可穿戴fNIRS脑传感器：实时认知疲劳监测的新纪元（FIU/NC State 2026）

论文：Biosensors 2025, 15(2), 92 | StellarNet 2026光谱应用挑战赛三等奖 | 认知分心/健康座舱研究

论文信息

  • 标题： Wearable fNIRS系统（具体论文标题见Biosensors 2025, 15(2), 92）
  • 作者： Vladimir A. Pozdin (FIU), Alper Bozkurt (NC State) 等
  • 期刊： Biosensors, 2025
  • 获奖： StellarNet 2026 Spectroscopy Application Challenge 第三名
  • 机构： Florida International University + North Carolina State University

核心创新

开发出创可贴大小的可穿戴fNIRS（功能性近红外光谱）设备，19×44mm电路板，500mAh电池供电50小时连续运行。通过660nm和840nm双波长LED测量大脑前额叶皮层血氧变化，在自然活动中实时监测认知负荷和疲劳。解决了EEG在真实环境中的电极接触、噪声等问题，用光学方式替代电信号。

1. fNIRS vs EEG 对比

维度 EEG fNIRS
测量原理 脑电信号 脑血红蛋白氧合变化
信号类型 电信号 光信号
时间分辨率 ms级（高） 秒级（低）
空间分辨率 低 中等（cm级）
电极/探头 需导电膏/干电极 LED+光电探测器
接触要求 需紧密接触 轻触即可
运动敏感性 极高 中等
环境噪声 电磁干扰大 光学干扰少
穿戴舒适度 差（电极帽） 好（创可贴贴片）
功耗 中等 低
成本 $500-5000 $50-200
认知负荷检测 ✅ ✅
疲劳检测 ✅ ✅

2. 技术规格

2.1 硬件参数

参数 值 说明
电路板尺寸 19 × 44 mm 创可贴大小
LED波长1 660 nm 氧合/脱氧血红蛋白区分
LED波长2 840 nm 氧合/脱氧血红蛋白区分
电池 500 mAh —
连续运行 ~50 小时 @10Hz采样
采样率 10 Hz 足够检测血流变化
通信 BLE 5.0 低功耗无线
安装方式 医用薄膜贴附前额 —
总重量 < 30g 含电池

2.2 光学测量原理

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
"""
可穿戴fNIRS认知疲劳监测系统
基于 Pozdin & Bozkurt (Biosensors 2025) 复现

核心原理:
  1. 660nm/840nm双波长LED照射前额
  2. 光电探测器接收反射光
  3. Modified Beer-Lambert Law计算HbO2/HbR
  4. 前额叶皮层血氧变化 → 认知负荷/疲劳

 Modified Beer-Lambert Law:
   OD(λ) = -log(I/I₀) = ε_HbO2(λ)·[HbO2]·L + ε_HbR(λ)·[HbR]·L + G

   其中:
     λ: 波长 (660nm 或 840nm)
     I: 反射光强度
     I₀: 参考光强度
     ε: 消光系数
     L: 光路长度
     G: 散射损失
"""

import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
from typing import Tuple, Optional

class FNIRSSignalProcessor(nn.Module):
    """
    fNIRS信号处理器
    
    输入: 双波长光强度时序
    输出: HbO2/HbR浓度变化 + 认知负荷评分
    """
    
    # 消光系数 (cm⁻¹·mM⁻¹), from literature
    EXTINCTION = {
        '660_HbO2': 0.39, '660_HbR': 3.39,   # 660nm
        '840_HbO2': 0.59, '840_HbR': 0.40,   # 840nm (approx)
    }
    
    def __init__(self, pathlength_660: float = 2.5, 
                 pathlength_840: float = 2.5):
        super().__init__()
        self.L_660 = pathlength_660  # 光路长度 (cm)
        self.L_840 = pathlength_840
        
        # 认知负荷分类器
        self.classifier = nn.Sequential(
            nn.LSTM(input_size=4, hidden_size=64, 
                    num_layers=2, batch_first=True, dropout=0.2),
        )
        self.fc = nn.Sequential(
            nn.Linear(64, 32),
            nn.ReLU(),
            nn.Linear(32, 3)  # 低/中/高认知负荷
        )
    
    def compute_hb(self, optical_660: torch.Tensor,
                   optical_840: torch.Tensor) -> Tuple[torch.Tensor, torch.Tensor]:
        """
        计算氧合/脱氧血红蛋白浓度变化
        
        Modified Beer-Lambert Law (双波长):
          Δ[HbO2] = (ε_660_HbR · ΔOD_840 - ε_840_HbR · ΔOD_660) / 
                    (L · (ε_660_HbR · ε_840_HbO2 - ε_660_HbO2 · ε_840_HbR))
          
          Δ[HbR] = (ε_660_HbO2 · ΔOD_840 - ε_840_HbO2 · ΔOD_660) / 
                   (L · (ε_660_HbO2 · ε_840_HbR - ε_660_HbR · ε_840_HbO2))
        
        Args:
            optical_660: (B, T) 660nm光强度
            optical_840: (B, T) 840nm光强度
            
        Returns:
            delta_HbO2: (B, T) 氧合血红蛋白变化
            delta_HbR: (B, T) 脱氧血红蛋白变化
        """
        # 光密度变化
        delta_OD_660 = -torch.log(optical_660 / (
            optical_660.mean(dim=-1, keepdim=True) + 1e-8
        ))
        delta_OD_840 = -torch.log(optical_840 / (
            optical_840.mean(dim=-1, keepdim=True) + 1e-8
        ))
        
        # 消光系数
        e660_HbO2 = self.EXTINCTION['660_HbO2']
        e660_HbR = self.EXTINCTION['660_HbR']
        e840_HbO2 = self.EXTINCTION['840_HbO2']
        e840_HbR = self.EXTINCTION['840_HbR']
        
        L = (self.L_660 + self.L_840) / 2
        
        # 双波长矩阵求解
        det = e660_HbO2 * e840_HbR - e660_HbR * e840_HbO2
        
        delta_HbO2 = (e660_HbR * delta_OD_840 - e840_HbR * delta_OD_660) / (L * det)
        delta_HbR = (e840_HbO2 * delta_OD_660 - e660_HbO2 * delta_OD_840) / (L * det)
        
        return delta_HbO2, delta_HbR
    
    def forward(self, optical_660: torch.Tensor,
                optical_840: torch.Tensor) -> dict:
        """
        Args:
            optical_660: (B, T) 660nm时序
            optical_840: (B, T) 840nm时序
            
        Returns:
            cognitive_load: (B, 3) 低/中/高概率
            hbo2: (B, T) HbO2变化
            hbr: (B, T) HbR变化
        """
        # 计算血红蛋白
        delta_HbO2, delta_HbR = self.compute_hb(optical_660, optical_840)
        
        # 特征序列
        features = torch.stack([delta_HbO2, delta_HbR,
                                delta_HbO2 - delta_HbR,  # 总血红蛋白
                                delta_HbO2 / (torch.abs(delta_HbR) + 1e-8)],  # 氧合率
                               dim=-1)  # (B, T, 4)
        
        # LSTM分类
        lstm_out, _ = self.classifier(features)
        
        # 取最后时刻
        final = lstm_out[:, -1, :]  # (B, 64)
        logits = self.fc(final)  # (B, 3)
        
        return {
            'cognitive_load': F.softmax(logits, dim=-1),
            'load_level': logits.argmax(dim=-1),
            'hbo2': delta_HbO2,
            'hbr': delta_HbR,
            'features': final
        }


class CognitiveFatigueMonitor:
    """
    认知疲劳监测器
    
    应用场景:
      1. 空中交通管制员疲劳预警
      2. 飞行员认知负荷追踪
      3. 驾驶员认知分心检测
      4. 长时间任务疲劳管理
    
    fNIRS信号解读:
      - HbO2增加 + HbR减少 → 认知激活
      - HbO2降低 + HbR增加 → 认知疲劳
      - HbO2波动减小 → 持续疲劳/困倦
    """
    
    FATIGUE_THRESHOLDS = {
        'alert': 0.0,    # HbO2变化幅度 > 0.1
        'mild': -0.05,   # HbO2略有下降
        'moderate': -0.15,  # HbO2明显下降
        'severe': -0.25,    # HbO2严重下降
    }
    
    def __init__(self, processor: FNIRSSignalProcessor):
        self.processor = processor
        self.history = []
    
    def update(self, optical_660: torch.Tensor,
               optical_840: torch.Tensor) -> dict:
        """更新状态"""
        result = self.processor(optical_660.unsqueeze(0),
                               optical_840.unsqueeze(0))
        
        hbo2 = result['hbo2'][0].mean().item()
        load = result['cognitive_load'][0]
        
        # 判断疲劳等级
        if hbo2 > self.FATIGUE_THRESHOLDS['alert']:
            fatigue = 'alert'
        elif hbo2 > self.FATIGUE_THRESHOLDS['mild']:
            fatigue = 'mild'
        elif hbo2 > self.FATIGUE_THRESHOLDS['moderate']:
            fatigue = 'moderate'
        else:
            fatigue = 'severe'
        
        return {
            'fatigue_level': fatigue,
            'cognitive_load': load.tolist(),
            'hbo2_change': hbo2,
            'recommendation': self._get_recommendation(fatigue)
        }
    
    def _get_recommendation(self, level: str) -> str:
        recs = {
            'alert': '状态良好，可继续执行任务',
            'mild': '轻度疲劳，建议短暂休息',
            'moderate': '中度疲劳，建议15分钟休息',
            'severe': '严重疲劳，建议停止任务',
        }
        return recs.get(level, '未知状态')


# ===== 实际测试 =====
if __name__ == "__main__":
    processor = FNIRSSignalProcessor()
    monitor = CognitiveFatigueMonitor(processor)
    
    # 模拟数据: 100秒 @ 10Hz
    T = 1000
    t = np.linspace(0, 100, T)
    
    # 基线光强度
    I0_660 = 1.0
    I0_840 = 1.0
    
    # 模拟认知激活（前50秒）→ 疲劳（后50秒）
    cognitive_signal = np.where(t < 50,
                                0.02 * np.sin(2 * np.pi * 0.1 * t),  # 激活
                                -0.03 * (t - 50) / 50)  # 疲劳下降
    
    optical_660 = I0_660 * np.exp(-cognitive_signal * 0.5)
    optical_840 = I0_840 * np.exp(-cognitive_signal * 0.3)
    
    # 添加噪声
    optical_660 += np.random.normal(0, 0.002, T)
    optical_840 += np.random.normal(0, 0.002, T)
    
    # 处理
    opt_660 = torch.tensor(optical_660, dtype=torch.float32)
    opt_840 = torch.tensor(optical_840, dtype=torch.float32)
    
    result = processor(opt_660.unsqueeze(0), opt_840.unsqueeze(0))
    
    print("=== fNIRS 认知疲劳监测结果 ===")
    print(f"采样时长: 100秒 @ 10Hz")
    print(f"HbO2变化均值: {result['hbo2'].mean().item():.4f}")
    print(f"HbR变化均值: {result['hbr'].mean().item():.4f}")
    print(f"认知负荷概率: {result['cognitive_load'][0].tolist()}")
    load_labels = ['低负荷', '中负荷', '高负荷']
    print(f"判定负荷: {load_labels[result['load_level'].item()]}")
    
    # 实时监测
    print(f"\n=== 实时疲劳监测 ===")
    for t_check in [10, 30, 50, 70, 90]:
        start = max(0, t_check * 10 - 50)
        end = t_check * 10
        result_t = processor(
            opt_660[start:end].unsqueeze(0),
            opt_840[start:end].unsqueeze(0)
        )
        hbo2 = result_t['hbo2'].mean().item()
        
        if hbo2 > 0:
            level = 'alert'
        elif hbo2 > -0.05:
            level = 'mild'
        elif hbo2 > -0.15:
            level = 'moderate'
        else:
            level = 'severe'
        
        print(f"  t={t_check:3d}s: HbO2={hbo2:+.4f} → {level}")
    
    print(f"\n=== 设备规格 ===")
    print(f"尺寸: 19 × 44 mm")
    print(f"重量: < 30g (含电池)")
    print(f"电池: 500 mAh, ~50小时")
    print(f"采样率: 10 Hz")
    print(f"LED: 660nm + 840nm")
    print(f"通信: BLE 5.0")
    print(f"成本估算: $50-200")

3. 座舱部署方案

3.1 前额贴片方案

组件 位置 说明
fNIRS贴片 方向盘后侧顶棚 驾驶员前额正对
LED阵列 贴片内660+840nm 双波长照射
光电探测器 贴片内SiPM 反射光检测
BLE模块 贴片内 无线传输到座舱ECU
供电 纽扣电池 50小时续航

3.2 与EEG方案对比

维度 EEG头带 fNIRS贴片 选择建议
舒适度 中等（需头带） 高（创可贴） fNIRS
信号稳定性 低（电极接触变化） 高（光学稳定） fNIRS
时间分辨率 ms 秒 EEG
运动敏感性 极高 中等 fNIRS
成本 $50-100 $50-200 相似
功耗 中等 低 fNIRS
认知负荷检测 ✅ 直接 ✅ 血氧代理 两者皆可
疲劳检测 ✅ ✅ 两者皆可

4. IMS 开发启示

优先级 方向 输入 输出 验证标准
🟡 P1 fNIRS认知负荷 双波长光信号 3级负荷 准确率 > 85%
🟡 P1 fNIRS疲劳监测 前额叶血氧 疲劳等级 与EEG相关性 > 0.7
🟢 P2 fNIRS+EEG融合 双模态 综合评估 优于单一模态
🟢 P2 座舱健康监测 长期fNIRS 健康趋势 日级精度

5. 关键洞察

  1. fNIRS比EEG更适合可穿戴：光学vs电信号，抗干扰更强
  2. 50小时续航是突破性指标：实际可用而非实验室玩具
  3. 前额叶是认知负荷/疲劳的最佳测量位置：前额叶皮层(PFC)
  4. 660+840nm双波长是经典配置：氧合/脱氧血红蛋白分离
  5. StellarNet获奖验证了光谱技术的创新性
  6. 创可贴大小使前额贴附可行：不影响驾驶员活动

参考资料

  1. Pozdin, V.A. & Bozkurt, A., “Wearable fNIRS System”, Biosensors 2025, 15(2), 92
  2. StellarNet 2026 Spectroscopy Application Challenge
  3. Modified Beer-Lambert Law: Delpy et al., Phys. Med. Biol. 1988
  4. fNIRS认知负荷综述: Herff et al., Front. Hum. Neurosci. 2014
  5. IEEE IEC 62471 LED安全标准
https://dapalm.com/2026/09/28/2026-09-28-04-wearable-fnirs-cognitive-fatigue-monitoring-fiu-ncsu-ims/
作者
Mars
发布于
2026年9月28日
许可协议