类似于功能磁共振成像技术（fMRI），功能近红外光谱成像技术（fNIRS）检测大脑内血红蛋白种类的变化，但是是通过光学吸收的差异。在近红外光谱中，光可以穿透生物组织并被发色团（如氧合血红蛋白和脱氧血红蛋白）吸收。fNIRS的优势在于其便携性和可长时间监测的潜力。本文综述了fNIRS的基本机制及其临床应用，fNIRS在更广泛的临床应用方面的局限性，以及目前在提高fNIRS的时空分辨率方面所做的努力以期在受试者中获得稳健的临床应用。fNIRS可充分评估全局脑功能，已成为危重症环境下评估脑卒中和创伤性脑损伤患者脑氧合和自我调节的重要工具。当涉及到更复杂的应用时，空间和时间分辨率就变得至关重要了。多通道NIRS提高了fNIRS在特定任务模式下（如语言映射）的脑成像的空间分辨率。然而，目前需要进行平均和组分析，限制了其在个体受试者监测和实时事件检测中的临床应用。信号处理方面的进步推动fNIRS向个体临床应用方向发展，用以检测某些类型的癫痫发作、评估自主神经功能和皮质扩散性抑郁。然而，其准确性和精确度的缺乏一直是fNIRS更复杂的临床应用的主要障碍。高密度全头光极阵列的使用、相对于头部的精确传感器位置、解剖配准、短距离通道和多维度信号处理可以结合起来以提高fNIRS的灵敏度并增加其作为对大脑功能进行稳健评估的广泛临床工具的使用。本文发表于Frontiers in Neuroscience杂志。

引言

功能性近红外光谱成像技术（fNIRS）是一种可用于长时间评估局部组织氧合情况的成熟的非侵入性工具。它在40年前由Jöbsis描述，并已被应用于不同的临床环境，特别是神经科学领域。本文旨在讨论fNIRS的机制、其在检测大脑活动方面的优势和局限性、fNIRS的临床应用现状，以及将fNIRS发展成为一种更广泛的临床工具的未来方向。

大脑是一个高能量需求的器官，神经元的激活与大脑血流量和容量的增加有关。这种所谓的“神经血管”耦合是许多功能性神经成像技术的基础，包括fNIRS、功能磁共振成像（fMRI）、正电子发射断层扫描（PET）和单光子发射计算机断层扫描（SPECT）。通过测量不同种类血红蛋白的光吸收变化，fNIRS可以计算出脑血流的时间变化。fNIRS的一些特点，包括便携性、非侵入性、成本效益性和耐受性，使其成为临床护理和神经科学研究的有利工具。同时监测其他实时生理参数，如脑电图，可以进一步提高其时间分辨率，使其成为研究癫痫、自主神经功能和生理现象的理想工具。

事实上，fNIRS已经成为儿科重症监护室标准护理的工具，用以实时评估局部氧合，如躯体和大脑氧合。它也被广泛用于评估任务相关的皮层功能。通过使用组块设计可以增强局部脑血流信号，以表征基于任务的皮层功能。在本文中，研究者将重点关注一直是神经学家和神经外科医生的主要兴趣所在的语言映射。

在涉及到更复杂的实时测量时，fNIRS遇到一些限制。

首先，在大多数临床环境中使用的低通道fNIRS缺乏空间分辨率，而空间分辨率对于认知测试中的功能定位和癫痫检测中的源定位至关重要。

其次，尽管多通道fNIRS的发展大大提高了该技术的空间分辨率，但由于fNIRS的信噪比（SNR）降低，单个事件分析仍然具有挑战性。组分析和信号处理可以增加信噪比，但仍然无法实时分析单个事件，如癫痫发作。诸如矢量图分析等检测血流动力学响应的初始下降的技术有助于解决这一问题。

第三，与EEG相比，fNIRS的时间分辨率在捕捉单个神经事件方面可能不够理想。癫痫发作在神经元之间以毫秒的时间尺度迅速传播，可能需要高采样率来精确源定位。临床脑电图的采样率通常在256 ~ 1024 Hz之间，而fNIRS的采样率则要低一个数量级。

最后，fNIRS空间定位的再现性往往受到个体解剖和传感器放置之间缺乏共配准的限制。将标准化的光极放置与个体受试者解剖进行联合配准，并个性化地生成fNIRS信号传播的正向模型，再结合fMRI验证，可以帮助解决这一问题。

通过适当的光波波长选择，fNIRS神经血管耦合的特性还可以扩展到代谢功能方面，例如使用细胞色素c氧化酶（CCO）。结合同时测量fNIRS与其他神经成像分析技术如脑电图和神经网络学习，fNIRS在神经科学中具有广泛在临床应用潜力。

通过检测不同光吸光分子的相对浓度的变化，fNIRS可以分析大脑中的能量代谢。例如，fNIRS可以以类似于fMRI的方式测量氧合血红蛋白和脱氧血红蛋白的变化，从而反映神经元激活的局部变化。为了做到这一点，必须有足够的近红外光入射到皮层表面。通过蒙特卡罗模拟可以预测透过颅骨、头皮和脑膜的光衰减量（如图1所示），以解释周围组织的静态吸光特性。

图1 使用一个点LED光源以垂直于头皮的角度入射的蒙特卡罗光子传播模拟以港湾海豚为模型的解剖结构。

商业的fNIRS系统使用单独的光源和探测器。典型的源-检测器间距在儿童中为1.5-3厘米，在成人中为2.5-5厘米，具体取决于头围，但建议成人的间距不超过3.5厘米。近年来，短间距通道（从光源到检测器的距离小于1cm）的使用已被纳入研究，以估计和消除典型光源-探测器通道中头皮的血流贡献。因此，周围组织的光吸收模型还必须考虑光到达皮层并被反射回探测器的路径。这种情况如图2所示。

降噪和信号处理

多种信号干扰源（即噪声）会使fNIRS信号的解释复杂化，这一直是临床环境中的一个主要挑战。噪声源可能包括头部运动、由于头皮上光极（光源和探测器）之间的距离变化而导致的耦合随时间的变化，以及与神经元活动无关的血流变化。fMRI测量的是由于体磁特性的变化而导致的氧合和脱氧血红蛋白的比例，而fNIRS则分别测量了氧合血红蛋白和脱氧血红蛋白，这可能被心率和血流的变化所混淆。由于近红外波长必须首先通过脑膜、颅骨和头皮，这些组织的生理变化可能会引起光源和探测器之间的光吸收的变化，而这可能与神经元活动的功能变化无关。此外，与fMRI一样，fNIRS信号对神经元活动变化的响应与血流动力学响应函数相卷积，该函数描述了控制血液流入毛细血管床以响应神经元代谢需求变化的小动脉括约肌的潜伏期、过冲和下冲。

为了将与任务相关的信号从噪声中分离出来，许多信号处理技术已经被开发出来。下面的小节简要概述了目前减少生理噪声和运动伪影来源的方法。

减少fNIRS中的生理干扰源

fNIRS中存在的生理噪声来源包括心率、血压波动、呼吸频率和头皮血流。多种方法已被用于识别和去除生理噪声，包括数字滤波、预白化、自适应滤波、数据驱动方法如主成分分析（PCA）和独立成分分析（ICA），以及使用短间距通道。由于不同的生物功能通常发生在不同的频率范围内，数字滤波可用于减少或消除发生在与大脑活动相关的任务测量不同的时间频率上的干扰源。然而，血压波动（0.08-0.12 Hz）和静息心率（1-1.5 Hz）可能在频率上与感兴趣的信号重叠，并可能与某些类型的组块设计中的任务相关信号相混淆。

另一种选择是通过预白化去除生理噪声。预白化可以通过去除与任务无关的生理信号来去除时间上的自相关信号（如心率）。为了确定预白化滤波系数，Barker等人（2013）和Blanco等人（2018）使用了一种迭代自回归模型来减少由一般线性模型分析估计的任务相关活动中的残差。预白化的精度可能会受到运动伪影的影响。因此，在应用预白化之前，应该去除信号中存在的任何运动伪影（参见下面的“运动伪影降噪”一节）。

自适应滤波技术在开环或闭环控制模型中使用线性函数系统。Nguyen等人（2018）应用这一原理，通过对刺激的预期血流动力学响应、检测皮层外噪声的短间距通道信号、生理噪音（心率、呼吸和血压波动）的傅里叶近似值和基线漂移的线性组合，降低手指敲击任务期间fNIRS中存在的生理噪声量。使用递归最小二乘估计器估计未知的模型系数，以产生一个自适应滤波器，能够降低氧合血红蛋白中平均77%的噪声和脱氧血红蛋白中平均99%的噪声。这种类型的滤波存在一些局限，包括参数调整、需要定义噪声分布，以及在滤波器不是闭环时的有偏估计。

由头皮全血流引起的fNIRS的变化可能会造成额外的信号混淆，尤其是在要求更高的功能性任务中。空间分析（如PCA）可以用于去除与功能性任务无关的全血流。当存在一个主要的变异来源（如全局血流或运动伪迹）时，PCA可以特别有效，但如果有多个来源驱动整体变异，PCA可能会失败。此外，PCA方法需要多个通道来可靠地从感兴趣的生理信号中解析全血流。高斯核方法（类似于fMRI中使用的方法）也被证明在跨通道空间应用时可以去除头皮的全血流，尽管对大血管系统产生的局部空间血流变化的解释能力并没有很好地说明。最后，通过利用通道之间的时间相干性来识别具有高空间均匀性系数的大信号分量，ICA已被用于去除步态实验期间的全血流。虽然ICA在脑电图中去除伪影方面的应用已经很成熟，但其在fNIRS中的应用却受到限制。

最近，短间距通道（光源-探测器间距约8毫米）已被用于直接测量和去除fNIRS中的头皮血流。近红外光发射器和探测器之间的短间距阻止了光穿透到皮质表面，从而限制了对头皮的血流测量。Funane等人（2015）表明，通过短距离通道（~ 1.5 cm）获得的血红蛋白信号与头皮血流的激光多普勒血流测量值的相关性比针对成人皮层血流测量的标准的发射器-检测器间距（~ 3 cm）获得的信号更好。此外，Nguyen等人（2018）的研究表明，短间距分离通道与长间距分离通道中存在的其他生理噪声不相关（r< 0.38）。因此，在fNIRS分析中加入短间距离通道作为回归因子可以减少来自头皮血流的信号干扰。

运动伪影的降噪

运动伪影可能发生在说话或面部、头部和/或上半身的运动中。通常，当这些运动发生时，头皮上的光极会发生移位，导致fNIRS信号中尖锐的高频位移、慢波漂移或基线偏移。各种方法被用于去除运动伪影，包括基于小波的滤波、样条插值(spline interpolation)和Kalman滤波。由于其时频定位特性，小波可以特别有效地消除运动伪影。基于小波的方法将fNIRS信号分解为小波系数，并在假设它们与运动伪影相关的情况下去除那些落在预定义分布（如高斯分布）之外的系数。Molavi和Dumont（2012）报告了使用小波后婴儿fNIRS中运动伪影的减少。尽管基于小波的方法可以有效地在去除尖峰伪影，但该方法可能在尖峰伪影周围的数据中产生额外的基线偏移。此外，达不到阈值标准的伪影会继续破坏信号。

样条插值方法将运动伪影建模为一系列样条函数，然后从数据中减掉它们。Scholkmann等人（2010）报告称，在样条插值前后，NIRS信号的均方根误差平均下降了89.8%。虽然他们发现了运动伪影的减少，但在样条插值后，残留的高频尖峰仍然存在。在一项比较研究中，Jahani等人（2018）发现，将样条插值与Savitzky - Golay滤波或鲁棒局部加权回归平滑（RLOESS）相结合，能够在不在信号中引入额外伪影的情况下校正基线偏移和高频峰值。尽管样条插值-savitzky-golay和样条插值-RLOESS这两种方法在伪影去除方面产生相似的结果（即真实和估计的血流动力学响应函数之间的均方误差：样条插值-savitzky-golay和样条插值-RLOESS分别为0.44±0.06和0.56±0.08），但是对于51个通道，样条插值-savitzky-golay方法的处理时间（16秒）明显快于样条插值-RLOESS（1800秒）。

随着时间的推移，Kalman滤波通过随时间添加的附加信息递归地改进信号的估计。Izzetoglu等人（2010）比较了Kalman滤波、自适应滤波和Wiener滤波在去除在进行不同速度头部运动的11名受试者的fNIRS数据的运动伪影方面的有效性。他们发现，与自适应滤波（SNR =[2.79 4.17]）相比，Kalman滤波显著提高了fNIRS信号的信噪比（SNR =[6.63 8.51]），而Kalman滤波与Wiener滤波（SNR =[5.25 9.05]）之间没有统计学差异。这一点很重要，因为Kalman滤波可以应用于实时分析，而无需自适应滤波所需的额外传感器，需要像Wiener滤波那样要求fNIRS信号具有统计平稳性。然而，在使用Kalman滤波去除运动伪影时要谨慎，这是因为如果滤波器设置不当，由于不稳定性导致的误差随时间累积，非建模的系统动力学或数据中的非线性可能会影响性能。

细胞色素c氧化酶的氧化还原状态

除了大多数脑活动成像测量中存在的生理信号混淆和运动伪影外，通过氧合和脱氧血红蛋白的变化来测量血流动力学响应的变化具有其固有的局限性。它对测定脑氧代谢率（CMRO2）不够灵敏。血红蛋白提供了有关脑循环和血管内氧合程度的信息，但其浓度不能反映组织的氧利用能力。另一方面，线粒体负责大部分直接的细胞氧代谢。因此，CMRO2与线粒体功能直接相关，有助于识别血流动力学变化的临床意义。在动静脉血容量比是固定的情况下，将脑氧合、动脉氧合与脑血流（CBF）相结合，可以计算出CMRO2。然而，由于其侵入性，在许多临床环境中测量脑氧合具有挑战性。因此，研究者们一直专注于第三种发色团，即细胞色素c氧化酶（CCO），它是线粒体氧化代谢的关键成分，而线粒体则是神经元的“发电站”。

细胞色素c氧化酶在葡萄糖的氧化代谢中起着重要作用。糖酵解是将葡萄糖代谢成丙酮酸，在丙酮酸中生成三磷酸腺苷（ATP）和烟酰胺腺嘌呤二核苷酸（NADH）。丙酮酸随后被运输到线粒体中并转化为乙酰辅酶A。乙酰辅酶A进入三羧酸（TCA）循环，产生更多的ATP和NADH。NADH是电子传递链（ETC）中的电子供体（见下图3）；位于线粒体细胞膜内的一系列蛋白质复合体（被称为复合体I-V）。配合物I和II分别从TCA循环中接受NADH和琥珀酸的电子，并将它们转移到可溶性电子载体辅酶Q（CoQ）上。CoQ被复合物III氧化，在此过程中电子用于还原细胞色素c。作为线粒体ETC中电子的接收器细胞色素c随后被CCO（复合物IV）氧化，CCO（复合物IV）是一种血红素蛋白，包含一个双核铜中心(CuA)、一个血红素a和一个双核Fe-Cu中心（血红素a3-Fe)。从细胞色素c接受的电子最终转移到分子氧中，分子氧被还原为水。这一过程产生电化学电位，通过线粒体中的ATP合酶（复合体V）驱动ATP合成。ATP是细胞的能量来源。

图3 电子转移链允许电子通过细胞色素c氧化酶（CCO）从TCA循环转移到氧，导致CCO的氧化还原态发生变化。

所有这些氧化还原变化都有相关的光学跃迁。在近红外范围内，CCO的CuA中心对吸收光谱的贡献，约为830 ~ 840 nm。理论上，需要三个波长同时测量CCO、氧合血红蛋白和脱氧血红蛋白的变化。然而，由于CCO浓度较低，且CCO、氧血红蛋白和脱氧血红蛋白之间存在串扰，所以采用2 ~ 3个波长测量血红蛋白种类的传统的连续波fNIRS不适宜量化CCO的变化。因此，使用多个波长组合对于准确地量化CCO的变化并将其与血红蛋白种类区分开来是很重要的。虽然使用较少波长的最小化方法会受到噪声和串扰的影响，但是使用太多的波长在计算上可能是不允许的。波长优化的进展表明，使用8种波长组合时，估算CCO变化的错误率可以降低到2%以下。因此，CCO的氧化还原变化可能允许fNIRS检测血红素蛋白电子传递的变化，该血红素蛋白吸收近红外光谱中的光并反映线粒体能量代谢。

与血红蛋白种类不同，CCO的浓度在短时间内不会发生变化。

全身血压波动对CCO影响不大。因此，它不像血红蛋白那样受到脑外局部血流变化的影响。CCO的氧化还原状态不受血红蛋白种类和局部脑氧合的干扰。从理论上讲，测量线粒体CCO的变化可以更好地反映细胞的代谢和生存能力。