用于近红外脑功能成像系统的实时信号质量评价算法

摘要

用于近红外脑功能成像系统的实时信号质量评价算法涉及用于脑功能研究的近红外光谱成像系统设计。对每个数据通道进行分割，并将每段数据用于后续分析；功率谱估计之后，将感兴趣频段范围确定为0.5～2Hz之间；对感兴趣频段功率谱除以总功率，得到归一化功率谱；计算0.5～2Hz频率之间的总功率Pyy；检测1～1.67Hz之间的功率谱峰值，并选取峰值所在频率为中心的0.2Hz频率范围，认为该范围功率与心跳相关；计算该范围总功率Pxx，计算得到信号质量评价特征S=Pxx/Pyy；将S取值范围归一化至0～1之间，并设定阈值用于区分信号质量是否良好；如果S小于阈值T，则说明信号质量较差，需调整探头改善信号质量；如果S大于阈值T，则说明信号质量较好；阈值T取值为0.5～0.6。

说明书

技术领域

本发明属于科研仪器领域，特别涉及用于脑功能研究的近红外光谱成像系统设计。

背景技术

功能近红外光谱成像(functional Near-Infrared Spectroscopy,fNIRS)是一种新兴的脑成 像技术，根据大脑组织中氧合血红蛋白(Oxyhemoglobin,HbO)与脱氧血红蛋白 (Deoxyhemoglobin,Hb)对两个波长近红外光吸收率的不同，测量HbO和Hb含量的相对变 化值，进而反应与脑功能相关的血液动力学特性。

fNIRS技术在近十几年中得到了飞速的发展，与功能磁共振(functional Magnetic  Resonance Imaging,fMRI)技术相比可得到更加完备的血液动力学数据，且具有便携、安静、 时间分辨率高、对头动噪声不敏感等优点，在科研领域得到了广泛应用。从探测原理方面 的技术角度可将fNIRS设备分为三类：时域系统(Time Domain)、频域系统(Frequency  Domain)以及连续波(Continuous Wave)系统。其中，由于制造成本以及技术复杂性等方面的 考虑，连续波系统在市场中占据了主导地位。国外如日本日立公司、岛津公司，美国NIRx 公司、TechEn公司、fNIR Devices公司、荷兰Artinis公司等多家厂商都相继推出了商业 fNIRS产品，以满足脑科学领域的科研用途。

连续波fNIRS系统的工作原理为：将激光二极管或LED产生的特定波长光源通过光 纤从头皮入射至大脑皮层，并在距其几厘米的位置采用光纤接收从大脑组织中散射出来的 光，如图1所示。接着，根据Modified Beer-Lambert定理将测量得到的光强值进行计算， 并得到HbO与Hb含量的相对变化值。在设备使用中，需要将光纤探头与头皮贴紧，其目 的在于采集足够的光量用于计算，并确保采集到的信号信噪比足够高。

在使用fNIRS设备采集数据之前，需要配置光源和检测器与数据通道之间的对应关系， 以及调整接收到信号的增益。如果光纤探头与皮肤耦合较差，接收到的光强就弱，信噪比 将会低至无法得到有用的生理信息。然而在佩戴集成了光纤探头的帽子时，由于头发的影 响，很难使探头的光纤断面与头皮完美耦合在一起，但经过自动增益调节，即使信号质量 较差，如果信号幅值满足模数转换器的输入动态范围，系统就会认为已经满足测量需求。 大部分fNIRS系统只提供信号幅值、增益的检测，并没有对信号的信噪比进行评估。如果 某一通道信号质量较差而仍然进行数据采集，该通道数据将会无法满足后续分析，严重浪 费人力物力。而在测量开始之后如果发现部分通道信号的质量不佳，虽然可以停止测量并 重新处理头发造成的影响，但会浪费很多时间准备实验，也会造成被测试人员的疲劳或情 绪波动，给实验带来更多不确定因素。

发明内容

本发明为fNIRS系统在正式测量之前提供一个信号质量评价算法，可有效提高数据采 集的效率。由近红外光谱成像原理和实验数据分析可知，如果光纤与皮肤耦合良好，fNIRS 系统采集的光强信号将会携带多种生理信息，如心跳、呼吸、Mayer wave等。在这些生理 信息中，心跳的周期性最短，同时节律也最稳定，其频率分布在1.00～1.67Hz之间。从信 号成分分析，约70%的光强信号变化量来自于头皮，而头皮中血流量变化的频率成分大部 分来自于心跳节律的贡献。如图3所示，信号质量较好的某通道数据，其心跳的周期性非 常显著。相反，如果信号质量不好，大量噪声通过放大之后，将心跳的节律信息完全淹没， 如图4所示。通过截取一定长度的实时数据进行功率谱估计，并将心跳相关在功率成分在 总功率中的比例提取为特征，可作为fNIRS系统数据采集时信号信噪比的评价标准。如果 该特征低于既定阈值，则说明该通道所示光纤探头与头皮耦合不好，需进行调整。当所有 通道信号特征值都高于阈值，才能进行正式测量。时间窗长度可选择6-10秒之间，最短时 间设定为6秒是因为稳定的功率谱估计需要至少6个信号周期，而为了保证功率谱估计的 鲁棒性，时间窗长度相对越长，功率谱越稳定，但考虑到等待时间不宜太久，最长时间窗 为10秒钟，这个范围的时间窗长度可使信号质量评估特征更加稳定。由于不同信号的功 率谱分布会有所不同，需要对功率谱进行归一化才能用阈值法判断信号质量的准确性。

在fNIRS系统正式采集数据之前，都会有一个标定的过程，确定每一对光源和检测器 所对应的通道序号，以及通过检测每个通道光强信号的幅值来设定合适的增益，使信号幅 值满足模数转换器(Analog Digital Converter)的输入动态范围。在完成标定工作之后，模拟 信号被转换为数字信号传至上位机，并根据Beer-Lambert定理将光信号转换为血液动力学 信息。

fNIRS系统在标定过程中，通常将信号幅值和增益作为是否满足测量要求的指标。经 过自动增益设置后，信号幅值如果高于某个特定数值，且增益也在合理的范围，这样就认 为信号的质量良好，可以进行正式测量。如果增益过大，则认为系统采集到的光信号强度 很低，即光纤没有与头皮较好耦合，大部分原始信号都是系统噪声。如果增益较小，则可 认为光源与检测器距离太近或是光从皮肤表面泄露至检测器，这时也不能满足测量要求。 如图2所示，日本日立公司的fNIRS设备ETG-4000在标定过程中，用三种颜色显示每个 通道信号的增益(圆形图标表示光源或检测器，方形图标表示通道)，黄色、绿色和红色分 别表示增益过低、增益合适和增益过高三种情况。该系统以通道的增益作为信号质量评价 标准，增益颜色为绿色时才能进行正式测量。

但上述只通过幅值和增益来评估信号质量的方法并不准确，经常会出现系统认为信号 质量良好，但实际测量得到的数据质量却很差的情况。因此本发明采用功率谱估计的方法， 将心跳生理信号提取为特征，更为有效地评估实时信号质量。其最终结果在用户界面以不 同颜色区分各通道信号质量，如图10所示。

本算法同样需在fNIRS系统标定过程中完成，通过在系统标定界面中显示各个通道实 时信号的质量评价指标，辅助操作人员完成测量前的准备工作。本发明算法在自动增益设 定完成之后，对多通道光强信号进行特征提取，其具体步骤如下：

1.对每个数据通道使用窗长10s、步长1s的移动时间窗对实时数据进行分割，并将 每段数据用于后续分析。

2.根据Schwarz贝叶斯准则确定最优的AR模型阶数，使拟合的AR模型具有最小的 预测均方误差。采用Burg算法估计AR模型系数，从而得到信号的功率谱。

3.功率谱估计之后，0.1～2Hz频段包含了大部分生理信息，但由于基线漂移的存在， 0.5Hz以下低频成分占据了主导地位。因此，为了有助于提取心跳相关的功率谱特 征，将感兴趣频段范围确定为0.5～2Hz之间。

4.对感兴趣频段功率谱除以总功率，得到归一化功率谱。计算0.5～2Hz频率之间的总 功率Pyy。

5.检测1～1.67Hz(心跳相关)之间的功率谱峰值，并选取峰值所在频率为中心的0.2Hz 频率范围，认为该范围功率与心跳相关。计算该范围总功率Pxx，计算得到信号 质量评价特征S=Pxx/Pyy。

6.将S取值范围归一化至0～1之间，并设定阈值用于区分信号质量是否良好。如果S 小于阈值T，则说明信号质量较差，需调整探头改善信号质量。如果S大于阈值T， 则说明信号质量较好，已满足测量要求。

我们通过采集到的大量真实数据样本进行统计分析，将阈值T取值为0.5-0.6.一般取 0.5。用户在使用fNIRS设备进行准备工作时，能够实时准确地看到某个数据通道质量是否 达到测量要求，并可以有针对性地去调节探头，为实验的准备工作提供了方便。

附图说明

图1为由光源入射至头皮，并在大脑组织中漫反射后被检测器收集到的近红外光的传 播路径；

图2为日立公司fNIRS设备ETG-4000的标定界面，空心圆圈代表光源，实心圆圈代 表检测器，方块代表通道，黑色方块表示信号质量满足测量需求，而白色方块则表示信号 质量不满足测量需求；

图3为某一质量良好的时域信号，其心跳节律的周期性非常明显；

图4为某一质量不好的时域信号，因其未携带生理信息，所以在波形上没有体现出明 显的周期性；

图5为某一通道50s的时域信号，虚线范围表示选取用于特征提取的时间窗；

图6为用于特征提取的10s时间窗的信号；

图7为通过burg算法对10s时域信号计算得到的功率谱，虚线范围表示感兴趣频段；

图8为从功率谱中选取感兴趣频段0.5～2Hz，并计算1～1.67Hz频段之间的极大值，虚 线范围表示以极大值为中心的0.2Hz频率范围；

图9为根据图3所示50s信号计算得到的特征值S，特征计算需要10s时间窗，因此 特征值从第11秒开始，虚线表示阈值T；

图10为本发明算法提取出信号质量评价指标，用是否标记了对勾表示信号质量好坏， 其中空心圆圈代表光源，带十字的圆圈代表检测器，方块代表通道，不包含对勾的方块代 表该通道信号质量不好，需进一步调整。

具体实施方式

图5为fNIRS设备采集的某一特定通道的光强信号，经过光电转换和自动增益调节， 其单位为伏。信号包括了50s的数据，采样频率为10Hz，共有500个采样点。假设本实施 例中的数据为fNIRS系统在标定工作中实时采集的，且以第15s时刻为起始点开始计算其 信号质量评价指标S，并在用户界面显示。

在步骤101，采用移动窗口技术对各个通道的fNIRS光强信号进行分段处理。

为实时反映采集信号的信噪比，对所有采样通道做数据分段处理。在此实施例中，对 上述信号以15s时刻作为起始点，10s作为分段长度，如图5中虚线所指示的范围，得到 共计100个采样点的时域信号x，如图6所示。为了避免功率谱中低频成分过高淹没其它 有用信息，x需减去其直流成分，即x的均值。

在步骤102，将Schwarz贝叶斯准则应用于数据x，确定最优的AR模型阶数。

现代功率谱估计是通过观测数据估计参数模型再按照求解参数模型输出功率的方法 估计信号功率谱，常用的模型有ARMA模型、AR模型、MA模型、PRONY模型等。由 于AR模型具有一系列良好的性能，得到了最广泛的应用。AR模型阶数的选取对功率谱 估计有较大影响，如果对所有数据都采用同样的阶数，很难得到最优的结果。根据Schwarz’s  Bayesian准则，可以利用Arfit算法实现AR模型阶数的自适应选取，从而使拟合的AR模 型具有最小的预测均方误差。

在步骤103，采用Burg算法估计AR模型系数，从而得到信号的功率谱。

Burg算法是Burg于1975年提出的求解AR参数的有效方法，其特点是在Levinson 算法的基础上，不对自相关函数进行估计，而是利用前、后向线性预测系数之间的递推关 系，直接求出反射系数。Burg算法是建立在数据基础之上的，避免了先计算自相关函数从 而提高了计算速度，保证了算法可在实时计算环境中的快速实现。由图6所示的时域信号 x估计得到的功率谱如图7所示。

在步骤104，选取功率谱中感兴趣频段，并计算总功率。

如图7中虚线范围所示，0.5～2Hz为感兴趣频段。由于基线漂移的存在，0.5Hz以下的 频率范围在功率谱中通常具有很高的值，而本算法所关注的频率是与心跳节律相关，因此 将频率范围限定在0.5～2Hz之间。在该范围内计算所有频率所对应的功率之和，得到Pyy。

在步骤105，计算与心跳频率相关的功率。

从功率谱中找到与心跳节律相关的频率，并计算其相应的功率。正常成人的心跳频率 分布在1～1.67Hz之间，在此范围内选取功率谱曲线中的极大值，如图8中圆圈所示位置。 以极大值所在频率为中心，选取0.2Hz的频率窗口，如图8中虚线所示范围。将该频率范 围内的功率相加，得到与心跳相关的功率Pxx。

在步骤106，计算信号质量评价特征。

如果光纤探头与皮肤耦合良好，则与心跳成分相关的功率会很显著。基于上述前提， 将与心跳成分相关的功率与总功率的比例作为特征，表征信号质量。定义信号质量评估特 征S=Pxx/Pyy，并将S归一化至0～1之间。根据经验定义区分信号质量好坏的阈值T为0.5， 如果S小于阈值T，则认为该通道信号质量不理想。

在步骤107，以1s为周期更新各个通道信号质量评估特征S。

对多通道信号的特征S以1s为周期更新，得到实时的信号质量评估标准，并在上位机 用户界面显示。图9所示的特征S曲线，是针对图5所示时域信号进行特征提取的结果， 且其特征值均高于阈值T(如图9中虚线所示)。由于算法采用10s数据估计稳定的功率谱， 因此特征从第11s得到计算结果，曲线表明该通道所采集到的信号质量良好，能够满足测 量以及后续的数据分析需求。