蔡云麗,高琳,王逸飛,閆相國

(西安交通大學生物醫(yī)學信息工程教育部重點實驗室,710049,西安)

?

一種提取近紅外光譜信號中誘發(fā)血液動力學反應的方法

蔡云麗,高琳,王逸飛,閆相國

(西安交通大學生物醫(yī)學信息工程教育部重點實驗室,710049,西安)

為了更好地提取與大腦功能活化有關的誘發(fā)血液動力學反應(EHR),綜合比較了不同經驗模態(tài)分解算法的優(yōu)缺點,提出了一種提取近紅外光譜信號中EHR的方法——ICEEMDAN-RLS。利用5種經驗模態(tài)分解算法對近端通道信號進行分解,根據分解結果對遠端通道信號進行自適應濾波,借助皮爾森相關系數和相對均方誤差評估不同經驗模態(tài)分解算法的EHR提取性能,在此基礎上分析經驗模態(tài)分解和傳統(tǒng)塊平均方法的塊平均次數與EHR信號質量之間的關系。結果表明,基于5種經驗模態(tài)分解算法的自適應濾波方法都能有效提取遠端通道信號中包含的EHR,ICEEMDAN-RLS具有更大的皮爾森相關系數和更小的相對均方誤差,僅需要進行10次塊平均便可獲得穩(wěn)定的EHR信號,比傳統(tǒng)方法的塊平均次數減少了75%,且具有較高的EHR信號質量,可以更有效地提取淹沒在全局干擾中的EHR。該結果可為大腦功能活化的研究提供參考。

近紅外光譜技術;誘發(fā)血液動力學反應;經驗模態(tài)分解;塊平均

近紅外光譜(NIRS)技術是一種無創(chuàng)測量大腦組織功能活化的有效手段,其通過血液中氧合血紅蛋白(HbO2)和脫氧血紅蛋白(Hb)對不同波長近紅外光的吸收差異來獲取HbO2和Hb的濃度變化,從而檢測與誘發(fā)大腦活動有關的血液動力學反應[1]。通常情況下,從光源發(fā)出的近紅外光可以穿透頭皮和頭蓋骨,在抵達大腦皮質附近區(qū)域后返回探測器,完成對大腦皮質活動狀態(tài)的檢測[2]。因此,在利用NIRS技術檢測大腦組織血液動力學變化的同時引入了頭皮和頭蓋骨的血液動力學變化,主要包括心臟搏動、呼吸和低頻振蕩等全局生理成分[3],這些成分往往淹沒了我們感興趣的誘發(fā)血液動力學反應(evoked hemodynamic responses, EHR),影響大腦活動狀態(tài)的進一步分析。

為了有效地消除全局生理成分對誘發(fā)血液動力學反應的影響,傳統(tǒng)研究采用低通濾波或塊平均技術進行處理[4-5],但效果并不理想。低通濾波方法容易對目標信號進行過度濾波,塊平均技術往往需要通過多次重復測量求取平均值。近年來,Zhang等利用自適應濾波方法移除目標信號中的皮膚干擾,以提高EHR的信噪比[6];Abdelnour等借助自適應普通線性模型降低全局干擾對EHR的影響,以提取指端敲擊誘發(fā)的大腦活化反應[7];Zhang等提出結合經驗模態(tài)分解與希爾伯特譜分析去除全局生理成分的時頻分析方法,以恢復刺激相關的大腦功能活化信號[8];Gagnon等利用卡爾曼濾波模型移除淺層組織的生理干擾,恢復與誘發(fā)大腦活動相關的血液動力學反應[9];Funane等利用獨立成分分析方法評估了不同組織對不同探測位置血紅蛋白濃度變化量的貢獻[10]。這些方法雖取得了一定的研究成果,但應用范圍十分有限。2014年Berivanlou等結合經驗模態(tài)分解和自適應濾波方法的優(yōu)勢,提出了雙通道NIRS信號中EHR估計的算法模型,它的EHR提取性能優(yōu)于傳統(tǒng)的塊平均技術、帶通濾波和獨立成分分析等方法[11]。然而,該方法僅討論了總體經驗模態(tài)分解算法(EEMD)的EHR提取結果,沒有分析不同經驗模態(tài)分解算法對EHR提取性能的影響。事實上,EEMD算法存在模態(tài)數目不匹配和模態(tài)包含剩余噪聲等問題,會影響EHR的信號估計質量,同時該方法對塊平均次數與EHR信號質量之間的關系未作分析。實際測量中希望盡量縮短實驗時間,以防止受試者因為疲勞而導致的數據質量不佳等問題,所以獲得穩(wěn)定的EHR信號所需要的最少刺激次數顯得尤為重要。

基于以上討論,本文首先比較了不同經驗模態(tài)分解算法對EHR提取性能的影響,由此提出了一種提取NIRS信號中EHR的方法——ICEEMDAN-RLS,在此基礎上討論了由該方法及傳統(tǒng)塊平均方法獲得的EHR信號質量與塊平均次數之間的關系,得到了穩(wěn)定的EHR信號所需的最少塊平均次數,為實際測量中的任務優(yōu)化設計奠定了良好的基礎。

1 基于經驗模態(tài)分解的自適應濾波方法

本文研究分以下4個步驟:①利用5種經驗模態(tài)分解算法(EMD、EEMD、CEEMD、CEEMDAN和ICEEMDAN)對近端通道信號進行分解;②根據分解結果對遠端通道信號進行自適應濾波,以提取信號中的EHR;③對5種經驗模態(tài)分解算法獲得的EHR信號質量進行評估;④分析塊平均次數對EHR信號質量的影響。

1.1 雙通道NIRS檢測大腦血流的原理

雙通道NIRS檢測大腦血流變化的原理如圖1所示。光源S發(fā)出近紅外光進入大腦組織,經香蕉型傳播路徑后被近端探測器D1和遠端探測器D2接收。近端探測器主要檢測淺層組織(頭皮和頭蓋骨)的血液動力學變化;遠端探測器同時檢測來自淺層組織和深層組織(大腦皮質)的血液動力學變化,以此獲得不同傳播路徑的近端通道信號和遠端通道信號。

圖1 雙通道NIRS檢測大腦血流的原理圖

1.2 EHR信號提取模型

通常情況下,與大腦功能活化有關的EHR只存在于大腦皮質區(qū)域,對近端通道信號的貢獻可以忽略不計。近端通道信號yN主要包括心臟搏動、呼吸、低頻振蕩和超低頻振蕩等全局干擾yG及相應測量噪聲ε;遠端通道信號yF除了包含相應的全局干擾和測量噪聲δ外,還包含感興趣的EHR(yE)。通過動態(tài)調整近端通道信號并從遠端通道信號中減去,即可提取與外界刺激有關的EHR。數學描述如下[11]

(1)

(2)

(3)

1.3 經驗模態(tài)分解算法

經驗模態(tài)分解(empirical mode decomposition, EMD)是一種自適應的數據處理方法,它能將復雜信號分解為有限個固有模態(tài)函數,各個固有模態(tài)函數分量包含著原信號在不同時間尺度上的局部特征,在處理非線性、非平穩(wěn)數據時具有明顯優(yōu)勢。EMD算法基于以下假設條件[12]:①數據至少有兩個極值,一個極大值和一個極小值;②數據的局部時域特性由極值點間的時間尺度唯一確定。因此,EMD可以將一個頻率不規(guī)則的信號x(t)分解為多個單一頻率的信號cj(t)與一個殘差信號r(t)之和[12],即

(4)

EMD算法的局部時域特性可能會造成模態(tài)混疊問題,即同一個固有模態(tài)函數包含不同的頻率成分,或相同的頻率成分出現(xiàn)在不同的固有模態(tài)函數中。EEMD算法[13]充分利用了EMD算法的動態(tài)濾波特性,很好地解決了模態(tài)混疊問題,但同時產生了新的問題:①通過全部固有模態(tài)函數重建的原始信號包含剩余噪聲,使重建信號與原始信號之間出現(xiàn)誤差;②不同噪聲產生了不同數目的固有模態(tài)函數,使最后對固有模態(tài)函數求取平均變得困難。互補的總體經驗模態(tài)分解算法CEEMD[14]是對EEMD算法的一種改進,其重建信號與原始信號之間的誤差可以忽略不計,然而算法CEEMD不能保證信號的完備性,不同噪聲產生不同數目的固有模態(tài)函數的問題仍然存在。基于自適應噪聲的完備總體經驗模態(tài)分解算法CEEMDAN[15]不僅實現(xiàn)了重建信號與原始信號之間的幾乎零誤差,還解決了噪聲總體模態(tài)不匹配的問題,但仍存在一些尚待改進的地方:①固有模態(tài)函數還包含少量剩余噪聲;②在時域上存在延遲效應,對信號進行經驗模態(tài)分解的早期階段存在虛假模態(tài)。改進的完備總體經驗模態(tài)分解算法ICEEMDAN[16]很好地解決了CEEMDAN算法的問題,被證明是最有效的經驗模態(tài)分解算法。

本文利用EMD、EEMD、CEEMD、CEEMDAN和ICEEMDAN算法對近端通道信號進行了分解,將其獲得的經驗模態(tài)分解結果作為自適應濾波器的參考輸入,將遠端通道信號作為自適應濾波器的標準輸入,借助遞歸最小二乘(RLS)算法提取遠端通道信號中包含的EHR,以此研究不同算法的EHR提取性能。

1.4 EHR信號質量評估

采用2個參數比較了提取的EHR與原始EHR的相近程度,這2個參數分別是相對均方誤差RMSE和皮爾森相關系數r2,定義如下[11,17]

(5)

(6)

(7)

(8)

2 經驗模態(tài)分解算法對EHR提取性能的影響分析

采用仿真的NIRS信號和半真實的NIRS信號來研究不同經驗模態(tài)分解算法對EHR提取性能的影響。

2.1 實驗信號

2.1.1 仿真的NIRS信號 仿真的NIRS信號包括仿真的近端通道信號和遠端通道信號,數學描述為[18]

(9)

(10)

(11)

式中:Ai、Bi為正弦信號的幅值;fi為正弦信號的頻率;“*”表示h(t)與s(t)的卷積;h(t)為血液動力學反應函數(HRF),它是2個伽瑪函數的線性組合[18]

(12)

(13)

s(t)為刺激信號,在任務起始時刻其值為1,其余時刻均為0。仿真的近端通道信號主要包括4個正弦成分,即心臟搏動、呼吸、低頻振蕩和超低頻振蕩;仿真的遠端通道信號除了包括上述4個生理成分外,還包括待提取的EHR。各個生理成分的參數范圍如表1所示。

表1 各個生理成分的參數范圍(均值±標準差)[18]

根據表1所列參數得到的仿真NIRS信號如圖2所示。

本次仿真產生的NIRS信號的采樣頻率Fs=10 Hz,分析信號長度為300 s,刺激信號間隔為30～40 s。

(a)各個生理成分的時域波形

(b)仿真NIRS信號的時域波形圖2 仿真產生的各個生理成分及其疊加而成的NIRS信號

2.1.2 半真實的NIRS信號 將仿真產生的yE加到真實的NIRS遠端通道信號上,真實的NIRS近端通道信號不作任何處理,從而產生半真實的NIRS信號,如圖3所示。

圖3 半真實NIRS信號的時域波形

真實的NIRS信號通過實驗產生。實驗中采用單點-雙波長的連續(xù)光強度近紅外記錄系統(tǒng)對受試者進行監(jiān)測,光源分時發(fā)出2種近紅外光,波長分別是735nm和850nm。光源和探測器之間的距離分別是12mm(近端)和30mm(遠端),采樣頻率為100Hz。受試者為兩名健康的男大學生,實驗前告知實驗內容并要求自愿參與數據采集。實驗期間,受試者坐在舒適的椅子上且處于靜息狀態(tài),將近紅外探頭置于受試者前額持續(xù)記錄5min,利用修正的朗伯比爾定律將光信號轉換為血氧信號進行降采樣,即可獲得真實的NIRS信號,通過降采樣的采樣頻率變?yōu)?0Hz。對血氧信號進行0.005～1Hz的帶通濾波,以消除儀器、漂移等噪聲的影響。

2.2 經驗模態(tài)分解結果

圖4為ICEEMDAN算法對仿真近端通道信號的經驗模態(tài)分解結果,共包括7個固有模態(tài)函數(IMF1～IMF7)和1個殘差量r,其中IMF1～IMF5與仿真的4個生理成分一一對應。由圖4可見,ICEEMDAN算法可以將仿真的近端通道信號分解為構成它的各個振蕩成分,包括全局干擾和測量噪聲。EMD、EEMD、CEEMD、CEEMDAN也可以對近端通道信號進行成功分解,只是固有模態(tài)函數的數目和形態(tài)略有不同。

圖4 ICEEMDAN算法對仿真近端通道信號的分解結果

2.3 EHR提取結果

(a)仿真NIRS信號的 (b)半真實NIRS信號的EHR塊平均結果EHR塊平均結果圖5 仿真NIRS信號和半真實NIRS信號的EHR塊平均結果

2.4 EHR信號質量評估結果

5種方法獲得的EHR與原始EHR之間的皮爾森相關系數和相對均方誤差如表2所示。不難發(fā)現(xiàn),與半真實NIRS信號相比,仿真NIRS信號的EHR提取結果更好。無論哪種實驗信號,5種方法獲得的EHR均具有較大的皮爾森相關系數和較小的相對均方誤差,其中ICEEMDAN-RLS方法對應的皮爾森相關系數最大,相對均方誤差最小,表明該方法獲得的EHR與原始的EHR更接近,信號質量更好。

表2 5種方法獲得的EHR信號質量評估結果對比

3 ICEEMDAN-RLS方法

理論上,對近端通道信號進行經驗模態(tài)分解可以得到具有比較明確生理意義的固有模態(tài)函數,如心臟搏動、呼吸和低頻振蕩等全局干擾,這些全局干擾同時也包含在遠端通道信號中,淹沒了幅值較小的EHR,然而結合自適應濾波方法可以在去除全局干擾的同時,還能很好地保留EHR的特性。

通過對比5種經驗模態(tài)分解算法的EHR提取性能發(fā)現(xiàn),基于經驗模態(tài)分解的自適應濾波方法可以有效地提取NIRS信號中包含的EHR,其中ICEEMDAN-RLS方法獲得的EHR信號質量最好。究其原因:EMD算法在對近端通道信號進行分解時存在模態(tài)混疊問題,所以分解得到的固有模態(tài)函數與真實的固有模態(tài)函數相差較大,在進行自適應濾波時不能有效移除干擾;EEMD算法克服了EMD算法的模態(tài)混疊問題,但其獲得的固有模態(tài)函數包含剩余噪聲,且存在模態(tài)數目不匹配的現(xiàn)象,這些都會造成EHR估計質量下降;CEEMD算法是對EEMD算法的一種改進,其獲得的固有模態(tài)函數不包含剩余噪聲,但模態(tài)數目不匹配的現(xiàn)象仍然存在,會影響EHR的估計質量;CEEMDAN算法克服了上述幾種算法的缺陷,但在對信號進行分解的過程中會出現(xiàn)虛假模態(tài),并作為噪聲被引入到自適應濾波器中,由此降低了EHR的估計質量;ICEEMDAN算法很好地將信號分解為具有比較明確生理意義的固有模態(tài)函數,從而獲得了較好的EHR信號質量。與此同時,仿真NIRS信號的EHR提取結果優(yōu)于半真實NIRS信號。究其原因主要是,真實NIRS信號的近端通道和遠端通道之間存在相位偏移,使得干擾信號不能被完全濾除,而且真實的遠端通道信號本身已經包含大腦皮質活動的一些信息,使得提取出的仿真EHR振蕩較大。

圖6 不同塊平均數下2種方法EHR的皮爾森相關系數和相對均方誤差評估結果對比

通過分析塊平均次數與EHR信號質量之間的關系發(fā)現(xiàn),ICEEMDAN-RLS和傳統(tǒng)塊平均方法對應的皮爾森相關系數隨塊平均次數的增加而增大,相對均方誤差隨塊平均次數的增加而減小。如圖6所示,當塊平均次數n=10時,ICEEMDAN-RLS方法對應的皮爾森相關系數基本穩(wěn)定至1,相對均方誤差處于比較低的水平;當n=40時,傳統(tǒng)塊平均方法對應的皮爾森相關系數基本穩(wěn)定至0.8,明顯低于ICEEMDAN-RLS方法,而相對均方誤差處于比較低的水平,和ICEEMDAN-RLS方法相當。因此,為獲得穩(wěn)定的EHR信號質量,ICEEMDAN-RLS方法需要進行至少10次塊平均,而傳統(tǒng)塊平均方法需要進行至少40次塊平均且獲得的EHR信號質量不如ICEEMDAN-RLS方法。ICEEMDAN-RLS方法還存在一定的缺陷:①由于真實NIRS信號在不同通道之間存在相位偏移,使得其在近端通道信號的經驗模態(tài)分解結果與遠端通道信號中待濾除的生理成分不完全一樣;②其將全部固有模態(tài)函數均作為自適應濾波器的參考輸入,事實上部分固有模態(tài)函數是與遠端通道信號不相關的噪聲信號,這些噪聲作為自適應濾波器的參考輸入會降低EHR的信號估計質量。如何消除NIRS信號中的相位偏移,以及如何更有效地挑選固有模態(tài)函數中的有用成分以提高EHR的信號質量,是我們下一步的工作。

4 結束語

通過對比5種經驗模態(tài)分解算法對應的EHR提取性能發(fā)現(xiàn),無論哪種算法都能有效提取NIRS信號中包含的EHR,其中ICEEMDAN-RLS方法獲得的EHR信號質量最好,并且仿真NIRS信號的EHR提取結果優(yōu)于半真實NIRS信號。另一方面,通過研究塊平均次數與EHR信號質量之間的關系可知,為獲得穩(wěn)定的EHR信號質量,ICEEMDAN-RLS方法需要進行至少10次塊平均,而傳統(tǒng)塊平均方法需要進行至少40次塊平均且獲得的EHR信號質量不如ICEEMDAN-RLS方法。

綜上所述,ICEEMDAN-RLS方法具有較好的EHR提取性能,可為大腦功能活化的研究提供一種有效手段。

[1] NOZAWA T, KONDO T. A comparison of artifact reduction methods for real-time analysis of fNIRS data [M]. Heidelberg, Berlin: Springer, 2009: 413-422.

[2] SAAGER R B, BERGER A J. Direct characterization and removal of interfering absorption trends in two-layer turbid media [J]. Journal of the Optical Society of America: A Optics Image Science & Vision, 2005, 22(9): 1874-1882.

[3] 魏穎雯, 閆相國. 應用經驗模態(tài)分解去除近紅外光的運動偽跡 [J]. 西安交通大學學報, 2014, 48(2): 131-136. WEI Yinwen, YAN Xiangguo. Motion artifact removal for near infrared spectroscopy by empirical mode decomposition [J]. Journal of Xi’an Jiaotong University, 2014, 48(2): 131-136.

[4] JASDZEWSKI G, STRANGMAN G, WAGNER J, et al. Differences in the hemodynamic response to event-related motor and visual paradigms as measured by near-infrared spectroscopy [J]. Neuroimage, 2003, 20(1): 479-488.

[5] TAKAHASHI T, TAKIKAWA Y, KAWAGOE R, et al. Influence of skin blood flow on near-infrared spectroscopy signals measured on the forehead during a verbal fluency task [J]. Neuroimage, 2011, 57(3): 991-1002.

[6] ZHANG Q, STRANGMAN G E, GIORGIO G. Adaptive filtering to reduce global interference in non-invasive NIRS measures of brain activation: how well and when does it work? [J]. Neuroimage, 2009, 45(3): 788-794.

[7] ABDELNOUR A F, HUPPERT T. Real-time imaging of human brain function by near-infrared spectroscopy using an adaptive general linear model [J]. Neuroimage, 2009, 46(1): 133-143.

[8] ZHANG Y, SUN J W, ROLFE P. Monte Carlo study for physiological interference reduction in near-infrared spectroscopy based on empirical mode decomposition [J]. Journal of Modern Optics, 2010, 57 (21): 1-11.

[9] GAGNON L, YüCEL M A, BOAS D A, et al. Further improvement in reducing superficial contamination in NIRS using double short separation measurements [J]. Neuroimage, 2014, 85(1): 127-135.

[10]FUNANE T, ATSUMORI H, KATURA T, et al. Quantitative evaluation of deep and shallow tissue layers contribution to fNIRS signal using multi-distance optodes and independent component analysis [J]. Neuroimage, 2014, 85(1): 150-165.

[11]BERIVANLOU N H, SETAREHDAN S K, NOUBARI H A. Evoked hemodynamic response estimation using ensemble empirical mode decomposition based adaptive algorithm applied to dual channel functional near infrared spectroscopy [J]. Journal of Neuroscience Methods, 2014, 224(6): 13-25.

[12]HUANG N E, SHEN Z, LONG S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis [C]∥Proceedings of the Royal Society: A Mathematical, Physical and Engineering Sciences. London, UK: The Royal Society, 1998: 903-995.

[13]WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method [J]. Advances in Adaptive Data Analysis, 2011, 1(1): 1-41.

[14]YEH J R, SHIEH J S, HUANG N E. Complementary ensemble empirical mode decomposition: a novel noise enhanced data analysis method [J]. Advances in Adaptive Data Analysis, 2010, 2(2): 135-156.

[15]TORRES M E, COLOMINAS M, SCHLOTTHAUER G, et al. A complete ensemble empirical mode decomposition with adaptive noise [C]∥2011 IEEE International Conference on Acoustics, Speech and Signal Processing. Piscataway, NJ, USA: IEEE, 2011: 4144-4147.

[16]COLOMINAS M A, SCHLOTTHAUER G, TORRES M E. Improved complete ensemble EMD: a suitable tool for biomedical signal processing [J]. Biomedical Signal Processing and Control, 2014, 14: 19-29.

[17]SCHOLKMANN F, SPICHTIG S, MUEHLEMANN T, et al. How to detect and reduce movement artifacts in near-infrared imaging using moving standard deviation and spline interpolation [J]. Physiological Measurement, 2010, 31(5): 649-662.

[18]SCARPA F, BRIGADOI S, CUTINI S, et al. A methodology to improve estimation of stimulus-evoked hemodynamic response from fNIRS measurements [C]∥2011 Annual International Conference of the IEEE: Engineering in Medicine and Biology. Piscataway, NJ, USA: IEEE, 2011: 785-788.

[本刊相關文獻鏈接]

徐光華,張鋒,謝俊,等.穩(wěn)態(tài)視覺誘發(fā)電位的腦機接口范式及其信號處理方法研究.2015,49(6):1-7.[doi:10.7652/xjtuxb201506001]

魏穎雯,閆相國.應用經驗模式分解去除近紅外光的運動偽跡.2014,48(2):131-136.[doi:10.7652/xjtuxb201402022]

鄭楊,王剛,徐進,等.大腦皮層-肌肉交互作用與注意力關系的實驗研究.2014,48(6):134-138.[doi:10.7652/xjtuxb2014 06023]

趙夢琰,李擴,鮑剛,等.利用小波包的腦電源定位算法仿真研究.2013,47(12):130-136.[doi:10.7652/xjtuxb201312 022]

胡其會,張鳴遠,楊萬英.軸流式血泵黏彈性流體水動力特性數值模擬.2010,44(11):28-32.[doi:10.7652/xjtuxb201011 006]

陳珍,袁奇,朱光宇,等.頸內動脈狹窄時Willis環(huán)的血液動力學數值模擬.2009,43(10):119-123.[doi:10.7652/xjtuxb 200910025]

陳珍,袁奇,申娜,等.顱內Willis環(huán)三維穩(wěn)態(tài)及非穩(wěn)態(tài)血液動力學計算.2008,42(4):492-496.[doi:10.7652/xjtuxb2008 04024]

(編輯 苗凌)

A Method for Extracting Evoked Hemodynamic Response from NIRS Signal

CAI Yunli,GAO Lin,WANG Yifei,YAN Xiangguo

(MOE Key Laboratory of Biomedical Information Engineering, Xi’an Jiaotong University, Xi’an 710049, China)

To extract evoked hemodynamic response (EHR) relating to functional activation in human brain, a method named improved complete ensemble empirical mode decomposition with adaptive noise and recursive least square (ICEEMDAN-RLS) was proposed to pick up EHR from NIRS signal after comparing the advantages and disadvantages of different empirical mode decomposition (EMD) algorithms. The near-channel signal was firstly decomposed by five EMD algorithms, then EHR was estimated from far-channel signal by adaptive filter. The performance of different EMD algorithms was assessed by Pearson correlation coefficient and relative mean square error. The relationship between block average times and the quality of EHR was analyzed with EMD and traditional block average method, respectively. The results show that EHR can be effectively extracted from far-channel signal by all the above methods, while the biggest Pearson correlation coefficient and the smallest mean square error are obtained by ICEEMDAN-RLS. Moreover, 10 times of block average are enough for ICEEMDAN-RLS to obtain stable EHR, which is reduced by 75% compared with the traditional method, and better signal quality is gained. Therefore, ICEEMDAN-RLS is more effective in extracting EHR contaminated by physiological components and performs better than block average method.

near-infrared spectroscopy; evoked hemodynamic response; empirical mode decomposition; block average

2015-12-24。 作者簡介:蔡云麗(1992—),女,碩士生;閆相國(通信作者),男,教授。 基金項目:國家自然科學基金資助項目(61471291);國家“863計劃”資助項目(2012AA02A604)。

時間:2016-05-10

10.7652/xjtuxb201607023

R318

A

0253-987X(2016)07-0152-07

網絡出版地址:http:∥www.cnki.net/kcms/detail/61.1069.T.20160510.1516.002.html