一種提取近紅外光譜信號(hào)中誘發(fā)血液動(dòng)力學(xué)反應(yīng)的方法

蔡云麗,高琳,王逸飛,閆相國(guó)

(西安交通大學(xué)生物醫(yī)學(xué)信息工程教育部重點(diǎn)實(shí)驗(yàn)室,710049,西安)

?

一種提取近紅外光譜信號(hào)中誘發(fā)血液動(dòng)力學(xué)反應(yīng)的方法

蔡云麗,高琳,王逸飛,閆相國(guó)

(西安交通大學(xué)生物醫(yī)學(xué)信息工程教育部重點(diǎn)實(shí)驗(yàn)室,710049,西安)

為了更好地提取與大腦功能活化有關(guān)的誘發(fā)血液動(dòng)力學(xué)反應(yīng)(EHR),綜合比較了不同經(jīng)驗(yàn)?zāi)B(tài)分解算法的優(yōu)缺點(diǎn),提出了一種提取近紅外光譜信號(hào)中EHR的方法——ICEEMDAN-RLS。利用5種經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)近端通道信號(hào)進(jìn)行分解,根據(jù)分解結(jié)果對(duì)遠(yuǎn)端通道信號(hào)進(jìn)行自適應(yīng)濾波,借助皮爾森相關(guān)系數(shù)和相對(duì)均方誤差評(píng)估不同經(jīng)驗(yàn)?zāi)B(tài)分解算法的EHR提取性能,在此基礎(chǔ)上分析經(jīng)驗(yàn)?zāi)B(tài)分解和傳統(tǒng)塊平均方法的塊平均次數(shù)與EHR信號(hào)質(zhì)量之間的關(guān)系。結(jié)果表明,基于5種經(jīng)驗(yàn)?zāi)B(tài)分解算法的自適應(yīng)濾波方法都能有效提取遠(yuǎn)端通道信號(hào)中包含的EHR,ICEEMDAN-RLS具有更大的皮爾森相關(guān)系數(shù)和更小的相對(duì)均方誤差,僅需要進(jìn)行10次塊平均便可獲得穩(wěn)定的EHR信號(hào),比傳統(tǒng)方法的塊平均次數(shù)減少了75%,且具有較高的EHR信號(hào)質(zhì)量,可以更有效地提取淹沒在全局干擾中的EHR。該結(jié)果可為大腦功能活化的研究提供參考。

近紅外光譜技術(shù);誘發(fā)血液動(dòng)力學(xué)反應(yīng);經(jīng)驗(yàn)?zāi)B(tài)分解;塊平均

近紅外光譜(NIRS)技術(shù)是一種無創(chuàng)測(cè)量大腦組織功能活化的有效手段,其通過血液中氧合血紅蛋白(HbO2)和脫氧血紅蛋白(Hb)對(duì)不同波長(zhǎng)近紅外光的吸收差異來獲取HbO2和Hb的濃度變化,從而檢測(cè)與誘發(fā)大腦活動(dòng)有關(guān)的血液動(dòng)力學(xué)反應(yīng)[1]。通常情況下,從光源發(fā)出的近紅外光可以穿透頭皮和頭蓋骨,在抵達(dá)大腦皮質(zhì)附近區(qū)域后返回探測(cè)器,完成對(duì)大腦皮質(zhì)活動(dòng)狀態(tài)的檢測(cè)[2]。因此,在利用NIRS技術(shù)檢測(cè)大腦組織血液動(dòng)力學(xué)變化的同時(shí)引入了頭皮和頭蓋骨的血液動(dòng)力學(xué)變化,主要包括心臟搏動(dòng)、呼吸和低頻振蕩等全局生理成分[3],這些成分往往淹沒了我們感興趣的誘發(fā)血液動(dòng)力學(xué)反應(yīng)(evoked hemodynamic responses, EHR),影響大腦活動(dòng)狀態(tài)的進(jìn)一步分析。

為了有效地消除全局生理成分對(duì)誘發(fā)血液動(dòng)力學(xué)反應(yīng)的影響,傳統(tǒng)研究采用低通濾波或塊平均技術(shù)進(jìn)行處理[4-5],但效果并不理想。低通濾波方法容易對(duì)目標(biāo)信號(hào)進(jìn)行過度濾波,塊平均技術(shù)往往需要通過多次重復(fù)測(cè)量求取平均值。近年來,Zhang等利用自適應(yīng)濾波方法移除目標(biāo)信號(hào)中的皮膚干擾,以提高EHR的信噪比[6];Abdelnour等借助自適應(yīng)普通線性模型降低全局干擾對(duì)EHR的影響,以提取指端敲擊誘發(fā)的大腦活化反應(yīng)[7];Zhang等提出結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解與希爾伯特譜分析去除全局生理成分的時(shí)頻分析方法,以恢復(fù)刺激相關(guān)的大腦功能活化信號(hào)[8];Gagnon等利用卡爾曼濾波模型移除淺層組織的生理干擾,恢復(fù)與誘發(fā)大腦活動(dòng)相關(guān)的血液動(dòng)力學(xué)反應(yīng)[9];Funane等利用獨(dú)立成分分析方法評(píng)估了不同組織對(duì)不同探測(cè)位置血紅蛋白濃度變化量的貢獻(xiàn)[10]。這些方法雖取得了一定的研究成果,但應(yīng)用范圍十分有限。2014年Berivanlou等結(jié)合經(jīng)驗(yàn)?zāi)B(tài)分解和自適應(yīng)濾波方法的優(yōu)勢(shì),提出了雙通道NIRS信號(hào)中EHR估計(jì)的算法模型,它的EHR提取性能優(yōu)于傳統(tǒng)的塊平均技術(shù)、帶通濾波和獨(dú)立成分分析等方法[11]。然而,該方法僅討論了總體經(jīng)驗(yàn)?zāi)B(tài)分解算法(EEMD)的EHR提取結(jié)果,沒有分析不同經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)EHR提取性能的影響。事實(shí)上,EEMD算法存在模態(tài)數(shù)目不匹配和模態(tài)包含剩余噪聲等問題,會(huì)影響EHR的信號(hào)估計(jì)質(zhì)量,同時(shí)該方法對(duì)塊平均次數(shù)與EHR信號(hào)質(zhì)量之間的關(guān)系未作分析。實(shí)際測(cè)量中希望盡量縮短實(shí)驗(yàn)時(shí)間,以防止受試者因?yàn)槠诙鴮?dǎo)致的數(shù)據(jù)質(zhì)量不佳等問題,所以獲得穩(wěn)定的EHR信號(hào)所需要的最少刺激次數(shù)顯得尤為重要。

基于以上討論,本文首先比較了不同經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)EHR提取性能的影響,由此提出了一種提取NIRS信號(hào)中EHR的方法——ICEEMDAN-RLS,在此基礎(chǔ)上討論了由該方法及傳統(tǒng)塊平均方法獲得的EHR信號(hào)質(zhì)量與塊平均次數(shù)之間的關(guān)系,得到了穩(wěn)定的EHR信號(hào)所需的最少塊平均次數(shù),為實(shí)際測(cè)量中的任務(wù)優(yōu)化設(shè)計(jì)奠定了良好的基礎(chǔ)。

1 基于經(jīng)驗(yàn)?zāi)B(tài)分解的自適應(yīng)濾波方法

本文研究分以下4個(gè)步驟:①利用5種經(jīng)驗(yàn)?zāi)B(tài)分解算法(EMD、EEMD、CEEMD、CEEMDAN和ICEEMDAN)對(duì)近端通道信號(hào)進(jìn)行分解;②根據(jù)分解結(jié)果對(duì)遠(yuǎn)端通道信號(hào)進(jìn)行自適應(yīng)濾波,以提取信號(hào)中的EHR;③對(duì)5種經(jīng)驗(yàn)?zāi)B(tài)分解算法獲得的EHR信號(hào)質(zhì)量進(jìn)行評(píng)估;④分析塊平均次數(shù)對(duì)EHR信號(hào)質(zhì)量的影響。

1.1 雙通道NIRS檢測(cè)大腦血流的原理

雙通道NIRS檢測(cè)大腦血流變化的原理如圖1所示。光源S發(fā)出近紅外光進(jìn)入大腦組織,經(jīng)香蕉型傳播路徑后被近端探測(cè)器D1和遠(yuǎn)端探測(cè)器D2接收。近端探測(cè)器主要檢測(cè)淺層組織(頭皮和頭蓋骨)的血液動(dòng)力學(xué)變化;遠(yuǎn)端探測(cè)器同時(shí)檢測(cè)來自淺層組織和深層組織(大腦皮質(zhì))的血液動(dòng)力學(xué)變化,以此獲得不同傳播路徑的近端通道信號(hào)和遠(yuǎn)端通道信號(hào)。

圖1 雙通道NIRS檢測(cè)大腦血流的原理圖

1.2 EHR信號(hào)提取模型

通常情況下,與大腦功能活化有關(guān)的EHR只存在于大腦皮質(zhì)區(qū)域,對(duì)近端通道信號(hào)的貢獻(xiàn)可以忽略不計(jì)。近端通道信號(hào)yN主要包括心臟搏動(dòng)、呼吸、低頻振蕩和超低頻振蕩等全局干擾yG及相應(yīng)測(cè)量噪聲ε;遠(yuǎn)端通道信號(hào)yF除了包含相應(yīng)的全局干擾和測(cè)量噪聲δ外,還包含感興趣的EHR(yE)。通過動(dòng)態(tài)調(diào)整近端通道信號(hào)并從遠(yuǎn)端通道信號(hào)中減去,即可提取與外界刺激有關(guān)的EHR。數(shù)學(xué)描述如下[11]

(1)

(2)

(3)

1.3 經(jīng)驗(yàn)?zāi)B(tài)分解算法

經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)是一種自適應(yīng)的數(shù)據(jù)處理方法,它能將復(fù)雜信號(hào)分解為有限個(gè)固有模態(tài)函數(shù),各個(gè)固有模態(tài)函數(shù)分量包含著原信號(hào)在不同時(shí)間尺度上的局部特征,在處理非線性、非平穩(wěn)數(shù)據(jù)時(shí)具有明顯優(yōu)勢(shì)。EMD算法基于以下假設(shè)條件[12]:①數(shù)據(jù)至少有兩個(gè)極值,一個(gè)極大值和一個(gè)極小值;②數(shù)據(jù)的局部時(shí)域特性由極值點(diǎn)間的時(shí)間尺度唯一確定。因此,EMD可以將一個(gè)頻率不規(guī)則的信號(hào)x(t)分解為多個(gè)單一頻率的信號(hào)cj(t)與一個(gè)殘差信號(hào)r(t)之和[12],即

(4)

EMD算法的局部時(shí)域特性可能會(huì)造成模態(tài)混疊問題,即同一個(gè)固有模態(tài)函數(shù)包含不同的頻率成分,或相同的頻率成分出現(xiàn)在不同的固有模態(tài)函數(shù)中。EEMD算法[13]充分利用了EMD算法的動(dòng)態(tài)濾波特性,很好地解決了模態(tài)混疊問題,但同時(shí)產(chǎn)生了新的問題:①通過全部固有模態(tài)函數(shù)重建的原始信號(hào)包含剩余噪聲,使重建信號(hào)與原始信號(hào)之間出現(xiàn)誤差;②不同噪聲產(chǎn)生了不同數(shù)目的固有模態(tài)函數(shù),使最后對(duì)固有模態(tài)函數(shù)求取平均變得困難?；パa(bǔ)的總體經(jīng)驗(yàn)?zāi)B(tài)分解算法CEEMD[14]是對(duì)EEMD算法的一種改進(jìn),其重建信號(hào)與原始信號(hào)之間的誤差可以忽略不計(jì),然而算法CEEMD不能保證信號(hào)的完備性,不同噪聲產(chǎn)生不同數(shù)目的固有模態(tài)函數(shù)的問題仍然存在?；谧赃m應(yīng)噪聲的完備總體經(jīng)驗(yàn)?zāi)B(tài)分解算法CEEMDAN[15]不僅實(shí)現(xiàn)了重建信號(hào)與原始信號(hào)之間的幾乎零誤差,還解決了噪聲總體模態(tài)不匹配的問題,但仍存在一些尚待改進(jìn)的地方:①固有模態(tài)函數(shù)還包含少量剩余噪聲;②在時(shí)域上存在延遲效應(yīng),對(duì)信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解的早期階段存在虛假模態(tài)。改進(jìn)的完備總體經(jīng)驗(yàn)?zāi)B(tài)分解算法ICEEMDAN[16]很好地解決了CEEMDAN算法的問題,被證明是最有效的經(jīng)驗(yàn)?zāi)B(tài)分解算法。

本文利用EMD、EEMD、CEEMD、CEEMDAN和ICEEMDAN算法對(duì)近端通道信號(hào)進(jìn)行了分解,將其獲得的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果作為自適應(yīng)濾波器的參考輸入,將遠(yuǎn)端通道信號(hào)作為自適應(yīng)濾波器的標(biāo)準(zhǔn)輸入,借助遞歸最小二乘(RLS)算法提取遠(yuǎn)端通道信號(hào)中包含的EHR,以此研究不同算法的EHR提取性能。

1.4 EHR信號(hào)質(zhì)量評(píng)估

采用2個(gè)參數(shù)比較了提取的EHR與原始EHR的相近程度,這2個(gè)參數(shù)分別是相對(duì)均方誤差RMSE和皮爾森相關(guān)系數(shù)r2,定義如下[11,17]

(5)

(6)

(7)

(8)

2 經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)EHR提取性能的影響分析

采用仿真的NIRS信號(hào)和半真實(shí)的NIRS信號(hào)來研究不同經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)EHR提取性能的影響。

2.1 實(shí)驗(yàn)信號(hào)

2.1.1 仿真的NIRS信號(hào) 仿真的NIRS信號(hào)包括仿真的近端通道信號(hào)和遠(yuǎn)端通道信號(hào),數(shù)學(xué)描述為[18]

(9)

(10)

(11)

式中:Ai、Bi為正弦信號(hào)的幅值;fi為正弦信號(hào)的頻率;“*”表示h(t)與s(t)的卷積;h(t)為血液動(dòng)力學(xué)反應(yīng)函數(shù)(HRF),它是2個(gè)伽瑪函數(shù)的線性組合[18]

(12)

(13)

s(t)為刺激信號(hào),在任務(wù)起始時(shí)刻其值為1,其余時(shí)刻均為0。仿真的近端通道信號(hào)主要包括4個(gè)正弦成分,即心臟搏動(dòng)、呼吸、低頻振蕩和超低頻振蕩;仿真的遠(yuǎn)端通道信號(hào)除了包括上述4個(gè)生理成分外,還包括待提取的EHR。各個(gè)生理成分的參數(shù)范圍如表1所示。

表1 各個(gè)生理成分的參數(shù)范圍(均值±標(biāo)準(zhǔn)差)[18]

根據(jù)表1所列參數(shù)得到的仿真NIRS信號(hào)如圖2所示。

本次仿真產(chǎn)生的NIRS信號(hào)的采樣頻率Fs=10 Hz,分析信號(hào)長(zhǎng)度為300 s,刺激信號(hào)間隔為30～40 s。

(a)各個(gè)生理成分的時(shí)域波形

(b)仿真NIRS信號(hào)的時(shí)域波形圖2 仿真產(chǎn)生的各個(gè)生理成分及其疊加而成的NIRS信號(hào)

2.1.2 半真實(shí)的NIRS信號(hào) 將仿真產(chǎn)生的yE加到真實(shí)的NIRS遠(yuǎn)端通道信號(hào)上,真實(shí)的NIRS近端通道信號(hào)不作任何處理,從而產(chǎn)生半真實(shí)的NIRS信號(hào),如圖3所示。

圖3 半真實(shí)NIRS信號(hào)的時(shí)域波形

真實(shí)的NIRS信號(hào)通過實(shí)驗(yàn)產(chǎn)生。實(shí)驗(yàn)中采用單點(diǎn)-雙波長(zhǎng)的連續(xù)光強(qiáng)度近紅外記錄系統(tǒng)對(duì)受試者進(jìn)行監(jiān)測(cè),光源分時(shí)發(fā)出2種近紅外光,波長(zhǎng)分別是735nm和850nm。光源和探測(cè)器之間的距離分別是12mm(近端)和30mm(遠(yuǎn)端),采樣頻率為100Hz。受試者為兩名健康的男大學(xué)生,實(shí)驗(yàn)前告知實(shí)驗(yàn)內(nèi)容并要求自愿參與數(shù)據(jù)采集。實(shí)驗(yàn)期間,受試者坐在舒適的椅子上且處于靜息狀態(tài),將近紅外探頭置于受試者前額持續(xù)記錄5min,利用修正的朗伯比爾定律將光信號(hào)轉(zhuǎn)換為血氧信號(hào)進(jìn)行降采樣,即可獲得真實(shí)的NIRS信號(hào),通過降采樣的采樣頻率變?yōu)?0Hz。對(duì)血氧信號(hào)進(jìn)行0.005～1Hz的帶通濾波,以消除儀器、漂移等噪聲的影響。

2.2 經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果

圖4為ICEEMDAN算法對(duì)仿真近端通道信號(hào)的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果,共包括7個(gè)固有模態(tài)函數(shù)(IMF1～I(xiàn)MF7)和1個(gè)殘差量r,其中IMF1～I(xiàn)MF5與仿真的4個(gè)生理成分一一對(duì)應(yīng)。由圖4可見,ICEEMDAN算法可以將仿真的近端通道信號(hào)分解為構(gòu)成它的各個(gè)振蕩成分,包括全局干擾和測(cè)量噪聲。EMD、EEMD、CEEMD、CEEMDAN也可以對(duì)近端通道信號(hào)進(jìn)行成功分解,只是固有模態(tài)函數(shù)的數(shù)目和形態(tài)略有不同。

圖4 ICEEMDAN算法對(duì)仿真近端通道信號(hào)的分解結(jié)果

2.3 EHR提取結(jié)果

(a)仿真NIRS信號(hào)的 (b)半真實(shí)NIRS信號(hào)的EHR塊平均結(jié)果EHR塊平均結(jié)果圖5 仿真NIRS信號(hào)和半真實(shí)NIRS信號(hào)的EHR塊平均結(jié)果

2.4 EHR信號(hào)質(zhì)量評(píng)估結(jié)果

5種方法獲得的EHR與原始EHR之間的皮爾森相關(guān)系數(shù)和相對(duì)均方誤差如表2所示。不難發(fā)現(xiàn),與半真實(shí)NIRS信號(hào)相比,仿真NIRS信號(hào)的EHR提取結(jié)果更好。無論哪種實(shí)驗(yàn)信號(hào),5種方法獲得的EHR均具有較大的皮爾森相關(guān)系數(shù)和較小的相對(duì)均方誤差,其中ICEEMDAN-RLS方法對(duì)應(yīng)的皮爾森相關(guān)系數(shù)最大,相對(duì)均方誤差最小,表明該方法獲得的EHR與原始的EHR更接近,信號(hào)質(zhì)量更好。

表2 5種方法獲得的EHR信號(hào)質(zhì)量評(píng)估結(jié)果對(duì)比

3 ICEEMDAN-RLS方法

理論上,對(duì)近端通道信號(hào)進(jìn)行經(jīng)驗(yàn)?zāi)B(tài)分解可以得到具有比較明確生理意義的固有模態(tài)函數(shù),如心臟搏動(dòng)、呼吸和低頻振蕩等全局干擾,這些全局干擾同時(shí)也包含在遠(yuǎn)端通道信號(hào)中,淹沒了幅值較小的EHR,然而結(jié)合自適應(yīng)濾波方法可以在去除全局干擾的同時(shí),還能很好地保留EHR的特性。

通過對(duì)比5種經(jīng)驗(yàn)?zāi)B(tài)分解算法的EHR提取性能發(fā)現(xiàn),基于經(jīng)驗(yàn)?zāi)B(tài)分解的自適應(yīng)濾波方法可以有效地提取NIRS信號(hào)中包含的EHR,其中ICEEMDAN-RLS方法獲得的EHR信號(hào)質(zhì)量最好。究其原因:EMD算法在對(duì)近端通道信號(hào)進(jìn)行分解時(shí)存在模態(tài)混疊問題,所以分解得到的固有模態(tài)函數(shù)與真實(shí)的固有模態(tài)函數(shù)相差較大,在進(jìn)行自適應(yīng)濾波時(shí)不能有效移除干擾;EEMD算法克服了EMD算法的模態(tài)混疊問題,但其獲得的固有模態(tài)函數(shù)包含剩余噪聲,且存在模態(tài)數(shù)目不匹配的現(xiàn)象,這些都會(huì)造成EHR估計(jì)質(zhì)量下降;CEEMD算法是對(duì)EEMD算法的一種改進(jìn),其獲得的固有模態(tài)函數(shù)不包含剩余噪聲,但模態(tài)數(shù)目不匹配的現(xiàn)象仍然存在,會(huì)影響EHR的估計(jì)質(zhì)量;CEEMDAN算法克服了上述幾種算法的缺陷,但在對(duì)信號(hào)進(jìn)行分解的過程中會(huì)出現(xiàn)虛假模態(tài),并作為噪聲被引入到自適應(yīng)濾波器中,由此降低了EHR的估計(jì)質(zhì)量;ICEEMDAN算法很好地將信號(hào)分解為具有比較明確生理意義的固有模態(tài)函數(shù),從而獲得了較好的EHR信號(hào)質(zhì)量。與此同時(shí),仿真NIRS信號(hào)的EHR提取結(jié)果優(yōu)于半真實(shí)NIRS信號(hào)。究其原因主要是,真實(shí)NIRS信號(hào)的近端通道和遠(yuǎn)端通道之間存在相位偏移,使得干擾信號(hào)不能被完全濾除,而且真實(shí)的遠(yuǎn)端通道信號(hào)本身已經(jīng)包含大腦皮質(zhì)活動(dòng)的一些信息,使得提取出的仿真EHR振蕩較大。

圖6 不同塊平均數(shù)下2種方法EHR的皮爾森相關(guān)系數(shù)和相對(duì)均方誤差評(píng)估結(jié)果對(duì)比

通過分析塊平均次數(shù)與EHR信號(hào)質(zhì)量之間的關(guān)系發(fā)現(xiàn),ICEEMDAN-RLS和傳統(tǒng)塊平均方法對(duì)應(yīng)的皮爾森相關(guān)系數(shù)隨塊平均次數(shù)的增加而增大,相對(duì)均方誤差隨塊平均次數(shù)的增加而減小。如圖6所示,當(dāng)塊平均次數(shù)n=10時(shí),ICEEMDAN-RLS方法對(duì)應(yīng)的皮爾森相關(guān)系數(shù)基本穩(wěn)定至1,相對(duì)均方誤差處于比較低的水平;當(dāng)n=40時(shí),傳統(tǒng)塊平均方法對(duì)應(yīng)的皮爾森相關(guān)系數(shù)基本穩(wěn)定至0.8,明顯低于ICEEMDAN-RLS方法,而相對(duì)均方誤差處于比較低的水平,和ICEEMDAN-RLS方法相當(dāng)。因此,為獲得穩(wěn)定的EHR信號(hào)質(zhì)量,ICEEMDAN-RLS方法需要進(jìn)行至少10次塊平均,而傳統(tǒng)塊平均方法需要進(jìn)行至少40次塊平均且獲得的EHR信號(hào)質(zhì)量不如ICEEMDAN-RLS方法。ICEEMDAN-RLS方法還存在一定的缺陷:①由于真實(shí)NIRS信號(hào)在不同通道之間存在相位偏移,使得其在近端通道信號(hào)的經(jīng)驗(yàn)?zāi)B(tài)分解結(jié)果與遠(yuǎn)端通道信號(hào)中待濾除的生理成分不完全一樣;②其將全部固有模態(tài)函數(shù)均作為自適應(yīng)濾波器的參考輸入,事實(shí)上部分固有模態(tài)函數(shù)是與遠(yuǎn)端通道信號(hào)不相關(guān)的噪聲信號(hào),這些噪聲作為自適應(yīng)濾波器的參考輸入會(huì)降低EHR的信號(hào)估計(jì)質(zhì)量。如何消除NIRS信號(hào)中的相位偏移,以及如何更有效地挑選固有模態(tài)函數(shù)中的有用成分以提高EHR的信號(hào)質(zhì)量,是我們下一步的工作。

4 結(jié)束語

通過對(duì)比5種經(jīng)驗(yàn)?zāi)B(tài)分解算法對(duì)應(yīng)的EHR提取性能發(fā)現(xiàn),無論哪種算法都能有效提取NIRS信號(hào)中包含的EHR,其中ICEEMDAN-RLS方法獲得的EHR信號(hào)質(zhì)量最好,并且仿真NIRS信號(hào)的EHR提取結(jié)果優(yōu)于半真實(shí)NIRS信號(hào)。另一方面,通過研究塊平均次數(shù)與EHR信號(hào)質(zhì)量之間的關(guān)系可知,為獲得穩(wěn)定的EHR信號(hào)質(zhì)量,ICEEMDAN-RLS方法需要進(jìn)行至少10次塊平均,而傳統(tǒng)塊平均方法需要進(jìn)行至少40次塊平均且獲得的EHR信號(hào)質(zhì)量不如ICEEMDAN-RLS方法。

綜上所述,ICEEMDAN-RLS方法具有較好的EHR提取性能,可為大腦功能活化的研究提供一種有效手段。

[1] NOZAWA T, KONDO T. A comparison of artifact reduction methods for real-time analysis of fNIRS data [M]. Heidelberg, Berlin: Springer, 2009: 413-422.

[2] SAAGER R B, BERGER A J. Direct characterization and removal of interfering absorption trends in two-layer turbid media [J]. Journal of the Optical Society of America: A Optics Image Science & Vision, 2005, 22(9): 1874-1882.

[3] 魏穎雯, 閆相國(guó). 應(yīng)用經(jīng)驗(yàn)?zāi)B(tài)分解去除近紅外光的運(yùn)動(dòng)偽跡 [J]. 西安交通大學(xué)學(xué)報(bào), 2014, 48(2): 131-136. WEI Yinwen, YAN Xiangguo. Motion artifact removal for near infrared spectroscopy by empirical mode decomposition [J]. Journal of Xi’an Jiaotong University, 2014, 48(2): 131-136.

[4] JASDZEWSKI G, STRANGMAN G, WAGNER J, et al. Differences in the hemodynamic response to event-related motor and visual paradigms as measured by near-infrared spectroscopy [J]. Neuroimage, 2003, 20(1): 479-488.

[5] TAKAHASHI T, TAKIKAWA Y, KAWAGOE R, et al. Influence of skin blood flow on near-infrared spectroscopy signals measured on the forehead during a verbal fluency task [J]. Neuroimage, 2011, 57(3): 991-1002.

[6] ZHANG Q, STRANGMAN G E, GIORGIO G. Adaptive filtering to reduce global interference in non-invasive NIRS measures of brain activation: how well and when does it work? [J]. Neuroimage, 2009, 45(3): 788-794.

[7] ABDELNOUR A F, HUPPERT T. Real-time imaging of human brain function by near-infrared spectroscopy using an adaptive general linear model [J]. Neuroimage, 2009, 46(1): 133-143.

[8] ZHANG Y, SUN J W, ROLFE P. Monte Carlo study for physiological interference reduction in near-infrared spectroscopy based on empirical mode decomposition [J]. Journal of Modern Optics, 2010, 57 (21): 1-11.

[9] GAGNON L, YüCEL M A, BOAS D A, et al. Further improvement in reducing superficial contamination in NIRS using double short separation measurements [J]. Neuroimage, 2014, 85(1): 127-135.

[10]FUNANE T, ATSUMORI H, KATURA T, et al. Quantitative evaluation of deep and shallow tissue layers contribution to fNIRS signal using multi-distance optodes and independent component analysis [J]. Neuroimage, 2014, 85(1): 150-165.

[11]BERIVANLOU N H, SETAREHDAN S K, NOUBARI H A. Evoked hemodynamic response estimation using ensemble empirical mode decomposition based adaptive algorithm applied to dual channel functional near infrared spectroscopy [J]. Journal of Neuroscience Methods, 2014, 224(6): 13-25.

[12]HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis [C]∥Proceedings of the Royal Society: A Mathematical, Physical and Engineering Sciences. London, UK: The Royal Society, 1998: 903-995.

[13]WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method [J]. Advances in Adaptive Data Analysis, 2011, 1(1): 1-41.

[14]YEH J R, SHIEH J S, HUANG N E. Complementary ensemble empirical mode decomposition: a novel noise enhanced data analysis method [J]. Advances in Adaptive Data Analysis, 2010, 2(2): 135-156.

[15]TORRES M E, COLOMINAS M, SCHLOTTHAUER G, et al. A complete ensemble empirical mode decomposition with adaptive noise [C]∥2011 IEEE International Conference on Acoustics, Speech and Signal Processing. Piscataway, NJ, USA: IEEE, 2011: 4144-4147.

[16]COLOMINAS M A, SCHLOTTHAUER G, TORRES M E. Improved complete ensemble EMD: a suitable tool for biomedical signal processing [J]. Biomedical Signal Processing and Control, 2014, 14: 19-29.

[17]SCHOLKMANN F, SPICHTIG S, MUEHLEMANN T, et al. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation [J]. Physiological Measurement, 2010, 31(5): 649-662.

[18]SCARPA F, BRIGADOI S, CUTINI S, et al. A methodology to improve estimation of stimulus-evoked hemodynamic response from fNIRS measurements [C]∥2011 Annual International Conference of the IEEE: Engineering in Medicine and Biology. Piscataway, NJ, USA: IEEE, 2011: 785-788.

[本刊相關(guān)文獻(xiàn)鏈接]

徐光華,張鋒,謝俊,等.穩(wěn)態(tài)視覺誘發(fā)電位的腦機(jī)接口范式及其信號(hào)處理方法研究.2015,49(6):1-7.[doi:10.7652/xjtuxb201506001]

魏穎雯,閆相國(guó).應(yīng)用經(jīng)驗(yàn)?zāi)Ｊ椒纸馊コt外光的運(yùn)動(dòng)偽跡.2014,48(2):131-136.[doi:10.7652/xjtuxb201402022]

鄭楊,王剛,徐進(jìn),等.大腦皮層-肌肉交互作用與注意力關(guān)系的實(shí)驗(yàn)研究.2014,48(6):134-138.[doi:10.7652/xjtuxb2014 06023]

趙夢(mèng)琰,李擴(kuò),鮑剛,等.利用小波包的腦電源定位算法仿真研究.2013,47(12):130-136.[doi:10.7652/xjtuxb201312 022]

胡其會(huì),張鳴遠(yuǎn),楊萬英.軸流式血泵黏彈性流體水動(dòng)力特性數(shù)值模擬.2010,44(11):28-32.[doi:10.7652/xjtuxb201011 006]

陳珍,袁奇,朱光宇,等.頸內(nèi)動(dòng)脈狹窄時(shí)Willis環(huán)的血液動(dòng)力學(xué)數(shù)值模擬.2009,43(10):119-123.[doi:10.7652/xjtuxb 200910025]

陳珍,袁奇,申娜,等.顱內(nèi)Willis環(huán)三維穩(wěn)態(tài)及非穩(wěn)態(tài)血液動(dòng)力學(xué)計(jì)算.2008,42(4):492-496.[doi:10.7652/xjtuxb2008 04024]

(編輯 苗凌)

A Method for Extracting Evoked Hemodynamic Response from NIRS Signal

CAI Yunli,GAO Lin,WANG Yifei,YAN Xiangguo

(MOE Key Laboratory of Biomedical Information Engineering, Xi’an Jiaotong University, Xi’an 710049, China)

To extract evoked hemodynamic response (EHR) relating to functional activation in human brain, a method named improved complete ensemble empirical mode decomposition with adaptive noise and recursive least square (ICEEMDAN-RLS) was proposed to pick up EHR from NIRS signal after comparing the advantages and disadvantages of different empirical mode decomposition (EMD) algorithms. The near-channel signal was firstly decomposed by five EMD algorithms, then EHR was estimated from far-channel signal by adaptive filter. The performance of different EMD algorithms was assessed by Pearson correlation coefficient and relative mean square error. The relationship between block average times and the quality of EHR was analyzed with EMD and traditional block average method, respectively. The results show that EHR can be effectively extracted from far-channel signal by all the above methods, while the biggest Pearson correlation coefficient and the smallest mean square error are obtained by ICEEMDAN-RLS. Moreover, 10 times of block average are enough for ICEEMDAN-RLS to obtain stable EHR, which is reduced by 75% compared with the traditional method, and better signal quality is gained. Therefore, ICEEMDAN-RLS is more effective in extracting EHR contaminated by physiological components and performs better than block average method.

near-infrared spectroscopy; evoked hemodynamic response; empirical mode decomposition; block average

2015-12-24。 作者簡(jiǎn)介:蔡云麗(1992—),女,碩士生;閆相國(guó)(通信作者),男,教授。 基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(61471291);國(guó)家“863計(jì)劃”資助項(xiàng)目(2012AA02A604)。

時(shí)間:2016-05-10

10.7652/xjtuxb201607023

R318

A

0253-987X(2016)07-0152-07

網(wǎng)絡(luò)出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20160510.1516.002.html