基于fNIRS的轻度认知障碍多尺度神经网络分类研究
1.研究背景
轻度认知障碍(Mild Cognitive Impairment, MCI)是阿尔茨海默病发生前的关键过渡阶段，其认知下降速度快于正常老化，被视为实施干预与延缓疾病进程的最佳窗口。然而，当前临床诊断主要依赖简易精神状态量表(MMSE)、蒙特利尔认知评估(MoCA)等行为测验，其结果易受到教育水平、执行者经验与主观判断的影响；而磁共振成像(MRI)与正电子发射断层扫描(PET)虽具有诊断价值，但成本高、操作复杂且不适合日常监测。因此，亟需一种兼具可及性、客观性与实时性的神经监测手段，用于MCI的早期识别。
功能近红外光谱(fNIRS)因其便携、非侵入、成本低、允许高频次测试等优势，在近年逐渐成为认知障碍筛查的潜力工具。然而，传统fNIRS研究往往依赖手工选择感兴趣区域(ROI)和人工特征提取(如均值、斜率、峰值等)，不仅耗时耗力，也会增加信息损失和研究者偏差。针对这些局限，本研究提出一种基于多尺度卷积神经网络与长短时记忆网络(CNN-LSTM)的深度学习方法，直接使用全通道、全时间序列fNIRS数据，以同时捕获空间结构特征与时间动态，从而提升MCI分类性能。
2. 研究方法
2.1 被试
本研究共纳入64名参与者，包括37名MCI患者，以及来自社区招募的31名健康对照者(Healthy Control, HC)。在数据质量检查中，有4名HC因信号损坏被剔除，最终样本为37名MCI与27名HC。所有受试者均为右利手，教育年限相近，且无精神障碍或神经系统疾病史。
2.2 实验流程
实验包括三项经典认知任务：N-back工作记忆任务、Stroop抑制控制任务以及语义流畅性任务(Verbal Fluency Task, VFT)，三项任务均按固定顺序完成。每项任务总时长300秒，由30秒静息期与三个“60秒任务+30秒休息”循环组成。
图1 实验流程图
脑部血流动力学信号由NIRSIT(OBELAB, Korea)便携式近红外脑成像系统采集。该设备采用连续波双波长(780 nm与850 nm)，由24个光源与32个探测器组成，通过约30 mm的光源–探测器间距形成48个有效测量通道，覆盖整个前额叶皮层。采样频率为8.138 Hz，可同时记录氧合血红蛋白(HbO)、脱氧血红蛋白(HbR)以及总血红蛋白(HbT)的浓度变化。
图2 NIRSIT便携式近红外脑成像系统
3. 实验结果
研究结果显示，多尺度CNN-LSTM模型在三类血红蛋白信号(HbO、HbR、HbT)以及三类任务条件下均取得优于传统LSTM和单尺度CNN-LSTM的分类表现。
图3 全通道数据模型对比
其中，HbT在N-back工作记忆任务中的分类准确率最高，达到93.22%，在精确率、敏感性与F1分值上亦表现突出。总体来看，使用全通道数据的分类准确率(平均90.27%)显著优于仅使用ROI通道的结果(平均78.93%)，表明深度学习模型能够从完整脑区中自动识别与MCI相关的时空模式，无需依赖人工通道选择。值得注意的是，HbR与HbT的分类效果普遍优于传统研究常用的HbO信号，各任务中以N-back的区分效果最佳，其次为Stroop，VFT相对较低，提示任务对前额叶激活的敏感性存在差异。
图4 LSTM、CNN-LSTM和多尺度CNN-LSTM的ROC曲线
4. 结论
本研究提出的多尺度CNN-LSTM深度学习框架能够直接从多通道fNIRS时间序列中自动提取空间与时间特征，在无需通道选择与人工特征提取的前提下，实现对轻度认知障碍的高精度分类。结果表明，使用全部fNIRS通道的HbO/HbR/HbT数据能显著提升算法性能，其中HbT在N-back任务中的准确率达到93.22%，体现了该方法在MCI早期筛查中的潜在应用价值。模型的实时性、鲁棒性与对预处理的低依赖性，使其在未来的临床快速筛查、老年人认知监测、便携式设备应用，以及EEG-fNIRS等多模态脑成像融合中的推广具有重要意义。
5.文献名称及DOI号
Kang, M. K., Hong, K. S., Yang, D., & Kim, H. K. (2025). Multi-scale neural networks classification of mild cognitive impairment using functional near-infrared spectroscopy. Biocybernetics and Biomedical Engineering, 45(1), 11-22.
DOI: https://doi.org/10.1016/j.bbe.2024.12.001
