CN104224165B - 基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法 - Google Patents

Abstract

基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法，本发明涉及一种信号抗差估计方法，具体涉及基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法。本发明目的是为解决目前粗差严重影响脑功能信号的准确提取。步骤一、使用光源S和D1和D2构成的近红外探头进行探测；步骤二、获得反应光强信息的电信号；步骤三、获取D1测得的Δ[HbO₂]^N(k)和Δ[HHb]^N(k)，D2测得的Δ[HbO₂]^F(k)和Δ[HHb]^F(k)；步骤四、用x(k)表示Δ[HbO₂]^N(k)或Δ[HHb]^N(k)；步骤五、用y(k)表示Δ[HbO₂]^F(k)或Δ[HHb]^F(k)；步骤六、脑功能信号表示为s(k)＝y(k)-βx(k)；步骤七、利用最小一乘准则求解使J(k)最小的权重系数β，获得误差性能函数J(k)，表示为步骤八、获得脑功能信号s(k)。本发明应用于信号处理领域。

Description

基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法

技术领域

本发明涉及一种信号抗差估计方法，具体涉及基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法。

背景技术

近红外光谱技术可用于大脑皮层中氧合血红蛋白浓度变化Δ[HbO₂]和还原血红蛋白浓度变化Δ[HHb]的信号测量，进一步拓展脑功能活动信号的分析研究。然而，近红外光谱技术在脑功能活动检测中，光强信号往往受到仪器噪声、环境干扰、实验因素等影响，对于异常值的处理，通常采用剔除策略。但是，只有明显的异常值才能检验出来。对于并非异常值的数据，错误地剔除同样会损失有用信息。使得测量信号中不可避免的混叠部分粗差。

发明内容

本发明目的是为解决目前粗差严重影响脑功能信号的准确提取。而提出基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法。

上述的发明目的是通过以下技术方案实现的：

步骤一、在待测脑组织位置使用光源S和两个检测器D1和D2构成的近红外探头进行探测；

步骤二、探测漫反射光强信号并经过光电传感器进行变换获得反应光强信息的电信号；

步骤三、电信号通过修正朗伯比尔定律获取检测器D1测得的氧合血红蛋白浓度变化量的时间序列△[HbO₂]^N(k)和还原血红蛋白浓度变化量的时间序列△[HHb]^N(k)，检测器D2测得的氧合血红蛋白浓度变化量的时间序列△[HbO₂]^F(k)和还原血红蛋白浓度变化量的时间序列△[HHb]^F(k)；

步骤四、用x(k)表示△[HbO₂]^N(k)或△[HHb]^N(k)；

步骤五、用y(k)表示△[HbO₂]^F(k)或△[HHb]^F(k)；

步骤六、脑功能信号可以表示为s(k)＝y(k)-βx(k)；

步骤七、利用最小一乘准则求解使J(k)最小的权重系数β，获得误差性能函数J(k)，表示为

$J\left(k\right)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}|y\left(k\right)-\mathrm{\βx}\left(k\right)|$

其中，J(k)为误差性能函数，β为权重系数，求解使J(k)最小的β，获得脑功能信号s(k)；

步骤八、利用最小一乘准则代价函数，求解最小一乘估计法估计值再将求取的带入脑功能信号的表达式，即可获得脑功能信号s(k)。

发明效果

本发明方法针对近红外光谱技术中存在粗差情况，不再单凭最小二乘估计准则计算出的残差来确定待求参量，而是提出一种抗差估计方法。在多距测量方法的基础上，将近端检测器D1与远端检测器D2获得的血液动力学参数关系模型通过最小一乘准则来实现抗差估计，最小一乘抗差估计方法能够实现不需判别数据中异常值，所有数据均参加运算。采用双波长光源λ₁＝760nm，λ₂＝850nm，光源S到检测器D1的直线距离即光源检测器间距为10mm，光源S到检测器D2的直线距离即光源检测器间距为40mm。该设置能够使D2检测的近红外光可有效穿入大脑皮层，D1检测的近红外光仅穿入头外层脑组织。在整个检测过程中，为减少头部晃动造成测试影响，被测者背靠座椅，用固定带将传感器探头固定在测试区域。信号采集模块对反射光强转换的电压信号进行采集，完成对双检测器信号单次采集的时间间隔设置为100ms，即时间分辨率为100ms，系统采样率为10Hz。在最小一乘准则下，不要求测量信号中随机误差服从正态分布，即随机误差服从某种厚尾分布，且方差可能较大，本方法获得的测量结果将优于最小二乘准则获得的结果，具体优势取决于误差分布情况和误差大小。

附图说明

图1是本发明流程图；

图2是基于多距测量方法的近红外脑机接口信号检测探头结构，其中a表示头皮，b表示颅骨，c表示脑脊液，d表示脑灰质，e表示脑白质。

具体实施方式

具体实施方式一：本实施方式的基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法，具体是按照以下步骤制备的：

步骤一、在待测脑组织位置使用光源S和两个检测器D1和D2构成的近红外探头进行探测；

步骤二、探测漫反射光强信号并经过光电传感器进行变换获得反应光强信息的电信号；

步骤三、电信号通过修正朗伯比尔定律获取检测器D1测得的氧合血红蛋白浓度变化量的时间序列△[HbO₂]^N(k)和还原血红蛋白浓度变化量的时间序列△[HHb]^N(k)，检测器D2测得的氧合血红蛋白浓度变化量的时间序列△[HbO₂]^F(k)和还原血红蛋白浓度变化量的时间序列△[HHb]^F(k)；

步骤四、用x(k)表示△[HbO₂]^N(k)或△[HHb]^N(k)；

步骤五、用y(k)表示△[HbO₂]^F(k)或△[HHb]^F(k)；

步骤六、脑功能信号可以表示为s(k)＝y(k)-βx(k)；

步骤七、利用最小一乘准则求解使J(k)最小的权重系数β，获得误差性能函数J(k)，表示为

$J\left(k\right)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}|y\left(k\right)-\mathrm{\βx}\left(k\right)|$

其中，J(k)为误差性能函数，β为权重系数，求解使J(k)最小的β，获得脑功能信号s(k)；

步骤八、利用最小一乘准则代价函数，求解最小一乘估计法估计值再将求取的带入脑功能信号的表达式，即可获得脑功能信号s(k)。

具体实施方式二、本实施方式与具体实施方式一不同的是：步骤一所述的光源S采用集成双波长近红外光源，光源S到近端检测器D1之间的直线距离为r₁；光源S到远端检测器D2之间的直线距离为r₂。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述双波长近红外光源发出的两种波长分别为λ₁＝760nm，λ₂＝850nm。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤一光源S与检测器D1的间距r₁为10mm，发光源S与检测器D2的间距r₂为40mm。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤三中△[HbO₂]^N(k)和△[HHb]^N(k)为：

$\mathrm{\Δ}{\left[\mathrm{Hb}{O}_2\right]}^N\left(k\right)=\frac{({\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_1\right)\mathrm{\Δ}{A}_{{\mathrm{\λ}}_2}^N\left(k\right)/\mathrm{DPF})-({\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_2\right)\mathrm{\Δ}{A}_{{\mathrm{\λ}}_1}^N\left(k\right)/\mathrm{DPF})}{r_1({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_2\right){\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_1\right)-{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_1\right){\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_2\right))}$

$\mathrm{\Δ}{\left[\mathrm{HHb}\right]}^N\left(k\right)=\frac{({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_2\right)\mathrm{\Δ}{A}_{{\mathrm{\λ}}_1}^N\left(k\right)/\mathrm{DPF})-({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_1\right)\mathrm{\Δ}{A}_{{\mathrm{\λ}}_2}^N\left(k\right)/\mathrm{DPF})}{r_1({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_2\right){\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_1\right)-{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_1\right){\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_2\right))}$

△[HbO₂]^F(k)和△[HHb]^F(k)为：

$\mathrm{\Δ}{\left[\mathrm{Hb}{O}_2\right]}^F\left(k\right)=\frac{({\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_1\right)\mathrm{\Δ}{A}_{{\mathrm{\λ}}_2}^F\left(k\right)/\mathrm{DPF})-({\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_2\right)\mathrm{\Δ}{A}_{{\mathrm{\λ}}_1}^F\left(k\right)/\mathrm{DPF})}{r_2({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_2\right){\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_1\right)-{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_1\right){\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_2\right))}$

$\mathrm{\Δ}{\left[\mathrm{HHb}\right]}^F\left(k\right)=\frac{({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_2\right)\mathrm{\Δ}{A}_{{\mathrm{\λ}}_1}^F\left(k\right)/\mathrm{DPF})-({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_1\right)\mathrm{\Δ}{A}_{{\mathrm{\λ}}_2}^F\left(k\right)/\mathrm{DPF})}{r_2({\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_2\right){\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_1\right)-{\mathrm{\ϵ}}_{\mathrm{Hb}{O}_2}\left({\mathrm{\λ}}_1\right){\mathrm{\ϵ}}_{\mathrm{HHb}}\left({\mathrm{\λ}}_2\right))}$

其中，ε_HHb(λ₁)为光源波长为λ₁时的还原血红蛋白的消光系数，ε_HHb(λ₂)为光源波长为λ₂时的还原血红蛋白的消光系数，

为光源波长为λ₁时氧合血红蛋白的消光系数，为光源波长为λ₂时氧合血红蛋白的消光系数，

和表示在S-D1测量通道且波长分别在为λ₁和λ₂时吸光度变化量的时间序列，和表示在S-D2测量通道且波长分别为λ₁和λ₂时吸光度变化量的时间序列，

k为时间，k＝1,2,...,n；n为正整数；

DPF为差分路径因子。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：所述步骤六中脑功能信号s(k)＝y(k)-βx(k)

其中，y(k)表示由光源检测器S-D2解算的△[HbO₂]^F(k)或△[HHb]^F(k)，包含粗差、生理干扰和血液动力学变化；x(k)表示由光源检测器S-D1获得的△[HbO₂]^N(k)或△[HHb]^N(k)，包含粗差、生理干扰；k为取样时刻，β为权重系数，表示x(k)相关信号在y(k)信号中所占比例，s(k)为脑功能信号。

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是：所述步骤八中获得脑功能信号s(k)的步骤为：

一、利用最小一乘准则代价函数，采用迭代算法，利用最小二乘和加权最小二乘法求解最小一乘估计法估计值

a.采用最小二乘法，记为β的最小二乘估计，即使得

$\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(y\left(k\right)-{\widehat{\mathrm{\β}}}^{\left(0\right)}x\left(k\right))}^2$

达到最小，并且令值取

b.迭代过程采用加权最小二乘法，记为β的加权最小二乘估计，即使得

$\underset{k=1}{\overset{n}{\mathrm{\Σ}}}w{\left(k\right)}^{\left(j\right)}{(y\left(k\right)-{\widehat{\mathrm{\β}}}^{\left(j\right)}x\left(k\right))}^2$

达到最小，其中k＝1,2,...,N，j＝1,2,...为迭代次数，为最小二乘法计算所得的初始值，通过该过程构建一组估计值

由数据x(k)，y(k)计算各变量的均值

${\stackrel{\‾}{x}}^{\left(0\right)}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}x\left(k\right)$

${\stackrel{\‾}{y}}^{\left(0\right)}=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}y\left(k\right)$

和标准差

$S_x^{\left(0\right)}=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x\left(k\right)-{\stackrel{\‾}{x}}^{\left(0\right)})}^2}$

$S_y^{\left(0\right)}=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(y\left(k\right)-{\stackrel{\‾}{y}}^{\left(0\right)})}^2}$

当 $\frac{|y\left(k\right)-{\widehat{\mathrm{\β}}}^{\left(j\right)}x\left(k\right)|}{\left|S_y^{\left(0\right)}\right|}\≤\mathrm{\μ}$ 时，取 $w\left(k\right)=\frac{1}{\mathrm{\μ}{S}_y^{\left(0\right)}}$

式中n为正整数，μ为较小常数，取0.001；

c.计算各变量的加权均值

$\stackrel{\‾}{x}=\frac{1}{w}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}w\left(k\right)x\left(k\right),$

$\stackrel{\‾}{y}=\frac{1}{w}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}w\left(k\right)y\left(k\right),$

$w=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}w\left(k\right)$

加权标准差

$S_x=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}w\left(k\right){(x\left(k\right)-\stackrel{\‾}{x})}^2}$

$S_y=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}w\left(k\right){(y\left(k\right)-\stackrel{\‾}{y})}^2}$

式中n为正整数；

d.当 $|{\widehat{\mathrm{\&beta;}}}^{\left(j\right)}\frac{S_x}{S_y}-{\widehat{\mathrm{\&beta;}}}^{\left(0\right)}\frac{S_x^{\left(0\right)}}{S_y^{\left(0\right)}}|<\mathrm{\&epsiv;},$ 且 $\frac{|{\widehat{\mathrm{\&beta;}}}^{\left(j\right)}-{\widehat{\mathrm{\&beta;}}}^{\left(0\right)}|}{S_y}<\mathrm{\&epsiv;},$ 则循环结束，ε为较小常数，取0.001，令即为所求的最小一乘估计法估计，否则进行步骤e；

e.由计算相应的预测值y_i，让重复步骤b～d

二、求解脑功能信号s(k)：

$s\left(k\right)=y\left(k\right)-\widehat{\mathrm{\&beta;}}x\left(k\right)$

式中即为所求的最小一乘估计法估计值。

其它步骤及参数与具体实施方式一至六之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

通过采用双波长光源λ₁＝760nm，λ₂＝850nm，光源S到检测器D1的直线距离即光源检测器间距为10mm，光源S到检测器D2的直线距离即光源检测器间距为40mm。该设置能够使D2检测的近红外光可有效穿入大脑皮层，D1检测的近红外光仅穿入头外层脑组织。在进行人体检测前，将传感探头表面用薄的黑色橡胶覆盖，避免头部皮肤直接接触电路版，从而保证测量安全和探头保护。为了防止近红外光未经头部组织而直接到达检测器，在实验过程中光源与检测器之间放置遮光软物。该软物遮光同时，可以避免本身压力对测量结果产生影响。

在整个检测过程中，为减少头部晃动造成测试影响，被测者背靠座椅，用固定带将传感器探头固定在测试区域。信号采集模块对出射光强转换的电压信号进行采集，完成对双检测器信号单次采集的时间间隔设置为100ms，即时间分辨率为100ms，系统采样率为10Hz。将获得的吸光度变化通过修正朗伯比尔定律转变为氧合血红蛋白浓度变化量的时间序列△[HbO₂]^N(k)、△[HbO₂]^F(k)和还原血红蛋白浓度变化量的时间序列△[HHb]^N(k)、△[HHb]^F(k)。通过最小一乘估计准则求解使误差信号s(k)的绝对值之和误差性能函数J(k)最小，s(k)即是通过最小一乘抗差估计方法获得的脑功能活动信号。在最小一乘准则下，不要求测量信号中随机误差服从正态分布，即随机误差服从某种厚尾分布，且方差可能是较大，本方法获得的测量结果将优于最小二乘准则获得的结果，具体优势取决于误差分布情况和误差大小。

Claims (7)

1.基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法，其特征在于：基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法具体是按照以下步骤进行的：

步骤一、在待测脑组织位置使用光源S和两个检测器D1和D2构成的近红外探头进行探测；

步骤二、探测漫反射光强信号并经过光电传感器进行变换获得反应光强信息的电信号；

步骤三、电信号通过修正朗伯比尔定律获取检测器D1测得的氧合血红蛋白浓度变化量的时间序列△[HbO₂]^N(k)和还原血红蛋白浓度变化量的时间序列△[HHb]^N(k)，检测器D2测得的氧合血红蛋白浓度变化量的时间序列△[HbO₂]^F(k)和还原血红蛋白浓度变化量的时间序列△[HHb]^F(k)；

步骤四、用x(k)表示△[HbO₂]^N(k)或△[HHb]^N(k)；

步骤五、用y(k)表示△[HbO₂]^F(k)或△[HHb]^F(k)；

步骤六、脑功能信号表示为

步骤七、利用最小一乘准则求解使J(k)最小的权重系数β，获得误差性能函数J(k)，表示为

$J\left(k\right)=\underset{k=1}{\overset{n}{\&Sigma;}}|y\left(k\right)-\mathrm{\&beta;}x\left(k\right)|$

其中，J(k)为误差性能函数，β为权重系数，求解使J(k)最小的β；

步骤八、利用最小一乘准则代价函数，求解最小一乘估计法估计值再将求取的带入脑功能信号的表达式，即可获得脑功能信号s(k)。

2.根据权利要求1所述基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法，其特征在于：步骤一所述的光源S采用集成双波长近红外光源，光源S到近端检测器D1之间的直线距离为r₁；光源S到远端检测器D2之间的直线距离为r₂。

3.根据权利要求2所述基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法，其特征在于：所述双波长近红外光源发出的两种波长分别为λ₁＝760nm，λ₂＝850nm。

4.根据权利要求3所述基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法，其特征在于：所述光源S与检测器D1的间距r₁为10mm，光源S与检测器D2的间距r₂为40mm。

5.根据权利要求4所述基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法，其特征在于：所述步骤三中△[HbO₂]^N(k)和△[HHb]^N(k)为：

$\mathrm{\&Delta;}{\&lsqb;{\mathrm{HbO}}_2\&rsqb;}^N\left(k\right)=\frac{\left({\mathrm{\&epsiv;}}_{HHb}\right({\mathrm{\&lambda;}}_1\left){\mathrm{\&Delta;A}}_{{\mathrm{\&lambda;}}_2}^N\right(k)/DPF)-\left({\mathrm{\&epsiv;}}_{HHb}\right({\mathrm{\&lambda;}}_2\left){\mathrm{\&Delta;A}}_{{\mathrm{\&lambda;}}_1}^N\right(k)/DPF)}{r_1\left({\mathrm{\&epsiv;}}_{{\mathrm{HbO}}_2}\right({\mathrm{\&lambda;}}_2){\mathrm{\&epsiv;}}_{HHb}\left({\mathrm{\&lambda;}}_1\right)-{\mathrm{\&epsiv;}}_{{\mathrm{HbO}}_2}\left({\mathrm{\&lambda;}}_1\right){\mathrm{\&epsiv;}}_{HHb}\left({\mathrm{\&lambda;}}_2\right))}$

$\mathrm{\&Delta;}{\&lsqb;HHb\&rsqb;}^N\left(k\right)=\frac{\left({\mathrm{\&epsiv;}}_{{\mathrm{HHO}}_2}\right({\mathrm{\&lambda;}}_2\left){\mathrm{\&Delta;A}}_{{\mathrm{\&lambda;}}_1}^N\right(k)/DPF)-\left({\mathrm{\&epsiv;}}_{{\mathrm{HHO}}_2}\right({\mathrm{\&lambda;}}_1\left){\mathrm{\&Delta;A}}_{{\mathrm{\&lambda;}}_2}^N\right(k)/DPF)}{r_1\left({\mathrm{\&epsiv;}}_{{\mathrm{HbO}}_2}\right({\mathrm{\&lambda;}}_2){\mathrm{\&epsiv;}}_{HHb}\left({\mathrm{\&lambda;}}_1\right)-{\mathrm{\&epsiv;}}_{{\mathrm{HbO}}_2}\left({\mathrm{\&lambda;}}_1\right){\mathrm{\&epsiv;}}_{HHb}\left({\mathrm{\&lambda;}}_2\right))}$

△[HbO₂]^F(k)和△[HHb]^F(k)为：

$\mathrm{\&Delta;}{\&lsqb;{\mathrm{HbO}}_2\&rsqb;}^F\left(k\right)=\frac{\left({\mathrm{\&epsiv;}}_{HHb}\right({\mathrm{\&lambda;}}_1\left){\mathrm{\&Delta;A}}_{{\mathrm{\&lambda;}}_2}^N\right(k)/DPF)-\left({\mathrm{\&epsiv;}}_{HHb}\right({\mathrm{\&lambda;}}_2\left){\mathrm{\&Delta;A}}_{{\mathrm{\&lambda;}}_1}^N\right(k)/DPF)}{r_2\left({\mathrm{\&epsiv;}}_{{\mathrm{HbO}}_2}\right({\mathrm{\&lambda;}}_2){\mathrm{\&epsiv;}}_{HHb}\left({\mathrm{\&lambda;}}_1\right)-{\mathrm{\&epsiv;}}_{{\mathrm{HbO}}_2}\left({\mathrm{\&lambda;}}_1\right){\mathrm{\&epsiv;}}_{HHb}\left({\mathrm{\&lambda;}}_2\right))}$

$\mathrm{\&Delta;}{\&lsqb;HHb\&rsqb;}^F\left(k\right)=\frac{\left({\mathrm{\&epsiv;}}_{{\mathrm{HbO}}_2}\right({\mathrm{\&lambda;}}_2\left){\mathrm{\&Delta;A}}_{{\mathrm{\&lambda;}}_1}^F\right(k)/DPF)-\left({\mathrm{\&epsiv;}}_{{\mathrm{HbO}}_2}\right({\mathrm{\&lambda;}}_1\left){\mathrm{\&Delta;A}}_{{\mathrm{\&lambda;}}_2}^N\right(k)/DPF)}{r_2\left({\mathrm{\&epsiv;}}_{{\mathrm{HbO}}_2}\right({\mathrm{\&lambda;}}_2){\mathrm{\&epsiv;}}_{HHb}\left({\mathrm{\&lambda;}}_1\right)-{\mathrm{\&epsiv;}}_{{\mathrm{HbO}}_2}\left({\mathrm{\&lambda;}}_1\right){\mathrm{\&epsiv;}}_{HHb}\left({\mathrm{\&lambda;}}_2\right))}$

其中，ε_HHb(λ₁)为光源波长为λ₁时的还原血红蛋白的消光系数，ε_HHb(λ₂)为光源波长为λ₂时的还原血红蛋白的消光系数，

为光源波长为λ₁时氧合血红蛋白的消光系数，为光源波长为λ₂时氧合血红蛋白的消光系数，

和表示在S-D1测量通道且波长分别在为λ₁和λ₂时吸光度变化量的时间序列，和表示在S-D2测量通道且波长分别为λ₁和λ₂时吸光度变化量的时间序列，

k为取样时间，k＝1,2,...,n；n为正整数；

DPF为差分路径因子。

6.根据权利要求5所述基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法，其特征在于：所述步骤六中脑功能信号

其中，y(k)表示由光源检测器S-D2解算的△[HbO₂]^F(k)或△[HHb]^F(k)，包含粗差、生理干扰和血液动力学变化；x(k)表示由光源检测器S-D1获得的△[HbO₂]^N(k)或△[HHb]^N(k)，包含粗差、生理干扰；k为取样时间，β为权重系数，表示x(k)相关信号在y(k)信号中所占比例，为β最小一乘估计法估计值，s(k)为脑功能信号。

7.根据权利要求6所述基于多距测量方法及最小一乘准则的近红外脑功能信号抗差估计方法，其特征在于：所述步骤八中获得脑功能信号s(k)的步骤为：

一、利用最小一乘准则代价函数，采用迭代算法，利用最小二乘和加权最小二乘法求解最小一乘估计法估计值

a.采用最小二乘法，记为β的最小二乘估计，即使得

$\underset{k=1}{\overset{n}{\&Sigma;}}{\left(y\right(k)-{\widehat{\mathrm{\&beta;}}}^{\left(0\right)}x(k\left)\right)}^2$

达到最小，并且令值取

b.迭代过程采用加权最小二乘法，记为β的加权最小二乘估计，即使得

$\underset{k=1}{\overset{n}{\&Sigma;}}w{\left(k\right)}^{\left(j\right)}{\left(y\right(k)-{\widehat{\mathrm{\&beta;}}}^{\left(j\right)}x(k\left)\right)}^2$

达到最小，其中k＝1,2,...,n，j＝1,2,...为迭代次数，为最小二乘法计算所得的初始值，通过该过程构建一组估计值

由数据x(k)，y(k)计算各变量的均值

${\stackrel{\&OverBar;}{x}}^{\left(0\right)}=\frac{1}{n}\underset{k=1}{\overset{n}{\&Sigma;}}x\left(k\right)$

${\stackrel{\&OverBar;}{y}}^{\left(0\right)}=\frac{1}{n}\underset{k=1}{\overset{n}{\&Sigma;}}y\left(k\right)$

和标准差

$S_x^{\left(0\right)}=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\&Sigma;}}{\left(x\right(k)-{\stackrel{\&OverBar;}{x}}^{\left(0\right)})}^2}$

$S_y^{\left(0\right)}=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\&Sigma;}}{\left(y\right(k)-{\stackrel{\&OverBar;}{y}}^{\left(0\right)})}^2}$

当 $\frac{|y\left(k\right)-{\widehat{\mathrm{\&beta;}}}^{\left(j\right)}x\left(k\right)|}{\left|S_y^{\left(0\right)}\right|}\&le;\mathrm{\&mu;}$ 时，取 $w\left(k\right)=\frac{1}{{\mathrm{\&mu;S}}_y^{\left(0\right)}}$

式中n为正整数，μ取0.001；

c.计算各变量的加权均值

$\stackrel{\&OverBar;}{x}=\frac{1}{w}\underset{k=1}{\overset{n}{\&Sigma;}}w\left(k\right)x\left(k\right),$

$\stackrel{\&OverBar;}{y}=\frac{1}{w}\underset{k=1}{\overset{n}{\&Sigma;}}w\left(k\right)y\left(k\right),$

$w=\underset{k=1}{\overset{n}{\&Sigma;}}w\left(k\right)$

加权标准差

$S_x=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\&Sigma;}}w\left(k\right){\left(x\right(k)-\stackrel{\&OverBar;}{x})}^2}$

$S_y=\sqrt{\frac{1}{n}\underset{k=1}{\overset{n}{\&Sigma;}}w\left(k\right){\left(y\right(k)-\stackrel{\&OverBar;}{y})}^2}$

式中n为正整数；

d.当 $|{\widehat{\mathrm{\&beta;}}}^{\left(j\right)}\frac{S_x}{S_y}-{\widehat{\mathrm{\&beta;}}}^{\left(0\right)}\frac{S_x^{\left(0\right)}}{S_y^{\left(0\right)}}|<\mathrm{\&epsiv;},$ 且 $\frac{|{\widehat{\mathrm{\&beta;}}}^{\left(j\right)}-{\widehat{\mathrm{\&beta;}}}^{\left(0\right)}|}{S_y}<\mathrm{\&epsiv;},$ 则循环结束，ε取0.001，令 $\widehat{\mathrm{\&beta;}}={\widehat{\mathrm{\&beta;}}}^{\left(j\right)}$ 即为所求的最小一乘估计法估计，否则进行步骤e；

e.由计算相应的预测值y_i，让 ${\widehat{\mathrm{\&beta;}}}^{\left(0\right)}=\widehat{\mathrm{\&beta;}},S_x^{\left(0\right)}=S_x,S_y^{\left(0\right)}=S_y,$ 重复步骤b～d

二、求解脑功能信号s(k)：

$s\left(k\right)=y\left(k\right)-\widehat{\mathrm{\&beta;}}x\left(k\right)$

式中即为所求的最小一乘估计法估计值。