利用自回归滑动平均模型的卡尔曼滤波减少功能性近红外光谱信号中的运动伪影

本文主要探讨了在功能性近红外光谱(fNIRS)信号处理中的运动artifact reduction技术，通过结合自回归移动平均(ARMA)模型和卡尔曼滤波(Kalman Filtering)来提高信号的质量。fNIRS是一种非侵入性的脑部血氧浓度测量工具，它利用氧合血红蛋白(HbO2)和脱氧血红蛋白(Hb)浓度的变化来间接反映神经活动。由于其便携性，fNIRS特别适合于涉及受试者移动的研究，然而，头部运动产生的噪声对fNIRS信号的影响不容忽视，这降低了其在这些应用中的有效性。 ARMA模型是一种时间序列分析方法，它假设信号可以被分解为自回归项和滑动平均项的线性组合。通过构建这种模型，可以捕捉到信号中存在的趋势和周期性成分，有助于识别和分离真实脑部信号与运动引起的干扰。卡尔曼滤波则是一种用于估计动态系统的状态以及处理随机噪声的数学工具，尤其适用于含有噪声的动态数据，如fNIRS信号。 作者提出了一种基于ARMA模型的卡尔曼滤波方法，这种方法首先通过ARMA建模来识别潜在的运动相关模式，然后通过卡尔曼滤波器进行信号去噪和估计。这个过程能够有效地减少因头部运动导致的伪影，从而提高fNIRS信号的信噪比，使得在移动状态下也能更准确地测量和解析大脑皮层活动。 这项研究为fNIRS技术在运动环境下应用提供了重要的改进策略，对于那些依赖于高质量脑功能监测的实验，如认知心理学、神经科学和运动科学等领域，具有实际意义和显著的价值。通过有效减少运动artifact，这一方法有望推动fNIRS技术在临床和科学研究中的广泛应用。