恒挚分享|fNIRS技术新突破：动态时间规整（DTW）如何破解脑血流信号的时间难题？

功能近红外光谱技术（fNIRS）作为脑机接口（BCI）领域的关键非侵入式模态，因其便携性和抗干扰能力备受青睐。然而，血流动力学反应的显著时间变异性一直是信号解读的瓶颈。传统线性方法（如皮尔逊相关）难以捕捉存在时间抖动的功能连接。本文基于最新发表于《Sensors》的研究，介绍了一种无监督的动态时间规整（DTW）聚类框架。该研究通过对30名受试者的运动任务数据进行分析，验证了DTW在处理非线性时间偏移上的优势。结果显示，DTW框架的网络识别准确率达到53.17%，显著优于传统方法的48.06%，并成功检测出符合躯体拓扑结构的脑区激活。这一成果为下一代异步脑机接口的开发提供了坚实的技术支撑。

在神经康复和脑机接口（BCI）领域，解码用户意图是核心目标。为了实现这一目标，科学家们需要“窥探”大脑的活动。目前，主流的非侵入式神经成像技术各有优劣：

•功能磁共振成像（fMRI）与正电子发射断层扫描（PET）：虽然空间分辨率极高，能深入探测脑结构，但它们对运动伪影高度敏感，且设备庞大、昂贵。PET还涉及辐射，难以应用于日常BCI场景。

•脑电图（EEG）：拥有毫秒级的时间分辨率，但极易受到肌肉活动（EMG）产生的电伪影干扰，且由于容积导体效应，其空间定位能力较差。

•功能经颅多普勒（fTCD）：虽能测量血流速度，但受限于声学窗口，无法进行广泛的皮层映射。

在此背景下，功能近红外光谱技术（fNIRS）占据了独特的“生态位”。它利用近红外光穿透头皮探测皮层血流动力学变化，兼具便携性、成本效益，且对运动产生的电伪影不敏感。这使得fNIRS成为监测皮层血流动力学、开发下一代实时BCI系统的理想选择。

尽管fNIRS优势明显，但其信号处理面临一个根本性挑战：血流动力学反应（Hemodynamic Response）的固有变异性。

当神经元激活时，大脑的血管反应是缓慢的。这一反应的时间轮廓——包括起始潜伏期、峰值时间和整体形状——在不同试验、不同任务甚至不同个体之间存在显著差异。这种“时间抖动”（Temporal Jitter）是传统分析技术（如皮尔逊相关或一般线性模型GLM）的克星。因为这些方法基于线性假设和固定的时间对齐，当信号在时间轴上发生偏移时，它们往往会错误地表征真实的功能关系，从而降低分析的敏感性和可靠性。

因此，开发一种能够容纳非线性时间偏移的鲁棒信号处理框架，是释放fNIRS全部潜力的关键。本研究正是为了解决这一痛点，提出并验证了基于动态时间规整（DTW）的无监督聚类框架。

研究团队分析了一个公开的fNIRS数据集，共包含30名受试者（N=30）。实验设计了三种具体的运动任务，以覆盖不同的运动皮层区域：

•右手敲击（RHT）

•左手敲击（LHT）

•脚部敲击（FT）

这种多样化的任务设计有助于验证算法在不同躯体运动区域（手部侧向激活与脚部内侧激活）的泛化能力。

原始fNIRS信号往往混杂着各种噪声，为了提取纯净的神经信号，研究实施了一套严格的预处理方案：

1. 小波运动校正（Wavelet Motion Correction）： 针对受试者运动产生的突发伪影，利用小波变换技术进行识别和去除，确保信号的连续性。

2. 共同平均参考（Common Average Referencing, CAR）： 通过计算所有通道的平均值并从每个通道中减去，有效去除全局系统性噪声（如生理噪声、仪器漂移），增强局部脑区活动的特异性。

这是本研究最具创新性的部分。传统方法通常计算通道间的相关性，而本研究引入了动态时间规整（Dynamic Time Warping, DTW）。

•DTW的原理：想象两个人走路，步调不一致。传统方法要求每一步都必须严格对齐才能比较，而DTW允许时间轴进行非线性拉伸或压缩，找到两条信号曲线之间的最佳匹配路径。这使得即使两个脑区的血流反应在时间上有延迟或快慢不同，DTW也能识别出它们的相似性。

•距离矩阵计算：研究计算了所有通道对之间的Z分数标准化DTW距离矩阵。距离越小，代表功能相似性越高。

•层次聚类：基于DTW距离矩阵，使用层次聚类算法将功能相似的通道归类，从而自动发现功能网络，无需预先定义兴趣区（ROI）。

为了科学评估新框架的性能，研究团队设立了基准对照：

•实验组：无监督DTW聚类框架。

•对照组：标准的皮尔逊相关（Pearson Correlation）方法。通过对比两者的网络识别准确率，量化DTW在应对时间抖动方面的优势。

量化结果显示，无监督DTW框架在网络识别任务中达到了53.17%的准确率。相比之下，传统的皮尔逊相关基准方法仅为48.06%。统计检验表明，两者之间存在显著差异。虽然从数值上看提升约为5%，但在脑信号解码领域，尤其是在单模态fNIRS中，这一提升具有重要的统计学意义和实际应用价值。它证明了在处理存在时间抖动的血流动力学信号时，非线性方法确实优于线性假设。

除了准确率，算法发现的脑网络模式是否符合生理常识至关重要。研究结果成功检测到了独特的、符合躯体拓扑（Somatotopically correct）的调节模式：

•脚部敲击任务：算法识别出上内侧（Superior-medial）区域的激活。这与运动皮层中控制下肢的区域位于大脑内侧（靠近纵裂）的解剖事实完全一致。

•手部敲击任务：算法识别出侧向化（Lateralized）的激活。这对应于控制上肢的运动皮层位于大脑外侧的区域。

这一发现表明，DTW聚类不仅仅是数学上的优化，它真正捕捉到了大脑功能连接的生物学本质，能够区分不同身体部位运动所对应的特定脑网络。

传统BCI往往需要同步触发（即系统知道用户何时开始任务），这限制了用户体验。本研究表明，DTW框架能够鲁棒地捕捉功能网络，这意味着未来有望开发异步脑机接口（Asynchronous BCIs）。在这种系统中，算法可以持续监测大脑状态，无需外部触发即可识别用户的运动意图，极大地提升了BCI在现实世界中的可用性和自然性。

本文介绍的研究工作为fNIRS信号处理领域提供了一个重要的范式转变。通过引入无监督的动态时间规整（DTW）聚类框架，研究团队成功克服了血流动力学反应时间变异性的难题。

•方法创新：用DTW距离替代线性相关，适应了神经血管耦合的非线性时间特征。

•流程规范：建立了包含小波校正和CAR的标准化预处理流程，提高了信号质量。

•效果验证：在准确率和生理合理性上均优于传统方法。

这项研究不仅提升了fNIRS的数据分析能力，更为神经工程和康复医学带来了新的希望。

1.更精准的脑功能映射：对于需要精确定位运动皮层的神经外科手术规划或康复评估，DTW方法能提供更可靠的功能连接图。

2.更自然的脑机交互：随着异步识别能力的提升，瘫痪患者或肌萎缩侧索硬化（ALS）患者将能更流畅地使用fNIRS-BCI系统进行沟通或控制外部设备。

3.多模态融合的潜力：该框架未来可与EEG结合，利用EEG的高时间分辨率和fNIRS的高空间鲁棒性，构建混合BCI系统，进一步突破性能瓶颈。

功能近红外光谱技术正处于从实验室走向实际应用的关键阶段。正如本研究所示，通过算法层面的创新，我们可以挖掘出硬件信号中潜藏的深层信息。动态时间规整（DTW）的应用证明了，面对大脑复杂的动态变化，灵活的非线性模型往往比僵化的线性模型更具生命力。随着信号处理技术的不断迭代，我们有理由相信，fNIRS将在未来的脑科学探索和医疗康复应用中扮演更加核心的角色。