會增加，兩者的關系為當在距離的中心點0.5d時，其探測深度達到最大為，但是數據質量會隨著d的增加直至超過特定限度而下降。Korhonen 等[35]利用組織模擬幻影測量、前額活體測量和蒙特卡羅(MC)模擬，估計了光在大腦中的傳播和最小光源-探測器距離，當探測深度為15 mm 時，光源-探測器的最佳距離為2.53 cm；當探測深度為19 mm 時，其最佳距離為3.54 cm。光源和探測器之間的排布一般呈交替放置，可以有效提高探測效率以設計出高密度、小型化的fNIRS系統。光源和探測器的排布如圖2(a)、(b)所示。

漫射光學斷層掃描（DOT）是一種使用功能性近紅外光譜（fNIRS）重建三維大腦活動圖像的神經成像方法，DOT 的工作原理是當近紅外光照射到組織可能會經過多次散射，該過程稱為漫射，DOT 利用光電探測器測量組織表面的漫反射光的光子分布、時間色散和光譜信息，通過這些信息即可重構出組織的內部分布圖像[36]。高密度漫射光學斷層掃描（HD-DOT）是將每一個光源和探測器之間建立通道以提高探頭的利用率，如圖2(c)所示。Frijia 等[37]使用可穿戴的HD-DOT系統對嬰兒大腦的研究，該系統由UCL 旗下的英國Gowerlabs 有限公司開發，由幾個六邊形的無線傳感器模塊組成，每個模塊包含了3 個雙波長LED 光源(735nm 和850 nm)和4 個光電二極管探測器，源-探距離大約為10 mm 和20 mm，共組成12 個通道，且每個模塊間也建立通道提高測量密度，通過實驗證明HD-DOT 系統可以獲得高質量的、功能性的嬰兒大腦圖像，由此顯示出HD-DOT 優越的空間定位、深度特異性以及高信噪比的特點。

圖2 光源與探測器的排布類型Fig.2 Type of arrangement of light source and detector

2 系統控制模塊及數據處理的設計及研究現狀

2.1 系統控制模塊方案設計

fNIRS 系統中光電探測器接收到的數據為模擬信號，為了方便數據處理需要將其轉化為數字信號，因此一般由數據采集卡直接采集模擬信號再由其內部ADC 轉換成數字信號送至上位機處理或者通過外部ADC 模塊將其轉化為數字信號后再做處理。圖3 展示了兩種不同的數據采集方法，如圖3(a)所示，集成控制單元輸出對光源控制的數字信號，經DAC 轉換后完成對光源的控制，光源穿過大腦組織由探測器接收，接收到的光強模擬信號通過ADC 轉換成數字信號送回至集成控制單元處理并通過有線或者無線的方式送至上位機處理并顯示。實驗過程中發現當兩波長同時驅動時光電探測器難以區分兩波長光源，因此多數研究為了有效區分每個多波長光源以及屏蔽環境光對探測器采集信號的干擾，會將光源調制在不同頻率上[31]，為此系統控制模塊需要實現對光源的調制解調以及對光源的時分復用功能，FPGA（現場可編程邏輯門陣列）或MCU（微控制單元）可以完成對fNIRS 系統的控制。Liu 等[30]在研發基于腦機接口應用的便攜式fNIRS系統時首先采用了數字電位器與FPGA 結合，實現了對光源的負反饋式光強自動控制，其次運用FPGA 上的鎖相光子計數解調器對PMT 采集到的信號進行同相正交解調，并且采用無線通信模塊實現FPGA 與上位機之間的數據傳輸。為了進一步實現光源和探測器的高度利用，Yaqub等[21]等研發了一個高密度的嵌入式fNIRS 系統，將光源控制、增益調節、數據儲存、無線通信等模塊集成在一塊電路板上，并采用自主研發的基于Windows 的計算機托管軟件實現實現設備間的通信。

圖3 fNIRS 系統數據采集流程示意圖Fig.3 Diagram of fNIRS system data collection process

圖3(b)顯示了采用數據采集卡（DAQ）完成對fNIRS 系統的控制與數據傳輸，上位機通過有線連接將光源控制指令傳送至DAQ，DAQ 內部集成了ADC 和DAC，可以直接輸出模擬信號完成對光源的調制，探測器接收來自頭皮的光強模擬信號后經過DAQ 中的ADC 后可送入上位機進行解調處理。Xu 等[38]從DAQ 的信道數、采樣率、可移植性、模塊化等方面對四種不同的DAQ 產品進行了比較，作者最終選擇PCI-6251（NI 公司）用于信號傳輸，同時使用雙波長（690 nm和830 nm）LD 作為光源，APD 作為光電探測器，建立了一個基于DAQ 和Labview 的連續波fNIRS系統。由于DAQ 產生調制信號通道有限，采用了時分復用技術對多路光源進行調制以保證光源以不同的載波進行調幅。熊偉超[39]在此基礎上考慮到光電探測器接收的信號相比于輸入光強會減少7～9 倍且含有噪聲，因此應用了巴特沃斯帶通濾波器濾除環境光等低頻噪聲以及電氣噪聲等高頻噪聲，且設計了增益放大電路放大濾波過后的信號以滿足DAQ 輸入的最低電平，并且運用Labview 編程實現對系統的初始化、光源的時序控制、信號解調處理等功能。DAQ 相比于集成控制單元復雜的電路設計和編程來說，其電路設計簡單且易操作；但是對fNIRS 系統的可創造性較弱，且目前NI 公司生產的DAQ 均采用有線傳輸，對于fNIRS 系統的便攜性較難實現。

2.2 數據處理及分析的研究現狀

光源調制后接收到的數據首先需要對其解調。將兩波長光源分別調制在不同頻率可以采用正交解調的方法解調，古悅[40]在解調多動癥兒童fNIRS 信號數據時，采用相干解調將調制后的fNIRS 數據分別與同頻同相和同頻反相的相干載波相乘，之后通過低通濾波器獲取低頻分量即可獲得原始信號。Liu 等[30]在解調時直接采用FPGA 上的鎖相光子計數解調器進行全并行正交同相解調，解調過后得到各采樣通道的出射光強的原始數據。

2.2.1 fNIRS 數據預處理

解調后的fNIRS 數據伴有生理噪聲、運動偽影等干擾，由于fNIRS 系統的檢測靈敏度體現在對微弱信號的探測能力上，因此這些干擾也是影響系統靈敏度的另一重要原因。提高信號的信噪比是改善靈敏度的重要方法。首先可以通過提升信號質量來增加信噪比，可將探頭放置在前額以去除毛發的干擾以及采用合適的放大電路放大原始信號。其次可以在預處理階段去除噪聲以提高信噪比，預處理的的功能是將有用信號從含有噪聲的原始信號中提取出來，優越的去噪方法能夠盡可能地提取微弱信號，該能力越強，fNIRS 系統的檢測靈敏度就越高，預處理的流程如圖4 所示。首先獲得fNIRS 原始信號后需要目視觀察原始信號的幅值或者計算該通道的變異系數（CV），CV 是由標準差與平均值之比計算而得，用于評估每個fNIRS 通道信號的穩定性。通過判斷是否有明顯的幅值突變以及變異系數大的數據段并將其歸結為壞數據，將該數據段或者整個通道數據直接剔除。Liang 等[41]在對比嬰兒和成年人大腦的空間差異性時計算了受試者在不同頻段下的變異系數，通過變異系數判斷不同模式下對噪聲的容忍度。在去除壞數據后需要將余下通道的光強數據轉化成光密度，由于光密度數據仍含有儀器噪聲、實驗誤差、全局振蕩等，因此需要對其進行去噪處理。

圖4 預處理流程圖Fig.4 Pretreatment flow chart

儀器噪聲是由實驗儀器硬件產生或者在測量過程中引入的，儀器噪聲可以分為散粒噪聲、暗電流、熱噪聲、空間耦合干擾和電源噪聲等等，張陽陽等[42]提出首先可以通過增強光源的光功率或者隔絕外界的電磁場去除一部分儀器噪聲，其次由于儀器噪聲大多屬于高頻信號，因此可以通過低通濾波器（～0.5 Hz）去除。

實驗誤差主要是由受試者頭部與探頭的相對移動引起的運動偽影所產生，其原因在于穿過頭皮的光路發生變化從而導致血液動力學信息也發生變化，運動偽影會遮蓋fNIRS 信號中的趨勢變化，因此必須在進行信號分析之前將其去除，它的特征通常表現為fNIRS 信號突然出現明顯的峰值跳動以及基線發生明顯漂移[43]。常見的方法是通過目視觀察每個通道的信號，將有運動偽影特征的信號片段或者整個通道數據進行刪除。在此基礎上，Molavi 等[44]提出基于離散小波變換(DWT)提供了良好的時頻局部化，因此在離散小波域中運動偽影表現為單獨的大系數，文章采用了運動偽影的可加性模型，通過估計噪聲信號再將其從fNIRS 信號中減去來去除運動偽影，但是該方法不能實時去除偽影。Perpetuini等[45]在小波變換的基礎上增加了視頻跟蹤的紅外熱像圖像(IRT)來校正運動偽影，其過程為在實驗期間同時記錄fNIRS 和IRT，根據IRT 估計頭部與探頭的相對運動并計算fNIRS 信號和該相對運動的小波變換以及它們的小波相干性，然后通過對fNIRS 信號進行小波反變換去除與探頭運動相對應的頻率和相干性。Gu 等[46]提出了一種基于經驗模態分解（EMD）的運動偽影校正方法，該方法是自適應的且非常適合校正存在突變峰值的數據，作者將其應用于被識別為運動偽影的數據片段，并且與樣條插值（SI）、小波濾波器（WF）以及基于峭度的小波濾波（kbWF）這3 種方法進行了實驗比較，結果表明EMD 方法在總體上是4 種方法中最可靠、最準確的。

全局振蕩主要由心跳信號(0.8～1.6 Hz)、高頻振蕩（0.2～0.5 Hz，HFO）、低頻振蕩(0.04～0.2 Hz,LFO)和極低頻振蕩(0.01～0.04 Hz,VLFO)這四種生理偽影組成，生理偽影可由心理任務誘發或者自發調節產生，易與fNIRS 信號產生混淆[47]。高頻振蕩主要由呼吸偽影(0.2～0.6 Hz)組成；低頻振蕩主要由0.1 Hz 自發的Mayer 波組成，通常將慢血壓波稱為Mayer 波[48]。Zhang Y[49]針對生理偽影的去噪方法提出了一種基于短距離和長距離的多距離近紅外光譜增強方法，該方法利用經驗模態分解(EMD)將近紅外光譜測量結果分解為一系列的本征模態函數(imf)，從而得到對長距離近紅外測量中全局振蕩的估計，最終利用最小二乘法去除全局振蕩。Reddy 等[50]采用了小波分析來區分前額葉測量過程中產生的生理偽影，并使用多距離源-探測器分離（SDS）通道來區分組織層，結果成功區分了fNIRS 信號中的心臟、呼吸、低頻振蕩（VLF）等信號。Zhang等[47]開發了一種用于全頭的fNIRS自動去噪方法PCA-GLM，實驗使用由109 個長分離通道和8 個短分離通道組成的高密度fNIRS 系統進行記錄，采用基于自適應方法使輔助傳感器同時測量運動、呼吸和心跳噪聲，之后根據一組健康受試者在運動任務期間獲得的實驗數據進行評估去噪，文章通過實驗對比證明PCA-GLM 是一種自動、有效且強大的，用于消除全頭生理偽影的去噪方法。

去噪后可查找相關參數（DPF[51]，ε[52]）并利用修正的朗伯比爾定律計算HbO 和Hb 的濃度，之后對濃度曲線進行區域平均以便更好觀察曲線的時域變化。目前針對fNIRS 數據預處理已有多種基于MATLAB 的軟件工具包，Homer 等[53]是一套開源的基于MATLAB 的腳本，主要用于分析fNIRS 數據，HOMER 包含探頭與腦區配準成像工具Atlas Viewer，可以獲取探頭投影到大腦表面的MNI 坐標并使用多種函數對fNIRS 數據進行預處理，目前己更新至HOMER3。Hou 等[54]開發了應用經顱腦圖譜的fNIRS分析工具包NIRS-KIT，該軟件可以實現對任務態的fNIRS激活腦區檢測以及靜息態的fNIRS 功能連接等分析；Zhao 等[55]在此基礎上將主成分分析（ICA）集成在NIRS-KIT 中，通過與一般線性模型進行對比實驗發現NIRS-ICA 的處理結果具有更好的神經特異性，證明了NIRS-ICA 能夠有效應用于fNIRS 信號去噪以及提取神經活動。為了實現在整個預處理步驟和多維分解過程中數據的多模態可視化，Tremblay 等[56]開發了新的MATLAB工具包LIONirs，該工具箱包含允許讀取、預處理和分析fNIRS 數據的函數，為fNIRS 數據分析提供了一個更靈活的平臺。

2.2.2 fNIRS 數據分析

特征提取是fNIRS 數據分析的重要步驟，能夠去除信號中大量冗雜的信息，只保留與大腦活動相關性高的信息；在特征提取后，fNIRS 數據分析研究是在特征提取的基礎上對提取出來的特征進行組間分析和分類預測，特征提取和數據分析的方法需要根據具體的實驗目的去選擇。Wang 等[57]提出了一種特征提取和深度神經網絡的時頻域方法完成對抑郁癥的識別和分析，提取了峰谷值、平均數、方差、功率譜、小波系數等67 個特征，建立了抑郁癥深度識別分類框架，并且從大腦激活、人工提取特征和通道相關性3 個方面比較了抑郁和非抑郁的差異。Khan等[58]在探究右手每個手指在敲擊實驗中的fNIRS差異時提取了信號均值、峰值、最小值、偏度、峰度、方差、中值和峰-峰形式的HbO 濃度變化作為數據空間統計特征，并采用了支持向量機(SVM)、隨機森林(RF)、決策樹(DT)、二次判別分析(QDA)、人工神經網絡(ANN)等機器學習算法完成了對精細運動的分類。Ma 等[59]為了將老年人步態特征的fNIRS 信號分為單任務步行（STW）或雙任務步行（DTW），應用機器學習的方法通過計算Hb 和HbO 的最小值、最大值、平均值、傾斜度和Kurtosis 值來提取與fNIRS 信號的特征，并使用特征編碼將值映射到二進制空間，然后應用評估了邏輯回歸（LR）、決策樹（DT）、支持向量機（SVM）、k 近鄰（kNN）等各種機器學習方法，最終實現了約97%的分類精度。楊燕芳[60]在分析和識別弱視兒童和健康兒童的fNIRS 信號時，通過排序熵方法對信號進行復雜度分析以及采用小波分解完成對特征的提取，之后對提取的特征通過平均對比和雙樣本t檢驗以進行組間差異分析。

3 fNIRS 系統存在的問題及研究現狀

在時間分辨率方面，EEG 系統的時間分辨率高達10～20 Hz；商用的無線fNIRS 系統的時間分辨率為1～10 Hz；fMIRI 的時間分辨率較低，為0.008～0.02 Hz。在空間分辨率方面，fMRI擁有極高的空間分辨率，其上限大約在400 μm；fNIRS 系統的空間分辨率大約為1 cm，探測深度的靈敏度約為1.5 cm 左右[61]；EEG 的空間分辨率較低，為10～100 cm。因此fNIRS 在時間分辨率和空間分辨率方面仍有提高的空間，提高fNIRS 的響應速度，以及完成對大腦神經活動的精細定位，可以實現對fNIRS 系統整體性能的提升。

雖然fNIRS 系統在分辨率方面不及EEG 和fMRI 系統，但是在便攜性方面優于EEG 和fMRI 系統。fNIRS 系統不局限于在特定房間進行測量，且可以實現對患者的長時間床邊監測。便攜式的fNIRS 系統在原有的基礎上提高了光源和探測器的利用率、改善了測量帽的設計方案以及采用了無線傳輸的方式，減少了測量過程中的局限性，可以實現對受試者的運動測量。因此優化fNIRS 系統的便攜性對于提升fNIRS 系統的性能有重要意義。

3.1 fNIRS 系統分辨率優化的研究

3.1.1 時間分辨率的優化

由于EEG 的時間分辨率較高，因此較多研究將fNIRS 與EEG 聯合起來以綜合二者的時間分辨率和空間分辨率。高晨陽[62]研發了聯合fNIRS 和EEG 的系統，作者將fNIRS 和EEG 的探頭間隔排布，并且使兩者信號在時序上同步觸發和采集，實現全腦的雙模檢測；但是作者提出在實驗過程中信號易受外界干擾且系統的聯合性較差。針對該聯合性較差的問題，Ortega 等[63]采用了基于表征學習的深度神經網絡來解決多模態傳感器的融合和解碼問題，該方法可以通過元學習和多主體遷移學習直接提高在深度腦機接口的數據效率，實現了高效連續多模態譯碼，從而解決聯合性較差的問題。此外，由于高密度漫射光學層析成像（HD-DOT）系統具有良好的空間分辨率，但是其時間分辨率較差，因此Liu 等[64]結合了鎖相檢測的多通道并行化以及利用光子計數技術擁有廣泛動態范圍的特點，不斷切換照明模式用于非重疊和重疊的DOT 測量方法以提高它的時間分辨率，該方法可以提供激活區域的先驗信息以排除非敏感數據的測量，文章通過實驗仿真證明了該方法在提高時間分辨率和定位精度方面優于一般的HD-DOT。

3.1.2 空間分辨率的優化

由于fNIRS 系統的空間分辨率大約在1 cm，而fMRI 的空間分辨率一般在毫米級別，因此可以通過拍攝fMRI 圖來幫助fNIRS 提高空間分辨率。Chen 等[65]在探究年齡與前額皮質（PFC）的相關性時首先利用MRI 拍攝受試者頭部圖像從而獲得其頭部坐標，其次通過皮球投影算法獲得大腦皮層投影點，通過該方法可以精確獲得大腦的空間信息，可以為MRI 參考數據庫與10-20 腦電導聯坐標進行精確匹配提供幫助。此外，Chen 等[66]證明了采用多距離通道的fNIRS 系統也可以提高空間分辨率，文章使用三波長（740 nm、808 nm、850 nm）的CW-fNIRS 儀器（NirScan；丹陽慧創醫療）對8 個健康受試者進行大腦任務激活圖重建，該系統配置了28.2 mm、40 mm和44.7 mm 以及52 個通道，同時采用不同層的部分路徑因子（PPL）和修正的朗伯比爾定律（MBLL）獲得HbO 和HbR 的濃度變化，通過與單通道對比的實驗證明，運用PPL 重建的大腦激活圖與單通道相比具有相同的特征且能夠獲得更高的分類準確性。Wu 等[67]采用其他輔助手段用于fNIRS探頭的定位，作者設計了一種基于電磁數字儀和交互式可視化工具的fNIRS 探頭位置引導系統，該系統基于視覺分析的方法，使用一個數字儀觸控筆在頭皮上移動即可通過光標指導觸控筆獲得在頭部的真實位置，可以實現對探頭的實時跟蹤從而提高fNIRS 探頭與腦區的匹配精度。而DOT 是一種在fNIRS 的基礎上，通過光電探測器測量組織表面漫反射光的時間和空間信息重構出大腦皮層的三維圖像，幫助探頭精確地定位大腦區域的新型成像技術。Machado等[68]在采用DOT 系統的基礎上，為了減少放置在頭部的探頭以減少安裝時間同時讓受試者獲得更好的舒適度，利用3D 神經導航設備，通過棉膠將光學探頭粘在頭皮上以確保長時間良好的接觸；并且對光學蒙太奇提出了改進，將受試者頭皮分為4 000 個頂點的頭皮網格，對每個頂點進行不同波長的蒙特卡羅模擬以獲得受試者頭部的光通量率模型，同時引入了最小、最大間隔和密度作為重要的附加功能約束，最后通過對受試者真實運動反應的實驗完成了對目標腦區進行準確評估。

3.2 提高fNIRS 系統的便攜性

fNIRS 系統的便攜性體現在fNIRS 頭套的便于安裝、拆卸以及攜帶，因此減小光源與探測器探頭的設計尺寸、采用集成封裝的方法以及采用無線傳輸數據的功能是實現便攜式的主要方法。Agro 等[69]將64 個LED 光 源 和128 個SiPM 探測器封裝在頭套上，并且使用多路復用技術增加光源和探測器的使用效率，將電源和光電探測器集成在一起以提高系統的便攜性。在改變頭套的設計尺寸上，Saikia 利用3D 打印和激光切割技術將fNIRS 頭套小型化以便用于便攜式的神經成像，作者通過對不同群體的受試者進行反饋迭代來不斷改進設計fNIRS 頭套以提高用戶的舒適度和信號質量，利用3D 打印將多波長LED和硅光電二極管(SiPD)封裝在一起制成聚乳酸支架，提高了安裝和拆卸探頭的便捷性。Saikia等[70]進一步將fNIRS 系統小型化，設計了一個緊湊型的便攜式(手掌大小)的可穿戴BCI 設備，用于測量前額葉的血液動力學反應，作者采用Arduino 模塊控制光源的PWM 周期和信號寬度，并使用快速傅立葉變換和小波變換對信號進行處理以縮短信號處理時間。

藍牙連接上位機用于數據傳輸而非有線連接可以提高fNIRS 系統便攜性，由于藍牙連接具有低功耗且無線的功能，因此Bhutta 等[71]采用基于BLE 的藍牙模塊實現7 個主、從模塊之間的無線連接，并從前額葉皮層采集與任務相關的血液動力學反應，通過實驗結果驗證不同的從模塊能夠同時成功地采集和傳輸數據，主模塊能夠充分處理接收到的數據。Park 等[72]提出Wi-Fi 比藍牙更具優勢，Wi-Fi 擁有更快的速度（高達11 MB/s），Wi-Fi 可以一次將多臺設備與模塊連接起來，而且Wi-Fi 的覆蓋范圍比藍牙更大，因此作者采用了Wi-Fi 模塊以無線方式傳輸到數據處理模塊，并開發了一個基于Matlab 的單獨軟件，用于離線處理數據。

4 總結

本文從fNIRS 系統的各個組成部分出發，介紹了光源、光電探測器、系統控制、數據接收和處理分析等多個方面，介紹了各個部分目前的研究現狀。fNIRS 系統發展至今，已有越來越多針對不同測量環境研發出的高性能fNIRS 儀器，在日常監測和運動中使用的fNIRS 儀器也越來越趨于小型化，具有便于安裝和測量、只需通過無線傳輸的方式即可在軟件實時查看結果等功能；在臨床醫學上，已有越來越多的大型fNIRS 儀器投入使用，且設備具有多波長、多通道、高靈敏度等特點。但是fNIRS 在使用時仍暴露出一些缺點，例如響應時間不如EEG、腦區和探頭匹配的精確度不高、對受試者在測量時的運動幅度具有一定要求，否則產生的運動偽影和生理偽影會干擾數據使結果產生較大的誤差等等，因此fNIRS 系統仍需進一步優化，需要將更先進的技術和算法應用于fNIRS 系統以提高其綜合性能，擴大fNIRS 的應用場景。