導(dǎo)讀

本文提出了功能性近紅外光譜(fNIRS)數(shù)據(jù)預(yù)處理的算法。該方法可以自動識別噪聲通道，并采用非平穩(wěn)濾波步驟來去趨勢和去除高頻干擾源。使用最近發(fā)布的累積曲線擬合近似(CCFA)算法對信號進(jìn)行濾波，以減少由于fNIRS數(shù)據(jù)的非平穩(wěn)性導(dǎo)致的失真效應(yīng)。將輸出結(jié)果與基于離散余弦變換(DCT)的濾波、低通濾波(LPF)和帶通濾波(BPF)方法進(jìn)行比較。結(jié)果表明，與常用或常規(guī)方法相比，基于CCFA的濾波具有更大的信噪比(SNR)改善。

前言

概述

近紅外光譜(NIRS)用于研究在預(yù)定任務(wù)和休息時腦血流動力學(xué)和氧飽和度的變化。在過去的三十年里，fNIRS揭示了對認(rèn)知、視覺和運(yùn)動任務(wù)的血流動力學(xué)反應(yīng)，以及評估了血流動力學(xué)連通性(有時稱為功能或靜息態(tài)功能連接)。NIRS測量基于對穿過灌注組織的紅光和近紅外光的探測。光線穿過皮膚，并在距發(fā)射源一定距離處收集散射光。發(fā)射器和收集器(或稱探測器)之間的距離決定了所收集光的傳播路徑。為了到達(dá)腦血管系統(tǒng)，成人的發(fā)射器-探測器間距應(yīng)大于2.5cm。檢測信號的質(zhì)量主要由進(jìn)出組織的光耦合決定。這種耦合會受到各種因素的影響，并且耦合的變化也會影響信號的質(zhì)量。

因此，預(yù)處理方法應(yīng)側(cè)重于識別由耦合問題導(dǎo)致的偽影，并減少生理和腦外污染對收集信號的影響。目前，對于分析fNIRS信號所需的預(yù)處理步驟、管道協(xié)議和算法并沒有達(dá)成共識。這種預(yù)處理方法應(yīng)該是穩(wěn)健而靈敏的，以便正確識別和分析神經(jīng)元血流動力學(xué)響應(yīng)。因此，本研究對用于識別和去除耦合相關(guān)偽影的方法與用于去除生理影響的方法(系統(tǒng)性血流動力學(xué)反應(yīng))進(jìn)行了區(qū)分。

噪聲通道識別

在收集fNIRS數(shù)據(jù)之前，識別耦合不良的通道并改善其耦合是非常重要的。大多數(shù)商業(yè)fNIRS系統(tǒng)分析檢測光強(qiáng)度和噪聲水平，以確定耦合效率并識別噪聲通道(NCs)。很明顯，光強(qiáng)度水平較低會導(dǎo)致較差的信號和信噪比，信號的其他特征也可以說明耦合效率是否足夠。在收集數(shù)據(jù)后，識別未校正的NCs以便將其從進(jìn)一步的分析中刪除也很重要。當(dāng)紅光和近紅外光穿過活體組織時，它主要被血紅蛋白發(fā)色團(tuán)(主要是含氧和脫氧血紅蛋白)吸收。其濃度受心跳周期中動脈血管的擴(kuò)張和收縮的調(diào)節(jié)。有研究將這種調(diào)制作為一種確定信號質(zhì)量和耦合效率的特征。在耦合不良的情況下，光會在組織外傳播，因而調(diào)制會消失。因此，沒有表現(xiàn)出這種調(diào)制的通道被認(rèn)為是NCs，應(yīng)該從進(jìn)一步的分析中刪除。

fNIRS信號的濾波方法

在大多數(shù)物理或自然過程中，可以觀察到記錄信號中的低頻趨勢或漂移。這樣的過程本質(zhì)上是隨機(jī)的，因此，它可以被看作是一個時間相關(guān)的一階統(tǒng)計(jì)矩。而具有恒定偏移量的情況則表現(xiàn)出與時間無關(guān)的一階統(tǒng)計(jì)矩。廣義平穩(wěn)性(WSS)的定義要求前兩個統(tǒng)計(jì)矩不隨時間變化。因此，有漂移的信號被自動標(biāo)記為非平穩(wěn)信號。也就是說，在許多情況下，非平穩(wěn)性主要存在于一階統(tǒng)計(jì)矩，因此如果去除，信號可能會變得平穩(wěn)。盡管去除時間相關(guān)的二階統(tǒng)計(jì)矩非常困難，并且在某些情況下是不可能的，但仍然強(qiáng)烈建議去除時間相關(guān)的一階統(tǒng)計(jì)矩。在時間相關(guān)的二階統(tǒng)計(jì)矩下，結(jié)果信號仍將保持非平穩(wěn)，但非平穩(wěn)性對處理和分析工具性能的影響顯著降低。特別是在fNIRS信號中，可以觀察到明顯的漂移。這意味著一階統(tǒng)計(jì)矩不是恒定的。同時，源自神經(jīng)元血流動力學(xué)反應(yīng)的成分具有時間相關(guān)的二階統(tǒng)計(jì)矩。盡管可能有更多的因素導(dǎo)致前兩個統(tǒng)計(jì)矩的時間依賴性，但神經(jīng)元血流動力學(xué)反應(yīng)的特性足以得出這樣的結(jié)論：信號本身是非平穩(wěn)的，即使去除一階統(tǒng)計(jì)矩的時間依賴性，信號仍然是非平穩(wěn)的。

在fNIRS中，漂移不包含有關(guān)神經(jīng)元血流動力學(xué)反應(yīng)的信息。因此，通常會在處理流程的早期階段進(jìn)行去趨勢處理，以去除與時間相關(guān)的一階統(tǒng)計(jì)矩。去趨勢的常用方法包括高通濾波(HPF)和離散余弦變換(DCT)。心臟、呼吸和血壓的調(diào)制，也會影響到記錄數(shù)據(jù)。因此，本研究將這些噪聲源統(tǒng)稱為“系統(tǒng)性血流動力學(xué)反應(yīng)”源。這些源是神經(jīng)元血流動力學(xué)反應(yīng)高頻干擾的一部分。

為了從檢測到的信號中提取與神經(jīng)元活動相關(guān)的血流動力學(xué)變化（即神經(jīng)元血流動力學(xué)反應(yīng)），應(yīng)識別并減少系統(tǒng)性血流動力學(xué)反應(yīng)源的影響。用于fNIRS分析的開源工具，如HOMER2或3或SPM-fNIRS，使用某些類型的帶通濾波來減少心臟和呼吸動力學(xué)的影響。另外，主成分分析(PCA)或靶向PCA和其他濾波技術(shù)，包括小波，已被用于去除系統(tǒng)性血流動力學(xué)反應(yīng)源的影響。最近，更復(fù)雜的方法包括短距通道(發(fā)射器和收集器之間的距離小于2.5cm)，從與腦血流動力學(xué)無關(guān)的表層收集光源。目前還沒有公認(rèn)的“黃金標(biāo)準(zhǔn)”來評估不同濾波技術(shù)去除系統(tǒng)性血流動力學(xué)反應(yīng)源的效率和質(zhì)量。Pinti等人(2019)回顧了常用的濾波技術(shù)，并使用模擬數(shù)據(jù)與在休息期間獲得的真實(shí)NIRS數(shù)據(jù)進(jìn)行卷積比較它們的性能。他們的研究工作很全面，因而將其用作本研究參考的主要來源之一。

本研究的方法

本研究概述了一種預(yù)處理fNIRS數(shù)據(jù)的新方法。該方法不假設(shè)信號或噪聲源的平穩(wěn)性，并且?guī)缀醪恍枰P(guān)于信號的先驗(yàn)知識。NCs檢測算法，稱為最大變異期望(MVE)，著眼于代表信號內(nèi)方差行為的隨機(jī)參數(shù)(即概率質(zhì)量函數(shù)-PMF)的統(tǒng)計(jì)分布。PMF收集的樣本對應(yīng)于不同的通道，因此可以檢測統(tǒng)計(jì)異常值的通道。噪聲通道會增加計(jì)算隨機(jī)變量的概率質(zhì)量函數(shù)(PMF)的偏度，類似于Chiarelli等人(2015)提出的想法，其中小波系數(shù)使用峰度進(jìn)行評估。因此，噪聲通道被識別為將PMF的偏度增加到預(yù)定義閾值以上的通道。

累積曲線擬合近似(CCFA)（以前稱為基于累積曲線擬合的調(diào)整）最初是為高精度濾波和缺失樣本近似而開發(fā)的。該算法可以以極高的準(zhǔn)確率從周圍樣本中重建缺失的信息。因此，本研究將使用這種方法來近似與時間相關(guān)的一階統(tǒng)計(jì)矩，并減少高頻干擾源的影響。CCFA是一種非平穩(wěn)和非線性的數(shù)據(jù)過濾方法。該算法的基本原理是通過在預(yù)定義的移動窗口內(nèi)使用曲線擬合順序評估數(shù)據(jù)的曲率來重構(gòu)濾波信號。本研究應(yīng)用該算法來消除與時間相關(guān)的一階統(tǒng)計(jì)矩并減少神經(jīng)元血流動力學(xué)響應(yīng)的高頻污染。

方法

被試

基于三類被試數(shù)據(jù)(即健康被試、注意力缺陷/多動障礙(ADHD)者和重度抑郁癥(MDD)患者)對所提出的方法進(jìn)行測試。共有24名被試(14名男性)，年齡為30±12歲。每類被試的數(shù)量為12-健康、7-ADHD和5-MDD，沒有根據(jù)被試類別進(jìn)行分組。

NIRS光極放置

NIRS系統(tǒng)(ETG-4000，Hitachi，Japan)包括10個發(fā)射器(695nm和830nm)和10個探測器（APD），采樣頻率(fs)為10Hz。使用光纖耦合到組織，并位于頭部顳葉的上方。圖1顯示了使用10-20電極放置系統(tǒng)的發(fā)射器和探測器的位置。發(fā)射器和探測器對之間的距離為3cm，每半球12個通道，共24個通道。

圖1.基于10-20電極放置系統(tǒng)的NIRS光極排列。

任務(wù)

被試被要求在一個黑暗的屏幕前安靜地坐300s，睜眼，同時注視屏幕中央的白色十字。隨后執(zhí)行一些認(rèn)知任務(wù)，在本研究中，這些任務(wù)僅用于評估信號的質(zhì)量。該任務(wù)由3個block組成，每個block持續(xù)時間約為220s。

fNIRS信號

使用修正的Beer-Lambert方程計(jì)算氧合(ΔHbO2)和脫氧(ΔHbR)血紅蛋白濃度的變化，相對于10s長的初始基線(100個樣本)。消光系數(shù)取自Gratzer，差分路徑長度為6，源-探測器間隔為3cm，放置如圖1所示。

噪聲通道識別

在某些情況下，光纖或光學(xué)元件與頭部的耦合可能會由于耦合不良而引入偽影和噪聲。無論預(yù)處理方法如何，這些NCs都不能用于分析。圖2是一名被試的ΔHbO2濃度示例。圖(a)顯示了從所有24個通道記錄的原始數(shù)據(jù)。下圖分別顯示了噪聲通道(圖c)與其余的干凈通道(圖b)。

圖2.含耦合偽影的ΔHbO2濃度示例圖。圖(a)-所有通道，(b)-無噪聲的干凈通道，(c)-噪聲通道。

如果未能正確檢測NCs，則會影響分析結(jié)果，有時甚至?xí)?dǎo)致錯誤的結(jié)論。因此，必須從數(shù)據(jù)分析中檢測并排除這些偽影。為了自動檢測NCs，研究者開發(fā)了一種算法：最大變異期望(MVE)。

最大變異期望(MVE)

由于fNIRS信號受到系統(tǒng)性血流動力學(xué)反應(yīng)的強(qiáng)烈影響，無論其在頭部的位置如何，心肺活動都是所有記錄信號的最大組成部分。該活動是一個準(zhǔn)周期性的、近乎廣義的平穩(wěn)過程，呈現(xiàn)出高斯分布的統(tǒng)計(jì)行為。例如，Chiarelli等人在小波系數(shù)中尋找高斯分布的異常值，以便檢測出與偽影相對應(yīng)的信號。假設(shè)本研究提出的算法為高斯分布，但幾乎適用于任何鈴形或半鈴形統(tǒng)計(jì)分布，因此，在下面的算法中，將所有這些分布稱為類鈴形(QB，Quasi-Bell)分布。為了檢測NCs，這里僅使用了ΔHbO2信號。fNIRS信號的期望值不包含有關(guān)大腦活動的信息，并且可能使統(tǒng)計(jì)和概率計(jì)算復(fù)雜化，因此將其從每個信號中刪除。

濾波

在處理fNIRS信號時，必須了解與研究相關(guān)的信息類型。當(dāng)記錄的信號包含來自多個源的混合輸入時，這些源稱為“信號成分”。重要的是要盡可能多地識別此類成分，以減少不相關(guān)的成分對研究目標(biāo)產(chǎn)生影響。本研究將所有影響研究目標(biāo)的因素稱為噪聲。例如，心肺源是系統(tǒng)性血流動力學(xué)反應(yīng)的一部分，在記錄信號中具有非常大的成分占比，但它不包含關(guān)于神經(jīng)元血流動力學(xué)的重要信息。信號漂移是干擾神經(jīng)元血流動力學(xué)評估的另一種類型的信號污染。因此，在分析這些信號時，應(yīng)該從信號中去除這些干擾成分。

一般來說，在使用標(biāo)準(zhǔn)的頻譜濾波技術(shù)時，應(yīng)該小心，因?yàn)檫@些方法可能并不適用于每種類型的信號。這是因?yàn)榇蠖鄶?shù)標(biāo)準(zhǔn)濾波技術(shù)所做的平穩(wěn)性假設(shè)，可能并不總是正確的。因此，除非處理后的信號中沒有明顯的非平穩(wěn)成分，否則應(yīng)避免使用標(biāo)準(zhǔn)的頻譜帶濾波(SBF)(例如基于傅里葉變換的濾波)方法。很明顯，fNIRS信號是非平穩(wěn)的，因?yàn)榕c神經(jīng)元激活相關(guān)的腦血流動力學(xué)是一個非平穩(wěn)的過程。很難判斷其他影響源是否是WSS，但至少有一個非平穩(wěn)成分會導(dǎo)致整個信號是非平穩(wěn)的。為了避免不必要的信息源失真，本研究提出了另一種濾波方法。

累積曲線擬合近似(CCFA)

累積曲線擬合近似(CCFA)算法的基本思想是在滑動窗口內(nèi)近似信號曲線的行為。從這些重疊窗口得到估計(jì)曲線，然后用加權(quán)邏輯重組以接收濾波信號。此過程是一種平滑濾波。由于CCFA適用于非平穩(wěn)和非線性數(shù)據(jù)，因此適用于fNIRS信號的濾波。使用CCFA進(jìn)行濾波的方式有多種，Open-Loop或Closed-Loop程序類型可能會顯著影響結(jié)果。Open-Loop程序使用原始信號的近似模式來重構(gòu)輸出信號(即濾波信號)，而Closed-Loop程序會在每個計(jì)算步驟之后校正初始信號。本研究使用Open-Loop加權(quán)近似是因?yàn)榕c其他子程序類型相比，它相對平滑，并且對初始數(shù)據(jù)中的噪聲具有相對魯棒性。與Closed-Loop近似的情況不同，校正后的點(diǎn)不影響接下來的曲線擬合過程。圖3顯示了CCFA的圖形示例及其流程圖。

圖3.CCFA算法的可視化。左側(cè)是真實(shí)數(shù)據(jù)的步驟示例圖；右側(cè)是該過程的流程圖。

去噪

當(dāng)使用CCFA時，窗口大小-kord用作截止參數(shù)，它定義了長波和短波模式之間的分離波長。為了計(jì)算去趨勢信號，首先通過對信號Sc(n)應(yīng)用CCFA計(jì)算長波模式(低頻)Sigl0(n)。然后，去趨勢信號對應(yīng)于短波模式(高頻)。計(jì)算過程如下：

與頻域帶通濾波類似，為了提取神經(jīng)元血流動力學(xué)響應(yīng)信號，需要去除短波和長波模式的干擾，保留一定波段的波長。這需要使用兩種不同的截止長度來執(zhí)行兩次CCFA。為了去除短波模式(高頻)干擾，應(yīng)該使用一個小于去趨勢的窗口。通過在原始信號Sc(n)上應(yīng)用窗口較小的CCFA，產(chǎn)生長波模式Sigl1(n)，對應(yīng)于新的窗口大小。

圖4.去噪過程的可視化。

結(jié)果

MVE算法

使用MVE算法，成功檢測出噪聲通道并將其從進(jìn)一步的處理中去除。圖5展示了NC識別的示例圖，其中圖(a)顯示了來自所有通道的約35s的原始信號(未濾波)，圖(b)顯示了23個未被識別為噪聲的通道，以及圖(c)顯示了一個被識別為NC的通道。

圖5.MVE算法的輸出示意圖。

該方法的驗(yàn)證是通過目視檢查信號來完成的，這是目前檢測此類故障通道最常用的方法。三名獨(dú)立研究人員檢查了來自22名不同被試的24個記錄通道中的信號（2個被試由于數(shù)據(jù)集受損而從程序中刪除），共計(jì)528個信號。每個信號都有一個標(biāo)簽：清晰、邊緣或噪聲通道。清晰的通道是那些在原始信號上有清晰可見心跳的通道。邊緣通道是那些在去除高頻噪聲(高于1.6Hz)后有可見心跳或在頻譜中有主導(dǎo)心跳成分的通道。噪聲通道是指那些即使在去除高頻噪聲之后也沒有可見心跳的通道。在一個連續(xù)記錄中，先收集一個完整的靜息態(tài)block，然后是三個認(rèn)知任務(wù)block。每個block都是獨(dú)立處理的，因此，標(biāo)記信號的結(jié)果數(shù)量為2112(528個信號×4個block)。然后將MVE算法應(yīng)用于每個block，以便將該block的24個通道分類為清晰通道或NCs。然后將分類結(jié)果與研究人員提供的標(biāo)簽進(jìn)行比較。表1總結(jié)了分類結(jié)果，其中列代表審閱者提供的標(biāo)簽，行代表MVE算法的分類。即使是專家也很難對被標(biāo)記為邊緣的通道進(jìn)行分類，因此無法確認(rèn)這些通道是否應(yīng)被視為可用于進(jìn)一步的評估。因此，本研究從精度計(jì)算中排除了邊緣通道。

表1.對于專家提供的每種標(biāo)簽類型，使用MVE算法分類為清晰或NC的段數(shù)。

基于剩余信號，MVE的敏感性為98.84%，特異性為85.03%，分類精度為97.56%，均衡準(zhǔn)確率為91.93%。然后，將所有未被算法分類為NCs的通道進(jìn)行進(jìn)一步處理和評估。MVE在敏感性和特異性方面的性能可以根據(jù)具體研究的需要進(jìn)行調(diào)整，通過增加或減少偏度閾值(默認(rèn)為1)來實(shí)現(xiàn)。

濾波

圖6展示了使用三種方法進(jìn)行濾波后的比較情況。上圖顯示了濾波前的模擬信號。HRT的幅值設(shè)置為1μM。橙色線表示每個HRF事件的起始點(diǎn)。下圖顯示了使用每種方法進(jìn)行濾波后的結(jié)果。

圖6.使用三種方法[DCT-LPF(黑色)、BPF(藍(lán)色)和CCFA(紅色)]進(jìn)行濾波后的比較結(jié)果。

當(dāng)目視檢查濾波后的信號時，它們之間在HRF上似乎沒有區(qū)別。很明顯，每種方法都去除了漂移和高頻干擾的影響。在這個例子中可以觀察到，與其他兩種方法相比，CCFA的輸出結(jié)果顯示其具有更強(qiáng)的信號抑制能力。當(dāng)使用CCFA時，在感興趣區(qū)域外觀察到的濾波信號的能量較低，這意味著CCFA能夠更好地濾除噪聲源。

窗口大小選擇

由于以前從未使用CCFA來過濾fNIRS數(shù)據(jù)，因此短波和長波模式的最佳窗口大小也不清楚。因此，為了評估窗口大小選擇標(biāo)準(zhǔn)，本研究使用不同的窗口大小進(jìn)行了一系列的濾波。對于每個HRT振幅倍率，創(chuàng)建不同的模擬信號

通過一個振幅倍率將靜息態(tài)原始信號與模擬HRT相乘。對無噪聲的每個靜息態(tài)通道都進(jìn)行了這樣的處理，產(chǎn)生了6024(502個通道×12個振幅倍率)個模擬信號。然后使用CCFA算法對每個模擬信號進(jìn)行濾波，其中減去兩個不同的濾波結(jié)果(使用具有兩個不同窗口大小的CCFA)以保留一定的波段。對于每個濾波測試，從預(yù)定義的范圍中選擇一對窗口大小，5-17s(間隔為1s)用于短波模式去除；20-120s(間隔為10s)用于長波模式估計(jì)。共有143(13x11)個窗口大小對的排列。

在基于CCFA的濾波之后，對每一對窗口大小進(jìn)行SNR改進(jìn)計(jì)算。在圖7中，每個生色團(tuán)(ΔHbO2，ΔHbR)和HRT的每個振幅的信噪比改善(以dB為單位)以熱圖的形式呈現(xiàn)。y軸上為小窗口，x軸上為大窗口。顏色圖表示相對于未濾波狀態(tài)的SNR(以dB為單位)的改善情況。

圖7.對于ΔHbO2(a)和ΔHbR(b)信號中的每個HRF倍率，CCFA的SNR改善以熱圖的形式呈現(xiàn)。

當(dāng)檢查圖7時可以看出，提供最佳SNR改善的窗口大小對可能會根據(jù)HRF函數(shù)的振幅不同而不同。因此，如果可以假設(shè)或估計(jì)目標(biāo)HRF的振幅，圖7允許選擇最佳濾波參數(shù)。在一般情況下，如果不能對HRF的振幅做出假設(shè)，則應(yīng)選擇最佳平均窗口大小對。圖8顯示了所有HRF振幅歸一化SNR改善的平均熱圖。圖7中的每個熱圖都被歸一化為[0，1]范圍，以避免結(jié)果偏向于某些HRF倍率。該熱圖中的每個像素代表圖7的所有歸一化圖的平均值，平均熱圖提供了濾波的整體質(zhì)量。

圖8.圖7中所示數(shù)據(jù)的歸一化SNR改善熱圖。

由圖8可知，11(s)-30(s)窗口大小對的平均SNR改善程度最高，因此選擇該窗口大小對來測試該方法的濾波質(zhì)量。使用上述窗口大小對的CCFA算法對數(shù)據(jù)進(jìn)行濾波，去除了與時間相關(guān)的一階統(tǒng)計(jì)矩和高頻干擾。使用默認(rèn)參數(shù)(128s)和基于Pinti等人(2019)定義的BPF，研究者將本研究方法與SPM工具箱中提出的基于DCT的方法進(jìn)行了比較。為了測試濾波方法的性能，使用與評估階段使用的HRT信號明顯不同的新數(shù)據(jù)集進(jìn)行了模擬。對于每個HRF倍率，濾波質(zhì)量根據(jù)SNR進(jìn)行評估。表2給出了模擬信號的初始SNR值(SNRnf)，以及每種濾波方法對該值的改善情況。給出了每個HRF振幅倍率和整個模擬數(shù)據(jù)集的中位數(shù)以及第25和75百分位數(shù)。

表2.統(tǒng)計(jì)比較不同濾波方法對不同HRF幅值倍率的SNR改善情況。

通過表2可以看出，與DCT+LPF和BPF相比，CCFA方法的SNR改善程度最高，無論HRF振幅如何(在測試范圍內(nèi))。基于Wilcoxon符號秩檢驗(yàn)發(fā)現(xiàn)，除一個結(jié)果外的所有結(jié)果均存在顯著差異(p＜0.05)。在比較CCFA和BPF時，唯一沒有發(fā)現(xiàn)顯著差異(p=0.245)的結(jié)果是HRF振幅為2.5μM時的ΔHbO2。由于檢驗(yàn)結(jié)果呈非高斯分布，因此選擇的是Wilcoxon檢驗(yàn)。

結(jié)論

本研究的目的是開發(fā)用于fNIRS數(shù)據(jù)預(yù)處理的算法和方法。本研究所提出的方法可以自動、高精度地檢測噪聲通道，并對fNIRS數(shù)據(jù)中的干擾源進(jìn)行高質(zhì)量的濾波。耦合不良會嚴(yán)重影響記錄信號的質(zhì)量，甚至?xí)耆茐南嚓P(guān)信息。本文所描述的MVE算法允許自動檢測耦合不良的通道，從而無需目視選擇正確記錄的通道。此外，本研究提出了一種利用CCFA算法進(jìn)行數(shù)據(jù)處理的新方法，給出了比較結(jié)果并證明了該方法的附加價值?？偟膩碚f，將CCFA算法的輸出結(jié)果與基于離散余弦變換(DCT)的濾波、低通濾波(LPF)和帶通濾波(BPF)方法進(jìn)行比較，基于CCFA的濾波具有更大的信噪比(SNR)改善。

原文：fNIRS: Non-stationary preprocessing methods.

https://doi.org/10.1016/j.bspc.2022.104110

小伙伴們點(diǎn)個“在看”，加

(星標(biāo))關(guān)注茗創(chuàng)科技，將第一時間收到精彩內(nèi)容推送哦～