功能近红外光谱与功能核磁共振运动想象脑机接口双模态比较研究*

安嘉琳，张屾，王玲，田一竹，李德玉△，汪待发△

(1.北京航空航天大学生物与医学工程学院，北京 100083； 2.生物医学工程高精尖创新中心，北京航空航天大学，北京 100083)

1 引 言

运动想象(motor imagery, MI)是脑机接口(brain machine interface, BCI)领域应用最广泛的范式之一[1-3]。通过对肢体运动的想象，实现对外部设备的控制，在中风等运动功能障碍患者的康复训练、助行等方面具有重要的应用价值[4-5]。

相对脑电(electroencephalography, EEG)，作为新兴的脑功能成像模态，功能近红外光谱技术(functional near-infrared spectroscopy, fNIRS)具备佩戴方便，抗运动、电磁干扰能力强等优势，近年来吸引了国内外BCI研究者的广泛关注[6]，期望解决EEG-BCI从实验室走向临床所面临的实际应用挑战。相对EEG在头皮采集直接的神经元电发放信号，基于光学的fNIRS与基于磁学的fMRI类似，采集的是神经血管耦合效应引起的血红蛋白浓度变化，是一类间接的脑功能成像方法。血红蛋白浓度是一种慢变信号，有效频率通常在0.2 Hz以下。因而，相对EEG-BCI，fNIRS-BCI在实验及算法设计上有较大差异。

目前基于fNIRS的MI研究取得了重要的进展。已有研究多集中在范式、算法设计等方面[7-8]，或是通过反馈系统提升被试的训练效率[9]，但所报道的运动想象分类率普遍较低，例如左右手运动想象的平均分类率通常在70%左右，与EEG-BCI(80%以上)[10-11]报道的分类效果尚有较大的距离。

本研究拟探究目前fNIRS-BCI运动想象分类率相对较低的原因。具体而言，分类率较低的主要原因是目前常用的实验范式引起的大脑皮层血红蛋白浓度变化差异性或稳定性不足，还是由于常用的fNIRS拓扑排布式在脑活动信息获取方面存在不足。在fNIRS中，一对光学发射-接收探头获取一个通道的脑血红蛋白变化信息。由于近红外光在经过皮层的过程中穿过了皮肤和颅骨，造成信号在较大程度上受到浅表信号干扰[12]。相对而言，基于磁学的fMRI具备空间分辨率高，不受浅层信号干扰的优势。这里，我们对同一批被试先后开展fNIRS和fMRI左右手运动想象实验，并将fMRI数据映射到fNIRS通道上。结果表明，fMRI-BCI分类结果显著高于fNIRS-BCI，说明受浅表信号干扰的拓扑式排布fNIRS脑皮层信息获取能力不足是左右手运动想象分类率较低的瓶颈所在。

2 方法

利用fMRI和fNIRS两种方式采集运动想象任务时的大脑响应数据。为保证实验对照效果，同一被试的fMRI与fNIRS数据采集在同一天进行，间隔不超过4 h。同时，为避免可能存在的训练效应，fNIRS和fMRI采集的先后顺序随机。

由于两种影像模态的空间分辨率有显著差异，为保证可比性，将fMRI数据映射到fNIRS通道上，使得两种模态所提取输入到分类器的数据具有同样的维数。

2.1 研究对象

实验随机选取12名右利手男性被试，年龄20～25岁，无磁共振扫描禁忌，心脑血管和运动功能障碍疾病。正式实验之前，被试需要熟悉实验流程并签署知情同意书。

2.2 实验系统

本实验中fNIRS数据采用丹阳慧创医疗设备有限公司的功能近红外光谱成像系统NirsScan采集，该系统拥有双波长光源：740、850 nm，采样频率17 Hz。fNIRS系统中的发射与接收探头排布方式见图1(a)，其中S1～S17为发射探头，D1～D22为接收探头，62条灰色连线代表通道，其中S5、S9 与S13对应脑电10-20系统中C3、Cz和C4点，该排布覆盖运动区及顶叶区。

fMRI数据采用清华大学生物医学影像研究中心的Philips Achieva 3.0 T TX 磁共振成像系统，进行fMRI全脑成像时所采用的是平面回波成像序列。采集参数如下：TR=2 000 ms，TE=35 ms，反转角度为90°，共30个扫描层，层厚3.5 mm，隔行扫描。在功能像扫描前获取结构像，在此过程中，被试需佩戴与fNIRS实验阶段相同的头帽(未安装光纤)，在原放置探头的孔中放置维生素E[13]，用以获取与fNIRS数据采集过程中发射与接收探头排布位置相对应的空间坐标。根据结构像标定点坐标，提取相应的fMRI点信号，实现从fMRI到fNIRS通道的映射，以保证两模态运动想象BCI的比较。

2.3 范式

采用脑机接口经典范式——运动想象。实验开始之前，要求被试休息5 min，保持平静状态。每一个实验段由8 s的任务时间与12 s的休息时间组成(见图1(b))，任务开始时，被试根据屏幕提示想象左手(或右手)手指以大约3 Hz的频率进行敲击，休息开始时，被试被要求思维放空，保持平静。左、右手想象任务各随机重复15次。

在fNIRS实验时，被试坐在舒适的座椅中，注视座位前电子屏幕中的任务提示，想象手指敲击桌面。在fMRI实验中，被试头戴降噪耳机平躺在扫描仪中，通过眼前的方镜反射观察屏幕中的任务提示想象运动。

图1 发射-接收探头排布及实验设计

2.4 数据分析

2.4.1信号预处理 对于近红外数据，被试在实验过程中可能的头动会导致头皮与探头的相对滑动，带来运动伪迹，表现为信号的冲激式或断崖式跳变，这里采用样条插值法修正[14-15]。之后进行0.01～0.2 Hz的带通滤波，去除脉搏、呼吸等生理波动引发的噪声以及环境、温度变化造成的基线漂移。利用修正的Beer-Lambert定律，将光强数据转化为含氧、脱氧血红蛋白浓度的相对变化量。

(1)

Lλi=r×DPFλii=1，2

(2)

(3)

对于fMRI数据，需要进行预处理及通道时间序列提取为后期与fNIRS数据的比较研究做准备。预处理过程主要包括数据准备、空间预处理、空间标准化和平滑，见图2。数据准备是要将采集到的原始数据进行分类并将其转换为SPM解析格式；空间预处理用来校正层间由于图像获取时间不同产生的差异，排除头动允许范围外的数据，将功能图像与高分辨率的结构图像叠加配准，进行信息的变换；空间标准化是将不同被试的图像同一化到标准脑上；最后进行空间平滑处理，修正图像重建过程中引入的误差。预处理后，结合带有维生素E标记的结构像与平滑后的功能像提取出标记区域脑皮层深度的时间序列，以标定的通道位置中心对应脑皮层内的体素点为圆心，取半径为5 mm的球体为感兴趣区域，得到感兴趣区域内所有体素的平均时间序列值作为此通道的时间序列用于后续分类。

图2 磁共振数据处理流程图

2.4.2共空间模式空间滤波分类 利用共空间模式(common spatial pattern, CSP)算法构建分类器。CSP的核心思想是在高维空间中寻找两类数据的最佳投影方向，使得其中一类样本方差最大，另一类样本方差最小[16-18]。对于有共同神经活动源的两种任务，该方法以各自协方差矩阵为基础，通过矩阵分解最大化二者的差异，从而得到任务特异的空域模式。以基于fNIRS的左手运动想象数据样本为例，维度为N(通道数)×T(采样点)，其CSP空间滤波器(SFL)可由式(4)计算得出[19-20]：

(4)

CovL与CovR分别是二者的协方差矩阵，SFL代表针对左手样本的各通道之间的权重。

对于fNIRS主运动区的数据(S5与S13相关通道)，经过CSP空间滤波后，对任务阶段数据(考虑到2 s的血液动力响应，取2～10 s数据)以2 s为窗长分窗，在4个时间窗内提取均值作为特征，采用线性判别分析(linear discriminant analysis, LDA)对左、右手任务特征进行分类；同理对于fMRI主运动区及部分躯体感觉区(S5, S6, S13及S14相关通道)数据，利用CSP滤波后，将任务段数据(BOLD信号的延迟响应约4 s)的幅值作为特征进行分类。

3 结果与讨论

3.1 双模态血液动力响应

图3(a)、(b)为12名被试左、右手运动想象的fMRI BOLD信号归一化均值曲线，图3(c)、(d)为fNIRS信号含氧血红蛋白浓度均值曲线。其中-2～0 s时刻为基线状态，0～8 s为任务状态，8～20 s为休息阶段，每一条曲线代表一个通道的时间序列。对于fNIRS信号，随着任务阶段的开始，含氧血红蛋白浓度逐渐上升，由于约2 s的血液动力响应延迟，在10 s左右到达峰值，随后在休息阶段回归至基线值。BOLD信号随着任务的执行，幅值也显著增强，且延迟响应要高于fNIRS信号。这是由于fMRI的采样频率只有0.5 Hz，对血氧代谢的细节信息未能完整获取。总体而言，双模态血液动力响应均与任务范式的设计相吻合，反映了大脑神经活动引发的血氧代谢的变化。

图3BOLD信号与含氧血红蛋白浓度均值曲线

Fig3MeanBOLDgreyvalueandHbOconcentrationcurves

图4(a)、(b)、(c)、(d)分别为峰值时刻左、右手运动想象BOLD信号归一化均值曲线与HbO浓度均值曲线的分布图像，其中白色虚线方框代表主运动区。结果表明，在任务执行过程中，对侧主运动区HbO浓度与BOLD灰度值均明显上升，体现了交叉控制的特点，而同侧运动区以及部分躯体感觉区也有一定程度的激活。相对而言，fMRI信号双侧主运动区的差异对比度更加显著，而fNIRS信号受到浅表信号以及全局变量的影响，通道之间具有更高的相关性，空间特异性明显低于fMRI信号。

图4峰值时刻血红蛋白浓度分布及BOLD信号灰度值分布图

Fig4ThedistributionofHbOandgrayvalueatthepeaktime

3.2 分类准确率

图5为fNIRS信号和BOLD信号使用CSP算法处理后的分类准确率结果，横坐标表示被试编号，纵轴为分类准确率。蓝色柱状代表fNIRS数据，其左、右手运动想象的平均分类准确率为67.3%±10.2%，红色柱状代表fMRI数据，其分类准确率则达到80.3%±16.0%，二者具有显著差异(P=0.02)。该结果也与两种模态所能获取的脑功能信息直接相关，fMRI主运动区的高对比度体现了更强的任务响应差异度，有利于任务的二分类。

图5 左右手运动想象分类结果

4 结论

本研究比较了fNIRS与fMRI两种模态的左右手运动想象BCI分类效果。结果表明，fMRI-BCI分类结果显著高于fNIRS-BCI，说明目前研究中常用的拓扑式排布fNIRS在获取脑皮层信息方面依然存在局限，是限制左右手运动想象fNIRS-BCI分类率的主要瓶颈。

从研究结果来看，fMRI与fNIRS均能反映运动想象任务期间的脑部血氧代谢变化。二者均在对侧主运动区显著激活，体现了偏侧化控制的特点。不同之处在于，fMRI信号相比fNIRS信号在两侧主运动区表现出了更强的对比度，相应的分类效果也显著更优。这是因为，fNIRS信号的获取易受到全局变量的影响，当被试执行想象任务时，浅层血流供应状况也会随之改变[12,21]，并叠加到所观测的脑皮层信号中。对于MI信号较低的信噪比，浅层信息的影响会更加严重，进而为信号的分类带来不利因素。对于fNIRS技术而言，拓扑式的探头排布有其自身明显的局限性，信号不可避免地受到非目标层的干扰，为后期的分析与应用带来不确定因素，然而，在血氧代谢的评估上，得益于更高的时间分辨率，fNIRS比fMRI能获取更多的细节变化。在未来的研究中，借助高密度fNIRS[22]提升空间分辨率，并利用断层重建去除不同浅层信息的干扰，将有望攻克fNIRS-BCI当前所面临的分类率较低的瓶颈。

在本研究中，受限于实验条件，fNIRS与fMRI数据并未做到同步采集。因而，无法在单试次任务的尺度对两模态获取的信息进行细致比较。在下一步的研究中，将开展两种模态的同步数据采集，以fMRI作为参考金标准，开展对照研究，为fNIRS-BCI的实验设计、数据获取、算法设计等提供理论指导。