想象一下，一个人穿戴着便携式近红外脑成像系统Brite，玩一个要求很高的电子游戏，这个游戏不仅难度高，还十分需要脑力运动量。Brite记录下与脑力负荷相关的血容量变化或血液动力学变化，并将正在测量的信号实时发送到分析系统，该系统测量了脑力工作负荷的增加，随后将游戏的难度降低了5%。这是一个基于功能性近红外光谱(fNIRS)的脑机接口（BCI）的例子，在该接口中，从大脑检测的生理信号被转换并用于控制输出设备（如计算机）。本文将扩展基于NIRS的BCI是如何工作的，以及研究人员使用基于NIRS的BCI的可能性。
工作原理
图1，左侧图像显示了游戏“Brain Snake”的Matlab界面，蛇是通过一种基于近红外光谱（NIRS）的脑机接口（BCI）来控制的，具体来说是由手指敲击引起的运动皮层的血液动力学信号控制的。右侧图像显示了我们自己的Matlab脚本显示的血液动力学的输入变化。如果差值超过1μM，蛇就会右转。
我们的OxySoft软件用于记录NIRS数据，在OxySoft中，可以管理和分析记录的数据。但是，为了进行实时分析和数据处理，我们需要将数据实时流式传输到所选的分析软件，该软件将用作游戏的输入。例如，可以将OxyMon测量的数据流式传输到FieldTrip缓存区中，FieldTrip是一个基于Matlab的工具箱，可以从FieldTrip网站免费下载。借助FieldTrip，您可以实时分析NIRS数据，这对于BCI来说是非常有用的。您还可以使用Lab Streaming Layer实时传输数据（LSL）连接到网络上的任何设备和软件，我们将数据流链接到Matlab，并且使脚本生效，以便蛇可以使用数据进行转弯。
图2的顶部图表（通道1）显示了在静止状态下测量的原始血红蛋白变化。手指敲击是在垂直的蓝线之间进行的。在原始数据中，您可以看到频率快速波动（心跳），以及其他频率较低的振荡（缓慢的血管运动）。这些低频波具有与血红蛋白浓度变化相似的幅度，因此，它们可以掩盖变化。我们可以通过在设置中添加一个短的分离通道来显著提高BCI的成功率（图3）。图2中通道2的曲线图显示了在短分离通道中测得的信号。在图2的底部图中绘制了过滤后的信号，即用短分离通道过滤掉心跳和缓慢的血管运动。在该图中，我们可以看到一个非常清晰的对手指敲击的反应，手指敲击开始后，经过几秒钟的延迟，氧合血红蛋白浓度增加（通常约为1-2μM），脱氧血红蛋白浓度降低（约0.5μM）。您可以在图2的底部图形中看到这些变化，当信号幅度增加到某个阈值以上时，蛇将右转。因此，用户可以控制蛇并将其定向至黄色块。
图2，在运动皮层测得的典型的氧合血红蛋白（红色）和脱氧血红蛋白（蓝色）的浓度变化（OxySoft制图表）。x轴表示时间（以秒为单位），y轴表示浓度变化（以微摩尔表示）。在垂直的蓝线之间执行手指轻击，上图显示了使用4cm光电二极管之间的距离（通道1）测量的血液动力学变化，下图显示了在1.5cm光电二极管之间的距离的较浅通道（通道2）处的血红蛋白浓度。底部曲线图中绘制了两个通道之间的差异。减法（MF x通道1到通道2）中使用一个乘数因子（MF）。在这种情况下，O2Hb的倍增系数为1.6。此外，还绘制了三个手指敲击周期内标准偏差的循环平均值。
部分客户案例
BCI有许多应用，包括医疗保健、市场营销、教育、娱乐和安全性。但目前，这些所有的应用以及更多其他的应用都仍处于探索中。目前，近红外光谱技术正被广泛应用于脑机接口的创建和发展。研究人员Zephaniah和Kim（2014）撰写了一篇综述文章，介绍了基于NIRS的BCI的最新发展和应用。令我们高兴的是，他们提到了我们的便携式脑成像系统PortaLite，并在上面写下了一句话：“这只是一个传感器的示例，它显示了便利性和便携性，这使它成为BCI系统的理想选择。”我们相信这对OctaMon和Brite来说也是如此，我们相信我们的设备可以进行更多有趣的研究。与此同时，我们客户的工作也非常出色，不断学习和研究有关BCI的更多信息。以下是部分客户案例：
- Kamavuako等人（2018年），利用OxyMon研究来调查是否可以利用在公开（沉默）或秘密（沉默）讲话期间Broca区域激活引起的血液动力学变化来创建BCI，以供患有神经肌肉疾病（如闭锁综合征）的人使用。
- Hennrich及其的同事（2015年），利用OxyMon研究更复杂，功能更强大的分类方法（如基于NIRS的BCI的深度神经网络）的可行性。
- 由于有效的单次试验分类是创建一个良好BCI的关键，Herff等人（2014年）使用OxyMon证明，测量PFC中的血液动力学变化可用于有力地量化和分类精神负荷。
- Zhang及其的同事（2017）探索了在同一运动中识别运动表象和运动执行的可行性。结果表明，fNIRS-BCI确实可以在同一运动中识别两者。
- Maior等人（2018）一直致力于fNIRS和神经电影学的合作，并可能利用fNIRS开发一部由大脑血液动力学反应驱动的交互式电影。
谢谢大家在BCI方面所做的工作，我们期待在这个令人着迷的领域中进行更多的研究！
参考文献：
1. Zephaniah, P. V., & Kim, J. G. (2014). Recent functional near infrared spectroscopy based brain computer interface systems: developments, applications and challenges. Biomedical Engineering Letters, 4(3), 223-230.
2. Kamavuako, E., Sheikh, U., Gilani, S., Jamil, M., & Niazi, I. (2018). Classification of overt and covert speech for Near-Infrared Spectroscopy-based Brain Computer Interface. Sensors, 18(9), 2989.
3. Hennrich, J., Herff, C., Heger, D., & Schultz, T. (2015, August). Investigating deep learning for fNIRS based BCI. In 2015 37th Annual international conference of the IEEE Engineering in Medicine and Biology Society (EMBC) (pp. 2844-2847). IEEE.
4. Herff, C., Heger, D., Fortmann, O., Hennrich, J., Putze, F., Schultz, T. (2014). Mental workload during n-back task—quantified in the prefrontal cortex using fNIRS. Frontiers in Human Neuroscience 7, 935.
5. Zhang, Z., Jiao, X., Xu, F., Jiang, J., Yang, H., Cao, Y., & Fu, J. (2017). The investigation of brain-computer interface for motor imagery and execution using functional near-infrared spectroscopy. In International Conference on Innovative Optical Health Science (Vol. 10245, p. 102450I). International Society for Optics and Photonics.
6. Ramchurn, R.; Maior, H.; Wilson, M.; Martindale, S.; Benford, S.; Cai, M. (2018, October) fNIRS and Neurocinematics. Poster session presented at the fNIRS 2018 conference in Tokyo, Japan.
