动态时间规整聚类：稳健识别fNIRS运动任务功能网络的非监督新方法

《Sensors》：Unsupervised Dynamic Time Warping Clustering for Robust Functional Network Identification in fNIRS Motor Tasks Murad Althobaiti

本文提出一种非监督动态时间规整（DTW）聚类框架，以应对fNIRS脑机接口（BCI）应用中血流动力学反应存在显著时间变异性所带来的挑战。该方法通过容纳非线性时间偏移，在公开的30人fNIRS运动数据集上验证，其网络识别准确率（53.17%）显著优于标准皮尔逊相关性方法（48.06%, p<0.05）。该框架成功检测到符合解剖学的不同调制模式：足部敲击时上内侧激活，手部敲击时单侧激活。研究证明，这是一种稳健的数据驱动方法，在识别运动任务中的功能网络方面优于传统线性方法，为下一代异步脑机接口（BCI）开发展示了潜力。

　　

1. 引言

功能性近红外光谱（fNIRS）作为脑机接口（BCI）中一种有价值的非侵入式模态，其信号解读面临的主要挑战源于血流动力学反应存在显著的时间变异性。标准的线性方法（如皮尔逊相关）在信号存在时间抖动时，常常无法捕捉功能连接性。本研究在前期工作基础上进行扩展，提出并验证了一种新颖的无监督动态时间规整（DTW）聚类框架，旨在通过容纳非线性时间偏移，稳健地从fNIRS数据中识别运动网络。

本研究基于以下假设：（1）通过校正时间抖动，DTW聚类识别功能运动网络的准确性将显著优于标准皮尔逊相关法；（2）该方法能够在无需解剖学先验知识的情况下，稳健地区分躯体特定组织（手部运动 vs. 足部运动）。

2. 方法

2.1. 数据集与实验范式

研究采用了公开的fNIRS运动数据集，包含30名健康被试（17男，13女；平均年龄23.4±2.5岁；均为右利手）的数据。实验范式为随机区组设计，包含三个明确的运动任务：右手复杂手指敲击（RHT）、左手复杂手指敲击（LHT）和优势足敲击（FT）。每个试次包含10秒任务期和17-19秒不等的试次间隔，每个任务条件共记录25个试次。

2.2. fNIRS数据采集

使用LIGHTNIRS多通道连续波系统记录数据，传感器布局覆盖双侧初级运动皮层，总计20个测量通道（每半球10个），源-探测器间距约30毫米。

2.3. fNIRS信号预处理

预处理采用MATLAB R2025a自定义脚本。针对原始数据集的事件标记和通道坐标信息问题，研究进行了数据修复。预处理流程包括：首先将原始光强数据转换为光密度变化；应用小波运动矫正以消除运动任务中常见的瞬态尖峰伪迹；随后分离氧合血红蛋白（HbO）信号进行分析，因其在运动任务中通常具有更高的信噪比；应用通带为0.01-0.4 Hz的三阶巴特沃斯带通滤波器，以消除缓慢仪器漂移和衰减心搏等高频生理噪声；最后，执行公共平均参考（CAR）滤波，减去所有有效通道在每个时间点的空间均值，以去除影响整个头皮的整体系统性生理噪声。

预处理后的数据被分割为以重建试次开始点为中心、前后各2秒和20秒的时期，并进行基线校正。每个时期均进行Z分数归一化，随后将每个被试和任务的25个时期串联，形成每个通道的单一时间序列。

2.4. 非监督DTW聚类分析

分析框架的核心是使用DTW作为非监督聚类的不相似性度量。

2.4.1. DTW距离矩阵计算

为每个被试和任务计算20×20对称不相似性矩阵（D），其中矩阵元素D(i, j)是通道C_i和C_j的串联时间序列之间的DTW距离。DTW算法通过最小化累计距离来寻找两条时间序列之间的最佳弯曲路径W，其目标函数定义如上。该非线性对齐方式使得距离度量对血流动力学反应的时间偏移具有鲁棒性。

2.4.2. 层次聚类

将生成的DTW距离矩阵D作为层次聚合聚类（使用平均连接法）的输入。根据生理学上对三种脑状态（活跃运动皮层、非活跃皮层、伪迹/离群通道）的预期，并结合轮廓系数分析的回顾性验证，将通道层级划分为三个不同的功能簇。

2.5. 组水平概率分析

为聚合30名被试的结果，进行了组水平分析。针对每个被试和任务，基于启发式规则（例如，对于RHT任务，在左半球有最多通道的簇被标记为“活跃”）将三个生成的簇自动分类为“活跃”、“非活跃”或“离群”。对所有被试的簇进行对齐后，为每个任务构建20×3的计数矩阵，统计每个通道属于活跃簇的被试数量。通道被归为“活跃”簇的概率P（活跃）被计算为：该通道在活跃簇中的被计数N_{Ch, Active}，除以总被试数N_{Total Subjects}。概率图直观展示了跨被试的稳定激活模式。计算中位数绝对偏差（MAD）以量化组水平激活概率的空间变异性。

2.6. 轮廓系数验证与统计检验

使用轮廓系数评估聚类质量，验证了预设簇数（k=3）的合理性。为了量化框架性能，计算了两个关键指标：（1）网络识别准确率，即被正确分类（“活跃”或“非活跃”）的通道比例；（2）组水平激活概率的中位数绝对偏差。将所提出的DTW框架与标准的基于皮尔逊相关（PC）的分层聚类方法进行基准测试，使用Wilcoxon符号秩检验比较两种方法的准确率和MAD。

3. 结果

3.1. DTW聚类显著提升了网络识别准确率

在所有三项运动任务（RHT、LHT、FT）中，基于DTW的聚类在网络识别准确率（53.17%）上均显著优于基于PC的基准方法（48.06%），统计学差异显著（p<0.05）。DTW方法获得了更低的MAD值，表明其在不同被试间产生了更一致的激活概率估计。

3.2. 空间激活模式符合解剖学预期

组水平概率图显示，DTW方法成功识别出空间上合理且独特的激活模式。对于右/左手任务，DTW方法在对应大脑半球（分别为左/右半球）的运动皮层区域产生了清晰、集中的高激活概率区域，同时正确抑制了对侧半球。对于足部任务，DTW检测到上内侧皮层的强健激活，与足部运动的躯体特定定位预期相符。相比之下，PC方法产生的激活图谱更为弥散且特异性较低。

4. 讨论与结论

本研究验证了一种用于fNIRS功能网络识别的非监督动态时间规整（DTW）聚类框架。结果表明，DTW能够有效补偿血流动力学反应的时间抖动，在识别运动任务中的功能网络方面优于线性相关性方法。该方法成功检测到了手部和足部任务符合躯体特定组织的不同激活模式，且无需依赖解剖学先验知识。

本研究证明了非监督DTW聚类在fNIRS分析中的强大潜力。其数据驱动的特性避免了传统方法对预定义感兴趣区（ROI）和固定血流动力学反应模型（HRF）形状的依赖。未来的工作可以将此框架扩展到更复杂的脑状态解码和实时BCI应用，或整合多模态神经成像数据。这些发现为推动构建更稳健、可靠的下一代异步BCI系统奠定了方法论基础。