基于功能近红外光谱技术的脑机接口研究(2)

　　当生物组织被光照射时，存在着这样一种“光学窗”效应[5]，即光通过生物组织时，有的光谱会被吸收，而有些光谱则能透射出生物体，从而使得生物体内部组织可见。近红外波长处于650～950 nm之间，在生物体中就具有很好的“光学窗”效应。在人脑中，氧合血红蛋白(oxy-hemoglobin,Hbo2)和脱氧血红蛋白(deoxy-hemoglobin, Hbr)是近红外光的主要吸收者，见图3。同时，这两种物质也是人体新陈

　　on near-infrared wavelengths代谢的重要标志，它们可以反映大脑的活动状态。通过这些特性，可以使用功能近红外光谱成像来反映人脑活动，应用于脑机仪器的研究中。

　　比尔-朗伯特定律描述了光在物质中传播会以指数形式衰减的规律，且在不同物质衰减系数不同。当近红外光在生物组织中传播时, 不仅有吸收，还有散射，这是近红外光在组生物体织中的传播模型，它遵循广义比尔-朗伯特定律[6]。

　　3 数据采集

　　在本文中，所有实验均是组块设计实验，包含了三个任务，分别为：(1)Task1：动手指;(2)Task2：想象动手指;(3)Task3：唤名任务。

　　实验任务时间均为120 s，其中，任务(1)和任务(2)的单个trial 40 s，总计有3个trial;任务(3)中单个trial 60 s，总计2个trial(实验时序见图4)。任务(1)和任务(2)中头盔排布在被试的感觉运动区，任务(3)排布在听觉区(均以broadmann分区)。总计采集了60组次数据，其中任务(1)20组、任务(2)20组、任务(3)20组。实验数据采集仪器为CW 5系统，美国TechEn Inc生产。采样通道28位，频率10 Hz，波长690 nm和830 nm。头盔排布见图5，其中c1～c28表示通道号。

　　4 数据分析

　　4.1 信号预处理

　　首先对采集到的近红外数据规范化：

　　normintensity(t)=Instensity(t)/mean(intensity)(1)

　　然后计算出氧合、脱氧血红蛋白浓度变化：

　　-ΔConcentration=-log(normintensity(t))(2)

　　经过切比雪夫低通滤波器滤波，得到氧合血红蛋白和脱氧血红浓度蛋白浓度变化值，这些操作均通过homer[7]软件完成。其中ΔConcentration为氧合、脱氧血红蛋白的浓度变化。图6、图7显示了不同任务下氧合血红蛋白和脱氧血红蛋白的浓度变化曲线。图6 任务(1)和任务(2)其中一通道的氧合和脱氧血红蛋白浓度变化曲线

　　4.2 Hurst指数

　　Hurst通过对尼罗河水文数据研究,发现数据不服从布朗运动及正态分布的特性，而是如果有一年水量较大，那么，次年的水量也往往较大，并于1951提出了Hurst系数[8]。通过Hurst系数可以定量表征时间序列的持续性或长期相关性，其Hurst系数h代表的意义为：当h=0.5时，标志着一个序列是随机的,未来的变化趋势不受现在影响;h>0.5时，表示序列具有正持续性，未来的变化趋势与现在的变化趋势相同;h<0.5时，表示序列具有反持续性，未来的变化趋势与现在的变化趋势相反。当h越接近于1，表明序列正持续性越强;h越接近0，表明序列反持续性越强。自然界中具有长期相关性的时间序列是普遍存在的，Hurst系数已广泛应用于水文、地球化学、气候、地质和地震等领域。

　　由于功能近红外信号反应的是人体中的血红蛋白浓度的变化，故采集到的近红外信号也有类似的Hurst效应，本研究把Hurst运用到近红外信号的分析中。 （转载自科教范文网http://fw.nseac.com）
 

　　4.3 基于小波极大似然估计求解Hurst指数

　　最大似然估计

　　设G为一分数高斯噪声序列fGn，G=(G1,…,Gn)T，其协方差矩阵矩阵依赖于一未知参数向量θ：=(H,σ2)∈(0,1)×IR+，R表示实数集。则有：

　　L(G;θ)：=(2π)-N2|∑(θ)|-12e-12GT∑-1(θ)G(3)职称论文

　　|∑(θ)|为矩阵∑(θ)的行列式值。θ的最大似然估计(MLE)可通过下面的最大似然估计函数得到。

　　LL(G;θ):=log L(G;θ)=-N2log(2π)-12log|∑(θ)|-12GT∑-1(θ)G(4)

　　由于极大似然估计运算复杂耗时，并且稳定性差。我们采用基于小波的极大似然估计方法。

　　小波极大似然估计

　　通过小波对fGn分解，我们从新得到新的似然函数: