fNIRS Signal Motion Correction Algorithm Based on Convolutional Self-Coding
-
摘要:
功能性近红外光谱技术（functional near-infrared spectroscopy，fNIRS）作为一种高时间分辨率、成本低廉、便携性高的脑成像系统，近年来深受脑神经科学等研究领域的关注。但fNIRS信号中的运动伪迹会干扰后期数据分析的结果，且现有的一些算法去噪效果较为单一。因此，本文提出了一种基于多层卷积自编码的fNIRS信号运动伪迹校正算法——MCAN算法，并使用该算法对fNIRS信号中的3种运动伪迹进行校正；然后用仿真数据和实验数据对所提算法的性能进行验证，将其与现有的几种常用算法进行对比，结果表明：MCAN算法在剩余运动伪迹数量、均方误差、信噪比、皮尔逊相关系数的平方、峰峰误差几种指标上表现良好，说明所提算法可作为一种全新的fNIRS信号预处理算法。
Abstract:Functional near-infrared spectroscopy (fNIRS) has attracted considerable attention in recent years in brain neuroscience as a brain imaging system with high temporal resolution, low cost, and high portability. However, motion artifacts in fNIRS signals interfere with the results of subsequent data analysis, and the denoising effect of some existing algorithms is insufficient. Therefore, a motion artifact correction algorithm for fNIRS signals based on a multilayer convolutional self-coding (MCAN) algorithm is proposed. The algorithm was used to correct three motion artifacts in the fNIRS signals. Next, the performance of the proposed algorithm was verified using simulation and experimental data and compared with several widely used algorithms. The results show that the MCAN algorithm performs satisfactorily in the remaining number of motion pseudo-traces, mean squared error, signal-to-noise ratio, square of Pearson correlation coefficient, and peak-to-peak error. Therefore, the proposed algorithm can be used as an efficient fNIRS signal preprocessing algorithm.
-
0. 引言
常规望远镜热设计为一体化设计，热设计满足整机的热控指标即可。在轨组装望远镜热设计为分体式设计。每个模块都需要进行单独的热设计保证模块可以独立工作，且模块之间存在耦合关系，在轨安装之后通过热接口相互传递热量，完成整机的热控工作。在轨组装望远镜CMOS组件（下文简称为CMOS组件）热设计是在轨组装望远镜热设计中的关键节点。
为解决CMOS组件选取热设计参数数值的难点问题，需对热设计参数进行灵敏度分析。灵敏度分析是一种分析系统的输入对输出响应影响程度的方法，适应于解决复杂的多输入系统的优化设计问题。为了实现望远镜关键部件CMOS组件的控温目标，需要对影响CMOS温度的参数优化调整，但是待优化参数多，遍历每个参数进行优化的工程量大，耗时长，而且参数之间存在耦合关系，这更加大了优化难度。考虑到每个参数对CMOS温度的影响程度不同，对待优化参数进行灵敏度分析确定影响程度较大的参数并对其着重优化，可一定程度上减少参数优化的难度，节省设计成本，提高热设计的可靠性。
在望远镜在轨组装和航天器热设计领域中，国内外学者进行了大量研究。国外方面，詹姆斯韦伯望远镜（James Webb Space Telescope，JWST）由阿丽亚娜5号发射，并在反太阳地球-太阳拉格朗日点的轨道上展开在轨部署[1]。Franck R. A.和Shaughnessy B. M.[2-3]等学者分别针对JWST的尾部光学系统和中红外仪器进行了相关热设计。国内方面也对其进行了大量研究，王洪亮[4-5]等学者针对在轨组装大口径红外望远镜进行热设计并通过灵敏度优化热设计参数。杨雨霆[6-7]等学者针对高空气球平台地-月成像光谱仪载荷系统热设计参数进行了灵敏度分析，提出了热设计的简便思路。郭亮[8-9]等学者运用控制变量灵敏度分析手段，得到太阳吸收系数、红外半球发射率、内部热源及传导换热系数对于空间光谱成像仪温度的影响。Y. Xiong[10-11]等学者提出了改进的思维进化算法的径向基函数（radial basis function neural network，RBF）等神经网络应用于航天器热物理模型的方法，并基于此方法开展热设计参数灵敏度优化。
有限元仿真计算工作中，为了得到大量的温度数据，需要输入不同的热设计参数，单纯的人工输入会带来大量的重复劳动，本文通过对有限元软件二次开发，实现输入数据由文本文件提取，自动计算的功能。在以往工作中，针对热设计参数的灵敏度分析，往往采用单一方法，会导致灵敏度分析结果的不确定性和误差，本文提出了一种基于MIV算法[12-13]并结合传统回归分析Pearson和Spearman算法[14-15]相互对比验证的混合灵敏度分析方法，此方法对于CMOS组件方法对在轨组装望远镜CMOS热设计参数优化提供了方向并对在轨组装望远镜整机热设计具有一定的指导意义。
1. 在轨组装望远镜概述及CMOS组件热控指标
1.1 在轨组装望远镜概述
在轨组装望远镜载荷布局如图 1所示。主反射镜由5个拼接镜拼接而成，分别安装在六足促动器与主体框架相接。次反射镜安装在折叠式次镜支撑与主体相接。CMOS组件安装在主体结构内部。其中，+Z方向为望远镜光轴方向、由主镜指向次镜，+X方向为望远镜前进方向，+Y方向由右手螺旋定则确定。
1.2 CMOS组件热控指标
在轨组装望远镜搭载CMOS组件为可见光成像，CMOS组件应满足的热设计指标如表 1所示。由表 1可知，指标提出在工作工况下CMOS温度控制在15℃~30℃，在存储工况下CMOS温度控制在0℃~40℃。
表 1 CMOS组件主要热设计参数Table 1. Main thermal design parameters for CMOS componentsSymbol Parameter significance ε1 Infrared emissivity of the outer surface of the cooling plate α2 Solar absorption rate on the outer surface of the cooling plate T3 Thickness of cooling plate K4 Thermal conductivity of copper bar K5 Thermal conductivity of heat pipe R6 Thermal resistance between CMOS and CMOS mounting surface R7 Thermal resistance between CMOS and aluminum blocks R8 Thermal resistance between aluminum block and copper bar R9 Thermal resistance between copper bar and heat pipe R10 Thermal resistance between heat pipe and cooling plate 结合以上指标，CMOS组件热设计主要有以下难点：
① 在轨组装望远镜外流热变化频繁，无稳定阳照区、阴影区，散热设计困难。
② 在轨组装望远镜各部件单独热控，相互之间通过接口耦合。CMOS组件和主体框架、辐射冷板相互耦合，耦合关系复杂。
2. CMOS组件热设计
2.1 热设计参数灵敏度分析
热设计参数的灵敏度分析主要有全局灵敏度分析和局部灵敏度分析。局部灵敏度只能分析单个输入对输出的影响，计算效率高。全局灵敏度分析不受模型的限制，能够较为全面地反映多个设计参数之间相互产生的耦合作用对系统响应的影响。本文提出混合灵敏度分析方法对CMOS散热路径上的参数进行灵敏度分析，在混合灵敏度分析方法中，Pearson、Spearman方法为局部灵敏度分析，MIV方法为全局灵敏度分析。
由图 2可知，本模型CMOS组件散热路径包括CMOS、CMOS安装面、导热铝块、导热铜条、热管和辐射冷板。选取CMOS散热路径上的10个热设计参数进行灵敏度分析，热设计参数的详细信息见表 1。
依据参数的取值范围，对参数应用拉丁超立方抽样生成300组参数样本。拉丁超立方抽样相对于随机抽样，具有变量范围全覆盖，均匀性更好的优点。将参数样本代入有限元软件划分的有限元网络模型中计算，得出CMOS中心点温度数据作为输出数据。
2.1.1 Pearson方法
Pearson方法反映两个变量X和Y的线性相关程度。Pearson公式如下：
$$ {\rho _{{X_i}, Y}} = {\rm corr}({X_{ij}}, Y) = \frac{{{\rm Cov}({X_{ij}}, Y)}}{{{S_{{X_{ij}}}}{S_Y}}} $$ (1) 式中：Xi表示第i个X序列。记Xi的第j次采样数据为Xij，j＝1, 2, …, 300。利用每组10个采样数据可以得到300个温度值Yi，j＝1, 2, …, 300。通过式(1)计算，得出10输入参数和输出温度之间的Pearson相关系数。
2.1.2 Spearman方法
Spearman方法反应秩相关系数，Spearman公式如下：
$$\rho=\frac{\sum_j\left(x_{i j}-\overline{x_i}\right)\left(y_j-\bar{y}\right)}{\sqrt{\sum_j\left(x_{i j}-\overline{x_i}\right)^2 \sum_j\left(y_j-\bar{y}\right)^2}}$$ (2) 式中：xij表示第j个xi数据秩次；yi表示第i个y数据秩次。代入数据计算出Spearman相关系数。
2.1.3 MIV
平均影响值（MIV）方法衡量神经网络输入参数对输出参数影响大小，符号代表影响的方向，大小代表影响的重要性。首先通过300组输入和输出数据拟合神经网络，取80%数据用来训练，10%数据用来验证，10%数据用来测试，构建神经网络模型。基于贝叶斯优化训练BP神经网络，隐含层选取10层。神经网络原理图如图 3所示。
![]()
图 3 基于贝叶斯优化的BP神经网络原理Figure 3. Schematic diagram of a BP neural network based on Bayesian optimization经过神经网络训练，回归R值为0.99，训练均方误差量级在e－4以下，测试均方误差量级在e－3以下，满足工程要求。将输入参数数值分别增加10%、减少10%，分别带入到训练好的神经网络中，得出预测的输出值，求得两组输出值的差值，即为MIV值。计算出基于MIV方法的热设计参数灵敏度。
3种方法计算出灵敏度如图 4所示。
由图 4可知，散热路径热设计参数中，CMOS温度对于ε1、α2、T3、K4、R7、R8、R9参数较为敏感。得到影响CMOS温度的主要热设计参数：ε1为散热面白漆发射率；α2为散热面白漆吸收率；T3为辐射冷板厚度；K4为导热铜索的导热率；R7为CMOS安装面与铝基导热板间热阻；R8为铝基导热板与导热铜索间热阻；R9为导热铜索与热管间热阻。在热设计中，主要优化以上参数，其余参数在设计有余地时也应该适当考虑。
Pearson方法中CMOS温度对ε1、α2、R9、T3参数较为敏感。Spearman方法中CMOS温度对ε1、α2、R9、R7参数较为敏感。MIV方法中CMOS温度对ε1、α2、R8、K4参数较为敏感。比较3种方法，ε1、α2为最重要的灵敏度参数，在热设计中应着重考虑。T3、K4、R7、R8、R9参数也对CMOS温度有一定的影响。在设计中，参数数值增大，CMOS温度随之升高的热设计参数定义为正影响参数，反之定义为负影响参数。其中，α2、R7、R8、R9为正影响参数，ε1、T3、K4为负响应参数。为提高CMOS组件的散热能力，在热设计过程中应增大ε1、T3、K4参数数值，减小α2、R7、R8、R9参数数值。
2.2 热设计方案
依据本文混合灵敏度分析方法结果，制定CMOS组件相关热设计如下。
2.2.1 主动热控手段
1）在CMOS组件上布置控温回路，保证CMOS组件存储工况下温度满足热控指标。
2）辐射冷板背部布置控温回路，防止辐射冷板背部热管在存储工况下过冷导致失效。
2.2.2 被动热控手段
1）在辐射冷板表面上喷涂白漆以获得优良的散热性能，选用S781白漆，太阳吸收率为0.17~0.23，红外发射率为0.85~0.86；
2）导热索材料选择紫铜，导热率为390 W/(m2·K)；
3）导热铝块与主体框架隔热安装，增大导热铝块与主体框架间热阻，R为20℃/W；
4）散热路径上零件导热安装，打磨接触面使其光滑，导热系数取1000 W/(m2·K)，CMOS安装面与导热铝块间热阻为0.4℃/W，导热铝块与导热索间热阻为0.2℃/W，导热索与热管间热阻为0.04℃/W。
3. 仿真验证
通过有限元软件对在轨组装望远镜进行建模，共划分了16898个壳单元，建立122个热耦合。其中CMOS组件有限元模型如图 5所示。
为验证CMOS组件能否满足温度指标要求，定义高低温两种工况。在高温工况下，外热流选最大值取冬至时刻，白漆属性选择末期属性，红外发射率取0.85，太阳吸收率取0.23。在低温工况下，外热流选最小值取夏至时刻，白漆属性选择初期属性，红外发射率取0.86，太阳吸收率取0.17。两种工况下望远镜整体保留主动热控措施。CMOS整轨运行期间以满功率状态运行10 min，其余时间处于待机状态。
通过有限元软件仿真计算出CMOS温度，得到低温工况下CMOS温度T1和高温工况下CMOS温度T2时间变化曲线如图 6所示。
![]()
图 6 高低温工况CMOS温度变化曲线Figure 6. CMOS temperature variation curves for high and low temperature operating conditions从图 6可知，在高低温极端工况下CMOS组件温度波动1.6℃~25.4℃，在工作期间满足指标15℃~30℃，在待机期间满足指标0℃~40℃。证明了本文提出的混合灵敏度分析方法的热设计方法可行性。
4. 结语
本文提出了一种混合灵敏度分析方法，该方法基于MIV算法并结合传统回归分析Pearson和Spearman算法相互对比验证。较单一灵敏度方法减少了不确定性和误差。较传统遍历选取热设计参数方法，该方法能够快速准确找出重要热设计参数，为在轨组装望远镜CMOS组件的热设计参数选取提供了依据。
通过仿真分析，在高低温极端工况下CMOS组件温度波动1.6℃~25.4℃，满足工作温度，验证了基于混合灵敏度分析方法在CMOS热设计中可行性，该方法后续可扩展应用到在轨组装望远镜整机热设计中。
-
![]()
图 1 MCAN算法fNIRS信号运动校正算法框图
Figure 1. Block diagram of the MCAN algorithm fNIRS signal motion correction algorithm
![]()
图 7 MCAN算法处理后的仿真数据结果
Figure 7. The simulation data results processed by the MCAN algorithm
-
[1] PINTI P, AICHELBURG C, GILBERT S, et al. A review on the use of wearable functional near-infrared spectroscopy in naturalistic environments[J]. Japanese Psychological Research, 2018, 60(4): 347-373. DOI: 10.1111/jpr.12206
[2] 王思锐. 基于近红外光谱技术的情绪识别算法的研究[D]. 兰州: 兰州大学, 2019. WANG S R. Research on Emotion Recognition Algorithm Based on Near-infrared Spectroscopy[D]. Lanzhou: Lanzhou University, 2019.
[3] JAHANI S, SETAREHDAN S K, BOAS D A, et al. Motion artifact detection and correction in functional near-infrared spectroscopy: a new hybrid method based on spline interpolation method and Savitzky–Golay filtering[J]. Neurophotonics, 2018, 5(1): 1.
[4] BRIGADOI S, CECCHERINI L, CUTINI S, et al. Motion artifacts in functional near-infrared spectroscopy: a comparison of motion correction techniques applied to real cognitive data[J]. Neuro Image, 2014, 85: 181-191.
[5] TAK S, YE J C. Statistical analysis of fNIRS data: a comprehensive review[J]. Neuro Image, 2014, 85: 72-91.
[6] Di LORENZO R, PIRAZZOLI L, BLASI A, et al. Recommendations for motion correction of infant fNIRS data applicable to multiple data sets and acquisition systems[J]. Neuro Image, 2019, 200: 511-527.
[7] HUANG R, QING K, YANG D, et al. Real-time motion artifact removal using a dual-stage median filter[J]. Biomedical Signal Processing and Control, 2022, 72: 103301. DOI: 10.1016/j.bspc.2021.103301
[8] GAO L, WEI Y, WANG Y, et al. Hybrid motion artifact detection and correction approach for functional near-infrared spectroscopy measurements[J]. Journal of Biomedical Optics, 2022, 27(2): 25003.
[9] COOPER R J, SELB J, GAGNON L, et al. A systematic comparison of motion artifact correction techniques for functional near-infrared spectroscopy[J/OL][2012-10-11]. Frontiers in Neuroscience, 2012, DOI: 10.3389/fnins.2012.00147, https://pubmed.ncbi.nlm.nih.gov/23087603/.
[10] YÜCEL M A, SELB J, COOPER R J, et al. Targeted principle component analysis: A new motion artifact correction approach for near-infrared spectroscopy[J]. Journal of Innovative Optical Health Sciences, 2014, 7(2): 1350066. DOI: 10.1142/S1793545813500661
[11] 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]. Physiol Meas. , 2010, 31(5): 649-662. DOI: 10.1088/0967-3334/31/5/004
[12] FISHBURN F A, LUDLUM R S, VAIDYA C J, et al. Temporal derivative distribution repair (TDDR): a motion correction method for fNIRS[J]. Neuro Image, 2019, 184: 171-179.
[13] MOLAVI B D G A. Wavelet based motion artifact removal for functional near infrared spectroscopy[C]//Proc. of IEEE, 2010: DOI: 10.1109/IEMBS.2010.5626589.
[14] CHIARELLI A M, MACLIN E L, FABIANI M, et al. A kurtosis-based wavelet algorithm for motion artifact correction of fNIRS data[J]. Neuro Image, 2015, 112: 128-137.
[15] CUI X, BRAY S, REISS A L. Functional near infrared spectroscopy (NIRS) signal improvement based on negative correlation between oxygenated and deoxygenated hemoglobin dynamics[J]. Neuro Image, 2010, 49(4): 3039-3046.
[16] JAHANI S, SETAREHDAN S K, BOAS D A, et al. Motion artifact detection and correction in functional near-infrared spectroscopy: a new hybrid method based on spline interpolation method and Savitzky–Golay filtering[J]. Neurophotonics, 2018, 5(1): 1.
[17] EASTMOND C, SUBEDI A, DE S, et al. Deep Learning in fNIRS: a review[Z]. Ithaca: Cornell University Library, arXiv. org, 2022: 9: 41411.
[18] KORDA A I, RUEF A, NEUFANG S, et al. Identification of voxel-based texture abnormalities as new biomarkers for schizophrenia and major depressive patients using layer-wise relevance propagation on deep learning decisions[J]. Psychiatry Res. Neuroimaging, 2021, 313: 111303. DOI: 10.1016/j.pscychresns.2021.111303
[19] LEE G, JIN S, AN J. Motion artifact correction of multi-measured functional near-infrared spectroscopy signals based on signal reconstruction using an artificial neural network[J]. Sensors, 2018, 18(9): 2957. DOI: 10.3390/s18092957
[20] 陈健, 刘明, 熊鹏, 等. 基于卷积自编码神经网络的心电信号降噪[J]. 计算机工程与应用, 2020, 56(16): 148-155. https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG202016023.htm CHEN J, LIU M, XIONG P, et al. ECG Signal noise reduction based on convolutional autoencoder neural network[J]. Computer Engineering and Applications, 2020, 56(16): 148-155. https://www.cnki.com.cn/Article/CJFDTOTAL-JSGG202016023.htm
[21] QIU Y H, YANG Y C, LIN Z J, et al. Improved denoising autoencoder for maritime image denoising and semantic segmentation of USV[J]. China Communications, 2020, 17(3): 46-57. DOI: 10.23919/JCC.2020.03.005
[22] 滑世辉, 韩立国. 基于深度卷积自编码网络地震数据去噪方法[J]. 地球物理学进展, 2023, 38(2): 654-661. https://www.cnki.com.cn/Article/CJFDTOTAL-DQWJ202302012.htm HUA S H, HAN L G. Denoising method of seismic data based on deep convolutional autoencoder network[J]. Progress in Geophysics, 2023, 38(2): 654-661. https://www.cnki.com.cn/Article/CJFDTOTAL-DQWJ202302012.htm
[23] VINCENT P, LAROCHELLE H, BENGIO Y, et al. Extracting and composing robust features with denoising autoencoders[C]//Proceedings of the 25th International Conference on Machine Learning, 2008: 1096-1103.
[24] GAO Y, CHAO H, CAVUOTO L, et al. Deep learning-based motion artifact removal in functional near-infrared spectroscopy[J]. Neurophotonics, 2022, 9(4): 41406.
[25] BONOMINI V, ZUCCHELLI L, RE R, et al. Linear regression models and k-means clustering for statistical analysis of fNIRS data[J]. Biomedical Optics Express, 2015, 6(2): 615. DOI: 10.1364/BOE.6.000615
[26] BARKER J W, AARABI A, HUPPERT T J. Autoregressive model based algorithm for correcting motion and serially correlated errors in fNIRS[J]. Biomedical Optics Express, 2013, 4(8): 1366. DOI: 10.1364/BOE.4.001366
[27] 赵杰, 乔吉日木图, 丁雪桐, 等. 基于数学形态学和中值滤波的fNIRS信号运动校正算法研究[J]. 光学学报, 2020, 40(22): 212-221. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB202022025.htm ZHAO J, QIAO J RIMUTU, DING Xuetong, et al. Research on fNIRS Signal motion correction algorithm based on mathematical morphology and median filtering[J]. Acta Optica Sinica, 2020, 40(22): 212-221. https://www.cnki.com.cn/Article/CJFDTOTAL-GXXB202022025.htm
下载:
计量
- 文章访问数: 60
- HTML全文浏览量: 5
- PDF下载量: 14
