综述 | 深度学习在fNIRS中的应用

导读

意义：光学神经影像学已成为一种成熟的临床和研究工具，用于监测大脑皮层的激活。值得注意的是，功能性近红外光谱(fNIRS)研究的结果在很大程度上取决于所采用的数据处理流程和分类模型。最近，深度学习(DL)方法在许多生物医学领域的数据处理和分类任务中表现出快速和准确的性能。

目的：本文旨在回顾新兴的深度学习(DL)在fNIRS研究中的应用。

方法：本文将首先介绍一些常用的深度学习技术。然后，总结了当前深度学习在脑机接口、神经损伤诊断和神经科学发现等领域的研究进展。

结果：在本综述考虑的63篇论文中，32篇报告了DL技术与传统机器学习技术的比较研究，其中26篇报告了DL在分类精度方面表现优于传统机器学习。此外，有8篇研究利用深度学习来减少通常使用fNIRS数据进行的预处理量，或通过数据增强来增加数据量。

结论：DL技术在fNIRS研究中的应用已表明可以减轻fNIRS研究中存在的许多障碍，例如冗长的数据预处理或小样本量，同时能够实现相当或改进的分类精度。

前言

在过去的二十年里，功能性近红外光谱(fNIRS)已成为一种监测大脑活动的成熟的神经成像模式。fNIRS能够在较长时间内量化皮质组织血流动力学，具有相对高的空间采样和时间分辨率，使其能够在许多临床环境中被广泛采用。fNIRS具有独特的优势，可用于自由移动的受试者，其限制比脑电图(EEG)或功能性磁共振成像(fMRI)少。这允许我们在自然场景和通常被认为不适合EEG或fMRI成像的患者群体中运用fNIRS。但由于实验设置、统计结果的变化等原因，fNIRS在临床应用方面仍面临着诸多挑战。重要的是，fNIRS的当前趋势旨在通过增加空间采样来提高空间分辨率，通过数据处理去除不必要的生理噪声来提高皮层敏感度，通过解剖配准改善量化，并通过伪影识别和去除来提高鲁棒性。然而，当前的算法实现需要高水平的专业知识来设置参数，这些参数可以是特定于系统或应用程序的，但也会极大地影响处理数据的可解释性。此外，这些方法的计算成本并不适合床边实施。随着数据处理和分析领域的普遍趋势，最近提出了利用深度学习(DL)发展的新方法，在很大程度上有助于克服这些情况。

DL方法在所有生物医学工程领域的成功为开发出具有强大性能、用户友好和实时能力的专用数据驱动、无模型数据处理工具提供了希望。DL方法越来越多地用于生物医学成像领域，包括生物医学光学和神经成像方式，如fMRI、脑磁图(MEG)和EEG。遵循这一趋势，DL方法最近也被用于fNIRS应用。在这篇综述中，作者总结了这些当前研究。本文首先介绍了DL的基本概念，包括训练和设计注意事项。其次，本文提供了DL模型在不同fNIRS研究中的应用总结，包括脑机接口（BCI）、临床诊断和皮层活动分析。

深度学习方法论

DL可以看作是参数化机器学习技术的黑盒版本。传统的机器学习技术可能会对原始数据分布做出几个假设。最值得注意的是，通过对输入数据进行适当的转换，可以将数据映射到不同的类别（分类数据）或回归线（连续数据）。在参数化方法中，利用权重将多维输入数据约简到可分离的空间中。这些权重是通过最小化目标函数来学习的，试图减少分数预测的误差。通过在输入和输出空间之间引入隐藏层，有人认为可以学习一些抽象概念以帮助更好地进行区分。这些模型被称为人工神经网络(ANNs)。

受生物神经元的启发，ANNs通过在节点或“神经元”上执行简单的非线性操作，生成输入训练数据(x)和输出数据(y)之间的映射，形成一个计算图。更新图边缘的权值(Θ)，即通过最小化损失函数

来进行训练，该函数测量了模型输出

和真实输出(y)之间的差异。使用梯度下降的反向传播算法中的微分链规则有效地完成网络训练。图中每一层的节点数定义了网络的宽度，而层数定义了其深度。

深度网络是具有足够深度的网络，尽管对于该网络的深度如何才能被视为是“深度神经网络”(DNN)尚未达成共识。整个网络可以看作是一个可微函数，它使用多层函数组合来学习输入和输出之间的关系，初始层学习输入的低级特征，而更深层则提取更高层次的特征。高性能计算的出现和大规模数据的可用性正在推动当前深度学习的快速发展。

深度学习架构

DL从可用的单元/节点操作中获得其多功能性。这些操作包括受其他特定领域工具启发的线性变换、过滤器和门(gates)，这些工具计算隐藏层中的抽象特征。通常，这些操作的选择决定了网络的应用。fNIRS研究中最常用的三种网络类型如图1所示。

图1.上图显示了综述文章中三种最常见的网络架构。

多层感知器(MLPs)等密集网络使用线性变换作为单元操作，是ANNs的同义词。卷积神经网络(CNNs)使用卷积进行运算，其中使用固定大小的滤波器对输入图像或特征图进行卷积。一般来说，它们对数字、物体和图像的识别能力很强。类似地，长-短时记忆网络(LSTM)可以在时域中展开以学习时间序列数据。LSTM单元使用门来维持单元状态记忆。适当的数据以连续的时间步长通