使用EEMD和二维RLS消除fNIRS研究中生理干扰的方法

"EEMD和二维RLS在抑制fNIRS研究中异质分布的生理干扰" 这篇论文探讨了在功能性近红外光谱(fNIRS)研究中的一个重要问题，即如何有效抑制生理干扰以提高大脑功能检测的准确性。fNIRS是一种非侵入性的神经成像技术，它通过测量血红蛋白浓度的变化来反映大脑皮层的血液氧合代谢状态，从而研究大脑功能。然而，fNIRS信号容易受到多种生理活动的影响，如心脏周期、呼吸、自发低频振荡和超低频振荡。 文章提到了两种主要的技术方法：EEMD（Ensemble Empirical Mode Decomposition，集合经验模态分解）和二维RLS（Recursive Least Squares，递归最小二乘算法）。EEMD是一种数据驱动的信号分解方法，用于将复杂信号分解成多个本征模态函数（IMFs），这些IMFs分别对应不同的频率成分。在fNIRS信号处理中，EEMD可以有效地将生理干扰与大脑功能相关的信号分离，因为它能处理非线性和非平稳性。 二维RLS算法则是一种适应性滤波技术，适用于处理多变量系统中的数据。在fNIRS中，由于信号来源的异质性（如毛细血管、动脉和静脉的分布差异），二维RLS可以对每个空间位置的信号进行独立处理，以减少噪声和生理干扰的影响，同时保留大脑功能活动的特征。 论文作者包括来自哈尔滨工业大学电气工程与自动化学院、交通科学与工程学院以及美国智能融合技术公司的研究人员。他们提出了结合EEMD和二维RLS的方法，旨在通过消除生理干扰来提升fNIRS数据的分析质量，进而提高对大脑功能活动的识别精度。 通过EEMD的信号分解和二维RLS的滤波处理，研究团队期望能更准确地捕捉到大脑活动的微小变化，这对于理解大脑功能、诊断疾病以及监测神经认知过程具有重要意义。此研究对于fNIRS技术的发展和应用具有重要的理论和实践价值，特别是对于那些需要高精度大脑功能监测的领域，例如临床神经科学、心理学和认知科学等。