前言
腦功能近紅外光譜技術 (functional Near-Infrared Spectroscopy, fNIRS) 是一種非侵入性腦部活動監測技術，透過測量腦部血氧濃度的變化來推斷神經活動。近年來，fNIRS 在認知科學、神經工程、臨床診斷等領域的應用日益廣泛。然而，fNIRS 訊號容易受到生理雜訊（例如心跳、呼吸、皮膚血流變化）和環境雜訊的干擾，導致腦狀態檢測的準確性受到限制。為了解決這個問題，研究人員不斷探索新的訊號處理和分析方法。近期，一種基於數學模型的新方法，展現了在提升 fNIRS 訊號腦狀態檢測精準度方面的潛力。

fNIRS技術的原理與挑戰

fNIRS 技術的原理是利用近紅外光穿透頭皮、顱骨和腦組織，並被血紅蛋白吸收的特性。當腦部特定區域的神經活動增加時，該區域的血流量也會增加，導致血紅蛋白濃度上升，進而影響近紅外光的吸收。透過測量不同波長的近紅外光在頭皮上的反射或透射強度，可以推斷腦部血氧濃度的變化，進而反映神經活動的狀態。

儘管 fNIRS 具有非侵入性、便攜性、成本較低等優點，但其訊號品質容易受到多種因素的影響。生理雜訊，例如心跳引起的血流脈動、呼吸引起的血氧濃度變化、以及皮膚血流的波動，都會疊加在 fNIRS 訊號上，掩蓋真實的腦活動資訊。此外，環境光線的變化、感測器的移動、以及受試者的頭動等因素，也會引入雜訊，進一步降低訊號品質。

因此，如何有效地去除雜訊，提取有用的腦活動資訊，是 fNIRS 研究中的一個重要挑戰。傳統的訊號處理方法，例如濾波、獨立成分分析 (Independent Component Analysis, ICA) 等，雖然可以部分地去除雜訊，但往往難以完全消除生理雜訊和環境雜訊的影響。

基於數學模型的新方法

為了克服傳統方法的局限性，研究人員開始探索基於數學模型的新方法。這些方法通常基於對 fNIRS 訊號產生機制的深入理解，建立數學模型來描述訊號的特性，然後利用模型來估計和去除雜訊。

一種常見的方法是利用廣義線性模型 (Generalized Linear Model, GLM)。GLM 是一種統計模型，可以將 fNIRS 訊號分解為多個成分，包括與特定認知任務相關的成分、生理雜訊成分、以及其他雜訊成分。透過對每個成分進行建模，可以更精確地估計和去除雜訊，提高腦狀態檢測的準確性。

另一種方法是利用動態系統模型 (Dynamic System Model)。這種模型將腦部活動視為一個動態系統，其狀態隨時間變化。透過建立描述腦部活動狀態變化的數學模型，可以預測 fNIRS 訊號的變化趨勢，並利用預測結果來濾除雜訊。

此外，還有一些研究人員利用機器學習方法，例如支持向量機 (Support Vector Machine, SVM) 和深度學習 (Deep Learning)，來建立 fNIRS 訊號的分類模型。這些模型可以學習 fNIRS 訊號與不同腦狀態之間的關係，並利用學習到的關係來預測腦狀態。

數據與事實佐證

一些研究表明，基於數學模型的方法可以顯著提高 fNIRS 訊號腦狀態檢測的準確性。例如，一項研究比較了 GLM 方法和傳統濾波方法在檢測工作記憶任務中的腦活動的性能。結果表明，GLM 方法的檢測準確性明顯高於傳統濾波方法，提高了約 15%。

另一項研究利用動態系統模型來濾除 fNIRS 訊號中的心跳雜訊。結果表明，該方法可以有效地去除心跳雜訊，提高訊號的信噪比 (Signal-to-Noise Ratio, SNR) 約 20%。

此外，一些研究還表明，基於機器學習的方法可以有效地分類不同的腦狀態。例如，一項研究利用深度學習模型來分類受試者在執行不同認知任務時的 fNIRS 訊號。結果表明，該模型的分類準確性高達 90% 以上。

多樣化的意見與觀點

儘管基於數學模型的方法在提升 fNIRS 訊號腦狀態檢測精準度方面展現了潛力，但也有一些研究人員對其應用前景持謹慎態度。他們認為，這些方法的計算複雜度較高，需要大量的計算資源，並且模型的參數需要仔細調整，才能達到最佳的性能。此外，這些方法的性能也可能受到受試者的個體差異、實驗設計、以及數據品質等因素的影響。

一些研究人員認為，應該將基於數學模型的方法與傳統的訊號處理方法結合起來，才能更好地處理 fNIRS 訊號。例如，可以先利用傳統的濾波方法去除大部分雜訊，然後再利用 GLM 方法或動態系統模型來精確地估計和去除殘餘的雜訊。

此外，一些研究人員還強調，應該更加關注 fNIRS 訊號的生理意義，建立更加符合生理機制的數學模型。例如，可以將腦部血流動力學模型納入 fNIRS 訊號的分析中，以更準確地推斷神經活動的狀態。

整體性總結與研判

基於數學模型的方法為提升 fNIRS 訊號腦狀態檢測的精準度提供了一條有希望的途徑。這些方法能夠更有效地去除生理雜訊和環境雜訊的影響，提高訊號的信噪比，並更準確地反映腦部活動的狀態。然而，這些方法的應用也面臨一些挑戰，例如計算複雜度高、參數調整困難、以及對個體差異的敏感性等。

未來，隨著計算機技術的發展和對 fNIRS 訊號產生機制理解的深入，基於數學模型的方法將會得到更廣泛的應用。研究人員可以進一步探索新的數學模型和算法，以提高 fNIRS 訊號處理的效率和準確性。此外，還可以將基於數學模型的方法與其他腦成像技術，例如腦電圖 (Electroencephalography, EEG) 和磁共振成像 (Magnetic Resonance Imaging, MRI)，結合起來，以獲得更全面、更深入的腦活動資訊。

總體而言，基於數學模型的方法在 fNIRS 訊號處理領域具有重要的研究價值和應用前景。雖然目前還存在一些挑戰，但隨著技術的不斷發展，相信這些方法將會在認知科學、神經工程、臨床診斷等領域發揮越來越重要的作用。

Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機 Date: November 5, 2025