脑机接口(BCI)借助认知活动来控制外部设备，从而使患有严重运动障碍的人能够如常人一般。常见利用近红外光谱(NIRS)来作为BCI方法有两种：一种是使用近红外光谱(NIRS)来检测大脑皮层的氧水平，即血液动力学信号(haemodynamicsignal)，它能反应神经元的活动。然而，该信号的时间分辨率只有几秒，这限制了NIRS-BCI中的信息传输速率。

另一种可能是使用近红外光谱(NIRS)来测量神经元激活过程中通过脑组织的光散射变化产生的快速光学信号(thefast optical signal, FOS)。由于FOS响应与神经元激活直接相关(而不是随后缓慢的血流动力学响应)，其潜伏期约为100毫秒。不过，FOS尽管有较高的时间分辨率，但其信噪比(SNR)较低，因而其可靠性一直存在争议。

近红外光谱和脑电图通道配置

Bloorview研究所的一个团队现在已经研究了FOS的使用，用以控制NIRS-BCI(Biomed. Phys.Eng.Express 4 065010)

研究人员Tom Chau表示：“我们相信FOS信号与神经元放电有关，这种诱发反应可能与脑电图(EEG)测量的类似。”从理论上讲，这可以加快光学BCI的响应时间。

试验

15名参与者参加了三个离线数据收集环节，在此期间，他们执行了视觉oddball任务(visual oddball task)。每个环节包括3次10个任务块的运行，每个任务块有100次试验。在每次试验中，一张图像在屏幕上显示512毫秒，oddball图像随机地穿插在字母(a, B, C, D)的常见图像之间;20%的图像是oddball图像。14名受试者还参加了两个在线会话，在此期间他们接受了分类反馈。

Data collection session protocol

在线运行期间，在每个块之后针对(a)成功和(b)未成功分类的块提供的在线反馈

Chau和他的同事使用激光二极管源和检测器放置在参与者额头上，记录了前额叶皮层上的NIRS测量数据。他们使用了5对的690 nm和830 nm光源和四个检测器，使每个波长有11个测量通道。为了验证FOS响应，他们使用NIRS头带上的电极在两个会话中同时对事件相关电位进行了EEG测量。

Chau解释说：“由于光学测量是否可以检测诱发反应一直存在争议，我们使用EEG来证实我们确实引发了诱发反应。此外，EEG信号为我们比较FOS数据提供了参考。”

自动化算法

然后，该团队使用对来自四个离线会话的数据对分类算法进行了训练，检查了在线会话中对FOS响应进行自动分类的可行性。他们使用从加权强度和相位延迟数据(分别在690和830 nm)中提取的时间和频谱特征，通过支持向量机和线性判别分析分类器对FOS响应进行分类。

研究人员检查了离线的15个试验的平均响应，发现FOS响应可以区分oddball图像和常见图像，其平均灵敏度，特异性和平衡精度(灵敏度和特异性的平均值)分别为63％，60％和62％。他们指出，对于每个参与者来说，这些离线的FOS分类结果由于其他，这确认了FOS的自动检测是可能的。

在690和830 nm处，有多位参与者的DC强度特征集的分类器结果显著高于相位延迟特征集。对于一半的参与者，830nm特征集的分类器也显著优于690nm特征集。作者认为，830nm处的FOS敏感性较高，因为690 nm处吸收增加降低了信噪比。

用类似的算法对脑电图测量的事件相关电位进行分类，区分图像的平均灵敏度、特异性和平衡准确性分别为82%、72%和77%。这证实了前额叶神经元对视觉怪球任务的反应可以超过有效脑机接口沟通所需的水平(70%)。

使用类似的算法对脑电图测得的事件相关电位进行分类，可以区分图像的平均灵敏度，特异性和平衡准确度分别为82％，72％和77％。这证实了对视觉oddball任务的前额叶神经元反应可以被分类为有效BCI交流所需水平(70％)以上。

Chau和同事还在两次在线会话中对FOS 15次试验平均值进行了分类。在此，FOS的平均灵敏度，特异性和平衡精度分别为64％，63％和63％。

研究人员表示，他们的研究是首次在线对FOS自动分类的尝试，所有参与者的平均在线平衡准确度为63±6%。虽然这种准确性没有达到70%的要求，作者建议在大脑额中央和顶叶区域增加测量通道，在这些区域可能会发现更大的FOS反应，应该可以提高信噪比。

Chau告诉《Physics World》:“未来的工作将寻找方法来提高反应的强度，从而减少需要平均的试验次数。”

论文信息：

physicsworld.com

Online classification of the near-infrared spectroscopy fast optical signal for brain-computer interfaces

社区编译

文章仅用于学术交流，不用于商业行为，

若有侵权及疑问，请后台留言，管理员即时删侵！

更多阅读

干货|详解EEG脑电原理及两种主流脑电设备对比

情绪脑机接口：脑机接口概述专题三 | 从运动脑机接口到情绪脑机接口

手把手教你EMD算法原理与Python实现

被称为“终极疆域”的脑科学，为什么越来越重要？

DEAP:使用生理信号进行情绪分析的数据库(一、背景介绍与刺激选择)

精彩长文！脑机接口概述专题一 | 从运动脑机接口到情绪脑机接口

美国脑机接口技术研究及应用进展

【思维导图】利用LSTM(长短期记忆网络)来处理脑电数据

你的每一次在看，我都很在意！