功能性近红外光谱成像(fNIRS)简单知识

fNIRS(functional near-infrared spectroscopy)功能性近红外光谱成像也称近红外脑功能成像等。简单理解就是由一个发射器(光源)发出近红外光穿过头皮、颅骨等组织,然后被探测器(接收器)接收到,经过这一类似香蕉状的传输后,被吸收量用于计算大脑皮层血红蛋白浓度变化。
在这里插入图片描述

众所周知,氧气是我们身体组织所必须的,是一切生命活动的基础。人体器官中的所有细胞都对氧气有着持续但不稳定的需求。但人体对氧气的储存却微乎其微,是通过血液循环向组织持续供应充足的氧气。组织中氧运输的主要载体是血红蛋白,它由含氧血红蛋白(HbO)和脱氧血红戴白(HbR)组成。随着人体组织的有氧代谢,HbO和HbR的含量不断变化,因此组织中血氧含量的变化能够反映出人体生理状态、细胞活动变化以及各组织结构的功能情况。

fNIRS测量的对象并非是神经元活动本身,而是神经元活动相关的能量代谢产物。而神经元活动所需的能量几乎全部是葡糖糖有氧代谢实时供给,因此代谢所需的葡糖糖和氧气必须有血供系统不间断供给给大脑。基线条件下,大脑组织中HbO以一定的比率释放携带的氧气,并转换为HbR,其释放的氧气被细胞吸收用于基础代谢过程。当受到外界刺激时,神经元活动增加,对应区域的代谢活动也增加,血流会携带更多的氧,将超过局部神经元的耗氧量,造成激活区的脑血氧量大大增加,局部组织血液中的HbO过剩(也即过补偿效应)。经过这一系列变化,脑活动所引起的变化最后通常表现为血液中HbO增加,HbR减少。这种发生在局部脑组织中的神经活动继而引发的血供系统的变化过程称为神经血管耦合过程。

在这里插入图片描述
计算原理:
不同品牌的近红外设备选择的光波长略有不同,但无论如何选择,双波长设备都会在HbO和HbR等吸收点(约800nm)的两侧各选一个,如常见的(760nm和850nm,690nm和830等等)。
在这里插入图片描述

朗伯-比尔定量是描述光吸收的基本物理定律,描述了吸收率与物体厚度、吸光系数以及浓度之间的关系。人体组织不是均匀介质,光在传播过程中除了吸收还有散射作用。散射效应会使光在组织中穿行的路径发生变化,整体呈现香蕉型。因此,出现了修正后的朗伯-比尔定律:
在这里插入图片描述
对于修正的朗伯-比尔定律,G是一个未知量,我们可以列出两个时间点的方程,两式相减即可消除G,得到OD相对变化量:(式中,∆OD可以测出,ε、DPF、L已知)
在这里插入图片描述
计算∆OD:
在这里插入图片描述

计算HbO和HbR浓度:
在这里插入图片描述
将2式ΔHbR代入1式,得出结果:
在这里插入图片描述

04-03
### fNIRS 技术及其在信息技术中的应用 功能性近红外光谱技术(Functional Near-Infrared Spectroscopy, fNIRS)是一种非侵入性的成像方法,通过检测大皮层区域氧合血红蛋白(HbO2)和脱氧血红蛋白(HbR)浓度变化来反映神经活动状态[^2]。由于其便携性和相对较低的成本,fNIRS 已成为研究人类认知过程的重要工具之一。 #### fNIRS 的工作原理 fNIRS 利用了血液主要成分对波长范围为 600–900 nm 近红外光的良好吸收特性。当大某一部位活跃时,局部血流量增加,导致该部位 HbO2 和 HbR 浓度发生变化。这些变化可以通过放置于头皮上的光源和探测器记录下来并转化为信号强度差异[^1]。 #### 在 IT 领域的应用实例 ##### 机接口 (Brain-Computer Interfaces, BCIs) BCI 是一种允许用户仅依靠大活动与计算机交互的技术,在医疗康复领域具有重要意义。虽然 EEG 常被用于构建 BCI 系统,但由于噪声干扰较大等问题存在局限性;而基于 fMRI 构建的高精度 BCI 又因设备昂贵难以普及推广。相比之下,采用 fNIRS 设计开发新型 BCI 不仅为患者提供了更舒适的体验,还降低了成本门槛[^5]。 ##### 数据分析优化 随着机器学习算法的发展,特别是序列转换网络(Sequence Transformer Networks)等先进模型的应用,使得复杂临床时间序列数据处理变得更加高效准确。对于来自 fNIRS 实验获取的大规模多维动态响应模式而言,运用此类现代统计学框架能够有效提取特征向量进而实现分类预测等功能[^4]。 ```python import numpy as np from sklearn.model_selection import train_test_split from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, LSTM # Example dataset simulation X = np.random.rand(100, 10, 8) # Assuming we have 100 samples each with a sequence length of 10 and 8 features y = np.random.randint(2, size=(100,)) # Binary classification labels X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2) model = Sequential() model.add(LSTM(units=50, input_shape=(X.shape[1], X.shape[2]), activation='relu')) model.add(Dense(units=1, activation='sigmoid')) model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) history = model.fit(X_train, y_train, epochs=10, batch_size=32, validation_data=(X_test, y_test)) ``` 上述代码片段展示了一个简单的 LSTM 模型训练流程,可用于分析由 fNIRS 收集的时间序列数据,并尝试对其进行二元分类任务。 --- ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值