文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。
导读
意义：功能性近红外光谱(fNIRS)可以无创地测量大脑活动。fNIRS光学神经成像已被证明在组水平上具有可重复性，不失为是一个优秀的研究工具，但在单被试水平上的可重复性仍有不足，在临床应用上较为困难。
目的：研究短距通道回归(SCR)作为一种在单被试水平上具有更高再现性的fNIRS测量方法的效果。SCR同时考虑了长、短通道的作用，并通过短距通道信息的回归去除混淆的生理变化。
方法：使用可穿戴fNIRS设备optoHIVE对15名健康被试进行了手部抓取任务的重测研究。采用经颅磁刺激对相关脑区进行定位，以确保正确放置光极。通过组内相关性、相关性分析、混合效应建模和手抓取任务的分类精度来评估再现性。此外，本研究还描述了SCR对再现性的影响。
结果：本研究发现fNIRS测量在单被试水平上具有很高的再现性。SCR将再现性从0.64提高到0.81，但对分类没有影响(85%的总精度)。在再现性中观察到显著的被试间变异，这可以用Mayer振荡和低原始信号强度来解释。原始信噪比(阈值为40dB)可以区分弱激活和强激活的个体。
结论：本研究首次报告了使用optoHIVE fNIRS系统，fNIRS测量结果在单被试水平上是可再现的，且SCR提高了再现性。此外，研究者还提供了一个基准来评估被试引起足够强的血流动力学反应的能力。本研究为单被试fNIRS神经成像在神经科学研究和临床应用中的可靠性铺平了道路。
引言
fNIRS作为一种捕获氧合血红蛋白(O2Hb)和脱氧血红蛋白(HHb)浓度变化的光学和无创技术，可用于测量与大脑活动相关的脑血流动力学变化。它可以测量与任务有关的大脑活动模式相关的脑血流动力学变化。近年来，fNIRS的应用开始从实验室研究转向更自然的环境和现实任务。fNIRS的可穿戴和不受限制等特点为神经成像应用铺平了道路，例如，用于床边和家庭中监测脑功能；或用于脑机接口(BCI)设置，与机器人设备结合使用以帮助神经系统受损的人进行日常活动。此类应用需要先进的fNIRS系统来满足对技术（例如，高信噪比(SNR)、快速信号处理和消除运动伪影的功能）和可用性（例如，高舒适度和精确放置传感器）方面的高要求，以捕捉日常生活环境中大脑活动的微小变化。此外，在家庭和临床监测大脑活动，对fNIRS测量的稳健性和可靠性/可重复性提出了很高的要求，因为这些因素直接影响精确地捕捉神经变化和使用BCI准确控制外部设备的能力。尽管在组水平上发现了良好的再现性，但尚未给出多天内fNIRS测量结果的可重复性的证据。由于单被试水平的可重复性对于大多数临床和日常应用至关重要，因此需要对其进行彻底地表征。
预计影响fNIRS测量再现性的主要因素是硬件的信号质量（即SNR），光极的放置和固定，以及生理变化的存在和变异性。虽然前两点有望通过先进的fNIRS硬件解决，例如，使用光电探测器以及先进的源定位和光极放置技术，如经颅磁刺激(TMS)引导的fNIRS，但解决生理变化仍是一项重大挑战。更具体地说，fNIRS中生理影响带来的干扰是不同生理信号的组合。例如，Mayer波(MWs)或由于自主神经系统的交感神经激活诱发的血流动力学变化存在于被近红外光穿透的不同组织层（即头皮和大脑）。为了减弱fNIRS测量中生理变化的混淆效应，先进的信号处理技术(如短距通道回归(SCR))是必要的。使用SCR方法，从长距通道(成人~30 mm）测量值中减去短距通道（理想情况下<8mm)测量值获得的回归信号。短距通道主要包含脑外（即头皮）信息和能够从长距通道测量值（大脑和脑外信号的组合）中去除生理变化。然而，目前还缺少SCR对fNIRS测量再现性影响的系统研究。
本文的目的是提供一种fNIRS测量方法，该方法允许在个体水平上以高再现性捕获脑血流动力学反应。此外，使用fNIRS量化了SCR对血流动力学反应的影响及其与测量再现性、大脑活动估计和BCI分类的联系。这项工作很重要，因为它解决了单被试可再现性的问题，这是将fNIRS确立为神经影像技术的关键点，并有助于将fNIRS转化到日常生活环境的研究中。
材料和方法
参与者
15名被试（9名男性和6名女性，白人，M±SD：27±4.6岁）参与了研究。仅对符合使用TMS所有纳入标准的被试进行了研究。被试2、4和15为左利手，其他12位被试为右利手。计算每个被试的体重指数、发根密度、头发颜色。由同一实验者目测后，以0到5的等级评估头发厚度（0：无头发，5：浓密、深色的头发）。
fNIRS仪器
一种名为optoHIVE的定制fNIRS仪器被用于检测大脑皮层活动。它是一个轻量级的无光纤系统，专为可穿戴、高质量的测量而设计，每个光极都包括一个四波长LED光源（774、817、865和892 nm）和一个用于光电检测的硅光电倍增管。该系统优于商业fNIRS仪器，因为除了耐磨性外，它还具有模块化光极放置、大量短距离通道和高光学灵敏度等优点。每个光极模块（包含一个光源和检测器）包括一个7.5mm的短距通道(SS)，并在30mm距离内每隔一个光极进行测量，如图1(a)所示。在这项研究中，8个光极模块使用由硅胶贴片、3D打印部件和弹性线制成的定制头带固定[见图1(c)]。光极对称地放置在左右初级运动皮层 (M1)、腹侧前运动皮层和背侧前运动皮层上，形成16个30mm的长距通道(LS)和8个7.5 mm的短距通道（SS）。与往常一样，从同一大脑位置测量的两个通道（即它们的光路重叠），16个通道减少到8个ROI（感兴趣脑区）。光极配置图和ROI如图1(b)所示。optoHIVE执行的测量通过LabVIEW接口进行控制，并通过NImyRIO数据采集设备以8.98Hz的采样率收集来自每个通道的数据。
研究方案
用TMS进行M1定位
为了最大限度地减少不同测量光极放置变化的影响，并最大限度地提高目标M1大脑区域的敏感性，研究者在每个任务开始时通过TMS确定左右M1的位置并用干记号笔标记。使用70mm的Magstim200刺激器和8字形TMS线圈进行单脉冲TMS。将线圈与头皮切向放置，手柄在背侧，与中矢状线成45度角。在磁刺激期间，监测对侧拇短展肌的肌电图(EMG)活动。确定运动诱发电位反应最强的位置为手抓表征的“热点”。
fNIRS研究方案
所有15名被试都完成了由两个不同日期的两个会话组成的重测方案 [时间间隔M±SD(min–max): 5.5±3.1(1到13)天]。被试舒适地坐在电脑屏幕前，肘部靠在带软垫的扶手上（如果需要，可以添加枕头保持舒适）。左右手竖直放置在一个用泡沫包围的定制把手上[见图1(c)]。该任务被定义为一个自定进度的、主动左手或右手抓握任务（等长抓取），频率〜1Hz。抓握任务在每个会话开始时都用一个视觉显示器和听觉节拍器进行训练。两个会话都包括两个运算，其中被试反复执行左手或右手抓握任务。屏幕上指向左或右的箭头表示必须移动的手（即左手或右手抓握）。每次运算包括一个block设计方案，其中包含30个（15次左和15次右）16s和15-24s之间的随机刺激持续时间的试次。每个试次开始前，文本显示器都会呈现即将进行的任务，历时2s。在每次运算的开始和结束时，分别添加120和60s的基线，被试保持静止。要求被试在实验过程中除了指示的抓握动作外不要进行任何动作。
数据处理
数据处理在MATLAB（R2017a）中进行。使用样条插值去除运动伪影。使用修正的Beer-Lambert定律将原始光强度转换为O2Hb ([O2Hb])和HHb([HHb])的浓度变化。吸收系数取自Moaveni，四个波长（6.2、6.2、5.9、5.5）的差分路径长度因子取自Cope。为了去除[O2Hb]和[HHb]的漂移和心跳干扰，Pinti等人考虑了不同的方法，但在截止频率0.015和0.35 Hz时，他们建议的最佳滤波器（有限脉冲响应，1000阶）获得的结果最好。在研究者此前工作的基础上，应用基于非负最小二乘法(GLMmultiSS）的多通道SCR能最大程度减少生理变化的影响，从而将血液动力学变化与脑外组织层分开。使用GLMmultiSS，所有短距通道都作为回归量包含在一般线性模型(GLM)中，预防措施是仅允许正估计（非负最小二乘回归）。短距通道信号质量的验证遵循Perdue等人的方法，该方法基于信号内容(心率)，而不是纯粹基于信噪比(SNR)。当信号质量阈值为12dB时，发现在测量过程中90%的短距通道质量良好。将[O2Hb]的频带功率（0.07-0.14 Hz）及其脉冲频带功率（0.6-2 Hz）归一化，获得其MW振幅，并提取所有长距通道的中值。
一个GLM应用于长距通道的时间过程（即，有和没有SCR）。获得的t值作为评估指标。t值表示与残差相关的拟合血流动力学响应曲线的信号强度。使用的GLM由一个建模的血流动力学响应时间过程组成，该过程由boxcar函数和标准血流动力学响应的卷积获得，其时间和色散导数，以及一个恒定的偏移量，这些都被拟合到每个通道记录的fNIRS数据中。时间和色散导数分别用于校正起始和血流动力学响应形状的偏差。t值存储于一个向量中，包含[O2Hb]和[HHb]的1920个条目（15个被试×16个通道×2只手×2 运算×2会话）。进行ROI分析时，使用相应通道的t值的平均值。GLM分析应用于非回归(NR)长距测量和SCR数据。
统计分析
在R（版本3.6.3）中进行统计分析。为了找到区分活动和非活动通道的阈值，将GLM应用于基线数据，并提取t值。从获得的分布在0附近的t值中，提大脑处于休息状态的概率＞95%的阈值。因此，发现SCR数据为t≥30，和未回归数据为t≥22时，有5%显著性水平表明存在血流动力学反应（代表大脑活动非偶然）。
使用线性相关分析和应用GLM提供的t值的组内相关系数（ICC）分析来评估会话之间的再现性。基于应用于M1（初级运动皮层）的t值的皮尔逊相关系数，计算组水平上会话1和2之间的线性相关性。为此，提取左（右手任务）M1和右（左手任务）M1的t值，对每个会话的两次运算进行平均，并将15个被试的会话之间进行关联。使用基于绝对一致性、重复测量的双向随机效应模型的ICC来确定重测信度。根据Li等人的建议，计算单一(ICC(2,1))和平均(ICC(2,k))测量值及其95%置信区间。ICC通过比较同一个人的不同测试的变异性与所有评级和所有个体的总变异性来表明测量的可靠性。高ICC（接近1）表示被试内变异性相对于被试间变异性较低，而低ICC（接近0）意味着来自同一组的值差异较大。ICC阈值的解释：差（ICC＜0.40）、一般（0.40≤ICC＜0.60）、良好（0.60≤ICC＜0.75）和优秀（0.75≤ICC＜1.00）。为了估计测量过程中t值的变化，计算会话2和1之间的平均绝对比例误差 (MAE%)，并根据观察值的范围进行归一化。
将限制最大似然估计（R中的lmer）的线性混合效应模型应用于t值，以研究影响脑激活估计的因素的统计显著性。建立了两种混合效应模型，一种用于[O2Hb]，一种用于[HHb]。因变量由1920个t值组成。固定效应为：（1）手和通道之间的交互作用，（2）运算，(3)原始信号强度，(4)MW幅度。考虑到被试的截距和每个被试通道的嵌套随机效应作为随机变量，允许t值水平在通道和被试之间变化。应用平方根变换以确保模型残差为正态分布。从模型残差的正态分布和方差齐性验证拟合优度。模型拟合后，对估计值进行逆向转换，并通过Tukey多重比较来研究它们的效果。
分类
分类器在获得的fNIRS数据上进行了训练和测试，以将再现性与BCI等潜在应用联系起来。因此，使用具有L1范数正则化的支持向量机(SVM)执行伪在线分类（即数据的连续采样处理）以区分右手和左手抓握。首先，[O2Hb]和[HHb]使用截止频率在0.005Hz和0.35Hz之间的正向滤波器进行带通滤波。其次，从长距通道对SS通道进行基于非负权重估计的自适应滤波和采样回归（即SCR）。第三，通过从[O2Hb]和[HHb]中提取三种特征类型来执行特征提取：幅度、斜率和基于相关的信号改进。第四，使用L1范数 SVM 进行分类器和特征选择的联合训练。通过对训练数据的五折交叉验证得到正则化参数。分类器在第一次运算时进行训练，并在同一会话的第二次运算中进行测试。分别对会话1和2的每个测试运算的30个试次计算会话内精度。整个16s试次窗口用于分类，并在每次试次结束时做出决定。研究者训练了三个分类器场景以研究所选数据集（即SS信号、长距信号或SCR信号）对分类精度的影响。
结果
空间激活模式
在组水平上，检测到左右抓握任务的大脑活动空间特定模式，如图2所示。在右手任务中观察到最强的血流动力学反应是在对侧（左侧）M1上，左手任务则相反。特别是，ROI 1 在右手任务中的幅度最高，[O2Hb]和[HHb]的平均变化为0.26∕-0.12μM，而对于左手任务，ROI 5 的变化最强，为0.21∕-0.09μM ([O2Hb]∕[HHb])。在相邻的额区（右手的ROI 2+3 和左手的ROI 6+7）与同侧 M1（右手 ROI 5，左手 ROI 1）观察到的激活较弱。其余的ROI（右手任务的 ROI 4+6+7+8 和左手任务的 ROI 2+3+4+8）没有表现出显著的激活。NR信号的血流动力学响应在[O2Hb]上的幅度略大于SCR信号。
这一观测结果伴随着较小的信号标准差。与NR信号相比，SCR信号在任务开始后没有表现出振荡响应。
在单个被试水平上（见A），15名被试中有9名可以看到任务诱发的大脑激活，而6名被试仅表现出的激活较小或没有激活（被试5、6、7、8、14和15）。这些定性结果与个体的t值有关（参见图3或图5），6名弱激活被试的t值最低。更具体地说，在SCR后，血流动力学反应较弱的被试的t值在14到24的范围内，低于30的阈值（根据基线测量确定）。其他被试的t值最低为31。具有明显空间激活和t值＞30的9名被试称为“强响应者”，其他 6 名被试t值≤30称为“弱响应者”。
再现性
在图3的相关图中，考虑到单个被试的t值，显示了所有被试之间的首测（会话1）和重测（会话2）之间的一致性。重测一致性根据色团（分别为O2Hb或HHb）和信号处理步骤，发生变化。当没有应用回归时，观察到（右/左手抓握任务）在[O2Hb]上的相关一致性最低，为0.71/0.51，并且在SCR后增加到0.81/0.54。SCR在[HHb]上的相关性仅略高于NR，分别为0.81/0.70和0.81/0.64。观察到右手抓握和左手抓握之间存在显著差异，左手任务的相关系数总是低0.1分以上。表1中的MAE%支持这一观察结果，因为右手抓握任务的MAE%通常低于左手抓握任务。
基于ICC的重测信度见表1。在每个任务上，研究M1上方的对侧fNIRS通道，即左侧M1用于右手任务，右侧M1用于左手任务。单次测量的ICC值介于0.58和0.81之间，平均指标的 ICC 值介于0.85和0.94之间。发现ICCS取决于发色团([O2Hb]和[HHb])和处理步骤(NR和SCR)。有一种趋势：与NR相比，SCR后的ICCS更高。右手抓握任务的ICC高于左手抓握任务。
线性混合效应模型
不同变量对t值估计的影响由应用于[O2Hb]和[HHb]的两个线性混合效应模型确定。
[O2Hb]的方差分析揭示了手*通道的交互作用非常显著。此外，信号强度、运算和MW幅度都对t值有显著性影响。对于右手抓握(O2Hb)，发现在左侧M1中的激活最高，而在右侧M1中的激活最低。左手条件(O2Hb)在右侧M1中的激活最高，在左侧M1中的激活最低。
HHb的结果与O2Hb相似。发现手*通道的交互作用非常显著。信号强度、运算和MW幅度对t值的影响显著。对于右手抓握(HHb)，发现在左侧M1中的激活最高，而在右侧 M1 中的激活最低。对于左手抓握(HHb)，在右侧M1中的激活最高，左侧M1的激活最低。
混淆因素
信号强度和MW幅度对t值的影响如图4所示。在图4(a)中，原始信号幅度与t值相对应。为了获得更好的可见性，对信号强度进行了对数转换。可以观察到较小的信号强度与较小的t值相关的趋势。特别是，六分之四的弱响应者（被试6、7、14和15）信号强度较低。被试5是异常值，其t值低但信号强度高。在图4(b)中，将MW振幅与t值进行比较。当忽略信号强度低的被试（被试6、7、14 和15）时，可观察到t值和MW幅度之间存在负相关。
图5进一步显示了单个被试水平上与t值相关的影响因素。再次可见，具有高t值的被试通常具有高信号强度和低Mayer波振幅。高t值与高信号强度密切相关，这取决于头发特征：浓密和深色头发的被试的信号强度往往低于金发和稀疏头发的被试。分类精度和t值之间存在相关性，t值高的被试分类精度也更高。
分类
分类精度与之前分析的结果非常一致：强响应者的精度高，而弱响应者的精度低。在图5的底线中，单被试分类精度以条形图的方式将这种趋势作为t值依赖。有7名被试的准确度＞95%（被试1、2、3、4、9、12和13）。当将被试分为强响应者和弱响应者时，观察到两组之间存在显著差异[95% vs.69%，图6(a)]。测试和重测任务的分类精度之间没有观察到显著差异[图6(b)]。当向分类器提供不同的输入数据时，在分类精度方面，使用SCR与NR数据相比没有显著优势。当只使用SS数据作为分类器的输入时，作为验证SS测量中是否存在大脑活动的一种方式，分类精度接近50%，这相当于机会水平，也证实了在SS通道中不存在大脑活动的假设。
结论
研究者证明了在满足某些先决条件（即使用TMS定位M1、仔细选择研究协议和优化硬件）时，fNIRS测量在单被试水平上的结果是可重复的。根据血流动力学响应的质量将被测对象分为强响应者和弱响应者，结果表明，在应用SCR的情况下，强响应者具有更高的重测信度和分类精度。原始光信号强度和MW是再现性的主要决定因素。因此，为了确保fNIRS应用的稳健性并捕获到足够的大脑活动，研究者建议在第一次实验之前对每个被试的原始光学信号强度和t值进行筛查。基于可穿戴、高灵敏度、集成有效SCR的fNIRS仪器：optoHIVE，这项工作开启了fNIRS的一个新维度，即在日常环境中的单被试应用中的可靠性，从而促进其在临床和BCI等领域中的应用。
原文：Characterizing reproducibility of cerebral hemodynamic responses when applying short-channel regression in functional near-infrared spectroscopy.
DOI: 10.1117/1.NPh.9.1.015004
