Введение
В последние годы функциональная спектроскопия в околоинфракрасном диапазоне (functional near-infrared spectroscopy - fNIRS) привлекает внимание как неинвазивная функциональная технология нейровизуализации. fNIRS визуализирует активность мозга путем измерения гемодинамических реакций окси- и дезоксигемоглобина (Hb), связанных с нейронным поведением. fNIRS позволяет идентифицировать кортикальную активацию или активацию области мозга, связанной с данным стимулом, анализируя динамику окси- и дезокси-гемоглобина.
Однако, поскольку сигналы fNIRS часто содержат шумы (например, связанные с движением артефакты и психологические шумы, а так же сердцебиение), трудно извлечь из этого значимые показатели активности мозга. Кроме того, невозможно выполнить сравнение исходных данных fNIRS между субъектами, поскольку fNIRS обнаруживает только относительное изменение в окси- или дезокси-Hb. Для выполнения группового анализа также необходима калибровка базовых значений. Однако не существует установленного способа предварительной обработки сигналов fNIRS.
Целью этого исследования была оценка областей мозга, связанных с конкретной задачей или стимулом, путем автоматического извлечения признаков кортикальной активности из данных fNIRS. Был предложен новый способ выделения признаков для сигналов fNIRS и рассмотрены их временные и пространственные характеристики.
Метод исследования
Методы глубокого изучения в основном использовались для классификации многомерных данных, однако, в данном исследовании все сосредоточено на другом аспекте методологии глубокого изучения, касающемся определения зоны интереса (region-of-interest - ROI), связанного с данной задачей или стимулами.
В предложенном подходе из всех предметных данных fNIRS построен групповой классификатор, использующий контролируемое обучение. Групповой классификатор предназначен для всех каналов измерительной системы fNIRS, а групповое обозначение контролируется в ходе каждого обучающего процесса.
После завершения обучения, точность классификации с использованием только одного канала сравнивается между всеми каналами, и канал, чья точность классификации имеет лучшую производительность, извлекается в качестве критического ROI для групповой классификации.
Кроме того, был предложен новый алгоритм глубокого изучения, представляющий собой слияние двух алгоритмов: криволинейной нейронной сети (convolutional neural network - CNN) и долгой кратковременной памяти (long short-term memory -LSTM). Хотя оба эти алгоритма могут автоматически выполнять извлечение функций, CNN сохраняет пространственную информацию о входных данных во время обучения, а LSTM сохраняет временную информацию. Используя преимущества этих двух алгоритмов, предложенный новый алгоритм в основном состоял из пяти слоев: входного, сверточного, LSTM, объединенного и выходного слоя. Стало возможным идентифицировать ROI, так как нейронные единицы входного слоя связаны с датчиками fNIRS, расположенными на голове участников эксперимента.
Эксперимент
Для изучения эффективности подхода, необходимо извлечь ROI, связанные с рабочей памятью. Мозговой кровоток во время выполнения задания, которое часто использовали для оценки рабочей памяти, измерялся с помощью fNIRS. В эксперименте приняли участие 30 здоровых мужчин (средний возраст: 23,3 ± 1,5 года, праворуких) и 5 здоровых женщин (средний возраст: 21,7 ± 0,52 года, праворуких).
Датчики fNIRS размещали по системе International 10-20. Используя полученные данные fNIRS, классификатор был обучен выводить входные данные как "2-back" или "3-back".
Результаты
Средний процент правильных ответов в заданиях 2-back (низкая степень сложности) и 3-back (высокая степень сложности) составил 90,2 ± 8,98 и 84,3 ± 8,87% соответственно. Было показано, что он существенно отличается по тесту Уилкоксона (p <0.01).
Используя эти данные fNIRS, разработанный классификатор достиг точности классификации 91,4 ± 1,49%. Кроме того, при сравнении точности одноканальной классификации для всех каналов были успешно извлечены левая дорсолатеральная префронтальная кора (DLPFC) и передняя префронтальная кора (APFC) в качестве задач, связанных с ROI.
DLPFC активируется в ряде когнитивных задач и задач с использованием рабочей памяти, а также, как известно, играет ключевую роль в когнитивном контроле и адаптации стратегии для улучшения выполнения задач. В частности, левый DLPFC, активируется в словесной задаче рабочей памяти.
APFC - это область обработки весьма абстрактной информации. Также сообщалось, что APFC и DLPFC активизировались в ситуации, связанной с выполнением двух задач. Кроме того, активация DLPFC и APFC связана с трудностями проблем с N-обратной связью. Эти наблюдения позволяют сделать вывод о том, что ROI, оцениваемые предложенным методом, являются разумными. Следовательно, предложенный метод оказался полезным для анализа функций мозга по данным fNIRS.
