CN1660017A - 活体光测量系统及信号处理方法 - Google Patents

Abstract

一种图像产生方法，其用于在活体光测量系统中以改善的精确度显示的脑活动区域，该活体光测量系统用于产生脑血流量变化的图像。血流量变化的空间强度分布可以通过探测在许多采样点的脑活动而获得，并且对这个数据进行空间内插处理。对这个分布实施阈值处理以取得具有至少为预设阈值的信号强度的坐标的分布。在脑活动区域和分布的最大位置之间的位移被存储在系统的记录单元中，以补偿经阈值处理而获得的分布。因而，脑活动区域可以用更高的位置精确度进行估计，对脑疾病的诊断和治疗也同样可以用更高的精确度而实施。

Description

活体光测量系统及信号处理方法

技术领域

本发明涉及一种活体光测量系统，更确切地说涉及一种能够显示浓度变化特殊分布的图像显示方法，以及在活体光测量系统中显示这种图像的方法，该测量系统可以利用活体光测量活体代谢物质的浓度或浓度的变化。

背景技术

脑部疾病的诊断在可能的时候，可通过测量人脑的活动来实现。而且，这些经诊断的脑部疾病复原的恢复处理和监测也可实现。所以，脑功能的各种测量系统已经被提出。

近年来，提出了一种引用近红外线光谱法的实用的脑活动测量系统。近红外线与其它不同波长(颜色)的光束相比，对活体组织具有更高的传播特性。所以，可以测量到存在于头骨内侧皮质的血流量的变化。另外，也可以获得由于脑活动引起的血流量变化的动态图像，通过测量在不同位置(即多个点)的这种变化而得到。这种多通道光脑功能测量系统的综述已经被AtsushiMaki等人在Medical Physics，22卷(第12期)、1997-2005页上发表，题为“Spatial and temporal analysis of human motor activity”(在此之后称“非专利文献1”)。下面将描述由该文献发表的这个测量技术。

图2为进行在非专利文献1中公开的这种测量或类似处理的一个系统的结构。在测量开始之前，受试者(2-1)戴一个头盔(即探针)(2-2)。探针2-2交替地由一个光照位置及一个光探测位置提供，其中，在光照位置中放置有连接到光源的光纤(S11到S18)，在光探测位置中约以30mm的间隔放置有连接到光探测器的光纤(D11到D18)。连接到光源的光纤(S11到S18)分别连接到不同波长的双波长激光(2-3-1到2-3-8以及2-4-1到2-4-8)。在非专利文献1中，所使用的光源大约为780nm和830nm，在波长800nm附近，在此处，氧化血红蛋白和还原血红蛋白的分子消光系数相等。

并且，在图2中，从光纤S13照射的光被与光纤S13的位置相距30mm的光纤D13、D11、D15和D14所探测到。以光探测器2-6(半导体光探测器，如，雪崩光电二极管、光电倍增管或类似的设备)，探测到达用于探测的光纤D11到D18的光。采用一个控制处理器2-5对探测到的光进行处理。位于皮质其变化与大脑活动相应的血流量，基于在每一光照位置和每一光探测位置(以30mm的间隔交替提供)所获得光的处理结果，可以被计算出来。计算结果被电子计算机的显示器以波形(时域)和表明大脑激活作用(即活动)的图像显示出来。

图3表示测量与大脑激活作用(即活动)相一致的血流量变化的方法。在这个图中，显示了光的传播路径(3-5)，其中，该光在固定器(3-2)和固定器(3-4)之间传播，固定器(3-2)用于固定连接到一个光源的光纤(3-1)，固定器(3-4)用于固定连接到一个光探测器的光纤(3-3)。每个固定器用一个螺丝3-6来固定一根光纤。这些固定器利用树脂3-7来固定，该树脂3-7也形成头盔(2-2)。结果，光纤的端部与受试者3-8的头皮相接触。

在图3中，也图示了人脑的一种典型结构。除了上面提到的头皮3-8外，人脑通常还包括头骨3-9、脑脊液层3-10和皮质3-11，等等。众所周知，这些活体组织具有光散射特性和光吸收特性，尤其是头骨的光散射特性大。

因而，也就可知从光源发出的光依据光散射特性而散射，并且由于光吸收特性散射而强度逐渐减弱。图中所示的固定器以大致30mm相间隔。更进一步，所知在这样的分布间隔下，从连接光源的光纤3-1照射的光，如图所示，以弧形3-5(象香蕉)的形式通过活体组织，然后在光到达连接光探测器的光纤3-3之后被探测。在这个图中，3-12表示血流量随着脑的激活作用而增加的区域。例如，当血流量增加时，到达用于探测的光纤3-3的光强度(I)减弱。

因此，由于氧化血红蛋白和还原血红蛋白(ΔC_oxy，ΔC_deoxy)浓度的变化，光吸收度的变化(ΔA：相应于脑激活作用之前和之后的探测到的光强度的对数差值)可以建立以下为用于测量的每一个波长λ的公式(1)(在非专利文献1中，λ1＝780nm，λ2＝830nm)：

ΔA＝-ln(I₁/I₀)＝ε_oxyΔC_oxyL+ε_deoxyΔC_deoxyL

                                                          (1)

这里，公式(1)中的L代表光源和光探测器之间平均光传播路径的长度。ε_oxy和ε_deoxy在公式(1)中分别代表氧化血红蛋白质和还原血红蛋白质的分子消光系数。在公式(1)中，I代表到达探测器的光强度，I1和I0分别代表脑激活作用之前和之后的光强度。由于脑激活作用，氧化血红蛋白和还原血红蛋白浓度的变化(ΔC_oxy，ΔC_deoxy)可以通过将公式(1)运用于每一个波长，而用公式(2)来表示：

$\left(\begin{array}{c}\mathrm{\Δ}{C}_{\mathrm{oxy}}\\ \mathrm{\Δ}{C}_{\mathrm{deoxy}}\end{array}\right)={\left(\begin{array}{cc}{\mathrm{\ϵ}}_{\mathrm{oxy}}^{\mathrm{\λ}}& {\mathrm{\ϵ}}_{\mathrm{deoxy}}^{\mathrm{\λ}}\\ {\mathrm{\ϵ}}_{\mathrm{oxy}}^{\mathrm{\λ}2}& {\mathrm{\ϵ}}_{\mathrm{deoxy}}^{\mathrm{\λ}2}\end{array}\right)}^{-1}\left(\begin{array}{c}\frac{-\ln (I_1^{{\mathrm{\λ}}_1}/I_0^{{\mathrm{\λ}}_1})}{L^{\mathrm{\λ}1}}\\ \frac{-\ln (I_1^{\mathrm{\λ}2}/I_0^{{\mathrm{\λ}}_2})}{L^{\mathrm{\λ}2}}\end{array}\right)---\left(2\right)$

但是，因为难于真实的确定L值，所以可使用公式(3)：

$\left(\begin{array}{c}{{\mathrm{\ΔC}}^{\′}}_{\mathrm{oxy}}\\ {{\mathrm{\ΔC}}^{\′}}_{\mathrm{deoxy}}\end{array}\right)=L\left(\begin{array}{c}{\mathrm{\ΔC}}_{\mathrm{oxy}}\\ {\mathrm{\ΔC}}_{\mathrm{deoxy}}\end{array}\right)---\left(3\right)$

这里，C′为浓度乘以距离的一个度量单位，可用下式计算：

$\left(\begin{array}{c}{{\mathrm{\ΔC}}^{\′}}_{\mathrm{oxy}}\\ \mathrm{\Δ}{C^{\′}}_{\mathrm{deoxy}}\end{array}\right)={\left(\begin{array}{cc}{\mathrm{\ϵ}}_{\mathrm{oxy\λ}1}& {\mathrm{\ϵ}}_{\mathrm{deoxy\λ}1}\\ {\mathrm{\ϵ}}_{\mathrm{oxy\λ}2}& {\mathrm{\ϵ}}_{\mathrm{deoxy\λ}2}\end{array}\right)}^{-1}\left(\begin{array}{c}-\ln (I_{1{\mathrm{\λ}}_1}/I_{0{\mathrm{\λ}}_1})\\ -\ln (I_{1{\mathrm{\λ}}_2}/I_{0\mathrm{\λ}2})\end{array}\right)---\left(4\right)$

下面参考图4和图5来说明将以上计算结果进行成像的方法。图4表示在一种情况下的传感器定位方法，该情况是：用于连接到光源的光纤S11到S18的八个光照位置，以及用于光纤D11到D18的八个光探测位置，分别分布在受试者头皮上。八个白方块(□，4-1)和八个黑方块(■，4-2)分别代表光照点和光探测点。另外，由黑圆圈表示的位置(4-3)位于光照位置和光探测位置之间的中间位置。这些中间位置可定义为采样点，给出血流量变化的位置信息，血流量变化可由从在光照位置发出光后到达光探测位置的光强度的变化而探测到。对于为什么将采样点定义为几乎都是位于两个光纤之间的中间点的原因，将用图3的光传播路径3-5加以说明。依据这个传播路径，光不会传播到光照位置4-1和光探测位置4-2的下方区域。

更进一步地，就在光照位置4-1和光探测单元4-2之间的中间点下方的区域，光不仅传播到头骨，还传播到作为脑激活区的脑脊液层和皮质。按照图4所示的光传播特性，因为这个区域被认为是确切的脑激活作用区域，当这个区域的血流量变化恰好发生在位于光照位置和光探测位置中间点的下方区域时，由一对光源和光探测器探测到的血流量变化可以被假设为是最大的。因而，位于光照位置4-1和光探测位置4-2之间的中间点4-3作为采样点，并作为提供被一对光源和光探测器探测到的血流量变化的位置信息的点。在图4所示的光源和光探测器的定位方法中，24个采样点以保持21mm的间隔而提供(等于√(1/2)乘以传感器的分布间隔30mm)。

作为一个例子，图5所示的地形图像可以通过空间内插这24个取样点所包围的测量区域的血流量的变化而获得。血流量变化大的区域可通过使用等高线和浓度曲线或相似的方法显示血流量变化而被探测到。

在图5中，血流量变化大的区域以比较明亮(颜色浅一些)的区域表示，而血流量变化小的区域以比较暗的区域表示。这个地形图像的“地形”意指“地形图”，度量物理量的空间分布显示在一个平面上，该空间分布不同于在这个平面上的位置信息的度量物理量的空间分布。为了这个说明的描述，在图4中建立了坐标系。这个坐标系包括x-y轴，原点置于测量区域的中央。所以，在x≥-45，y≤45的区域以及测量区域，x和y的变化可延伸到90×90mm²。

除了非专利文献1所描述的以上内容之外，还有一些建议来自以下的参考资料：E.Watanabe，et a1.，“Noninvasive Cerebral Blood Volume MeasurementDuring Seizures Using Multi-channel Near Infrared Spectroscopic Topography”，Journal of Biomedical Optics，2000，July，5(3)，P.287-290(非专利文献2)；E.Watanabe，et al.，“Non-invasive assessment of language dominance withNear-Infrared Spectroscopic Mapping”，Neurosci.Lett.，256(1998)(非专利文献3)；T.Yamamoto，et al.，“Arranging optical fibers for the spatial resolutionimprovement of topographical images”，47(2002)(非专利文献4)；Sandwell，David T.，“Biharmonic Spline Interpolation of GEOS-3 and SEASAT AltimeterData”，Geophysical Research Letters，2，139-142，1987(非专利文献5)。

图5显示的是在血流量变化是模糊的条件下的地形图像。同时，这种模糊在用众所周知的功能磁共振成像系统或传统的脑功能测量系统的正电子地形图像系统获得的脑激励活动的图像是相当小的。这是因为在光地形方法中，采样点的空间分布略小于在其它脑功能测量系统中的空间分布。图2显示的多通道脑功能测量系统，测量是通过将用于测量的光纤放在受试者的头皮上来进行的。在产生一个地形图像时，用一对传感器探测到的血流量变化的位置信息，是通过建立作为采样点的光纤位置的中间点而提供的，该光纤位置与光源和光探测器相连接。

从而，除非用于测量的光纤数量增加，否则在采样点增加空间分布密度是不可能的。但是，增加光纤数量是有限的，因为光纤数目会影响头盔的结构。同时，因为功能磁共振成像系统和正电子地形图像系统用于非接触性测量，并且在这些系统中，传感器也从来不与受试者接触，所以采样点的建立一般来说不受任何限制。由于血流量的变化可以在多个采样点测量到，因而成像的模糊度与地形图像相比要略小一些。

另一方面，即使空间分辨率低于功能磁共振成像系统或正电子地形图像系统的空间分辨率，图2所示的多通道光脑功能测量系统也可用于实际的医疗领域。例如，非专利文献2和3公开了这样一个系统，目前用于识别神经癫痫症和语言优势的位置。基于这些文献，使用者利用地形图像显示的血流量变化的空间分布来预测脑活动区域。所以，需要将正确显示脑活动区域作为一种工具，来识别神经癫痫症和语言优势的位置。

相应的，为了评估一个基于现有地形图像产生算法的地形图像位置的准确度，以及从这样的评估中确定地形图像产生算法来获得较高的位置精确度，已经使用计算机模拟来进行评估一个地形图像的位置精确度。图6显示了一个模拟模型。如图所示，人脑结构被模式化为三层结构，头骨6-1，脑脊液层6-2和皮质6-3。这种模式结构被广泛地应用，甚至出现在已经公开发表的这些文献中。例如，这个结构在非专利文献4中被描述。进一步，区域6-4表明了一个存在于皮质的脑活动区域位置。

利用图6的模型评估位置精确度的方法，将参考图7到图9加以说明。图7给出了一个配置，其中，一根用于照明的光纤7-1和一根用于探测的光纤7-2，接触放置在如图6所示的脑模型上部的位置。其中，这两个光纤最好以30mm的间隔放置。从非专利文献4中可知，当脑活动区域改变、以及脑活动区域光吸收系数由于在这些光纤的位置中的这些光纤的位置也发生变化时，公式(1)中ΔA的空间分布(敏感性分布)表现为如图8的较低部位显示的椭圆形分布。这里，用于照明的光纤8-1和用于探测的光纤8-2的位置被指定。

为了定性表示这个椭圆形分布，ΔA的空间分布用下面给出的公式(5)的方程来表达。这里，Δx和Δy表明在x轴和y轴方向的半值宽度。确切地说，可知Δx在20到40mm的范围内取值，而Δy在10到30mm的范围内取信。

$\mathrm{\ΔA}(x,y)={\exp }^{\frac{x^2}{{\mathrm{\Δx}}^2}}{\exp }^{\frac{y^2}{{\mathrm{\Δy}}^2}}---\left(5\right)$

图9说明用于产生地形图的光源和光探测器的配置方法。9-1为光源如激光或发光二极管的光照位置。9-2为光探测器如雪崩光电二极管或光电倍增管的位置。如图8所示，因为位于光源和光探测器之间的位置的中间点的ΔA的敏感性显示为最大，所以这个中间点定义为采样点9-3，以及作为一个点，该点可以给出以一对光源9-1和光探测器9-2探测到的血流量变化的位置信息。在图9中提供了24个采样点。

脑活动区域建于被光源、光探测器和采样点包围的区域中，然后通过从图8和公式(5)所得的敏感性空间分布，可以得到一个地形图像。将参考图10描述评估位置精确度的方法。如图6中6-4显示的那样，脑活动区域10-3由位于头骨的上侧(图10A)的八个光照点10-1和八个光探测点10-2建立。脑活动区域的中央位置被定义为(Xc，Yc)。在24个采样点10-4光吸收度的变化，由对这个脑活动区域的计算机模拟而获得。之后，光吸收度变化分布就可以作为一个地形图像10-5而看到(图10B)。能引起这个系统的使用者最大兴趣的是地形图像中的最大的点被定义为(Xmax，Ymax)，该最大点已经被获得。

更具体地说，以存在于图10中的24对光源和光探测器探测到的ΔA值，可利用用于在预先设置的脑活动(图21中S1-1)中央位置(Xc，Yc)的光吸收度变化的公式(5)，而被计算成为24个采样点的ΔA值。使用每一个ΔA值，并进行空间内插处理，一个地形图像即可被看到(图21中S1-2)。因而，获得了为得到这样的ΔA及其最大位置(Xmax，Ymax)的位置信息(图21中S1-3)。内插处理已经在这个实施例中以非专利文献5中所描述的方法(Inverse Distance Method)而执行。

通过比较脑活动区域中央位置(Xc，Yc)和地形图的最大位置(Xmax，Ymax)，可以探测到位移。位移的形成是由于为了产生带有空间内插的地形图像，利用每一个采样点的ΔA及其位置坐标而执行了内插的缘故。地形图像的强度反映了在每一个采样点的位置信息。

通过模拟所获得的中央位置(Xc，Yc)的最大位置(Xmax，Ymax)是利用向量来表示的(图21中S1-4)，在图11中显示了获得的结果的分布。并且，在图21中显示了获得位移信息分布的流程图。

图11A为光照点11-1；光探测点11-2；采样点11-3。在这个图中，点(Xc，Yc)的范围在-15≤(Xc，Yc)≤15，并且可以得到在这个范围内每一个点(Xc，Yc)的最大点(Xmax，Ymax)。在图11B中，每一个向量的起始点是(Xc，Ye)，其结束点对应于(Xmax，Ymax)，显示出地形图像的位移。这个结果表明地形图像的位移具有如下的趋向：

(1).当以地形图像可以看到脑活动区域时，地形图像以朝向最接近脑活动区域中心的采样点的位移而显示。

(2).当地形图像以朝向采样点的某一位移而显示时，这个地形图像不会显示超过采样点。

(3).在某一的脑活动区域的中央点(Xc1，Yc1)和比点(Xc1，Yc1)距离采样点更远的一个点(Xc2，Yc2)，朝向采样点的位移在点(Xc2，Yc2)变得比较大。

这里，不同受试者的大脑在很多参数上是不同的。例如，图6中显示的不同人头骨的厚度、脑脊液和/或皮质层，以及对光散射的散射系数特性、对光吸收的光吸收系数特性、活动区域的大小、由于脑活动而引起的光吸收系数的变化，都是不同的。所以，有必要检查不同人是否通常产生上面项目(1)-(3)中描述地形图像的位移趋向。然而，很难通过改变所有众多的参数实现模拟。

相应地，当获得与众多参数改变后的模拟效果相似的效果时，通过改变公式(5)的椭圆方程的Δx和Δy值进行模拟，可实现一个更简化的模拟。这是因为那些是依赖于参数的值。从Δx和Δy值改变的模拟结果来看，可以确定，即使Δx和Δy值发生改变，如项目(1)-(3)所描述的地形图像的位移趋向也不会改变。

也就是说，可以确定这种位移趋向在个体(不同在于，头骨、脑脊液层和皮质的厚度或其它特性)之间不会发生变化，而这样的位移通常会发生。

发明内容

因而，本发明的目的在于，提供采用如图11所描述的分布来补偿地形图像的一种方法。

血流量改变的空间强度分布是经过探测分布在受试者头皮多个采样点的脑活动并进行空间补偿而产生的。具有高于预设阈值的信号强度的坐标的信号强度分布，可通过对这个信号强度分布作阈值处理而获得。在信号强度分布产生时产生的脑活动区域，和信号强度分布最大区域之间的位移信息，首先被储存到活体测量系统的计算机(记录单元)内，经过阈值处理获得的信号强度分布通过参考储存在此的位移信息而得到补偿。

由于脑活动区域可以用高于以传统方法获得的精确度的位置精确度来估计，脑疾病区域的诊断和基于诊断结果的治疗方法可实现更高的精确度。

附图说明

为了能够准确地理解本发明和便于实践，本发明将结合以下的附图来进行描述，其中相同的附图标记是指图中同样的或相似的元件，其附图引入并构成说明书一个组成部分，其中：

图1为描述位置准确度的补偿结果的图示；

图2为一个传统多通道光脑功能测量系统的示意图；

图3为测量由于脑活动引起的血流量变化的方法的图示；

图4为用于产生地形图像的光源和光探测器定位方法的图示；

图5为包括一个脑活动区域的示范性地形图像的图示；

图6为脑结构模拟模型的图示；

图7为评估图6的模型敏感性分布的方法的图示；

图8为表示示范性模拟敏感性分布特性的图示；

图9为光源、光探测器和采样点的示范性空间分布的图示；

图10显示了通过电脑模拟获得的脑活动中心区域的地形图像的最大点，包括一个空间位置图(图10A)和一个地形图(图10B)；

图11显示了通过电脑模拟而获得的位移分布的图示，包括一个空间图(图11A)和一个向量图(图11B)；

图12为图11所示的整个测量区域部分的位移分布图；

图13为粘贴于图12所示位移分布图上的地形图像；

图14为一个地形图像的图示，其中补偿处理是在对图13的第一个算法基础上进行的；

图15给出了指示用于补偿位置精确度算法的流程图；

图16给出了位置精确度补偿结果的示意图；

图17给出了位置精确度补偿结果的示意图；

图18为一个传统地形图像的示范性显示的图示；

图19为图1、图16和图17描述的补偿图像显示方法的一个实施例；

图20为图1、图16和图17显示的补偿图像显示方法的另一个实施例；和

图21是获得位移信息分布的流程图。

具体实施方式

在本发明的第一个实施例中，图11中所示的位移分布，最初直接贮存在计算机2-5提供的储存器内(例如，硬盘驱动器的存储器)，该计算机具有如图2所示的显示器。而且，这个分布也可以运用信息储存媒体如CD-ROM，储存到计算机2-5存储器内。

本发明包括补偿图11所示的位移分布的几个方法，这里提供了测试不同方法而得到的结果。

在第一个方法中，地形图像的像素依据图11所示的位移分布而补偿，该像素为空间分布的像素。这个方法的有效性将依据图12、图13和图14进行讨论。图12为从测量区域的整个部分获得的图11可视性位移分布图。显然地，可以从这个图了解到，地形图像通过朝向采样点12-1的引力而显示，该采样点12-1为最接近脑活动区域中央点的采样点。图13为脑活动地形图像的一个实施例图，其粘贴于图12的位移分布图上。当把地形图像粘贴上时，整个图就相当复杂。所以，将地形图转换成一个二进制数据图像，以阴影线区域(相当于图4中的中央点(Xc，Yc)＝(-15，0))和非阴影线区域加以区别。

基于与图11位移分布相一致的地形图像的空间分布像素的补偿方法，将对图13中所示的地形图像的补偿结果显示在图14中。从图14上可以看出，与图13原来的地形图像相比，显示的地形图像被扩大了。扩大的原因将与图12的位移分布一同考虑来加以说明。从位移分布可以看出，地形图像朝向最近的采样点放置。以这个结果的反向的观点来看，当显示在最接近采样点的点的地形图像被补偿时，该地形图像被显示在远离采样点的点。

所以，如果以脑活动区域的中央区域存在于靠近采样点的区域、并且显示的图像扩展到如图13地形图像的中央点的这样一种方式显示，对地形图像进行补偿处理，那么图像进一步扩展，会导致图像质量的降低。因而，空间分布与图11位移分布一致的地形图像的像素的补偿算法，具有比在此所讨论的其它方法低的有效性。

由于这个原因，下面提出另一种算法。图12的位移分布已经通过获得了到脑活动区域中央点的位移而获得。所以，当地形图像的最大区域在中央点建立起来时，在这个情况下，存在讨论这个位移补偿方法的一个可能性。在事实上，使用者经常要在显示血流量变化的地形图像中、从其中最大的点确定脑活动区域。因而，本发明的方法所讨论的算法用于：

1.自图像处理提取地形图像的最大值，并确定这个点的位置；和

2.利用图8所示的位移分布，补偿所提取点的位置。

更具体地，也就是以下如图15流程图所示的方法。

1.在系统使用之前，通过模拟，收集每一个坐标的位移信息(图15中的S1)。

2.测量每个采样点的ΔA值(图15中的S2)。

3.产生使用空间内插处理的信号强度分布(图15中的S3)。

4.设定一阈值(图15中的S4)。

5.若坐标的强度小于阈值，则不产生坐标的信号强度分布(图15中的S5)。

6.若坐标的强度大于阈值，则根据每一个坐标的位移信息进行位置补偿处理(图15中的S6)。

7.最后，在补偿处理后，产生信号强度分布的显示(图15中的S7)。

测试这个算法有效性的结果显示于图1、图16和图17。这些图给出了(1)脑活动区域，(2)指示脑活动区域血流量变化的地形图像，(3)对地形图像阈值处理的结果，以及(4)已经完成了阈值处理的地形图像的位置补偿结果，该补偿是基于图11和图12位移分布而进行的。此后，将对每一幅图进行详细的描述。

(1)指示脑活动区域的二进制数据图像

在图10(测量范围＝90mm×90mm)所示的光源和光探测器排列中，直径为15mm的脑活动区域设置在测量区域内部。直径为15mm的脑活动区域的大小相当于例如人手指运动肌(位于皮质层的脑机能，用于控制手指的运动功能)的大小。

(2)地形图像

指示如步骤(1)描述的脑活动区域的脑活动由电脑模拟产生。具体说，在预先设置的脑活动区域的光吸收度的变化，被图4中的24个采样点探测到，并且这种变化的空间分布用内插处理形成可视性图像。

(3)地形图像的阈值处理结果

运用阈值处理，步骤(2)描述的地形图像被显示为二进制数据图像。在这个实施例中，步骤(2)的地形图像用1标准化以获得二进制数据图像，其中，具有数值至少为0.9的区域定义为1，具有任何其它数值的区域定义为0。

(4)阈值处理后的图像位置补偿结果

依照图11和图12所示的位移分布，步骤(3)的地形图像的中央点已被补偿。

参照图1，表示当(Xc，Yc)为(5，0)时的脑活动区域的光吸收度变化的地形图像被产生。因为最接近点(Xc，Yc)＝(5，0)的采样点位于点(X，Y)，(X，Y)为(15，0)，所以地形图像以图像吸引到这一点上的方式发生变形。但是，作为由于阈值设定到0.9形成这个二进制数据图像的结果，可获得与显示在原来点上的圆形脑活动区域相似的圆形图像。也就是说，通过得到图像的中央点并根据图8的位移改变该中央点，在用于以上(位置修正)所描述的图像位置补偿的栏中所描述的图像，作为圆形图像平行转换的结果而获得。图像位置几乎与原来的位置匹配。从这个结果可以看出已经实现了位置补偿。

更进一步地，考虑到对这个算法有效性的讨论，通过将脑活动区域设置于包括图1的脑活动区域的七个区域，基于此算法的位置准确度的改进已被证实。证实的结果在图16和图17中描述。根据这些图显示的结果，由于原来的地形图像没有在(Xc，Yc)等于(±15，0)和(0，0)的条件下显示，所以运用这个算法进行补偿的改进不能被探测出来。但是，当(Xc，Yc)等于(±10，0)和(±5，0)时，很明显，与在其中每一个采样点血流量变化已被空间内插的地形图像的最大点相比，其阈值已经提取、位置也已被补偿的图像位置与原来的脑活动区域相匹配。这个结果可以确定这个提出的算法的有效性。

图18、图19和图20为实施以上所述算法的示范性显示图像。图18为一个显示图像形式，其中显示了一个传统的地形图像。18-1指定一个显示的地形图像，其中，显示了光源18-2和光探测器18-3的位置。这些光源18-2和光探测器18-3的位置的指示和不指示的条件可以选择，并且指示可用选择按钮18-4进行切换。并且，显示这个地形图像浓度分布的色条18-5也在图中显示，以表示物理量和地形图像颜色之间的一个清楚的对应关系。这个色条18-5通常服从分级处理，以便更加容易地观测到血流量变化的浓度。

图19和图20给出了，通过在图1、图16和图17描述的算法而补偿的图像的显示方法的一个实施例。这个显示图像涉及作为阈值处理模式。图19未显示光源和光探测器的位置，但是图20通过复选框19-1和20-1的选择操作，显示了光源20-2和光探测器20-3的位置。在这些图中，19-2和20-4用于显示活动区域和非活动区域的色条。与指示为18-5的色条不同，这些色条可以用二进制数据显示，代替分级显示。这些色条的显示表示脑活动区域的显示。

另外，色条19-3和20-5用于建立图像处理的阈值。在图1 8和图19中，阈值设定到0.9形成二进制数据图，以便将阈值大于这个数值的区域设定为1以及将阈值小于这个数值的区域设定为0。不过，即使数值0.9由使用者随意设置，也不会有问题出现。比如，当仅需要观察脑活动区域的中央点时，将阈值设定为1.0已算足够。但是，相反，当需要去除地形图像上的一点“模糊”之处时，将阈值设定为接近0.0的值才算足够。这样一来，使用者可以选择所需图像显示方法。

另外，本发明包括一个用于活体光测量系统的计算机程序，该活体光测量系统通过以光照射受试者的多个区域和探测在受试者体内的传播光，对进行光照，来在受试者的多个区域测量受试者的体内的状况。计算机程序最好能使一个通用的计算机执行如下的步骤：

基于在多个区域探测到的光信号，产生受试者的一个信号强度分布；

以等于或大于用于信号强度分布的预设的阈值，执行阈值处理，以产生一个信号强度分布；和

在已有数据基础上进行以算法处理对阈值处理后的信号强度分布的位移进行补偿，其是在当信号强度分布产生时，在脑活动区域和产生的信号强度分布最大位置之间的位移的活体光测量之前产生的。阈值最好是由计算机程序使用者来设定。

以上所述并不意味着将本发明限制于任何一种特定的材料、几何形状或元件的定位。许多部件/定位的置换物都被认为属于本发明的范围内，并且对本领域的技术人员来说是显而易见的。所描述的实施例仅是通过几个实例加以说明，不应当作为对本发明范围的限制。

虽然本发明已用特定的应用实施例加以描述，本领域的技术人员可利用所公开内容实施其它的实施例和进行修正，但不脱离本发明的主旨或超越本发明的范围。因而可以理解，附图和说明书仅是帮助理解本发明而不应认为构成对本发明的限制。

Claims (14)

1.一种活体光测量系统，包括：

多个光源，用于以光照射受试者；

多个光探测器，用于探测从所述多个光源发出并通过受试者之后的光；

一第一算法单元，用于基于由多个光探测器所探测到的光信号，产生受试者的第一信号强度分布；

一第二算法单元，用于执行阈值处理，产生信号强度的第二信号强度分布，该信号强度至少等于信号强度分布的预定阈值；

一记录单元，用于储存数据，该数据定义在脑活动区域和信号强度分布的最大位置之间的位移，该位移是当所述第一算法单元产生第一信号强度分布时产生的，其中，所述多个光源和多个光探测器的位置信息是在第一信号强度分布产生之前获得的；和

一第三算法单元，用于产生第三信号强度分布，其利用存储于记录单元的数据补偿阈值处理后的第二信号强度分布的位移。

2.如权利要求1所述的一种活体光测量系统，进一步包括：

一显示单元，用于显示第三信号强度分布。

3.如权利要求1所述的一种活体光测量系统，进一步包括：

一设定单元，用于设定所述阈值。

4.如权利要求1所述的一种活体光测量系统，其中，所述多个光源和所述多个光探测器以点阵的形式交替设置。

5.如权利要求1所述的一种活体光测量系统，进一步包括：

一设定单元，用于选择显示第三信号强度分布还是第二信号强度分布。

6.一种活体光测量系统包括：

多个光源，用于以光照射受试者；

多个光探测器，用于探测从所述多个光源发出并通过受试者之后的光；

一第一算法单元，用于基于由多个光探测器所探测到的光信号，产生受试者的第一信号强度分布；

一第二算法单元，用于执行阈值处理，产生信号强度的第二信号强度分布，该信号强度至少等于信号强度分布的预定阈值；

一记录单元，用于储存数据，该数据定义在脑活动区域和信号强度分布的最大位置之间的位移，该位移是当所述第一算法单元产生第一信号强度分布时产生的；和

一第三算法单元，用于产生第三信号强度分布，其利用存储于记录单元的数据补偿阈值处理后的第二信号强度分布的位移。

7.如权利要求6所述的活体光测量系统，进一步包括：

一显示单元，用于显示第三信号强度分布。

8.如权利要求6所述的一种活体光测量系统，进一步包括：

一设定单元，用于设定所述阈值。

9.如权利要求6所述的一种活体光测量系统，其中，所述多个光源和所述多个光探测器以点阵的形式交替设置。

10.如权利要求6所述的一种活体光测量系统，进一步包括：

一设定单元，用于选择显示第三信号强度分布还是第二信号强度分布。

11.一种信号处理方法，用于活体光测量系统，该活体光测量系统通过照射光到受试者的多个区域并探测通过受试者体内的光，来测量受试者的体内的状况，所述方法包括步骤：

基于在所述多个区域探测到的光信号，由计算机模拟产生在脑活动区域和受试者脑部的信号强度分布的最大位置之间的位移的数据；

照射光到受试者的所述多个区域；

探测照射到受试者并通过受试者体内的光；

基于探测到的光，产生受试者的第一信号强度分布；

执行阈值处理，产生强度的第二信号强度分布，该强度至少等于预设阈值；和

基于计算机模拟产生的数据来补偿位移，并产生阈值处理后的第三信号强度分布。

12.如权利要求11所述的信号处理方法，进一步包括步骤：

显示第三信号强度分布。

13.如权利要求11所述的信号处理方法，其中，阈值是一个可由使用者设定的变量。

14.如权利要求11所述的信号处理方法，其中，所述多个光照位置和多个光探测位置，以点阵形式交替设置。

Images