恒挚分享|用于脑功能研究的fNIRS与EEG整合：一项系统的、以方法学为重点的综述

脑电图(EEG)和功能性近红外光谱(fNIRS)是无创功能性神经成像技术。在单峰基础上，EEG的空间分辨率较差，但表现出较高的时间分辨率。相比之下，fNIRS提供了更好的空间分辨率。EEG和fNIRS共享的一个重要优点是这两种模式都具有良好的便携性，并且可以集成到兼容的实验装置中，这为EEG-fNIRS的多模态联用提供了良好的基础。尽管近年来报道了越来越多的使用同步fNIRS-EEG设计的研究，但过去研究的方法学仍不清楚。为了填补这一知识空白，本文批判性地总结了用于同步fNIRS-EEG研究的分析方法现状。最后，强调了未来研究中同步fNIRS-EEG数据分析的挑战和潜力。

人脑由数十亿个神经元组成，它们中的每一个都形成许多突触，建立了一个具有千万亿个连接的复杂网络，从而使我们的大脑能够以适应性方式运作。人们认为，人脑功能和相关行为是由复杂的神经激活和网络执行的，这些内部活动会产生电活动(直接效应)并伴有血流动力学反应(间接效应)。根据信号的来源，这些脑成像技术大致可分为两类，第一类是指通过检测头皮表面的电信号从而反映神经电活动的成像技术，该类别中最具代表性的方法是(EEG)。第二类包括依赖于神经活动诱导的血流动力学(脑血流量、脑血容量)和代谢(葡萄糖和氧气利用)反应的间接成像方法，此类常用技术包括功能性近红外光谱(fNIRS)、功能性磁共振成像(fMRI)和正电子断层扫描(PE)。从这个角度来看，EEG和fNIRS因其独特的性质，特别是它们的无创性、移动性和灵活性，在研究界和临床实践中越来越受欢迎。

2.1fNIRS基础

fNIRS是一种用于无创研究大脑血流动力学反应的光学成像技术，通常利用不同波长(在600到1000nm之间)的近红外光穿透头皮并到达皮质表面，根据被修正的Beer-Lambert定律计算氧合血红蛋白(HbO)和脱氧血红蛋白(HbR)的浓度变化，由于大脑中神经活动和血流动力学反应之间的内在关系，该技术对于研究大脑内的功能激活特别有用，方式如图A。

图A

2.2EEG基础

脑电图(EEG)被认为主要是由于皮层锥体神经元的突触后电位同步所致。即当大脑被激活时，皮层内数以万计的锥体神经元同步放电，其中神经元的树突是定向的，彼此平行并垂直于皮质表面，从而诱导电信号的充分汇总并传播到头皮。通常，EEG信号是通过放置在受试者头皮上的电极，包括参考(Ref)电极和接地电极(GND)来测量的。记录的脑电信号代表大规模神经振荡活动。采集方式如图B。

图B

2.3fNIRS与EEG同步整合的原理与优势

EEG和fNIRS组合背后的基本原理还依赖于大脑内一种称为神经血管耦合的生理现象。神经活动本质上伴随着脑血流量(CBF)的波动，CBF将氧气和营养物质输送到神经元。具体来说，当神经元在特定大脑区域内被激活时，血液将流向该区域以满足神经元对葡萄糖和氧气的需求，从而导致HbO和HbR的波动，这可以通过fNIRS技术检测到。所谓的神经血管耦合构成了大脑活动综合fNIRS-EEG成像的理论基础，如图C。

为了更全面探索大脑的功能活动，与单模态方法相比，整合的fNIRS-EEG多模态方法通过利用其各自的优势提供了许多好处;EEG提供了良好的时间分辨率，而fNIRS提供了较好的空间分辨率，并且对噪声具有较高的鲁棒性。此外，EEG和fNIRS信号分别与神经元电活动和血流动力学反应相关，为已识别的活动提供内置验证。因此，从这两种模式中的每一种获得的测量值都提供了与大脑功能活动相关的互补信息。

图C

3.1fNIRS信号的基本预处理

fNIRS数据预处理中一个特别重要的步骤是信号质量检查和伪影校正。fNIRS的信号质量可能受到多种混杂噪声源的影响，例如仪器噪声(例如，由于光源不稳定、电子噪声)、生理干扰(例如，呼吸、心跳)或运动伪影。仪器噪声和生理干扰大多位于恒定频率范围内。例如，仪器引起的噪声约为3-5Hz，呼吸和心跳分别位于1-1.5Hz和0.2-0.5Hz。因此，这些噪声可以通过应用带通滤波器。尖峰或基线偏移形式的运动伪影是原始fNIRS信号中的典型噪声类别，尤其是在从儿童群体收集的数据中或在包含运动的实验任务(例如，行走或说话)中。已经开发了多种算法来识别和校正原始fNIRS信号中的运动伪影，例如样条插值、基于小波的方法或主成分分析。fNIRS数据的基本预处理流程如图D。

图D

3.2脑电信号的基本预处理

EEG信号也经常受到来自内部和外部的不同伪影的污染。内部伪影包括受试者的生理活动(如心电图、肌电、眨眼等)和头部以及肢体的运动。外部伪影主要包括环境/仪器干扰、电缆移动、电极未与头皮良好接触。消除内部伪影依赖于额外的测量(例如，眼电图/心电图/加速度计)或信号分解算法(例如，ICA/PCA)。外部伪影可以通过滤波器、信号分解算法(例如ICA)或人为的片段剪切来去除，EEG数据的基本预处理流程如图E。

图E

3.3基于EEG的fNIRS分析

在fNIRS-EEG的同步研究中，使用 EEG衍生的特征来增强FNIRS的分析，这通常称为“基于EEG的fNIRS 分析”，为研究神经血管耦合提供了一种特别新颖且直接的解决方案。在典型的fNIRS分析中，fNIRS信号通常通过一般线性模型(GLM)进行回归，该模型通过将典型血流动力学响应函数(HRF)与代表实验范式的一致时间图谱的Boxcar或脉冲函数进行卷积，以识别由特定刺激激活的皮层区域，如图F。

图F

常见的独立fNIRS分析的主要局限性是在现实环境中，神经元对重复试验或刺激的反应在整个实验中是时变的，这与构建GLM分析设计矩阵中常用的boxcar函数不一致。而基于EEG的fNIRS分析的核心思想是用来自EEG信号的感兴趣的时间或频率替换或调整fNIRS GLM分析中的 Boxcar 函数。基于神经血管耦合的线性假设，脑电图中提取的神经活动特征可以更好地估计HRF卷积后fNIRS的响应，从而提高识别实验任务诱导的相关活动区域的效率。图G总结了基于EEG的fNIRS分析的广义分析框架。表1总结了有关于进行基于EEG的fNIRS分析的研究。

图G

表1

3.4基于fNIRS的EEG分析

由于高时间分辨率和便携性，EEG是用于测量快速神经元电活动的最广泛的神经成像技术。然而，头皮脑电图的一个局限性是体积传导问题;头皮上的单个电极可以从多个来源(皮质活动、皮质下活动、外部噪声等)获取电活动，这导致难以准确的确定电活动的来源。鉴于fNIRS良好的空间分辨率，大多数基于fNIRS的EEG研究都集中在使用fNIRS的空间先验来增强对脑电图源活动的估计。图H显示了EEG源成像的基本概念及基于fNIRS的EEG源成像分析流程。

图H

3.5EEG-fNIRS的平行分析

上述两节描述了EEG和fNIRS的定向整合分析。然而，大多数可供审查的并发 EEG-fNIRS研究都集中在两种互补技术的平行分析和研究上。这些研究大致可归纳为两类：(1) 脑机接口 (BCI） (2)典型和非典型脑功能的表征。

BCI系统的开发允许用户直接基于大脑活动来控制计算机或外部设备。具体来说，通过融合来自两种模态的特征，混合fNIRS-EEG在各种任务如运动想象和执行中，分类和解码的精度比单一模式更高。另一方面，fNIRS和EEG的互补特性也带来了与各种功能相关的大脑活动的血流动力学和电生理激活模式的广泛研究，例如脑力负荷、情感状态和智力功能等。

尽管上述两类研究的目标不同，但大多数研究在处理并发fNIRS和EEG数据时往往遵循类似的步骤，主要包括特征提取、特征融合和分类。在综述文献中，广泛使用的fNIRS特征通常来自HbO和HbR的浓度变化，包括平均值、斜率、偏度、峰度、峰值、方差和中位数。并发fNIRS-EEG分析中使用的典型EEG特征在很大程度上取决于实验任务。在运动任务的情况下，功率谱密度和空间模式被广泛使用，涉及认知任务的研究通常采用与信号频带功率相关的特征。在分类方面，现有的研究大多采用传统的机器学习技术，如决策树、线性判别分析(LDA)、支持向量机(SVM)和k最近邻(KNN)。

北京恒挚科技有限公司是一家专注于前沿科技的创新型高新技术企业，深耕脑科学、神经管理、人因工程、生物力学、拟态环境及XR仿真现实等多学科交叉领域。公司由中科（广东）科学集团投资，依托广东人因技术研究院与武汉人因工程技术研究院的科研力量，构建了集研发、生产、销售及技术服务于一体的专业化运营体系，为客户提供一站式、高质量的科技解决方案。

凭借卓越的创新能力，恒挚科技已荣获多项发明专利、软件著作权和注册商标，入选国家高新技术企业等多项权威名单，并参与国家标准和团体标准的编制。公司长期服务于高校及科研院所，与中国人类工效学学会、中国心理学会、中国建筑学会等多个国家级学会深度合作，每年组织与参与40余场学术会议，推动技术交流与行业发展。

恒挚科技秉持“科技赋能、创新驱动”的理念，致力于成为行业领先的科技企业，助力国家科技进步与社会发展，携手各界伙伴共赴科技赋能的美好未来。