01

研究背景

fNIRS信號根據腦活動分為三個階段：initial dip, conventional hemodynamic response(HR), undershoot。此文聚焦于initial dip，initial dip是對血氧變化做出反應最快的一種信號，在大腦視覺和運動皮層。以往基于fNIRS-BCI使用血氧動力學變化（HR）作為BCI的控制信號，問題是這種信號有5s左右的延遲。為解決上述問題，Zafar and Hong提出一種方法探測前額頂葉的multiple initial dip，這種方法檢測0-2.5s時間窗內的信號，證明這種方法具有很大的潛力提升延遲問題。在此文中提出另一個中法，判別前額葉和頂葉運動區的initial dip，以此作為BCI控制信號。結果顯示三分類正確率為66.6%。
 

02

研究方法
 

2.1、被試

五位男性被試，年齡在27.5 ± 4.5左右，沒有精神疾病。
 

2.2、實驗范式

包括心算，靜默數數，右手手指敲擊。光源放在前額葉和左頂葉運動區。實驗包括三個sessions，session前靜息120s，session后靜息40s。心算范式內容為三位數內減法；靜默數數范式內容為三位數倒數；右手手指敲擊被要求越快越好。

2.3、信號獲取和預處理

設備和分析軟件使用ISS Imagent。使用690nm和830nm兩種波長光源測量ΔHbO和ΔHbR信號，采樣頻率為12.625Hz。前額葉和頂葉運動腦區各包括8個光源，2個探測器。預處理使用0.15Hz低通濾波器減少呼吸和心跳信號。
 

2.4、特征提取

Initial dip檢測方法為向量相位分析（vector phase analysis），同時設定閾值剔除質量不好的信號，以減少對initial dip的錯誤分類。對各種到信號做加算平均后，計算0-1s,0-1.5s,0-2s,0-2.5s時間窗內的信號均值，信號斜率，信號最小值，峰度，偏度作為特征放入LDA判別器中分類。
 

03

結論

上圖是三種范式的信號加算平均的結果，區別很明顯。

上圖為各被試分類結果，可以看出分類準確率超過chance level。

各特征分別做分類結果如上，均值和最小值的組合有最好的分類準確率。實驗結果證明檢測前額葉和頂葉運動區的initial dip，可以作為BCI的控制信號。未來加入ΔCOE信號或可進一步提高分類準確率。

Classification of prefrontal and motor cortex initial dips for fNIRS-based-BCI. Amad Zafar IEEE Transactions.無DOI