没有合适的资源?快使用搜索试试~ 我知道了~
�医学信息学解锁18(2020)100286功能性近红外光谱技术在运动负荷评估中的心率质量分析作者声明:作者声明: Kamaledin Setaiddan a,*德黑兰大学工程学院电气与计算机工程学院控制与智能处理卓越中心,德黑兰,伊朗b加拿大阿尔伯塔省卡尔加里市卡尔加里市卡尔加里大学,卡尔加里家庭MR研究中心c加拿大阿尔伯塔省卡尔加里市卡尔加里大学临床神经科学系d加拿大阿尔伯塔省卡尔加里市卡尔加里大学卡明医学院霍奇基斯脑研究所A R T I C L EI N FO保留字:功能性近红外光谱心率应力评定脑血流动力学反应独立成分分析A B S T R A C T背景:功能近红外光谱(fNIRS)是一种无创的脑血流动力学研究技术。由于脑血流动力学还涉及来自心率(HR)的分量,因此可以从fNIRS(EHR)中提取HR信号。通过从EHR中去除全局系统变化,我们假设EHR包括HR之外的生理信息,这是大脑的功能反应。方法:采用蒙特利尔想象应激任务(MIST)对10名健康受试者进行心理状态测试。然后分别从fNIRS和ECG中提取EHR和参考HR(RHR)信号。然后,采用基于独立分量分析(ICA)的方法对EHR信号中的独立信号源进行识别。然后,重构出与RHR相关性最小的分量,即EHR的目标信号结果:EHR与fNIRS信号相似性度量显示两者之间存在显著相关性。到利用支持向量机分类器对EHR信号进行心理应激评估,准确率为97.3 ± 0.9%,分别比fNIRS、RHR和EHR信号结论:我们不仅表明EHR信号是一种脑相关反应,而且它包含了测量精神压力水平的有用信息。此外,它的结论是,EHR信号包括来自大脑和心脏的信息,这是有用的,因此在应用中,大脑和心脏功能的改变。1. 介绍功能性近红外光谱(fNIRS)是一种脑成像技术,其通过使用近红外波长范围(~700-900 nm)内的光并测定o x y-和deo x y-血红蛋白的浓度变化来无创评估脑的血液动力学活动具体地,通过使用连续波NIRS(CW),测量血液动力学变化,所述血液动力学变化不仅由大脑的认知活动引起,而且由所谓的非生理噪声引起,所述非生理噪声包括运动伪影、电噪声以及诸如呼吸、Mayer信号和心率(HR)的可以使用时域或频域(TD和FD)NIRS评估浓度的绝对值 [2,3]。此外,使用上述技术调查更深层的可能性是不同的。然而,对于CW、TD和FD设备的心率是重要的生理指标之一,其组成部分一直受到心理学和医学的关注。它已成为心理生理学和行为医学中的重要依赖性测量,特别是用于压力评估[4心率可以通过使用不同的算法从fNIRS中重新提取[16-23 ],其分析将有助于信息来源。在这方面,最近的研究表明,在身体[ 26 ]和心理[ 27 ]应激源下,从fNIRS信号导出的HR与从心电图(ECG)和光电容积描记(PPG)信号计算的参考HR [24他们的结果表明,在压力条件下,来自fNIRS的HR优于来自ECG和PPG信号的HR在* 通讯作者。 北卡加街, 德黑兰,1439957131,伊朗电子邮件地址:ksetareh@ut.ac.ir(S.K.Setaeldan)。https://doi.org/10.1016/j.imu.2019.100286接收日期:2019年11月7日;接收日期:2019年12月23日;接受日期:2019年12月26日在线预订2019年2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页:http://www.elsevier.com/locate/imuM. Mirbagheri等人医学信息学解锁18(2020)1002862�特别是,研究[26]的结果表明,与来自PPG信号的HR信号相比,来自fNIRS的HR可以提供更好的关于增加副交感神经活动以响应呼吸负荷和低温的物理应激源的信息。此外,研究[27]的结果表明,从fNIRS导出的HR可以对MIST(一种心理应激协议任务)引起的应激进行分类,其准确度比使用从ECG信号导出的HR信号获得的准确度高32%。在我们之前的研究中[27],使用fNIRS和心率信号来评估蒙特利尔成像应激任务(MIST)引起的应激[28]。使用了两种版本的HR信号,包括EHR(从fNIRS提取的HR)和RHR(从ECG提取的HR)。在该研究中,通过使用从EHR信号中提取的特征获得了94.6%的应力分类准确度,这分别比fNIRS和RHR信号获得的准确度高15.6%和32.2%。这些结果表明,EHR信号比RHR和fNIRS信号更适合于心理应激的分类。本文主要利用独立成分分析(ICA)的方法,对两种心率信号(RHR和EHR)之间的差异进行分析。在这方面,我们消除了独立的成分,通过使用ICA技术,这是高度相关的RHR信号。在方法章节中,已将消除的组分命名为“HR组分“,并对其进行了详细解释。因此,通过使用逆ICA的剩余分量(EHR)的重构信号不包含心脏响应。为了评估EHR的适用性并确定信息来源,首先通过使用EHR特征与基于fNIRS,EHR和RHR信号提取的特征的分类进行MIST引起的精神应激的分类比较。接下来,通过计算EHR和相应的滤波后的fNIRS信号之间的相关性,我们测量了EHR与脑血流动力学反应的相关性。这种方法本研究的目的在于证明EHR信号除了包含心率这一脑血流动力学反应外,还包含有用信息这一假设。2. 材料和方法图1所示的框图被认为是为了实现本研究的目的。首先,通过第2.1节(数据采集方案)中讨论的方案采集fNIRS和ECG信号。其次,从第2.2节(HR信号EX牵引)中讨论的fNIRS和ECG信号中提取HR信号。然后,应用ICA方法提取EHR信号的独立分量。与RHR信号相关的分量被视为HR分量,并在HR分量消除小节中的信号重构期间被消除。重构后的信号称为EHR,使EHR不同于RHR信号的信息。最后,EHR与fNIRS、EHR和RHR信号一起用于精神应激的分类。然后,计算滤波后的fNIRS和EHR信号之间的线性相关性,得到它们的关联强度。随后详细解释该框图的每个部分2.1. 数据采集协议2.1.1. 参与者10名健康、右利手的成年男性(年龄25.3 ± 2.6)参加了本实验。他们都没有心理和神经系统疾病,也没有服用任何特殊药物。实验前,我们告知参与者实验过程并提供书面同意。此外,在进入实验室环境之前,记录了参与者的心率。为了避免实验室和医疗设备带来的焦虑对实验的不可避免的影响,信号记录过程是在参与者的心率达到进入实验室前确定的正常范围时开始的。我们在伊朗国家脑图谱实验室记录了这些信号。实验室环境有适当的空调,没有环境压力和噪音。参与者坐在舒适的椅子上,距离显示器大约1.5米,并被要求在实验过程中尽可能避免摇晃(图1)。 2)的情况。的图二. 参与者执行任务的实验程序。这项实验是在伊朗国家脑图谱实验室进行的。已获得参与者的书面许可,可以露面。Fig. 1. 示意图显示源自fNIRS的HR质量分析程序由三个主要部分组成:数据采集方案、HR信号EX牵引和EHR质量分析M. Mirbagheri等人医学信息学解锁18(2020)1002863þ该 实 验 具 有 伊 朗 医 学 科 学 大 学 的 道 德 规 范IR.IUMS.REC.1396.810194120。2.1.2. 实验设置和任务顺序实验设计基于MIST方案[28],以诱导精神应激。根据研究[27,29],已经实施了几项改革以修改任务。该任务包括四个层次:EXplanation,训练,控制和压力。在EX平整和训练水平中不采集信号,而在控制和应力水平中同时记录第2.1.3参与者被要求执行简单的数学任务(两个或三个操作数的求和,减法,乘法或除法),其答案是0到9之间的整数。任务的操作数和运算符是从集合[0-9999]和{,-,*,/}中随机选择的,具有均匀分布该程序包括向每名参与者简要解释方案,然后进行1分钟的培训。 然后作为控制水平(无压力),参与者回答每个问题,没有时间限制,也没有同时显示他们的错误答案。最后,在压力诱导期,时间限制被添加和监控,以及带有“不正确”和“时间到“消息的不正确答案。 这也通过将背景颜色更改为红色来强调。 考虑到控制水平中每个人的平均回答时间,该程序在压力水平下为每个问题提供了90%的时间。此外,为了增加程序的难度,因此更多的压力,从3到9的数字按钮的排列也在这个级别中改变。关于任务序列,每个参与者的信号是在10分钟内记录,包括每个对照和应力水平的5分钟。根据图 3(A),控制和压力水平有5个两部分的块,其中第一部分与20 s的休息有关,第二部分与30 s的数学计算有关。压力等级中的程序环境示例如图所示。 3(B)。为了鼓励参与者参与到任务中来,在开始任务之前,他们承诺会有奖品,尽他们最大的努力来获得更多的积分。接受参与者 在每个级别上,计算正确答案的百分比。根据参考文献[29],正确的答案取决于压力内容。对于我们的实验,排除了在对照和应激水平中正确答案的百分比分别小于90%和30%的信号。此外,在控制和压力水平的开始和结束时,为了记录参与者在水平期间的当前状态,还要求参与者根据参考文献中提出的问卷调查方法表明他们的压力水平。[30、31]。他们评定了0到10之间的值,分别对应于没有和有高压力的条件。2.1.3. 数据采集发射器、接收器的位置和通道的布局如图4所示。使用一个连续波多通 道 NIRS 系 统 ( OX ymon MkIII , Artinis Medical Systems , TheNetherlands)在两个波长(762和845 nm)和10 Hz的采样率下评估oXy-(O2 Hb)和deoXy-血红蛋白(HHb)的变化。在本研究中,我们使用了9个发射器(脉冲激光)和8个接收器(雪崩光电二极管),它们通过安装在定制头帽上的光纤电缆耦合。由于一个OX ymon MKIII系统提供两个接收器,为了使用所述接收器记录信号,我们使用了系统的四个盒。将具有30 mm发射器-接收器的23通道阵列延伸到前额叶皮质(PFC)区域。我们使用此数量的通道以与参考文献[29]中执行的配置类似的配置记录脑信号,以获得与该研究中获得的结果相当通过三个Ag/AgCl电极记录ECG信号,RA、LA和LL位置。以512 Hz的采样率获得双极至右耳垂的信号在这项研究中,从LL位置记录的信号已经被处理(另外两个信号是图三. (A)MIST协议的信号记录部分的框图,包括控制和应力水平。控制和压力水平分为五个两部分,分别由20秒休息和30秒不同情况下的数学计算组成。(B)为MIST实现的接口布局使用C#.左侧显示应力水平的计算部分在右侧,显示其余部分M. Mirbagheri等人医学信息学解锁18(2020)1002864见图4。fNIRS检测器和光源的位置以及23个fNIRS通道的布局。源-检测器距离约为3cm。在主信号有噪声的情况下为了保证而记录)。将ECG信号下采样至10Hz,目的是在10 min期间将ECG和fNIRS中的数据样本数量均衡至6000。为了使MIST协议与fNIRS和ECG设备同步,使用了并行通信接口。因此,当参与者执行任务时,通过从计算机向fNIRS和ECG设备同时发送触发脉冲,标记对照和应激水平下数学计算部分的起点和终点。2.2. HR信号提取在本节中,研究[27]中提出的HR推导方法用于从fNIRS通道中提取HR信号。在所提出的HR推导之前,如下所述对信号进行预处理。此外,在HR推导之后,实施校正过程以改革离群HR。采用两个预处理步骤来去除fNIRS信号中与心脏反应不对应的伪影和分量。首先,使用了研究[32]中提出的算法,该算法消除了由突然运动伪影等因素引起的基线急剧变化。然后,根据参考文献[33]和本研究中受试者0.1 Hz、呼吸节律的波动以及与心律波动无关的其他频率分量。它由两个零相位巴特沃斯滤波器:一个1.9 Hz的低通滤波器和一个1 Hz的高通滤波器已被采用。类似地,为了从ECG信号(RHR)提取HR信号,消除与R峰检测过程不相关的伪影和频率分量。由于从胸部不同位置记录的不同ECG信号不具有相同的频率分量,为了检测这些不同信号中的R峰点,我们应该在峰值检测之前使用不同的滤波器。在本研究中,通过反复试验,观察到截止频率为15.36 Hz的零相位低通巴特沃斯滤波器是用于检测从位置LL记录的ECG信号中的R峰点的合适滤波器。2.2.1. 提取和校正过程HR提取过程中最重要的部分是峰值检测,因此通过计算两个相邻峰值之间的时间间隔来获得片刻的HR,然后通过三次插值来构建HR信号。在本研究中,采用了四种实时峰检测算法,包括M2D(最大二阶导数)[32]、S1和S5函数[34]以及AMPD(基于自动多尺度的峰检测)[35],以检测通过应用上一节。AMPD算法是一种适用于含噪周期和准周期信号的自动峰值检测算法。该方法基于局部极大值尺度图的计算和分析,其产生包括局部极大值的尺度相关出现的矩阵。S1函数算法定义一个函数来指定峰值点。每个数据点的峰值函数定义为左右相邻点之间最大值的平均值。由于S_1函数对局部极大值点敏感,本文对其进行了改进,提出了S_5函数。修改后的定义基于S1函数中峰值函数的平均值和标准差。 M2D算法用于检测信号的二阶导数的最大值的位置。使用五点中心差分法和随后的七点中心差分法计算二阶导数。在从每个EHR的预处理信号中提取EHR信号通过使用上述峰值检测算法对EHR信道进行检测,加权平均值被认为是总体EHR信号。根据参考文献[27]中报告的结果,AMPD、S5函数、S1函数和M2D算法的适当权重分别为5.04、4.39、3.78和3.24分别应该提到的是,EHR信号是根据参考文献从fNIRS通道的O2Hb信号中提取的[25对于参考HR信号,通过应用AMPD峰值检测算法从滤波的ECG信号中提取RHR信号。由于峰值检测的错误警报,在两个相邻峰值之间计算的时间间隔可能与它们的正确值不同。为了消除这些误差,需要一个校正过程,首先检测假警报,然后应用一种方法来校正它们获得的时间间隔。在这方面,使用基于参考文献[27]中提出的方法的窗口方法。为了给出关于该方法的简要解释,除了计算从开始到当前时间(SD)的信号的总标准差之外,还计算最近4 s间隔中每个时刻的局部平均值(m)和标准差(sd),并用于校正允许范围之外的HR。2.3. EHR质量分析EHR信号的分析和评估的地址,以调查的差异和优势的EHR信号相比,RHR信号。2.3.1. 取消人力资源部分如图1所示的整体框图所示,通过提取EHR信号然后应用ICA算法来获得EHR的独立分量。由于从每个参与者记录了23个通道,因此考虑了23个独立分量。根据第2.1.3节,每个组件中的样本数量为6000。接下来,计算这些分量中的每一个与RHR信号的相关性。在选择分量部分,与RHR信号具有最低相关性的20%的独立分量被存储并通过应用逆ICA重构为EHR信号。总的来说,EHR是其分量相关的EHR信号,对心脏反应的影响已经被消除了通过试验和误差分析,得到了最佳的重构成分2.3.2. fNIRS信号预处理在本节中,根据参考文献,还进行ICA以抑制与包括心脏在内的生理振荡相关的fNIRS信号的噪声以及与心脏功能相关的其他未知伪影[16、36]。有目的地,首先模拟心脏信号,基于参考文献[37]中描述的方法表示fNIRS信号中的心脏噪声。心脏信号是通过对一组具有恒定幅度和0.05s的标准偏差的高斯波进行积分来构建的,这些高斯波以检测到心跳的时间为中心M. Mirbagheri等人医学信息学解锁18(2020)1002865�����接下来,计算fNIRS信号的独立分量,并与模拟心脏信号进行比较。最后,重构与模拟信号具有最低相关性的20%的分量。通过反复试验,确定了各组分的最佳配比。除了ICA去噪之外,在进行分类和比较过程之前,还将带通滤波器[0.0012.3.3. 应力分类在本节中,应力分类是使用滤波后的fNIRS和提取的EHR、RHR和EHR信号。当提取下面描述的特征时,通过应用主成分分析(PCA)来修剪它们。最后,通过使用支持向量机(SVM)分类器[41]并应用sigma等于2.5的RBF核函数对应力进行分类。从HR和fNIRS信号中提取了时域的四个特征,即mt,sdt,Skt,Kut和频域的四个特征,即mf,sdf,Skf,Kuf,它们是第一统计特征。在时间和频率域的时刻。 LF =HF是从HR信号中提取,其是HR测量的带宽[0.04-0.15] Hz(LF)中存在的低频分量与带宽[0.15-0.4] Hz(HF)中存在的高频分量的比率。尽管据报道LF/HF不能准确测量心脏交感-迷走神经平衡[42],但该指标已在研究[ 26 ]中引入,作为压力条件下的信息指标。总共,八种和九种类型的特征分别从fNIRS和HR信号中提取。所选特征已在其他地方详细描述[27,43]。如第2.1.2节所述,控制和压力水平有5个两部分的周期:20秒的休息和30秒的计算.在本研究中,根据[29]执行分类程序。在本程序中,需要将30-s部件分类为控制和应力水平。在这方面,为了形成fNIRS数据集,从每个信号中分离出10个30秒部分。由于记录了来自10个受试者的23个通道的信号,总共有2300个30秒部分。然后,每个部分被分成三个10-s部分,并从这三个部分中的每一个中提取用于fNIRS的所述八个特征。该过程应用于fNIRS通道的O2Hb和总血红蛋白(tHb)信号,因此从每个fNIRS通道提取具有48个特征的10个数据(5个对照数据和5个应激数据)对于EHR测量,EHR数据的每个30-s部分也被划分为三个10-s部分,并且从每个部分提取用于EHR的所述九个特征以形成EHR数据。由此,构建了具有27个特征的2300个数据点。关于RHR,由于在10个部分的控制和应激水平期间记录了10名受试者的ECG信号,因此总共有100个样本具有与EHR相同的特征编号。然后通过实施PCA来修改特征,作为特别适合于检测相关性较低的特征本节中提出的应力分类问题已经执行,以表明EHR到RHR的不相关组件具有可用于应力分类的有用信息。此外,EHR信号与其相应的滤波fNIRS信号(tHb信号)的相关性被计算以显示它们的一致性。3. 结果3.1. EHR质量分析结果通过应用第2.3.1节中描述的方法获得的EHR信号的样本及其相应的fNIRS信号在图5中示出,其已经从第四个参与者提取。以下两个信号之间的Spearman线性相关性为71.7%。从图5中可以看出,两个信号的趋势是相似的。采用SVM分类器和PCA特征调节算法,使用从fNIRS、EHR、RHR和EHR信号中提取的特征对应力进行分类在这种分类中,70%、15%和另外15%的数据分别被认为是训练数据、有效性数据和测试数据。由于它们是以均匀分布随机选择的,因此为了避免随机选择的影响,将信号单独分类50次每个分类器获得的准确度的平均值和标准偏差报告在表1中。使用EHR信号和应用SVM分类器的应力分类准确度为95.5 - 1.1%,分别比fNIRS和RHR信号的准确度高11%和29%通过PCA算法对EHR信号进行特征修剪,SVM分类器的应力分类准确率提高到96.4 ± 1.1%。根据表1,应力分类的准确性,采用EHR信号和使用SVM分类器的准确率为97.3 ± 0.8%,分别比EHR和fNIRS信号达到的最佳准确率高1%和13%。在应用PCA算法后,它被降低到96.8 ± 0.8%。总的来说,在MIST过程中的最大的应力分类精度已获得使用EHR信号,当它们的特征被分类的SVM分类器没有特征条件。3.2. 统计分析通过对MIST过程中记录的fNIRS信号应用加权平均法并提取EHR信号,获得EHR信号与其对应的RHR信号之间的Spearman线性相关百分比为92.25 ± 0.051%,这证实了该算法用于本研究中的HR信号提取的适用性。其中信号包含低水平的运动伪影。EHR信号与其相应的RHR信号之间关于其通道的线性相关性并不完全相同。EHR信号与RHR信号相关性更高的PFC区域的位置如图6所示。黄色的强度表示相关性的百分比。据观察,PFC区的横向位置往往有更多的相关性在这方面。EHR信号与相应的fNIRS信号在不同通道位置上的线性相关性不同。在图7中,PFC区域的位置用它们的相应相关性来说明,使得具有更大相似性的那些区域是可检测的。每个位置的红色强度与两个信号之间的相关图五. 来自第四名参与者的fNIRS信号(蓝色)与MIST期间其相应EHR信号(红色)的比较示例。前五个绿色部分对应于控制水平,后五个橙色部分与压力水平相关。M. Mirbagheri等人医学信息学解锁18(2020)1002866表1使 用 由 SVM 分 类 器 构 造 的 不 同 分 类 器 的 应 力 分 类 的 准 确 性 , 以 及 当 采 用fNIRS、EHR、RHR和EHR特征时的PCA特征调节。分类器SVM数据fNIRS EHR RHREHR准确度(%)84.3± 1.795.5� 1.166.5± 8.2 97.3±0.8使用PCA的准确度(%)81.7 1.3级96.4± 0.752.2�9.596.8 0.8分见图6。EHR和RHR信号之间的相关值说明,与记录信号的通道有关。黄色的强度与相关值成比例见图7。EHR和fNIRS信号之间的相关值的图示,关于信号已被记录的通道。红色的强度与相关值成比例相关结果如图1A和1B所示。图6和图7可以合并为一个图。在这方面,图8描述了用于提取EHR和EHR信号两者的区域效率的水平。在该图中,蓝色的强度是图1和图2中提到的每个位置中的黄色和红色强度的平均值。6和图7据观察,全氟化学品区域的某些地点在这方面更合适4. 讨论本研究探讨了EHR和RHR之间的差异,EHR所代表的信息在应激评估中可以大大优于RHR。为此,采用MIST对10名健康右利手男性受试者在诱导应激条件下的心理状态进行了评定。同时对fNIRS和ECG信号进行编码,提取EHR和RHR,进行质量分析。为了区分EHR信号中的独立源,并获取EHR,应用了一种基于ICA的方法。基于从fNIRS、EHR、RHR和EHR中提取的各种时域和频域特征,分别进行了几种应力分类问题。除了表明EHR信号在压力分类中与其他前述测量相比的有效性之外,EHR信号与其对应的fNIRS信号之间的高相关性还证实了EHR信号携带对压力评估有用的重要信息。在这项研究中,我们假设,除了心脏相关的组件,EHR信号携带其他组件所产生的局部系统或功能的大脑反应。作为局部系统信号的皮肤血流与使用fMRI获得的BOLD信号高度相关[44,45]。因此,没有必要从fNIRS或EHR信号中去除皮肤血流。该方法首先利用ICA算法将EHR分解为独立分量,然后去除80%与参考HR相关性最大的分量,以去除全局系统噪声。然后,EHR信号被重建,包含导致EHR和RHR信号之间的差异的信息。在提取了时间和频率上的适当特征之后在fNIRS、EHR、RHR、EHR信号的不同域中,对信号应用分类器由PCA特征调节算法和SVM分类器构建,由于分类精度更稳定且计算速度更快,因此在算术任务期间记录的fNIRS信号分类方面优于多层感知器[27,46]。然而,通过将人工神经网络作为一种专用的分类方法,未来的研究可以调查这种方法,以获得更高的验证。在这项研究中,最大的分类精度,图8.第八条。 fNIRS通道提取EHR和EHR信号的效率。蓝色的强度与通道的适用性成比例M. Mirbagheri等人医学信息学解锁18(2020)1002867��������Þ��MIST下的应力,实现了使用EHR信号,这是通过应用SVM分类器进行分类,准确率为97.3 - 0.8%。预处理是提高与心理任务对应的fNIRS信号质量以进行有效分类的基本步骤[39,47]。在本研究中,使用基于ICA的方法对fNIRS信号进行预处理,分类准确度为84.3 ± 1.7%,比参考文献[27]中报告的准确度高5.5%。这种分类精度的提高证实了这种预处理方法在fNIRS信号降噪中的适用性。此外,在研究[46]中进行的自适应滤波算法和ICA的比较分析表明,ICA的性能优于ICA,因为它的非迭代性质。在文献中,有不同的研究采用了称为“ICA去噪“的fNIRS预处理方法在这项研究中,我们使用相关和幅度平方相干,以确保所提出的去噪方法的有效性。另一方面,关于ICA方法中选择的最不相关成分的百分比,我们也测试了其他百分比。我们的研究结果表明,使用20%的最小相关分量导致更准确的精神压力分类(84: 3),甚至与基于幅度平方相干的结果(83: 3)相比,1:7 1: 3%)。这是我们采用基于相关性的ICA去噪,并选择20%的阈值用于最小相关ICA分量的原因。为了考虑每个通道对精神压力分类准确性的影响,我们分别对所有子组的每个通道进行了调查。最少和最准确的分类结果得到的fNIRS信号,有关通道11和12,分别占37: 8 7: 8%和66: 1 12:4%。然而,多通道方法导致84: 3 1: 7%的准确度,这比使用单个通道获得的准确度高得多。这是本研究采用多通道fNIRS此外,通过使用包括O2Hb和HHb浓度变化、O2Hb和tHb浓度变化以及HHb和tHb浓度变化的不同浓度组合,获得的准确度分别为80:5 1: 8%、84: 3 1: 7%和79: 3 1:因此,最佳配置与使用O2Hb和tHb浓度变化有关,这在本研究中已被考虑。在[26]的研究中,将EHR信号与在物理应激下从PPG提取的HR信号进行了比较。上述研究表明,与从PPG信号提取的HR信号相比,EHR信号可以更显著地揭示由环境温度和呼吸模式的变化引起的应激。本研究证实了这一发现,并显示了这两个HR信号之间的差异的原因。EHR信号是EHR和RHR信号的独立分量的组合。结果表明,EHR信号包括大脑的功能反应,其能够对MIST引起的压力进行分类,其准确度分别比fNIRS和RHR信号获得的准确度高13%和30.8%。EHR特征可以对MIST引起的应激进行分类,平均准确度为96.4%,比研究[29]中获得的准确度高1.3%,其中提出了基于联合独立成分分析(jICA)的方法来融合EEG和fNIRS测量。除了应力分类之外,还对本研究中提取的信号进行了统计分析。所有受试者的EHR信号与其相应的fNIRS信号之间的Spearman相关性平均为22.2 ~ 47.1%,所有通道的最小和最大相关性分别为5.8%和74.9%。这些大范围的变化表明每个主题的主题依赖性和频道位置依赖性。由于除了心脏伪影之外,fNIRS信号还具有掩盖脑血流动力学活动的其他伪影,因此fNIRS的更有效的预处理步骤与EHR信号进行相似性度量之前的信号可以给出更全面的结果。此外,在比较了EHR和相应的fNIRS之间的相关性,观察到PFC区域的某些位置不仅适合于提取心脏反应(EHR),而且其估计的EHR信号与其相应的fNIRS信号具有更大的相关性。因此,当记录fNIRS信号时,PFC区域的这些位置更好,使得它们的心脏和大脑反应可以更有效地在它们的EHR信号中表示。计算了EHR和EHR之间的Spearman线性相关性,对于每个参与者的信号,观察到它们之间有99.64-5.08e-4%的强相关性。这种强烈的关联引发了一个问题:每个参与者的EHR信号的通道?”雾当采用这些信号时,通过SVM分类器获得的应力分类准确度的百分比为46。7%至 10.6%。因此,尽管每个参与者的EHR信号之间存在很大的相似性,但它们包含对精神压力评估有用的其他信息。与PPG信号中与心跳相关的峰值和受血压和动脉的弹性性质(血管的扩张)影响的相关ECG信号之间的时间差一样[48,49],ECG信号和fNIRS信号中的峰值之间的类似差异似乎反映了大脑中血管的扩张;因此脑血流动力学是由脑功能引起的。在本研究中,根据参考文献[51]中提出的方法,通过带通滤波和ICA降噪的组合消除了心动周期、呼吸、动脉血压和Mayer波波动[50]引起的全身生理学的全局源。但是,消除局部系统性变化(局部SBF)是不可避免的,除非我们使用超声仪器,ICA空间方法或时间分辨fNIRS,基于过去十年的研究[52,53]。根据新发表的研究,我们目前认为没有必要去除PFC中的局部SBF成分[45,54]。根据他们的相关性分析结果,位于PFC激活区的fNIRS通道的SBF成分与灰质中的BOLD信号(通过fMRI获得)的相关性更高,而不是软组织中的这种信号或LDF信号。本研究提出了一种抽取小说的方法信号即EHR,它是从fNIRS中提取的,并且在这项研究中已经被证明在精神压力评估中比fNIRS和HR信号都更有效然而,作为一个限制,这项工作是不是基于一个实时的方法,在线应用程序有用它也将是有趣的调查其应用在这样类似的研究领域的工作,如注意力,精神负荷,精神疾病,和睡眠[55目前的研究表明,EHR信号是大脑的反应,这消除了对特征融合算法的需要,结合了大脑和心脏信号的特征。因此,计算量将减少,这在生物医学信号的可穿戴应用中非常重要,特别是在可穿戴fNIRS中,以允许在日常生活场景中进行测量[73,74]。EHR信号可以用于除压力评估之外的其他应用,其中大脑和心脏功能被改变,特别是当需要在生物反馈[75目前的研究仅限于PFC区域,而此类应用可能需要记录其他大脑区域的大脑活动。因此,研究这些区域的神经元活动可以作为未来的研究。M. Mirbagheri等人医学信息学解锁18(2020)1002868�5. 结论在MIST诱导的精神应激状态下,同步记录fNIRS和ECG信号,分析fNIRS提取的心率质量。目前的研究表明,EHR信号包含心脏和大脑的反应。通过消除EHR信号中的HR成分,我们证明了剩余的数据包含大脑反应。特别是,我们的研究结果表明,在重建EHR信号后,然后使用SVM分类器进行分类,其准确率分别为97.3 ± 0.8%,30.8%,13%,1.8%,分别高于RHR,fNIRS和EHR信号单独获得的准确率。此外,在MIST诱导的精神应激刺激过程中,EHR和fNIRS信号之间存在显著相关性。这表明,EHR信号可以用于压力评估作为一个兼容的心脏和大脑的反应,通过只有一个近红外便携式设备。伦理声明本研究包括人类参与者,他们在实验前被告知方案并给予书面同意 。 该 实 验 符 合 伊 朗 医 学 科 学 大 学 的 道 德 规 范IR.IUMS.REC.1396.810194120。竞合利益作者声明,该研究是在没有任何商业或财务关系的情况下进行的,这些关系可能被解释为潜在的利益冲突。致谢该项目得到了NBIC委员会(纳米技术、生物技术、信息技术认知科学)、NBML(国家脑图谱实验室)和伊朗CSTC(认知科学和技术委员会)的部分支持。&作者要感谢所有参与这项研究的人,包括合作的受试者和学生引用[1] Scholkmann F等人,连续波功能近红外光谱和成像仪器和方法学综述。神经影像学2014;85:6-27.[2] 杨文伟,王晓,王文伟,王文伟.识别和量化生理噪声的主要成分在功能近红外光谱对前额叶皮层。《前线神经科学》2013;7:864.[3] 星功能性近红外光学成像:在人脑测绘中的实用性和局限性。心理生理学20 0 3 ;40(4):511-20.[4] [10]杨文辉,陈文辉,陈文辉,陈文辉,陈文辉. 的电脑作业时心理应激对心率变异性和血压影响欧洲应用生理学杂志20 0 4 ;92(1-2):84-9.[5] Chandiramani S,COHORN LC,Chandiramani S.闭环刺激急性精神应激时的心率变化:两项单盲起搏器研究报告。起搏临床电生理学2007年8月;30(8):976-84。[6] Soder HE,Wardle MC,Schmitz JM,Lane SD,Green C,Vujanovic AA.基线静息心率变异性可预测合并物质使用障碍和创伤后应激障碍的成人创伤后应激障碍治疗结果心理生理学2019年:e13377。[7] Brindle RC,Ginty AT,Whittaker AC,Carroll D,Lucas SJE。利用心理应激控制血压评估脑压力-血流关系。心理生理学2018;55(12):e13265。[8] 林文龙,陈文龙,等.神经模糊技术在心理应激评估中的应用.中国心理学杂志,2001,17(1):117 - 118.应用软件计算8月2012;12(8):1978-84。[9] 儿童心率变异性作为压力指标:与报告的压力和皮质醇的关联。生物心理学十月2013;94(2):433-40.[10] Ebrahimzadeh E,Soltanian-Zadeh H,Araabi BN.使用同步采集的EEG-FMRI数据定位癫痫灶。Comput Intell Electr Eng(ISEE) 2018;9(No.2): 15-28.https://doi.org/10.22108/ISEE.2018.111024.1123网站。[11] [10]杨文,李文.通过短期心率变异性分析评估健康成人的急性精神应激:一项荟萃分析的系统评价Biomed信号过程控制4月2015;18:370-7.[12] 艾卜拉希姆扎德,普扬,比贾尔.一种新的方法来预测心脏性猝死(SCD)使用非线性和时频分析从HRV信号。PLoSOne Feb. 2014;9(2):e81896.[13] [10]李文辉,李文辉,李文辉,李文辉. 阵发性心房颤动的预测:一种基于机器学习的方法,使用组合特征向量和HRV信号专家分类的混合。 计算方法进展生物医学10月。2018;165:53-67.[14] Reyes del Paso GA,Langewitz W,Mulder LJM,van Roon A,Duschek S.低频心率变异性作为交感心张力指标的实用性:一项回顾,重点是对以往研究的再分析。Psychophysiology May2013;50(5):477-87.[15] Crone EA,Somsen RJM,Van Beek B,Van Der Molena MW.决策前因与后果之心率与皮肤电传导分析。心理生理学2004;41(4):531-40.[16] [10]杨文辉,杨文辉.通过开创性的HRV信号特征选择方法预测心脏性猝死的最佳策略。Comput Methods Progr Biomed 2019年2月;169:19-36。https://doi.org/10.1016/j.cmpb.2018.12.001网站。[17] Chi PTK,Tuan VN,Thuong NH,Khanh HTK,Yu H,Thang ND. 应用经验模式分解及独立成分分析法去除功能性近红外光谱信号之杂讯。新加坡:Springer;2018.p. 925- 9[18] [10]杨文军,李文军.使用近红外技术的脑功能成像。IEEE Eng Med Biol Mag2007;26(4):38-46.[19] Jahani S,Setahidan SK,Boas DA,Yücel MA.基于样条插值和Savitzky-Golay滤波的功能近红外光谱运动伪影检测与校正神经光子学2018;5(01):1.[20] 杨志华,陈志华,陈志华.基于血流动力学模式的差异,将fNIRS信号分离为功能和全身成分。PLoS One2012;7(11):e50271.[21] [10] MaheuXM,Bisaillon-SicotteE?,TabriziS,ArmonyJL,LinaJ-M,JolicoeurP.使 用 折 刀 法 在 fNIRS中 最 佳 测 量 血 流 动 力 学 反 应 潜 伏 期 。 心 理 生 理 学2 0 1 7 ;54(1):62-73。[2
下载后可阅读完整内容,剩余1页未读,立即下载
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pptx](https://img-home.csdnimg.cn/images/20210720083543.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://img-home.csdnimg.cn/images/20210720083327.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 计算机系统基石:深度解析与优化秘籍
- 《ThinkingInJava》中文版:经典Java学习宝典
- 《世界是平的》新版:全球化进程加速与教育挑战
- 编程珠玑:程序员的基础与深度探索
- C# 语言规范4.0详解
- Java编程:兔子繁殖与素数、水仙花数问题探索
- Oracle内存结构详解:SGA与PGA
- Java编程中的经典算法解析
- Logback日志管理系统:从入门到精通
- Maven一站式构建与配置教程:从入门到私服搭建
- Linux TCP/IP网络编程基础与实践
- 《CLR via C# 第3版》- 中文译稿,深度探索.NET框架
- Oracle10gR2 RAC在RedHat上的安装指南
- 微信技术总监解密:从架构设计到敏捷开发
- 民用航空专业英汉对照词典:全面指导航空教学与工作
- Rexroth HVE & HVR 2nd Gen. Power Supply Units应用手册:DIAX04选择与安装指南
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)