基于fNIRS和神经反馈的记忆认知训练研究.pdf

文章编号：1671-7104(2024)02-0132-06基于fNIRS和神经反馈的记忆认知训练研究【作者】李鑫鑫，卜令国山东大学软件学院，济南市，250101【摘要】该研究使用功能性近红外光谱技术和神经反馈机制开发了记忆任务训练系统，并对被试的脑电信号进行采集和分析。结果显示，参与神经反馈任务的被试在前额叶部右半脑区具有更高的相关性脑网络节点度和平均集群系数，中介中心度的分散程度相对降低。此外，被试的前额叶部左半脑区在神经反馈任务中的核心地位上升。通过通道网络模型和支持向量机模型对脑数据进行分类，结果表明两个模型在任务态和静息态的分类准确率高于反馈任务和对照任务，且通道网络模型的分类准确率更高。该研究结果表明神经反馈任务的被试具有明显的脑数据特征，并且这些特征能够被有效识别。【关键词】功能性近红外光谱技术；神经反馈；脑网络；通道网络模型【中图分类号】R318;R-331【文献标志码】Adoi:10.12455/j.issn.1671-7104.240012Research on Memory Cognitive Training Based onfNIRS and Neurofeedback【Authors 】LIXinxin,BULingguoSchoolofSoftware,ShandongUniversity,Jinan,250101【Abstract 】Thestudydevelopedamemorytasktrainingsystemusingfunctionalnear-infraredspectroscopy(fNIRS)andneurofeedbackmechanisms,andacquiredandanalyzedsubjectsEEGsignals.Theresultsshowedthatsubjectsparticipatingintheneurofeedbacktaskhadhighercorrelatedbrainnetworknodedegreesandaverageclustercoefficientsintherighthemispherebrainregionoftheprefrontallobe,withrelativelylower dispersion of mediator centrality.In addition,the subjects left hemisphere brain region of theprefrontallobesectionhadincreasedcentralityintheneurofeedbacktask.Classificationofbraindatabythechannelnetworkmodelandthesupportvectormachinemodelshowedthattheclassificationaccuracyofbothmodelswashigherinthetaskstateandrestingstatethaninthefeedbacktaskandthecontroltask,andtheclassificationaccuracyofthechannelnetworkmodelwashigher.Theresultssuggestedthatsubjectsintheneurofeedbacktaskhaddistinctbraindatafeaturesandthatthesefeaturescouldbeeffectivelyrecognized.【Key words】functionalnear-infraredspectroscopy,neurofeedback,brainnetwork,channelnetworkmodel0引言引言认知康复训练是一种通过训练来改善和恢复认知功能的方法，被广泛应用于卒中、创伤性脑损伤、阿尔茨海默病等导致认知功能受损的疾病康复中。传统的认知康复训练通常依赖于康复治疗师的指导和纸质或计算机辅助的练习，存在训练内容单一、效果难以量化等问题1。且目前主流的认知康复训练主要是认知能力的练习，忽视了个体差异和特殊需求，不同的人可能存在不同的认知缺陷，需要个性化的训练方案来发挥训练的作用。基于脑科学2的认知康复训练技术不断发展。脑科学是一门研究大脑和神经系统的学科，旨在理解脑的结构、功能和行为。它涉及多个学科领域，包括神经生物学、心理学、计算机科学、认知科学和生物工程。脑科学的目标是揭示大脑如何产生思维、感知、情绪和行为，并探索与这些过程相关的神经机制。王碧霄等3构建因效性脑网络研究不同工作记忆任务下的脑区之间的联系。使用脑科学技术手段摆脱传统康复训练方式难以量化的难题成为可能。神经反馈是一种脑科学研究中的重要方法，它通过测量和分析大脑活动来了解大脑的功能和机制。在过去几十年里，神经反馈技术得到了广泛的应用和发展，对脑科学的研究和临床实践产生了积收稿日期：2024-01-08作者简介：李鑫鑫，E-mail:通信作者：卜令国，E-mail:ChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能132极的影响。HUANG等4将神经反馈技术与情绪调节任务结合，通过BCI训练系统提高了调节情绪的能力，神经反馈能够使用专门的设备和传感器来监测大脑活动或生理指标，将这些信息转化为可视化或听觉化的信息反馈给个体，以达到控制和改变大脑活动的目的。目前，主流的神经反馈技术多是基于脑电图（electroencephalography,EEG）信号采集脑神经数据，HADAVI等5提出了一种通过提取EEG特征进行神经反馈训练方法，通过训练影响被试者的脑电图特征。然而使用EEG技术测量脑电信号时，电极放置在头皮上，只能提供较粗略的空间分辨率6。EEG不能准确确定脑活动发生的具体位置，并且容易受到头皮和颅骨的干扰，因为这些组织会衰减和扭曲电信号，从而降低信号的质量和准确性。而功能性近红外光谱技术（functionalnear-infraredspectroscopy,fNIRS）可以提供较高的空间分辨率，根据不同的光源和探测器的位置，将大脑分成多个区域进行研究。fNIRS抗干扰能力更强，对于头部运动和肌电干扰的敏感性较低，相对EEG，较不容易受到外界干扰的影响。然而，MARZBANI等7认为神经反馈是许多脑功能障碍的补充和替代疗法，目前的研究并不支持其疗效的结论性结果。传统的评估方法无法精准识别不同个体的脑科学数据特征差异，人工智能技术的发展，为神经反馈的个性化评估提出了一种解决方案，LEE等8使用人工智能无监督机器学习聚类分析方法研究基于神经反馈训练的儿童注意力水平。这些说明人工智能与神经反馈技术的良性结合存在可能。综上所述，本研究在认知康复训练系统开发过程中，通过结合基于fNIRS的神经反馈以及人工智能2项技术，提高传统认知康复训练效果以及个性化评估与分析能力。选用音乐记忆任务作为认知训练的主要任务范式，通过神经反馈技术实现对用户认知状态的实时监测和反馈。使用深度学习建立认知模型，评估基于神经反馈的认知康复训练系统的效果，比较其与正常训练方法的差异，并验证其对认知功能的改善和恢复的效果。1材料和方法材料和方法1.1材料1.1.1实验对象15位健康成年人平均年龄（202）岁，6位女性，9位男性参与了本次实验，基础信息和MoCa量表得分见表1。被试者身体健康精神状态稳定，视力正常或视力矫正至正常，经MoCa量表测试认知功能均正常（26），此前没有参与过认知任务相关的脑机接口实验。为减少周围设备对脑电信号采集的干扰，实验期间关闭与实验无关的设备。所有被试者均签署知情同意书。表1参与实验人员的基础信息和MoCa量表得分Tab.1BasicinformationandMoCascalescoresoftheparticipantsintheexperimenter编号年龄/岁性别MoCa得分120女28220男27319女26419男27519女29621男30719男28821男29922女281022男261120女281219女251322男281421男291520男271.1.2实验设备实验中近红外脑功能数据采集使用慧创可移动便携式fNIRS设备与NirSmart采集软件，支持穿戴式检查，实现20mWi-Fi无线传输、6h超长续航时间，支持离线数据采集。设备包含4发射器、4探测器，探测范围为730850nm，使用19个通道医疗前额叶模板，通道主要分布在大脑前额叶皮层，采样率为10Hz。1.1.3实验范式实验开始前，被试者填写MoCa认知水平量表，填写后向被试者介绍整个训练流程，并让被试者预操作1min来熟悉实验内容，整体实验流程如图1所示。确认被试者熟悉整个实验流程后正式开始实验，被试者实验时长为10min，主要从事动态工作记忆任务9，动态工作记忆任务是研究工作记忆刷新功能的范式。图2为实验场景。实验期间，记忆任务每一轮次开始时，界面每秒钟展示一个09的数字，共展示6个数字（可重复）。展示后，被试者需要在提供的键盘上重复刚才的数字序列。前5min，被试者顺序重复数字序列；后5min，被试者倒序重复数字序列。当被试者敲击完整的6个数字的序列后进入下一轮，同时，在界面上展示数字和被试者敲击相应数字对应的键盘时，电脑会发出不同的钢琴音键声音，且09数字对应的声音音阶逐渐升高，辅助被试者记忆。ChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能1331.1.4系统反馈具体流程实验系统使用Python语言搭建，界面采用PyQt5开发，整个训练流程包括：信息登录、设备准备（连接确认与信号检测）、正式训练，信息登录流程需要被试者记录自己的个人信息，包括年龄、性别等，被试者在设备准备阶段需要确认、验证训练是否正确连接采集设备。在正式训练阶段，训练系统通过TCP连接到NirSmart，在NirSmart端确认通道信号良好后采集数据，NirSmart端采集到光强数据后存储在缓冲区，训练系统从缓冲区读取光强数据，将光强转换为光密度数据，然后通过修正的比尔-朗伯定律10将光密度数据转换为血氧浓度数据，训练系统依据得到的血氧浓度数据进行界面反馈。训练系统设置一个滑动探测窗口，平均6s采集一次被试者的近红外数据，并通过转换得到脱氧血红蛋白（HbO）浓度，根据6s窗口内的平均HbO浓度改变界面内元素的展示方式，在实验前向被试者详细介绍系统训练的详细流程以及界面的反馈方式，以达到神经反馈的效果。反馈元素变化及训练任务界面如图3所示，系统界面中心展示白色数字，在数字周围围绕一个边缘模糊的黄色圆形，圆形的初始半径为200个单位，根据被试者血氧浓度数据改变圆形半径，当被试者当前6s内HbO浓度高于上一个6s窗口HbO浓度时，圆形半径增大20个单位，最大不超过500个单位，反之，圆形半径减小20个单位，最小不低于50个单位。保持反馈效果直到实验结束。1.1.5静息态与迁移训练设计实验被试者在每次进行反馈训练实验前进行静息态实验，静息态实验时长为10min，被试者在静息态实验期间不执行具体认知任务，保持安静、放松、清醒时的状态，在每次进行反馈训练实验后进行迁移训练实验，迁移训练时长为10min，迁移训练和反馈训练实验内容相同，迁移训练移除了反馈机制，具体表现在系统界面中心黄色圆形的半径保持一定值不变。1.2数据处理方法首先使用MNE（一种处理脑电与fNIRS等数据的工具包）进行数据预处理11，主要流程包括去除数据中的伪影，进行0.010.1Hz的滤波，转换后得到fNIRS氧合血红蛋白浓度的时间通道序列，计算各个通道的皮尔逊相关系数，据此构建脑功能网络带权无向图，计算图的拓扑参数包括节点度、聚类系数以及中介中心度的指标，比较不同实验状态下各个通道的脑网络特征，最后构建通道网络模型，对不同实验状态fNIRS氧合血红蛋白和脱氧血红蛋白浓度数据进行模型分类，统计准确率并与传统的支持向量机模型的分类结果进行对比。1.2.1脑网络构建皮尔逊相关系数12：用于测量2个信号在零滞后时的时域线性相关性。使用皮尔逊相关系数计算2个通道(X,Y)之间的相关度，计算式如下：cor(x,y)=ni1(XiX)(YiY)ni1(XiX)2ni1(YiY)2(1)统计所有通道之间的相关度，这样针对19通道的近红外数据就可以构建一个1919的相关度矩阵，从而针对每个近红外数据样本创建脑网络带权无向图，同时按照通道在头皮分布划分左右脑区，统计2个脑区之间的平均连接度以及脑区内部通道的平均连接度，并对比差异。对生成的脑网络带权无向图使用以下拓扑参数进行定量描述。（1）节点度是指图中与节点直接相连的边的权重之和。用来衡量节点在图中的重要性和连接程度。节点度越高，表示该节点与其他节点之间存在更多的连接关系，意味着该节点在网络中的重要性较大。Ki=Nj=1aij(2)aij其中，N为通道数，这里是19，代表i节点与j节点矩阵中的皮尔逊相关系数。（2）集群系数是衡量图中节点聚集程度的指标13。它描述了一个节点的邻居节点之间的连接紧神经反馈实验对照实验开始 静息态采集 正背任务 倒背任务休息 正背任务 倒背任务 结束10 min5 min5 min3 min5 min5 min图1整体实验流程Fig.1Overallexperimentalprocess图2实验场景布置Fig.2Experimentalscenelayout图3反馈元素变化及训练任务界面Fig.3FeedbackonelementchangesandtrainingtaskinterfacesChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能134Ciwiki(ki1)/2密程度。能够揭示网络中节点的聚集特征，即节点是否倾向于与彼此相连。通过计算网络中所有节点的平均集群系数，可以了解整个网络的聚集程度，也可以预测节点的功能，即具有高集群系数的节点通常在网络中扮演着重要的角色。节点i的集群系数为与节点i相邻的节点间实际相连的权重与可能相连的边的最大数目之比，计算式为：Ci=2wiki(ki1)(3)（3）中介中心度是一种用于衡量节点在图中充当中介角色程度的指标14。它通过计算节点对之间的最短路径经过该节点的个数来衡量节点的中介程度。通过计算中介中心度可以识别关键节点从而找到网络结构和节点之间的关系。计算式为：Ni=j,i,kGjk(i)jk(4)jkjk式中为节点j到节点k所有最短路径的权重，(i)为节点j到节点k的最短路径中通过节点i的权重。1.2.2模型分类为研究被试者在进行反馈的脑电时间序列和正常训练下的脑信号能否被机器学习相应模型识别特征，考虑到深度学习在机器学习领域中得到广泛发展，将基于深度学习的神经网络模型应用到被试者的近红外脑功能数据中。使用Python的PyTorch机器学习库构建通道模型，模型主要由3个部分构成，分别是时间块、空间块、残差块。通道网络模型结构如图4所示。空间块时间块残差块输出fNIRS通道-时间信号图4通道网络模型结构Fig.4Modelstructureofthechannelnetwork时间块：由跨时间的一组级联一维卷积构成，从时间维度处理脑电信号，一方面能够发现近红外脑功能数据在时间上的显著特征，另一方面能够缩小输入信号的数据大小。时间块的主要作用是提取每个通道内的重要时间模式的信息。空间块：空间块由跨通道的一组级联一维卷积构成，从空间维度处理脑电信号，主要通过在空间维度使用一维卷积来寻找相同时间间隔内不同信道之间脑电信号的相关性。残差块：残差层组成的最终残差块对时空表征进行二维卷积，残差块二维卷积的操作旨在从信号中找到更复杂的关系和表征。为比较深度学习模型与传统机器学习方法，使用pytorch搭建支持向量机（supportvectormachines,SVM）15作为对照方法进行分类。SVM的基本原理是将样本映射到高维特征空间，然后在特征空间中寻找一个最优的超平面，使不同类别的样本能够尽可能地被分开。这个超平面可以由支持向量（即距离超平面最近的样本点）完全确定。SVM的目标是找到一个最大间隔超平面，使支持向量到超平面的距离最大化，SVM在处理小样本数据时表现较好，能够有效地避免过拟合问题。故考虑采用SVM对样本的数据进行分类。一个被试样本的近红外数据共分为3次，分别是静息态、任务态、对照任务态，共15名被试者，每个被试的每个任务分为15个样本，每个部分持续10min，采样频率为10Hz，根据6s的时间窗口进行分段，一个被试样本共分为3100份数据，按照被试内与跨被试的静息态/任务态，任务态/对照任务态使用深度学习网络模型进行分类。使用十折交叉验证统计被试内分类结果（表2），即将数据随机分割为10份，轮流选择其中1份为测试集，剩余9份为训练集，共进行10次分类，以保证每个样本数据都被用作测试样本。每次试验都会得出相应的分类准确率，最终对10次分类准确率取均值作为被试内最终分类结果。对跨被试分类，将数据集平均分成5个大小相同的组，确保各组数据之间没有交叉，每次取一组数据作为测试集，其余数据作为训练集进行训练，记录模型在测试数据集上的准确率作为分类结果，重复5次，取5次分类准确率的平均值作为最终分类结果。表22模型对不同状态的近红外脑功能数据分类准确率(%)Tab.2Classificationaccuracyofthetwomodelsfornear-infraredbrainfunctiondataindifferentstates模型被试内反馈/对照被试内任务/静息跨被试反馈/对照跨被试任务/静息SVM82.6585.6575.3279.62通道网络88.3292.3290.2695.122结果结果2.1脑网络构建及特征分析通过计算各个通道HbO时间序列之间的皮尔逊相关系数得到通道之间的相关度，得到左右2个脑区的功能连接指标，发现无论是2个脑区的平均连接度还是脑区内的平均连接度带有神经反馈的记忆任务均显著高于无神经反馈的记忆任务（P0.05)，通道在头皮位置的分布如图5所示，构建的脑网络带权无向图相关拓扑参数结果如下。ChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能1352.1.1节点度分布反馈任务、对照任务、静息态3种状态下通道之间的连接度对比如图6所示。对比记忆任务和静息态，在各个通道之间节点之间均有显著提升（P0.05），而反馈任务相较于对照任务具有显著提升（P0.05）的节点为（6、7、8、9、13、14、17、18），可以看出主要分布在右半脑区，说明神经反馈机制的引入使右半脑区与其他节点的连接度有显著提升。0055101015051015051015150510150510150.80.70.60.50.40.30.20.1图6反馈任务、对照任务、静息态3种状态下通道之间的连接度对比Fig.6Comparisonoftheconnectivityamongthechannelsinthethreestatesoffeedbacktask,controltaskandrestingstate2.1.2聚类系数结果分析集群系数可以衡量一个网络的集群化程度，所有节点的平均集群系数越高，代表整个网络的集群化程度越高，对应网络的运行效率越高。反馈任务、对照任务、静息态3种状态下各通道的平均集群系数计算结果见图7，反馈任务、对照任务、静息态的三类任务脑网络图19个节点的平均集群系数分别为0.2624、0.2335、0.2291，说明记忆任务能够有效地提高脑网络的集群化程度，而反馈任务相较于对照任务，能够进一步提高网络的集群化程度和网络运行效率。2.1.3中介中心度一个节点中介中心度的大小代表了此节点在网络中的地位，中介中心度越大表示此节点在整个网络中的地位越重要。计算3种状态下15个样本的各个通道平均中介中心度，如图8所示。00.10.20.30.40.50.60.70.8123456789 10 11 12 13 14 15 16 17 18 19平均中介中心度通道反馈任务对照任务静息态图8各通道平均中介中心度分布Fig.8Theaveragemediatorcentralitydistributionofeachchannel从整体上看，人体左脑区的平均中介中心度要高于右脑区，而任务态相较于静息态，中介中心度的分布比较集中，尤其表现在（3、4、6）通道上，这些“枢纽”节点主要分布在前额叶左后方节点区域，而静息态的平均中介中心度在通道分布上比较分散，无明显“枢纽节点”。反馈任务与对照任务相比，在（1、10、11、12、13、14）通道上的中介中心度较高，这些通道主要分布在左脑区，而在（2、5、6、17、18、19）通道上的中介中心度较低，主要分布在右脑区。整体来看，任务态相较于静息态，通道的核心位置有所转移，主要由右脑区转移到左脑区，而反馈任务和对照任务相比，左脑区核心通道的地位进一步上升，各个通道的平均中介中心度的分散程度：静息态大于对照任务态，对照任务态大于反馈任务态。2.2模型分类结果通道网络分类结果如表2所示，可以看出无论是在被试内还是跨被试，通道网络模型的分类准确率均优于SVM模型16，且准确率均高于85%，说明通道网络模型在寻找被试者脑活动HbO与HbR浓度时间序列的显著差异的特征的能力上相比SVM更出色，此外，任务态与静息态相较于反馈任务与对照任务的分类准确度更高，说明大脑活动与静息的状态在模型的训练过程中的特征差异更明显。3讨论讨论本次研究通过设计神经反馈的记忆任务与对照试验，比较了15名被试者在3种状态（反馈任务、对照任务、静息态）下的近红外脑功能数据，对数据进行预处理后通过计算通道之间的皮尔逊相关系数构建脑网络的带权无向图，并在此基础上对不同状态脑网络特性进行了比较分析，并且使用了人工智能模型分类来探究神经反馈机制加入实验任CH12CH13CH15CH16CH18CH19CH10CH17CH8CH14CH5CH11CH2CH1CH3CH4CH6CH7CH9图5通道在头皮位置的分布Fig.5Distributionofchannelsinthescalplocation00.050.100.150.200.250.300.3512345678910 11 12 13 14 15 16 17 18 19反馈任务对照任务静息态图7不同状态下各通道的平均集群系数Fig.7AverageclusteringcoefficientofeachchannelindifferentstatesChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能136务设计中对被试者的影响。HELLIGE17认为，人体左脑主要负责逻辑推理、语言处理、分析和细节注意力等功能；右脑主要负责空间感知、想象力、综合和整体注意力等功能；而人体前额叶是参与工作记忆信息更新过程的关键脑区；通过比较反馈任务相较于对照任务在前额叶部右半脑区的节点度的显著提升，说明被试者的右半脑区的节点连接度高于正常训练状态；脑网络聚类系数和中介中心度结果显示，记忆任务使被试者的集团化程度增强，节点核心位置更加集中，被试者在神经反馈的记忆任务状态下的脑网络的集团化程度更强，网络运行效率提高；相较于正常训练状态，脑网络节点的核心位置有所转移，前额叶左脑区的核心地位有所提高。综合来看，左半球对语言、推理等认知活动起主导作用，可以推测随着加入神经反馈机制的正反馈与负反馈作用，为了处理分析信息时更快，左脑的连接紧密程度更高，信息处理和整合能力不断提升。而大脑右半球则是更注重空间和形象思维。将神经反馈机制加入记忆任务中，使被试者在进行任务时对训练系统的整体注意力以及空间感知能力得到了增强。本研究构建了通道模型，该模型由时间块、空间块和残差块3个部分构成。时间块通过一维卷积处理脑电信号的时间维度，以提取重要的时间模式信息。空间块通过一维卷积处理脑电信号的空间维度，寻找不同信道之间的相关性。残差块通过二维卷积处理时空表征，来寻找更复杂的关系和表征。为了比较深度学习模型与传统机器学习方法的效果，使用支持向量机作为对照方法。被试内与跨被试2种方式划分数据集后进行模型训练和优化，最后统计分类结果。结果显示，通道网络模型的分类准确率优于SVM模型，且准确率均高于85%。研究表明，通道网络模型在处理脑电信号分类问题上具有较高的准确率，比传统的SVM方法更为优越。这一研究对于深入理解脑电信号的特征和模式具有重要意义，为脑电信号在人工智能领域的应用提供了有力支持。未来的研究可以进一步探索通道网络模型的优化和改进，以提高分类准确率和应用范围，同时将模型与神经反馈技术以及康复训练系统结合，可以定制个性化训练方案，为未来智能化康复训练系统的创新发展提供一个研究方向。参考文献SUNH,FUS,CUIS,etal.DevelopmentofaCRISPR-SaCas9systemforprojection-andfunction-specificgeneeditingintheratbrainJ.SciAdv,2020,6(12):eaay6687.1BUZSKI G.Large-scale recording of neuronalensemblesJ.NatNeurosci.,2004,7(5):446-451.2王碧霄,陈瑶,李鑫,等.基于EEG脑网络的视觉呈现速度对工作记忆影响的研究J.中国生物医学工程学报,2023,42(3):257-265.3HUANGW,WUW,HUANGH,etal.Neurofeedbacktraining with an electroencephalogram-based brain-computerinterfaceenhancesemotionregulationJ.IEEETransAffectComput,2023,14(2):998-1011.4HADAVI H,SHOOURI N.Soft boundary-basedneurofeedback training procedure:a method to controlEEGsignalfeaturesduringneurofeedbacktrainingusingfuzzysimilaritymeasuresC/201926thNationaland4thInternationalIranianConferenceonBiomedicalEngineering(ICBME).Tehran,Iran,2019:230-235.5BIASIUCCI A,FRANCESCHIELLO B,MURRAY MM.ElectroencephalographyJ.Curr Biol,2019,29(3):R80-R85.6MARZBANIH,MARATEBHR,MANSOURIANM.Neurofeedback:a comprehensive review on systemdesign,methodology and clinical applicationsJ.BasicClinNeurosci,2016,7(2):143-158.7LEEMR,YENAYJ,CHANGL.NeurofeedbackandAI for analyzing child temperament and attentionlevelsC/Knowledge Management and Acquisition forIntelligentSystems.Springer,2019:21-31.8ZHANG W,TANG F,ZHOU X,et al.Dynamicreconfiguration of functional topology in human brainnetworks:from resting to task statesJ.Neural Plast,2020,8837615.9RAMMOHAN V,MAIKALA.Beers Law historicalperspectivesandrelevanceinnear-infraredmonitoringofoptical properties of human tissueJ.Int J IndustErgonomics,2010,40(2):125-134.10GRAMFORTA,LUESSIM,LARSONE,etal.MEGand EEG data analysis with MNE-PythonJ.FrontiersNeurosci,2013,7(267):1-13.11PEARSON K.On the criterion that a given system ofdeviationsfromtheprobableinthecaseofacorrelatedsystem of variables is such that it can be reasonablysupposed to have arisen from random samplingJ.PhilosophicalMagazineSeries5,50:302,157-175.12WILLIAM L H,REX Y,JURE L,et al.Inductiverepresentation learning on large graphsJ.CurranAssociatesInc,2017,11(17):1025-1035.13LINTON C,FREEMAN.Centrality in social networksconceptualclarificationJ.SocialNetworks,1978,1(3):215-239.14YEF,LOUXY,SUNLF.AnimprovedchaoticfruitflyoptimizationbasedonamutationstrategyforsimultaneousfeatureselectionandparameteroptimizationforSVManditsapplicationsJ.PLoSOne,2017,12(4):e0173516.15PALAZZOS,SPAMPINATOC,KAVASIDISI,etal.DecodingbrainrepresentationsbymultimodallearningofneuralactivityandvisualfeaturesJ.IEEETransPatternAnalMachIntell,2021,43(11):3833-3849.16HELLIGEJB.Hemisphericasymmetry:whatsrightandwhatsleftM.Cambridge:HarvardUniversityPress,1993.17ChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能137