近红外脑功能成像算法：原理、分类、挑战与突破

近红外脑功能成像算法：原理、分类、挑战与突破一、引言1.1研究背景与意义大脑作为人体最为复杂且神秘的器官，是神经中枢，全方位地支配和指挥着人体的一切生理活动，对其结构与功能关系的研究，始终是现代科学中最为深奥的课题之一。大脑掌控着人类的思维、意识、情感、记忆以及各种行为，其功能的正常运作对人类的生存和发展至关重要。深入了解大脑的工作机制，不仅有助于揭示人类认知、学习、记忆等高级神经活动的奥秘，还能为众多脑部疾病的诊断、治疗和预防提供坚实的理论基础。在过去的几十年中，随着科技的飞速发展，脑功能成像技术取得了显著的进步，为大脑研究提供了强有力的工具。常见的脑功能成像技术包括正电子发射断层扫描（PET）、功能性磁共振成像（fMRI）、脑电图（EEG）和脑磁图（MEG）等。然而，这些传统技术各自存在一定的局限性。PET需要注射放射性示踪剂，对人体有一定的辐射危害，且设备昂贵、操作复杂；fMRI虽然具有较高的空间分辨率，但时间分辨率较低，且对被试者的活动限制较大，不适用于长时间的动态监测；EEG和MEG虽然时间分辨率高，但空间分辨率较差，难以精确确定大脑活动的具体位置。近红外脑功能成像技术（FunctionalNear-InfraredSpectroscopy，fNIRS）作为一种新兴的脑功能成像技术，以其独特的优势在近年来受到了广泛关注。该技术基于近红外光对生物组织的良好穿透性以及血红蛋白对近红外光的特异性吸收特性，通过测量大脑皮层中氧合血红蛋白和脱氧血红蛋白浓度的变化，来反映大脑神经活动的情况。与传统脑功能成像技术相比，fNIRS具有无创性，无需对被试者注射放射性物质或施加强磁场，不会对人体造成任何伤害，可重复性高，这使得它在多次测量和长期监测研究中具有显著优势，能有效避免因测量方式对被试者身体造成潜在影响而干扰实验结果。此外，fNIRS操作简单便捷，设备相对小型化、便携化，成本相对较低，对使用环境要求不高，可在多种场景下灵活开展实验研究，包括自然环境、临床病房等，极大地拓展了其应用范围。其时间分辨率较高，能够实时捕捉大脑活动的动态变化，为研究快速认知过程提供了可能，这是许多传统技术难以企及的。fNIRS的这些优点使其在脑科学研究和临床应用中展现出巨大的潜力，成为当前脑功能成像领域的研究热点之一。在脑科学研究方面，fNIRS能够实现对大脑活动的实时监测，将大脑活动与特定的任务或感受过程紧密联系起来，有助于深入探究大脑的功能机制，如认知、情感、学习与记忆等方面的神经基础。通过该技术，研究者可以观察被试者在执行各种任务时大脑的激活模式和变化规律，为理解人类大脑的工作原理提供丰富的数据支持。在临床应用中，fNIRS可用于多种脑部疾病的诊断、评估和治疗监测，如脑卒中、阿尔茨海默病、帕金森病、抑郁症等。它能够检测出大脑功能的异常变化，辅助医生进行早期诊断和病情评估，为制定个性化的治疗方案提供客观依据，在患者康复治疗过程中，fNIRS还能实时监测大脑功能的恢复情况，评估治疗效果，指导康复训练的调整和优化。尽管fNIRS具有诸多优势，但目前该技术仍面临一些挑战和问题。在图像重建算法方面，成像深度分辨率较差、图像质量不高，难以精确地反映大脑内部的结构和功能信息，这限制了其在一些对精度要求较高的研究和临床应用中的进一步推广和应用。随着研究的深入和应用需求的不断增加，对fNIRS算法的改进和优化变得尤为迫切。通过对算法的研究，可以提高fNIRS的成像质量和精度，增强其对大脑功能信息的提取能力，从而更好地满足脑科学研究和临床诊断的需求。对fNIRS算法的研究还能推动该技术与其他脑功能成像技术的融合，实现优势互补，为大脑研究提供更全面、更准确的信息。对近红外脑功能成像算法的研究具有重要的理论和实际意义。从理论角度来看，深入研究算法有助于揭示大脑的神经活动机制，为脑科学的基础研究提供新的方法和思路，进一步丰富和完善脑科学的理论体系。在实际应用中，优化后的算法能够提高fNIRS在临床诊断和治疗监测中的准确性和可靠性，为脑部疾病的早期诊断、精准治疗和康复评估提供更有效的工具，为患者带来更好的治疗效果和生活质量。该研究还有助于推动fNIRS技术在教育、心理学、运动科学等领域的广泛应用，促进相关学科的发展和进步。1.2国内外研究现状近红外脑功能成像算法的研究在国内外均取得了显著进展，其发展历程伴随着技术的革新与应用领域的拓展。在早期，近红外脑功能成像技术主要用于简单的大脑活动监测，算法相对基础，仅能实现对大脑皮层浅层血氧浓度变化的初步检测和分析。随着计算机技术和光学技术的快速发展，算法不断优化，成像质量和精度逐步提高。国外在近红外脑功能成像算法研究方面起步较早，在基础理论和关键技术研究上取得了一系列重要成果。美国、日本和欧洲等国家和地区的科研团队在算法创新和应用拓展方面处于领先地位。在算法理论研究方面，国外学者提出了多种先进的图像重建算法，如基于扩散光学理论的有限元算法、蒙特卡罗算法等。这些算法通过对近红外光在脑组织中传播模型的精确构建，有效提高了成像的空间分辨率和准确性。在功能连接分析算法上，国外研究人员开发了基于格兰杰因果分析、动态因果模型等方法，用于研究大脑不同区域之间的功能连接和信息传递机制，为深入理解大脑功能网络提供了有力工具。在应用研究领域，国外的研究广泛且深入。在认知神经科学研究中，利用近红外脑功能成像算法，研究人员对注意力、记忆、语言等高级认知功能的神经机制进行了大量探索，取得了许多重要发现。有研究通过fNIRS技术结合相关算法，揭示了工作记忆任务中大脑前额叶和顶叶区域的协同激活模式，为理解工作记忆的神经基础提供了新的证据。在临床应用方面，国外已将近红外脑功能成像算法应用于多种脑部疾病的诊断和评估，如脑卒中、阿尔茨海默病、癫痫等。对于脑卒中患者，通过算法分析fNIRS数据，能够早期检测到大脑缺血区域的血氧变化，辅助医生进行病情诊断和治疗方案的制定。尽管国外在近红外脑功能成像算法研究方面取得了丰硕成果，但仍存在一些问题。部分算法计算复杂度高，对硬件设备要求苛刻，导致实际应用受限；不同算法之间缺乏统一的评估标准，使得算法性能的比较和选择存在困难；在复杂脑功能研究和临床应用中，算法的准确性和可靠性仍有待进一步提高。国内对近红外脑功能成像算法的研究起步相对较晚，但近年来发展迅速，在技术突破和应用拓展方面做出了诸多努力，并取得了显著成果。在算法研究方面，国内科研团队在吸收国外先进技术的基础上，积极开展自主创新。一些研究团队提出了改进的图像重建算法，通过引入先验知识、优化模型参数等方法，提高了成像的质量和分辨率。利用正则化方法对有限元算法进行改进，有效抑制了图像重建中的噪声干扰，提高了图像的清晰度和准确性。在功能连接分析算法上，国内学者也进行了深入研究，提出了基于信息论的功能连接分析方法，能够更准确地刻画大脑功能网络的特征。在应用研究方面，国内的研究涵盖了多个领域。在心理学研究中，利用近红外脑功能成像算法，研究人员对情绪、人格、心理应激等心理现象的神经机制进行了探讨。有研究通过fNIRS技术结合相关算法，发现了情绪调节过程中大脑前额叶和杏仁核区域的功能连接变化，为理解情绪调节的神经机制提供了新的视角。在教育领域，国内学者将近红外脑功能成像算法应用于学习认知研究，探索学生在学习过程中的大脑活动规律，为优化教学方法和提高学习效果提供了科学依据。在临床应用方面，国内已将近红外脑功能成像算法应用于多种脑部疾病的诊断和康复治疗监测，如抑郁症、脑瘫、脑损伤等。对于抑郁症患者，通过算法分析fNIRS数据，能够发现大脑前额叶等区域的功能异常，辅助医生进行诊断和治疗效果评估。然而，国内的近红外脑功能成像算法研究也面临一些挑战。与国外相比，国内在算法研究的深度和广度上仍有一定差距，部分关键技术仍依赖进口；在算法的工程化和产业化方面，还存在技术转化效率低、产品质量不稳定等问题；在多学科交叉融合方面，虽然取得了一些进展，但仍需进一步加强不同学科之间的合作与交流，以推动近红外脑功能成像算法的创新发展。1.3研究目标与方法本研究旨在深入剖析近红外脑功能成像算法，通过对算法原理、性能以及应用效果的全面研究，为该技术在脑科学研究和临床应用中的进一步发展提供坚实的理论基础和技术支持。具体研究目标包括：一是对现有的近红外脑功能成像算法进行系统梳理和深入分析，详细了解各种算法的原理、特点和局限性，为后续的算法改进和优化提供参考依据。二是针对现有算法存在的成像深度分辨率较差、图像质量不高以及计算复杂度高等问题，提出创新性的改进策略和优化方法，旨在提高算法的成像精度和效率，从而提升近红外脑功能成像技术的整体性能。三是通过理论分析、仿真实验和实际应用验证，对改进后的算法进行全面、系统的评估，客观、准确地分析其在不同场景下的性能表现，为算法的实际应用提供可靠的数据支持。四是将优化后的算法应用于实际的脑科学研究和临床诊断案例中，探索其在解决实际问题中的有效性和可行性，为近红外脑功能成像技术在这些领域的广泛应用提供实践经验。为实现上述研究目标，本研究将综合运用多种研究方法。文献研究法是基础，通过广泛查阅国内外相关领域的学术文献、研究报告和专利资料，全面、深入地了解近红外脑功能成像算法的研究现状、发展趋势以及存在的问题，为研究提供坚实的理论基础和丰富的研究思路。案例分析法也不可或缺，选取具有代表性的近红外脑功能成像应用案例，深入分析其中算法的应用效果和存在的问题，从中总结经验教训，为算法的改进和优化提供实际依据。在改进算法时，将采用对比研究法，对改进前后的算法以及不同改进策略下的算法进行对比分析，通过量化评估指标，如空间分辨率、时间分辨率、成像精度、计算效率等，全面、客观地评价算法的性能优劣，筛选出最优的算法改进方案。此外，为了确保研究成果的科学性和可靠性，还将采用实验研究法，设计并开展一系列仿真实验和实际人体实验。在仿真实验中，构建逼真的大脑模型和近红外光传播模型，模拟不同的实验条件和干扰因素，对算法进行全面测试和验证。在实际人体实验中，严格遵循伦理规范，招募合适的被试者，进行近红外脑功能成像数据采集，并运用改进后的算法进行数据分析和处理，将实验结果与临床诊断结果或其他脑功能成像技术结果进行对比，进一步验证算法的有效性和实用性。二、近红外脑功能成像技术概述2.1技术原理2.1.1近红外光与脑组织的相互作用近红外光（NearInfrared，NIR），其波长范围大致在700nm至1300nm之间。这一特殊的波长范围赋予了近红外光独特的物理性质，使其能够较好地穿透生物组织，包括头皮和颅骨，进而深入脑组织内部，为探测大脑活动提供了可能。当近红外光照射到头皮时，一部分光会被头皮表面反射回去，而另一部分光则会穿透头皮，进入颅骨。在颅骨中，近红外光会继续传播，尽管会受到一定程度的散射和吸收，但仍能保持一定的强度，穿透颅骨进入脑组织。脑组织是一个复杂的介质，包含多种成分，如神经元、胶质细胞、血管以及细胞外液等。近红外光在脑组织内的传播过程中，会与这些组织成分发生复杂的相互作用，主要包括散射和吸收。散射是近红外光在脑组织中传播时的一种常见现象。由于脑组织内部的结构和成分具有不均匀性，光在传播过程中会不断改变传播方向，形成散射。散射使得近红外光在脑组织内的传播路径变得复杂曲折，增加了光在组织内的传播距离和时间。散射光携带了脑组织内部结构和光学特性的信息，通过对散射光的分析，可以获取有关脑组织微观结构和生理状态的一些线索。吸收则是近红外光与脑组织相互作用的另一个重要过程。脑组织中的某些成分，如血红蛋白（Hemoglobin，Hb）、水和脂质等，对近红外光具有选择性吸收特性。血红蛋白又分为氧合血红蛋白（Oxyhemoglobin，HbO₂）和脱氧血红蛋白（Deoxyhemoglobin，Hb），它们在近红外光波段具有不同的吸收光谱。氧合血红蛋白对波长约为805nm的近红外光吸收较弱，而脱氧血红蛋白对该波长的光吸收较强。这种吸收特性的差异，使得近红外光在脑组织中传播时，其强度会随着血红蛋白浓度和氧合状态的变化而改变。通过测量近红外光在脑组织中的吸收变化，就可以间接获取大脑中血红蛋白的浓度和氧合状态信息，进而反映大脑的代谢活动和神经活动情况。当大脑处于活跃状态时，神经元的代谢活动增强，对氧气的需求增加，导致局部脑血流量增加，氧合血红蛋白的浓度升高，脱氧血红蛋白的浓度降低。这种血红蛋白浓度和氧合状态的变化，会引起近红外光在脑组织中的吸收和散射特性发生改变，通过检测这些变化，就能够探测到大脑的活动情况。近红外光与脑组织的相互作用是近红外脑功能成像技术的基础，为我们从光学角度研究大脑的功能和活动提供了有力的手段。2.1.2基于血红蛋白吸收特性的检测机制近红外脑功能成像技术的核心检测机制是基于氧合血红蛋白和脱氧血红蛋白对近红外光吸收谱的差异。血红蛋白是血液中负责运输氧气的重要蛋白质，它在氧气的摄取、运输和释放过程中起着关键作用。氧合血红蛋白是血红蛋白与氧气结合后的产物，呈鲜红色；而脱氧血红蛋白则是释放氧气后的血红蛋白，颜色较深，呈暗红色。在近红外光波段（700nm-1300nm），氧合血红蛋白和脱氧血红蛋白具有明显不同的吸收光谱。氧合血红蛋白在805nm左右的波长处有一个相对较弱的吸收峰，而脱氧血红蛋白在该波长处的吸收则较强。这种吸收差异使得当近红外光穿过含有不同氧合状态血红蛋白的脑组织时，光的吸收率会发生变化。当大脑局部区域的神经元活动增强时，能量代谢需求增加，细胞呼吸作用加剧，从而导致对氧气的消耗增多。为了满足这一需求，局部脑血流量会相应增加，更多的氧合血红蛋白被输送到该区域，使得该区域的氧合血红蛋白浓度升高，脱氧血红蛋白浓度降低。由于氧合血红蛋白和脱氧血红蛋白对近红外光的吸收不同，这种浓度变化会导致近红外光在该区域的吸收率发生改变。通过在头皮表面放置多个近红外光探测器，测量不同位置处近红外光的吸收率变化，就可以获取大脑皮层不同区域的血红蛋白浓度和氧合状态信息。具体来说，近红外脑功能成像系统通常由光源、探测器和数据采集与分析系统组成。光源发射特定波长的近红外光，这些光通过光纤传输到头皮表面，照射到大脑皮层。探测器则放置在头皮表面的不同位置，用于接收从大脑皮层散射回来的近红外光。探测器接收到的光信号经过光电转换后，被传输到数据采集系统进行数字化处理。数据分析系统根据接收到的光信号强度变化，利用特定的算法，计算出不同位置处的氧合血红蛋白和脱氧血红蛋白浓度变化。通过对这些浓度变化的分析，可以绘制出大脑皮层的血氧图谱，直观地展示大脑不同区域的血氧水平和活动情况。当被试者进行认知任务，如记忆、注意力集中或语言表达时，大脑相应的功能区域会被激活，神经元活动增强，导致该区域的血氧水平发生变化。近红外脑功能成像技术能够实时检测到这些变化，并通过数据分析确定大脑活动的区域和强度，为研究大脑的功能和认知过程提供了重要的依据。2.2系统组成与工作流程近红外脑功能成像系统主要由光源、光电探测器阵列、数据采集设备、计算机系统以及头戴设备等组件构成，各组件相互协作，共同完成对大脑功能信息的采集与分析。光源是系统的重要组成部分，其作用是产生近红外光。通常采用发光二极管（LED）作为光源，因为LED具有体积小、功耗低、寿命长、响应速度快等优点，能够满足近红外脑功能成像系统对光源的要求。不同波长的近红外光在脑组织中的穿透深度和与血红蛋白的相互作用特性不同，因此系统通常会使用多个不同波长的LED，常见的波长包括760nm、850nm等，以获取更全面的大脑血氧信息。通过精确控制LED的发光强度和时间，确保发射出稳定且强度适宜的近红外光，为后续的检测提供可靠的光源基础。光电探测器阵列用于收集从大脑皮层散射回来的近红外光，并将其转换为电信号。探测器阵列由多个紧密排列的近红外探头组成，这些探头分布在头戴设备上，以覆盖大脑皮层的不同区域。探头的数量和布局会影响系统的空间分辨率和检测范围，一般来说，探头数量越多，空间分辨率越高，能够更精确地检测大脑不同区域的血氧变化。常用的光电探测器包括光电二极管（PD）和雪崩光电二极管（APD）等，它们对近红外光具有较高的灵敏度，能够准确地检测到微弱的光信号，并将其转换为电信号输出。探测器的性能直接关系到系统对大脑信号的捕捉能力，高灵敏度和低噪声的探测器能够提高系统的检测精度和可靠性。数据采集设备负责收集探测器输出的电信号，并将其转换为数字信号，以便计算机系统进行后续处理。它包括信号放大器、滤波器、模数转换器（ADC）等部分。信号放大器用于放大探测器输出的微弱电信号，使其达到适合后续处理的幅度。滤波器则用于去除电信号中的噪声和干扰，提高信号的质量。ADC将模拟电信号转换为数字信号，以便计算机进行存储、传输和分析。数据采集设备的采样率和精度对系统的性能有重要影响，较高的采样率能够更准确地捕捉信号的变化，而高精度的ADC则可以提高信号的量化精度，减少量化误差，从而提升系统对大脑活动变化的检测能力。计算机系统是近红外脑功能成像系统的核心，承担着数据处理、分析以及结果展示的重要任务。它运行专门的数据分析软件，对采集到的数字信号进行一系列复杂的处理和分析。通过特定的算法，如基于修正的比尔-朗伯定律的算法，将光信号的变化转换为氧合血红蛋白和脱氧血红蛋白浓度的变化，并进一步计算出其他相关的生理参数。计算机系统还可以对数据进行滤波、降噪、特征提取等处理，以提高数据的质量和可用性。利用先进的图像处理和分析技术，将数据转化为直观的图像或图表，展示大脑不同区域的血氧水平和活动情况，为研究人员提供清晰、准确的大脑功能信息，便于他们进行深入的研究和分析。头戴设备是连接系统与被试者的关键部件，其作用是将光源和探测器固定在被试者头部的合适位置，确保近红外光能够有效地照射到大脑皮层，并使探测器能够准确地接收到散射光。头戴设备通常采用轻便、舒适的材料制作，以保证被试者在实验过程中的舒适度，减少因不适而产生的运动伪迹。它的设计需要符合人体工程学原理，能够适应不同头型和尺寸的被试者，确保光源和探测器与头皮紧密接触，同时不会对被试者的头部造成过大的压力。一些头戴设备还配备了调节装置，可以根据被试者的需求进行调整，以确保最佳的检测效果。近红外脑功能成像系统的工作流程从数据采集开始。在数据采集阶段，被试者佩戴好头戴设备，光源发射出近红外光，经过头皮、颅骨进入大脑皮层。在大脑皮层中，近红外光与血红蛋白相互作用，发生散射和吸收，然后散射光从大脑皮层返回，被光电探测器阵列接收。探测器将接收到的光信号转换为电信号，通过导线传输到数据采集设备。数据采集设备对电信号进行放大、滤波和模数转换等处理，将其转换为数字信号，并传输到计算机系统。数据传输到计算机系统后，进入数据分析阶段。计算机系统中的数据分析软件首先对采集到的数据进行预处理，包括去除噪声、校正基线漂移等，以提高数据的质量。利用特定的算法，根据修正的比尔-朗伯定律，计算出大脑皮层中氧合血红蛋白和脱氧血红蛋白的浓度变化，以及其他相关的生理参数，如脑血流量、脑血容量等。通过对这些参数的分析，可以确定大脑不同区域的活动状态和功能连接情况。采用统计分析方法，对不同实验条件下的数据进行对比分析，找出大脑活动的差异和规律，为研究大脑的功能和认知过程提供依据。数据分析完成后，进入结果展示阶段。计算机系统将分析结果以直观的方式展示出来，通常采用图像、图表等形式。常见的展示方式包括大脑血氧图谱，它以彩色图像的形式展示大脑不同区域的血氧水平变化，使研究人员能够直观地看到大脑活动的区域和强度。还可以生成时间序列图，展示特定脑区的血氧浓度随时间的变化情况，帮助研究人员分析大脑活动的动态过程。研究人员根据展示的结果进行深入的研究和讨论，得出关于大脑功能和认知的结论，为进一步的研究和应用提供支持。2.3技术优势与局限性2.3.1优势近红外脑功能成像技术凭借其独特的特性，在脑科学研究和临床应用等领域展现出显著优势。该技术具有无创性，这是其最为突出的优势之一。与PET等需要注射放射性示踪剂的成像技术不同，近红外脑功能成像仅通过近红外光照射大脑，不会对人体造成任何辐射危害，也无需进行侵入性操作，极大地降低了对被试者身体的潜在伤害，使得该技术可以安全地应用于各种人群，包括婴幼儿、孕妇以及对辐射敏感的患者等。该技术能在自然状态下进行实验，这为研究大脑在日常生活中的真实活动提供了便利。与fMRI等技术要求被试者在狭小、封闭的空间内保持静止不同，近红外脑功能成像设备相对轻便、灵活，被试者可以在较为自由的环境中进行各种任务，如行走、交谈、运动等，这使得实验结果更能反映大脑在自然状态下的功能活动，提高了研究的生态效度。在研究语言交流过程中的大脑活动时，被试者可以在近红外脑功能成像设备的监测下，与他人进行自然的对话，从而更准确地观察到大脑语言中枢在实际交流中的激活模式和变化规律。近红外脑功能成像技术的空间分辨率相对较高，能够较为精确地定位大脑活动的区域。相较于EEG和MEG等技术，它可以更准确地确定大脑皮层中血氧变化的位置，为研究大脑的功能分区和神经活动的空间分布提供了更可靠的信息。在研究视觉认知时，该技术能够清晰地显示出大脑枕叶视觉皮层在不同视觉刺激下的激活区域和程度，有助于深入了解视觉信息处理的神经机制。该技术还具有较高的时间分辨率，能够实时捕捉大脑活动的动态变化，可达到毫秒级的时间精度，能够满足对快速认知过程和大脑动态功能研究的需求。在研究快速决策过程时，近红外脑功能成像技术可以实时监测大脑前额叶等区域的血氧变化，揭示决策过程中大脑神经活动的时间序列和动态特征。近红外脑功能成像技术在脑功能和神经疾病研究中具有良好的适用性。在脑功能研究方面，它可以用于探索各种认知功能的神经基础，如注意力、记忆、学习、语言、情感等。通过观察被试者在执行相关认知任务时大脑的血氧变化，研究人员可以深入了解大脑不同区域在这些认知过程中的协同作用和功能机制。在记忆研究中，利用该技术可以检测大脑颞叶、额叶等区域在记忆编码、存储和提取过程中的活动变化，为揭示记忆的神经生物学基础提供重要依据。在神经疾病研究和临床诊断中，近红外脑功能成像技术也发挥着重要作用。它可以用于多种脑部疾病的早期诊断、病情评估和治疗监测，如脑卒中、阿尔茨海默病、帕金森病、抑郁症、癫痫等。对于脑卒中患者，该技术能够在发病早期检测到大脑缺血区域的血氧变化，辅助医生及时进行诊断和治疗决策。在阿尔茨海默病的研究中，近红外脑功能成像技术可以观察到大脑颞叶、顶叶等区域的功能异常，为疾病的早期诊断和病情进展监测提供客观指标。该技术还可以用于评估治疗效果，监测患者在康复治疗过程中大脑功能的恢复情况，指导康复训练的调整和优化。2.3.2局限性尽管近红外脑功能成像技术具有诸多优势，但目前该技术仍存在一些局限性，这些问题在一定程度上限制了其应用范围和研究深度。成像深度分辨率较差是近红外脑功能成像技术面临的主要问题之一。由于近红外光在脑组织中的穿透能力有限，该技术主要探测的是大脑皮层表面的信息，对于大脑深部结构的成像能力较弱。一般来说，近红外光能够穿透的脑组织深度大约在2-3厘米左右，这使得对于大脑深部核团，如丘脑、基底节等区域的研究受到很大限制。而许多重要的神经活动和神经疾病，如帕金森病中涉及的基底节区病变，单纯依靠近红外脑功能成像技术难以进行全面、深入的研究。这限制了该技术在一些涉及大脑深部结构的疾病诊断和研究中的应用，无法提供关于深部脑区功能和病变的详细信息。图像质量不高也是该技术的一个明显不足。近红外脑功能成像受到多种因素的干扰，导致图像存在噪声、伪影等问题，影响了对大脑功能信息的准确提取和分析。头皮血流的变化会对测量结果产生干扰，因为头皮血流中的血红蛋白也会吸收近红外光，使得测量到的光信号中包含了头皮血流的信息，难以准确区分是大脑皮层还是头皮的血氧变化。被试者的头部运动也会引入运动伪影，当被试者在实验过程中头部发生轻微移动时，会导致探测器与头皮的相对位置发生变化，从而影响光信号的采集和测量，使得图像出现模糊、变形等问题。这些噪声和伪影会降低图像的清晰度和准确性，增加了数据分析和解读的难度，可能导致对大脑活动的误判和错误解读。近红外脑功能成像技术还受头发等因素影响较大。对于头发浓密或颜色较深的被试者，头发会吸收和散射近红外光，使得到达大脑皮层的光强度减弱，从而降低了检测信号的强度和质量。亚洲人黑色头发覆盖区域的成像一直是该技术面临的难题，由于黑色头发对近红外光的吸收较多，导致该区域的成像效果较差，难以获取准确的大脑功能信息。这在一定程度上限制了该技术在不同人群中的应用，尤其是对于头发条件不利于近红外光传播的人群，需要采取额外的措施来提高成像质量，如使用特殊的头带或预处理方法来减少头发的影响，但这些方法往往较为复杂且效果有限。近红外脑功能成像技术在数据处理和分析方面也存在一定挑战。由于该技术获取的数据量较大，且包含了多种复杂的生理信息，如何有效地处理和分析这些数据，提取出有价值的大脑功能信息，仍然是一个有待解决的问题。目前的数据分析算法还不够完善，存在计算复杂度高、准确性和可靠性有待提高等问题。一些算法在处理噪声和伪影时效果不佳，容易丢失重要的大脑功能信息；而另一些算法虽然能够较好地处理噪声，但计算量过大，需要消耗大量的时间和计算资源，限制了其在实际应用中的推广。不同的数据分析方法可能会得到不同的结果，缺乏统一的标准和规范，使得研究结果之间的可比性较差，难以进行有效的整合和比较。三、近红外脑功能成像算法分类与原理3.1图像重建算法图像重建算法是近红外脑功能成像技术中的关键环节，其目的是根据探测器接收到的近红外光信号，准确地重建出大脑内部的光学参数分布图像，从而获取大脑的功能信息。不同的图像重建算法基于不同的理论模型和数学方法，各有其特点和适用场景。3.1.1基于模型的重建算法基于模型的重建算法是近红外脑功能成像中常用的一类算法，它主要通过建立近红外光在组织中的传播模型，来描述光在组织内的散射和吸收过程，进而求解组织的光学参数，实现图像重建。这类算法的核心在于准确地构建光传播模型，并利用测量数据对模型进行优化和求解。扩散近似模型是基于模型的重建算法中常用的一种模型。该模型假设近红外光在组织中的传播可以用扩散方程来描述，将光在组织中的散射和吸收过程进行简化处理。在扩散近似模型中，光的传播被视为一种扩散现象，类似于分子在介质中的扩散运动。通过引入扩散系数、吸收系数等参数，来描述光在组织中的传播特性。扩散系数反映了光在组织中散射的程度，吸收系数则表示光被组织吸收的能力。在实际应用中，通常需要根据组织的特性和实验条件，对这些参数进行合理的估计和调整。在利用扩散近似模型进行图像重建时，首先需要根据测量得到的近红外光信号，建立相应的数学方程组。这些方程组通常包含扩散方程以及边界条件，边界条件描述了光在组织表面的入射和出射情况。通过求解这些方程组，可以得到组织内部的光学参数分布，如吸收系数和散射系数的空间分布。利用这些光学参数分布，就可以重建出大脑内部的图像，直观地展示大脑不同区域的光学特性和功能状态。由于扩散近似模型对光传播过程进行了一定程度的简化，在某些情况下可能无法准确地描述光在组织中的复杂传播行为，导致重建图像的精度受到一定影响。蒙特卡罗模型是另一种重要的基于模型的重建算法。与扩散近似模型不同，蒙特卡罗模型采用随机模拟的方法来描述近红外光在组织中的传播过程。它通过大量的随机抽样，模拟光子在组织中的散射和吸收事件，从而得到光在组织中的传播路径和能量衰减情况。在蒙特卡罗模型中，每个光子被视为一个独立的粒子，其在组织中的传播过程由一系列的随机事件决定。光子在遇到组织中的散射体时，会以一定的概率改变传播方向，其散射角度和散射距离都是随机的。光子还会以一定的概率被组织吸收，从而失去能量。通过模拟大量光子的传播过程，可以统计得到光在组织中的传播特性，如光强分布、光子通量等。利用蒙特卡罗模型进行图像重建时，首先需要根据组织的几何结构和光学参数，构建相应的模拟场景。在模拟场景中，设定光源的位置、发射光子的数量和能量等参数。然后，通过计算机程序模拟光子在组织中的传播过程，记录每个光子的传播路径和最终出射位置。根据模拟得到的光子出射数据，与实际测量得到的近红外光信号进行对比和拟合，从而反推得到组织内部的光学参数分布。蒙特卡罗模型能够较为真实地模拟光在组织中的复杂传播过程，理论上可以得到非常准确的结果。但由于该模型需要进行大量的随机模拟计算，计算量非常大，计算时间长，对计算机的性能要求较高，这在一定程度上限制了其在实际应用中的推广。除了扩散近似模型和蒙特卡罗模型外，还有其他一些基于模型的重建算法，如有限元模型、边界元模型等。有限元模型将组织划分为多个小的单元，通过在每个单元内求解光传播方程，来得到整个组织的光学参数分布。边界元模型则主要关注组织的边界条件，通过在边界上求解积分方程，来反推组织内部的光学参数。这些模型各有其优缺点，在实际应用中需要根据具体情况选择合适的模型和算法。基于模型的重建算法在近红外脑功能成像中具有重要的地位，它为图像重建提供了一种基于物理原理的方法，能够深入理解光在组织中的传播机制，为提高成像精度和质量提供了理论基础。但这类算法也面临着一些挑战，如模型的准确性和计算效率之间的平衡、对组织光学参数的准确估计等，需要进一步的研究和改进。3.1.2机器学习-深度学习重建算法随着机器学习和深度学习技术的飞速发展，它们在近红外脑功能成像图像重建领域的应用也日益广泛。基于神经网络的图像重建框架和模型为提高近红外脑功能成像的图像质量和精度提供了新的思路和方法。神经网络是一种模拟人类大脑神经元结构和功能的计算模型，它由大量的节点（神经元）和连接这些节点的边组成。在近红外脑功能成像图像重建中，常用的神经网络模型包括多层感知器（MLP）、卷积神经网络（CNN）和循环神经网络（RNN）等。多层感知器是一种最简单的前馈神经网络，它由输入层、隐藏层和输出层组成。在图像重建中，输入层接收近红外光探测器采集到的信号数据，隐藏层对数据进行特征提取和变换，输出层则输出重建后的图像。多层感知器通过调整隐藏层神经元之间的连接权重，来学习输入数据与输出图像之间的映射关系。由于多层感知器的结构相对简单，对于复杂的图像重建任务，其表现可能不尽如人意。卷积神经网络是一种专门为处理图像数据而设计的神经网络模型，它在近红外脑功能成像图像重建中具有独特的优势。CNN通过卷积层、池化层和全连接层等组件，对图像进行逐层处理和特征提取。卷积层利用卷积核在图像上滑动，对图像的局部区域进行卷积运算，提取图像的局部特征。池化层则对卷积层输出的特征图进行下采样，减少数据量，降低计算复杂度，同时保留图像的主要特征。全连接层将池化层输出的特征图进行扁平化处理，并与输出层相连，最终输出重建后的图像。CNN的卷积操作和权值共享机制，使其能够有效地提取图像的特征，并且对图像的平移、旋转等变换具有一定的不变性，能够更好地适应近红外脑功能成像图像重建的需求。在一些研究中，利用CNN对近红外脑功能成像数据进行处理，能够显著提高图像的分辨率和清晰度，准确地重建出大脑皮层的功能图像。循环神经网络主要用于处理具有序列特性的数据，如时间序列数据。在近红外脑功能成像中，由于大脑活动是一个动态的过程，数据具有时间序列特性，因此RNN也可以应用于图像重建。RNN通过隐藏层的循环连接，能够记住之前时刻的信息，并将其与当前时刻的输入信息相结合，从而对时间序列数据进行建模和预测。长短期记忆网络（LSTM）和门控循环单元（GRU）是RNN的两种改进版本，它们通过引入门控机制，有效地解决了RNN在处理长序列数据时的梯度消失和梯度爆炸问题，能够更好地捕捉数据中的长期依赖关系。在近红外脑功能成像图像重建中，LSTM和GRU可以用于处理不同时间点的近红外光信号数据，利用时间序列信息来提高图像重建的准确性。为了进一步提高图像重建的性能，将传统物理模型与深度学习相结合是一种有效的策略。传统物理模型，如扩散近似模型和蒙特卡罗模型，能够准确地描述近红外光在组织中的传播过程，但计算复杂度较高。而深度学习模型具有强大的特征学习和数据拟合能力，但缺乏对物理过程的深入理解。将两者结合，可以充分发挥各自的优势，实现更准确的图像重建。可以利用传统物理模型生成模拟数据，作为深度学习模型的训练数据，使深度学习模型学习到光在组织中传播的物理规律。在图像重建过程中，先利用传统物理模型对数据进行初步处理，得到一个大致的图像估计，然后将其作为深度学习模型的输入，进一步优化和细化图像，提高图像的质量和精度。这种结合方式能够在一定程度上减少深度学习模型对大量标注数据的依赖，同时提高图像重建的准确性和可靠性。机器学习-深度学习重建算法为近红外脑功能成像图像重建带来了新的发展机遇，通过不断地创新和优化，有望进一步提高近红外脑功能成像的技术水平，为脑科学研究和临床应用提供更有力的支持。3.2数据处理与分析算法3.2.1信号去噪算法在近红外脑功能成像数据采集过程中，由于受到多种生理和环境因素的干扰，采集到的原始信号往往包含大量噪声，严重影响信号的质量和后续分析的准确性。因此，信号去噪是数据处理的关键步骤之一，其目的是去除信号中的噪声成分，保留真实的大脑活动信号。常见的噪声源包括呼吸、心跳和血压等生理噪声，以及环境噪声和仪器噪声等。呼吸噪声是由于呼吸过程中胸部的起伏和气体交换引起的，其频率通常在0.2-0.3Hz左右。心跳噪声则是由心脏的周期性跳动产生的，频率约为1Hz。血压变化也会对近红外光信号产生影响，形成低频噪声。这些生理噪声会与大脑活动信号相互叠加，使信号变得复杂，难以准确提取大脑的功能信息。滤波器是一种常用的信号去噪工具，它通过对信号的频率成分进行筛选，去除特定频率范围内的噪声。高通滤波器可以去除信号中的低频噪声，如基线漂移和呼吸噪声等。其原理是允许高频信号通过，而阻止低频信号通过。假设原始信号为y(t)，经过高通滤波器H_{HP}(f)处理后，得到的去噪信号y_{HP}(t)可以表示为：y_{HP}(t)=\mathcal{F}^{-1}[H_{HP}(f)\cdot\mathcal{F}[y(t)]]其中，\mathcal{F}表示傅里叶变换，\mathcal{F}^{-1}表示傅里叶逆变换。低通滤波器则相反，用于去除高频噪声，如仪器噪声和随机热噪声等。它只允许低频信号通过，抑制高频信号。经过低通滤波器H_{LP}(f)处理后的信号y_{LP}(t)为：y_{LP}(t)=\mathcal{F}^{-1}[H_{LP}(f)\cdot\mathcal{F}[y(t)]]带通滤波器结合了高通滤波器和低通滤波器的特点，它只允许特定频率范围内的信号通过，而去除其他频率的信号。对于近红外脑功能成像信号，通常关注的是大脑活动相关的频率范围，一般在0.01-0.1Hz之间。通过设计合适的带通滤波器H_{BP}(f)，可以有效地去除呼吸、心跳和血压等噪声，保留大脑活动信号。带通滤波后的信号y_{BP}(t)为：y_{BP}(t)=\mathcal{F}^{-1}[H_{BP}(f)\cdot\mathcal{F}[y(t)]]小波变换也是一种强大的信号去噪算法，它能够对信号进行多分辨率分析，将信号分解为不同频率和尺度的分量。在近红外脑功能成像信号去噪中，小波变换可以有效地去除噪声，同时保留信号的细节信息。小波变换的基本原理是将原始信号与一组小波基函数进行卷积，得到不同尺度下的小波系数。这些小波系数反映了信号在不同频率和时间尺度上的特征。通过对小波系数进行阈值处理，可以去除噪声对应的小波系数，保留与大脑活动信号相关的小波系数。对处理后的小波系数进行逆小波变换，就可以得到去噪后的信号。假设原始信号为y(t)，经过小波变换得到小波系数W(a,b)，其中a表示尺度参数，b表示平移参数。通过设定阈值T，对小波系数进行阈值处理，得到处理后的小波系数\hat{W}(a,b)：\hat{W}(a,b)=\begin{cases}W(a,b),&\text{if}|W(a,b)|>T\\0,&\text{if}|W(a,b)|\leqT\end{cases}对处理后的小波系数进行逆小波变换，得到去噪后的信号\hat{y}(t)：\hat{y}(t)=\sum_{a,b}\hat{W}(a,b)\cdot\psi_{a,b}(t)其中，\psi_{a,b}(t)是小波基函数。小波变换在处理非平稳信号方面具有独特的优势，能够适应大脑活动信号的动态变化，有效地去除噪声，提高信号的质量。在实际应用中，需要根据信号的特点和噪声的特性，选择合适的小波基函数和阈值，以达到最佳的去噪效果。除了滤波器和小波变换，还有其他一些信号去噪算法，如独立成分分析（ICA）、主成分分析（PCA）等。ICA可以将混合信号分解为相互独立的成分，通过识别和去除与噪声相关的成分，实现信号去噪。PCA则是通过对信号进行特征分解，将信号投影到主成分空间，去除噪声对应的次要成分，保留主要成分，从而达到去噪的目的。这些算法在不同的应用场景中各有优劣，在实际的数据处理中，通常会根据具体情况选择合适的算法或结合多种算法进行信号去噪，以提高近红外脑功能成像信号的质量，为后续的数据分析和研究提供可靠的数据基础。3.2.2光通量衰减校正算法在近红外脑功能成像中，光通量衰减校正是一个重要的环节，它对于准确测量大脑组织中的血氧变化至关重要。当近红外光从光源发射，经过头皮、头发和皮肤等组织到达大脑皮层，再从大脑皮层散射回来被探测器接收的过程中，光会受到多种因素的影响而发生衰减。头皮、头发和皮肤等组织对近红外光具有散射和吸收作用，这会导致光通量在传播过程中逐渐减弱。头发的浓密程度和颜色会影响光的衰减，浓密的头发或黑色头发会吸收更多的近红外光，使得到达大脑皮层的光强度降低。头皮和皮肤中的血管、脂肪和水分等成分也会对光产生散射和吸收，进一步改变光的传播路径和强度。这些因素导致探测器接收到的光信号不仅包含了大脑组织中血红蛋白吸收和散射引起的变化，还包含了头皮、头发和皮肤等组织的干扰信息。如果不进行光通量衰减校正，这些干扰因素会影响对大脑血氧变化的准确测量，导致测量结果出现偏差，进而影响对大脑功能活动的分析和判断。为了校正光通量衰减，通常需要通过标定和校准探测器的响应。标定是指确定探测器对已知光强度的响应特性，通过使用标准光源，发射已知强度的近红外光，让探测器接收并测量光信号，建立光强度与探测器输出之间的对应关系。通过多次测量不同强度的标准光，得到探测器的响应曲线，从而准确地了解探测器对光强度的敏感程度和线性度。校准则是在实际测量过程中，根据标定得到的探测器响应特性，对测量数据进行修正。当探测器接收到从大脑散射回来的光信号时，根据预先标定的响应曲线，将探测器输出的电信号转换为实际的光强度。考虑到头皮、头发和皮肤等组织对光的衰减作用，还需要引入一些修正模型和参数。一种常用的方法是基于修正的比尔-朗伯定律，该定律在传统比尔-朗伯定律的基础上，考虑了光在生物组织中的散射效应。修正的比尔-朗伯定律的数学表达式为：OD=\epsilon\cdotC\cdotDPF\cdotL+G其中，OD是光密度，表示光被吸收的程度；\epsilon是消光系数，表示物质吸收光的能力；C是吸光物质的浓度；DPF是路径长度修正因子，考虑了由于散射效应，光在组织中的实际路径长度是直线长度的多少倍；L是光穿过的路径长度；G是其他因素引起的光强衰减总和，包括头皮、头发和皮肤等组织引起的光强衰减。在实际应用中，由于G很难直接测量，通常可以通过实验测量和模型计算相结合的方法来进行估算。通过对不同个体的头皮、头发和皮肤等组织的光学特性进行测量和分析，建立相应的光学模型，根据模型计算出G的近似值。再结合探测器的标定和校准结果，利用修正的比尔-朗伯定律，对测量得到的光信号进行校正，从而得到更准确的大脑组织中血红蛋白浓度变化的信息。除了基于修正的比尔-朗伯定律的方法外，还有其他一些光通量衰减校正算法。有的研究采用参考通道法，通过在探测器阵列中设置一些专门的参考通道，这些参考通道只接收来自头皮表面的光信号，不经过大脑组织。通过比较测量通道（接收来自大脑散射光的通道）和参考通道的光信号强度，就可以估计出头皮、头发和皮肤等组织对光的衰减程度，从而对测量通道的信号进行校正。还有一些基于机器学习的方法，通过训练神经网络模型，学习头皮、头发和皮肤等组织的光学特性与光通量衰减之间的关系，然后利用训练好的模型对测量数据进行校正。这些方法各有优缺点，在实际应用中需要根据具体情况选择合适的算法。光通量衰减校正算法的不断改进和完善，对于提高近红外脑功能成像的准确性和可靠性具有重要意义，能够为大脑功能研究和临床诊断提供更精确的数据支持。3.2.3特征提取与分类算法从近红外光信号中提取有效的特征是近红外脑功能成像数据分析的关键步骤之一，这些特征能够反映大脑的功能状态和活动模式，为后续的分类和诊断提供重要依据。特征提取方法主要包括时域特征提取和频域特征提取。时域特征提取是直接从近红外光信号的时间序列中提取特征。常见的时域特征包括均值、方差、峰值、峰谷差等。均值表示信号在一段时间内的平均水平，它可以反映大脑活动的总体强度。如果在执行认知任务时，某个脑区的近红外光信号均值发生明显变化，可能表明该脑区的神经活动增强或减弱。方差则衡量信号的波动程度，方差较大说明信号的变化较为剧烈，可能暗示大脑活动的不稳定性或复杂性增加。峰值和峰谷差可以反映信号的极值情况，对于检测大脑活动中的突发变化或特定事件具有重要意义。当大脑受到外界刺激时，近红外光信号可能会出现明显的峰值变化，通过检测这些峰值和峰谷差，可以捕捉到大脑对刺激的响应。还可以提取信号的上升时间、下降时间、脉冲宽度等特征，这些特征能够描述信号的动态变化过程，进一步丰富对大脑活动的理解。频域特征提取是将近红外光信号从时域转换到频域，通过分析信号的频率成分来提取特征。常用的频域分析方法包括傅里叶变换、小波变换等。傅里叶变换可以将信号分解为不同频率的正弦和余弦波的叠加，通过计算信号的功率谱密度，可以得到信号在不同频率上的能量分布。在近红外脑功能成像中，大脑活动相关的信号通常集中在特定的频率范围内，如0.01-0.1Hz之间。通过分析该频率范围内的功率谱密度，可以获取大脑活动的频率特征。小波变换则是一种多分辨率分析方法，它能够在不同的时间尺度上对信号进行分析，提取信号的局部频率特征。小波变换可以有效地捕捉到信号中的瞬态变化和非平稳特性，对于分析大脑活动中的动态过程具有独特的优势。通过计算小波系数的能量、熵等特征，可以从不同角度描述大脑活动的频域特性。在提取特征之后，需要使用分类算法对这些特征进行分类，以实现对大脑功能状态的判断和疾病的诊断。支持向量机（SVM）是一种常用的分类算法，它通过寻找一个最优的分类超平面，将不同类别的数据点分开。在近红外脑功能成像中，SVM可以用于区分大脑在不同任务状态下的活动模式，或者区分正常人和患者的大脑特征。SVM的基本原理是将低维空间中的数据映射到高维空间中，使得在高维空间中能够更容易找到一个线性分类超平面。通过引入核函数，可以有效地解决高维空间中的计算复杂度问题。常用的核函数包括线性核、多项式核、径向基核等。在训练SVM模型时，通过调整核函数的参数和分类超平面的参数，使得模型能够在训练数据上获得较好的分类性能。在测试阶段，将提取的特征输入到训练好的SVM模型中，模型根据分类超平面的决策规则，判断输入特征所属的类别。决策树是另一种常见的分类算法，它是一种基于树结构的分类模型。决策树通过对特征进行递归划分，构建一个树形结构，每个内部节点表示一个特征，每个分支表示一个决策规则，每个叶节点表示一个类别。在近红外脑功能成像中，决策树可以根据提取的大脑特征，逐步判断大脑的功能状态或疾病类型。决策树的构建过程通常采用贪心算法，选择能够最大程度提高分类纯度的特征进行划分。在划分过程中，通过计算信息增益、基尼指数等指标，来评估每个特征对分类的贡献程度。决策树的优点是易于理解和解释，分类速度快，但容易出现过拟合问题。为了避免过拟合，可以采用剪枝等方法对决策树进行优化。除了SVM和决策树，还有其他一些分类算法，如神经网络、朴素贝叶斯分类器等，它们在近红外脑功能成像中也有广泛的应用。不同的分类算法具有不同的特点和适用场景，在实际应用中，需要根据数据的特点和研究目的，选择合适的分类算法，并对算法的参数进行优化，以提高分类的准确性和可靠性。四、近红外脑功能成像算法的应用案例分析4.1医学领域应用4.1.1精神疾病诊断与评估在精神疾病的研究与临床实践中，近红外脑功能成像算法展现出了独特的应用价值，尤其是在重度抑郁症和自闭症等疾病的诊断与评估方面。重度抑郁症（MajorDepressiveDisorder，MDD）是一种常见且严重的精神障碍，严重影响患者的生活质量和身心健康。传统的抑郁症诊断主要依赖于临床症状评估和精神科医生的经验判断，缺乏客观的生物学指标，导致诊断的准确性和可靠性存在一定局限性。近红外脑功能成像技术结合先进的算法，为抑郁症的诊断和评估提供了新的思路和方法。南昌大学附属第一医院胡茂荣主任团队在2024年发表的研究论文中，采用近红外脑功能成像技术（fNIRS）与机器学习算法，通过语言流畅性任务（VerbalFluencyTask，VFT）识别重度抑郁症的神经影像学生物标志物并构建模型，旨在实现对MDD的早期准确预测，并评估不同年龄组的预测能力。研究共纳入289名MDD患者和178名健康对照（HealthyControl，HC），两组年龄在12-65岁之间。使用依瑞德集团旗下资联虹康近红外脑功能成像系统BS-7000进行fNIRS数据收集，该设备为双波段采集（690nm、830nm），16发16收构成53个通道，覆盖受试者前额叶脑区。在无噪音环境中，通过VFT测量受试者脑血氧浓度变化的三个指标：氧合血红蛋白（Oxy-Hb）、脱氧血红蛋白（Deoxy-Hb）和总血红蛋白（Total-Hb），以量化前额叶皮层的相对血流动力学变化，其中Oxy-Hb是本研究主要关注的指标。在数据处理阶段，使用MATLAB工具箱HomeER2对采集到的原始数据进行预处理，应用修改后的比尔朗博定律将光信号转换为血流动力学参数，使用“积分模型”进行基线拟合，并使用NIRS_SPM和BrainNetViewer评估和可视化每个通道MNI空间信息。在机器学习框架构建方面，生成六个变量表示时域特征，通过t检验和LASSO进行特征选择。建立八种分类算法模型，利用贝叶斯优化确定超参数，采用两个嵌套的K折CV交叉验证（K=10）对其验证。通过多种指标评估模型性能，使用SHAP方法评估特征重要性。研究结果显示，通过统计假设测试和LASSO方法对MDD和HC组的通道特征进行排序和选择，发现GBDT模型在特征选择过程中预测能力最强，且通过LASSO确定的fNIRS特征可有效预测MDD。GBDT模型在使用VFT期间的脑fNIRS信号预测MDD方面表现最有效，其在训练集和测试集上的准确率、AUC等指标均优于其他模型。年龄对模型预测能力有一定影响，GBDT模型在成人和青少年数据集中仍能识别MDD，但预测能力有所下降。通过SHAP分析发现，前20个特征对模型区分健康受试者和MDD患者的能力有重要影响，这些特征主要分布在额极区、背外侧前额叶皮层和布罗卡区三角部等区域，这些脑区与认知、情感、决策等功能相关，其异常可能与MDD的病理生理机制有关。该研究表明，利用近红外脑功能成像算法结合机器学习技术，能够从神经影像学生物标志物的角度为重度抑郁症的早期诊断和评估提供客观有效的工具。自闭症，又称孤独症谱系障碍（AutismSpectrumDisorder，ASD），是一种以社会交往、交流障碍和兴趣或活动范围狭窄及重复刻板行为为核心特征的神经发育障碍性疾病。目前，ASD的病因和发病机制尚不明确，诊断主要依据DSM-5的诊断标准，通过行为观察并结合行为评估量表进行，缺乏客观的生理指标，且ASD患儿的行为表现异质性强，给早期诊断带来困难。近红外脑功能成像技术由于其无创、便携、可在自然环境下使用等优势，为ASD的研究提供了新的视角。中山大学心理系刘涛助理研究员等学者的研究发现，ASD患儿大脑功能效率均明显低于健康儿童，且利用近红外脑功能成像技术正确区分ASD患儿和健康儿童的准确率高达83.3%。研究还发现ASD患儿的双侧颞叶之间的静息状态功能连接性（RSFC）较健康儿童弱，HbO₂和HbR的波动幅度也较大。Hirata等通过fNIRS检测发现，ASD患儿在情绪面孔识别任务中左侧额颞区的HbO₂显著低于健康儿童，表明其左侧额颞区的激活程度降低。在共同注意任务研究中，Zhu等用fNIRS进行观察，发现ASD患儿在共同注意过程中前额叶皮质的激活程度较健康儿童低。这些研究结果表明，近红外脑功能成像算法能够检测出自闭症患儿大脑功能连接和激活的异常情况，为自闭症的早期诊断和评估提供了潜在的生物学指标。4.1.2神经系统疾病监测与治疗效果评估近红外脑功能成像算法在神经系统疾病的监测与治疗效果评估方面也发挥着重要作用，为临床医生提供了有价值的信息，有助于制定更精准的治疗方案和评估患者的康复进程。脑性瘫痪（CerebralPalsy，CP）是一种由发育中胎儿或婴幼儿脑部非进行性损伤引起的一组持续存在的中枢性运动障碍和姿势异常、活动受限综合征。传统的脑成像技术如功能MRI（fMRI）和弥散张量成像（DTI）通常用于大脑病理状态的诊断，但由于这些检查需要患者保持较长时间的固定姿势和体位，对于存在运动障碍的CP患儿来说，难以完成检查。近红外脑功能成像技术不受高磁场或射频脉冲影响，成本低，抗干扰性强，便携、操作简单，受身体姿势和运动影响小，这些优势使其成为CP患儿脑功能检查的理想选择。Tian等学者使用fNIRS检测偏瘫患儿与健康儿童在一侧手指运动过程中大脑感觉运动脑区的激活情况，能够准确发现偏瘫患儿半球间运动功能的异常情况。Khan等通过fNIRS发现CP患儿运动皮层出现异常激活模式，展示了fNIRS作为研究CP患儿皮质可塑性工具的实用性，同时发现检测到的空间距离、时间等指标可以作为区分CP患儿异常皮质激活的潜在生物标志物。DeCampos等使用fNIRS探讨偏瘫患者在双手任务中的皮质激活情况及功能相关性，发现偏瘫患者在双手非对称任务期间的双侧半球和对称任务期间的病变半球均较正常对照组皮质激活更明显，偏瘫患者的病变半球比非病变半球表现出更多的活动水平。这些研究表明，近红外脑功能成像算法可以有效地监测CP患儿大脑运动皮层的功能状态，为评估CP患儿的神经功能障碍程度和判断预后提供重要依据。在治疗过程中，通过定期使用近红外脑功能成像技术监测大脑皮质的可塑性变化，能够及时调整治疗方案，提高治疗效果。脑卒中是一种急性脑血管疾病，具有高发病率、高致残率和高死亡率的特点。早期准确地监测脑卒中患者大脑的功能变化对于治疗决策和预后评估至关重要。山东大学齐鲁医院王永慧主任在相关报告中指出，近红外脑功能成像技术（fNIRS）在脑卒中康复评估和训练中具有重要应用。通过fNIRS可以实时监测脑卒中患者大脑缺血区域的血氧变化，评估脑血流灌注情况，为早期诊断和治疗提供依据。在康复训练过程中，利用fNIRS可以监测患者大脑功能的恢复情况，评估康复训练的效果。研究发现，在康复训练过程中，患者大脑相关区域的血氧水平和功能连接会发生变化，这些变化与患者的运动功能恢复密切相关。通过分析fNIRS数据，可以了解康复训练对患者大脑功能重塑的影响，及时调整训练方案，提高康复训练的针对性和有效性。对于一些接受神经康复治疗的脑卒中患者，通过近红外脑功能成像算法分析发现，随着治疗的进行，大脑中原本受损区域的血氧供应逐渐改善，与运动功能相关脑区之间的功能连接也逐渐增强，这与患者肢体运动功能的恢复情况相吻合。这表明近红外脑功能成像算法能够为脑卒中患者的康复治疗提供客观、有效的监测手段，有助于提高患者的康复效果和生活质量。4.2认知科学研究应用4.2.1儿童认知发展研究在儿童认知发展研究领域，近红外脑功能成像算法发挥着至关重要的作用，为深入探究儿童大脑发育与认知能力发展之间的关系提供了有力工具。通过对不同年龄段儿童在执行各种认知任务时大脑活动的监测与分析，研究人员能够揭示儿童认知发展的神经机制，为儿童教育和心理健康提供科学依据。婴儿对情感韵律的处理是其早期认知发展的重要组成部分，反映了婴儿对情绪信息的感知和理解能力。张丹丹等人在2017年使用近红外脑功能成像技术（fNIRS）研究了新生儿被动聆听恐惧、愤怒、快乐和中性韵律时的脑功能反应。研究发现，右侧颞叶皮质（主要位于颞中回和颞上回）对于带有情感的韵律表现出增强的反应，而右侧顶叶区域(大致位于边缘上回)相对于快乐和中性的韵律，对恐惧的敏感性较高。这些发现突出了右半球在新生儿情绪韵律知觉中的重要作用。该团队在2019年进一步研究了新生儿对母语和外语中情感韵律的辨别能力，结果显示，母语播放的快乐、恐惧和愤怒的韵律增强了右侧颞上回的神经活动相对于中性韵律，而外语则不会。这表明对情感韵律的敏感性是通过产前接触母语的声音刺激而形成的。这些研究利用近红外脑功能成像算法，精确地检测到了新生儿大脑在处理情感韵律时的激活区域和变化情况，为理解婴儿早期语言和情感认知发展的神经基础提供了重要线索。注意缺陷多动障碍（ADHD）是儿童期常见的一类心理障碍，严重影响儿童的学习和生活。近红外脑功能成像算法在ADHD儿童的研究中也展现出了独特的价值。YasumuraA等人在2014年使用可以反映执行控制受抑制的Stroop任务（ST）和反向Stroop任务（RST）评估ADHD儿童的特征。他们将ADHD儿童、典型的发育中儿童(TDC)、自闭症儿童(ASD)三组儿童进行比较，在每一位受试者在电脑上用触控面板进行ST和RST测试时，使用fNIRS测量前额叶皮层氧合血红蛋白的变化。结果发现，3组在RST期间的行为表现有显著差异，而在ST段没有显著差异。ADHD组的颜色干扰大于TDC组，且右侧前额叶皮层活动与注意缺陷的严重程度呈负相关。这表明ADHD儿童表现出与颜色抑制有关的一些问题，这一症状是由右侧前额叶皮层的低活动所影响的。GuY等人在2018年采用n-back任务，利用多变量模式分析将ADHD患儿与正常小孩进行鉴别，并通过排列试验评价分类性能的显著性。结果表明，在留一交叉验证中，86.0%(p<0.001)的参与者可以被正确分类。最具识别力的脑区包括双侧背外侧前额叶皮层、下内侧前额叶皮层、右后前额叶皮层和右颞叶皮层。这些研究借助近红外脑功能成像算法，深入分析了ADHD儿童大脑在执行认知任务时的功能异常，为ADHD的诊断和治疗提供了客观的神经生物学指标。4.2.2成人认知功能研究近红外脑功能成像算法在成人认知功能研究中同样具有重要意义，能够帮助我们深入了解成人在各种认知任务中的大脑活动机制，为认知心理学和神经科学的发展提供有力支持。语言流畅性是成人认知功能的重要体现，反映了个体的语言表达能力、词汇存储和提取能力以及思维的敏捷性。南昌大学附属第一医院胡茂荣主任团队在2024年发表的研究论文中，采用近红外脑功能成像技术（fNIRS）与机器学习算法，通过语言流畅性任务（VerbalFluencyTask，VFT）识别重度抑郁症的神经影像学生物标志物并构建模型。该研究虽然主要聚焦于重度抑郁症患者，但其中对正常成人在VFT任务中的大脑活动研究也具有重要参考价值。研究使用依瑞德集团旗下资联虹康近红外脑功能成像系统BS-7000进行fNIRS数据收集，通过VFT测量受试者脑血氧浓度变化的三个指标：氧合血红蛋白（Oxy-Hb）、脱氧血红蛋白（Deoxy-Hb）和总血红蛋白（Total-Hb），以量化前额叶皮层的相对血流动力学变化。在数据处理阶段，使用MATLAB工具箱HomeER2对采集到的原始数据进行预处理，应用修改后的比尔朗博定律将光信号转换为血流动力学参数。通过对正常成人在VFT任务中的大脑活动分析发现，在执行任务过程中，大脑前额叶的多个区域，如额极区、背外侧前额叶皮层和布罗卡区三角部等，会出现明显的血氧浓度变化，这些区域与语言生成、词汇检索和语义理解等语言流畅性相关的功能密切相关。这表明近红外脑功能成像算法能够准确地捕捉到成人在语言流畅性任务中大脑的激活模式和变化情况，为研究语言认知的神经机制提供了可靠的数据支持。注意力是成人认知功能的核心组成部分，对个体的学习、工作和日常生活具有重要影响。有研究利用近红外脑功能成像技术，对成人在注意力测试任务中的大脑活动进行了监测。在实验中，被试者需要完成一系列注意力相关的任务，如持续注意力任务、选择性注意力任务等。通过fNIRS系统记录被试者在任务过程中大脑前额叶、顶叶等区域的血氧浓度变化。研究发现，在持续注意力任务中，大脑前额叶背外侧皮层和顶叶的部分区域会持续保持较高的激活水平，这些区域负责维持注意力的稳定性和持续性。在选择性注意力任务中，与任务相关的脑区会被特异性激活，而无关脑区的活动则受到抑制。通过对这些大脑活动数据的分析，利用近红外脑功能成像算法可以建立注意力相关的大脑功能模型，从而更深入地了解注意力的神经机制。这些研究结果为注意力障碍的诊断和治疗提供了新的思路和方法，也为提高成人的注意力水平和认知效率提供了科学依据。五、近红外脑功能成像算法面临的挑战与解决方案5.1挑战分析5.1.1成像精度与分辨率问题尽管近红外脑功能成像技术在脑科学研究和临床应用中取得了一定进展，但成像精度与分辨率问题仍然是制约其进一步发展和广泛应用的关键因素。在成像精度方面，当前算法难以精确地反映大脑内部的细微生理变化和结构信息。大脑是一个极其复杂的器官，其神经活动涉及到众多的神经元和神经通路，这些神经活动所引起的血氧浓度变化非常微小。现有的近红外脑功能成像算法在检测这些微小变化时，存在一定的误差和不确定性，导致对大脑活动的检测和分析不够准确。在一些认知任务中，大脑某些区域的血氧浓度变化可能仅在微小的范围内波动，现有的算法可能无法准确地捕捉到这些变化，从而影响对认知过程中大脑神经机制的深入理解。在分辨率方面，近红外脑功能成像技术目前主要探测大脑皮层表面的信息，对于大脑深部结构的成像能力较弱。一般来说，近红外光能够穿透的脑组织深度大约在2-3厘米左右，这使得对于大脑深部核团，如丘脑、基底节等区域的研究受到很大限制。许多重要的神经活动和神经疾病，如帕金森病中涉及的基底节区病变，单纯依靠近红外脑功能成像技术难以进行全面、深入的研究。大脑深部结构在神经信息传递、运动控制、情感调节等方面发挥着重要作用，对其成像能力的不足，限制了近红外脑功能成像技术在相关领域的应用和研究。成像精度和分辨率问题对检测大脑细微活动和疾病早期诊断产生了不利影响。在检测大脑细微活动时，由于成像精度和分辨率的限制，一些微弱的神经活动信号可能被噪声淹没，无法被准确检测到。这使得研究人员难以深入探究大脑在一些复杂认知过程中的神经机制，如创造性思维、高级情感体验等，因为这些过程往往涉及到大脑多个区域的细微活动和复杂的神经交互。在疾病早期诊断方面，许多脑部疾病在早期阶段，大脑的病理变化通常较为轻微，仅表现为局部区域的细微生理变化。如果成像精度和分辨率不足，就难以检测到这些早期的病理变化，从而延误疾病的早期诊断和治疗时机。对于阿尔茨海默病，在疾病早期，大脑颞叶、顶叶等区域可能已经出现了一些细微的神经元损伤和代谢异常，但由于现有的近红外脑功能成像算法无法准确检测到这些变化，导致无法在疾病早期做出准确诊断。5.1.2个体差异与干扰因素影响个体差异和干扰因素对近红外脑功能成像算法的准确性和稳定性产生了显著影响，给该技术的应用和研究带来了诸多挑战。个体差异是影响近红外脑功能成像算法性能的重要因素之一。不同个体之间存在着生理和解剖学上的差异，这些差异会导致近红外光在脑组织中的传播特性和吸收特性发生变化，从而影响成像结果。头发颜色、头骨厚度等个体差异会对近红外光的传播和测量产生明显影响。对于头发浓密或颜色较深的个体，头发会吸收和散射近红外光，使得到达大脑皮层的光强度减弱，从而降低了检测信号的强度和质量。亚洲人黑色头发覆盖区域的成像一直是近红外脑功能成像技术面临的难题，由于黑色头发对近红外光的吸收较多，导致该区域的成像效果较差，难以获取准确的大脑功能信息。头骨厚度的差异也会影响近红外光的穿透深度和散射程度。头骨较厚的个体，近红外光在穿透头骨时会受到更多的衰减和散射，使得探测器接收到的光信号中包含更多的噪声和干扰信息，从而降低了成像的准确性和分辨率。除了个体差异，环境干扰因素也会对近红外脑功能成像算法产生不利影响。在实际应用中，近红外脑功能成像系统容易受到各种环境因素的干扰，如电磁干扰、温度变化、湿度变化等。电磁干扰是常见的环境干扰因素之一，它会对近红外脑功能成像系统的探测器和数据采集设备产生影响，导致测量信号出现噪声和波动。在一些电磁环境复杂的场所，如医院的手术室、重症监护室等，周围的医疗设备和电子设备会产生较强的电磁辐射，这些电磁辐射会干扰近红外脑功能成像系统的正常工作，影响成像结果的准确性。温度和湿度的变化也会对近红外脑功能成像系统的性能产生影响。温度的变化会导致探测器的灵敏度和响应特性发生改变，从而影响测量信号的准确性。湿度的变化则可能导致光学元件的性能下降，影响近红外光的传输和检测。在高温高湿的环境下，近红外脑功能成像系统的光学元件可能会出现结露现象，导致光信号的散射和衰减增加，从而降低成像质量。个体差异和干扰因素的存在，使得近红外脑功能成像算法在实际应用中面临着较大的挑战。为了提高算法的准确性和稳定性，需要采取相应的措施来克服这些因素的影响。对于个体差异，可以通过建立个性化的光学模型，根据不同个体的生理和解剖学特征，对近红外光在脑组织中的传播和吸收进行准确的模拟和校正。对于环境干扰因素，可以采用屏蔽、滤波等技术手段，减少电磁干扰对系统的影响，同时优化系统的硬件设计和软件算法，提高系统对温度和湿度变化的适应性。5.1.3算法复杂性与计算效率矛盾在近红外脑功能成像领域，算法复杂性与计算效率之间的矛盾日益凸显，成为限制该技术进一步发展和广泛应用的重要瓶颈。随着对大脑功能研究的深入和临床应用需求的不断增加，为了提高成像质量和准确性，近红外脑功能成像算法逐渐变得复杂。一些先进的图像重建算法，如基于深度学习的算法，通过构建复杂的神经网络模型，对大量的数据进行学习和训练，以实现更精确的图像重建。这些算法虽然在成像精度和分辨率方面取得了一定的突破，但同时也带来了计算量的大幅增加。复杂的神经网络模型通常包含大量的神经元和参数，在训练和推理过程中需要进行大量的矩阵运算和非线性变换，这使得计算时间显著延长。一些基于深度学习的图像重建算法，在处理大规模数据时，可能需要数小时甚至数天的计算时间，这对于实时监测和临床应用来说是难以接受的。除了深度学习算法，