人工智能驱动 fNIRS 技术，为磨牙症监测提供无创新方案

一、研究背景：磨牙症诊断的 “痛点” 与技术革新

1. 磨牙症：不止是 “磨牙齿”，更是多因素驱动的神经肌肉问题

磨牙症是一种以无意识牙齿研磨、紧咬牙关为特征的常见状况，可发生在睡眠或清醒状态，全球睡眠磨牙患病率约 21%，清醒磨牙约 23%。它并非单纯的口腔问题，而是由神经递质调节、遗传因素、炎症标志物变化、激素紊乱等多重因素共同作用的结果。

长期忽视磨牙症会引发一系列严重后果：牙齿硬组织磨损、牙本质敏感、颌关节疼痛、面部肌肉紧张，甚至影响睡眠质量和日间注意力。2024 年发布的《磨牙症评估标准化工具（STAB）》也强调，早期检测和干预是避免长期并发症的关键。

2. 传统诊断方法的 “致命短板”

为了更好地理解磨牙症的患病率、成因和潜在后果，研究者们一直在探索各种诊断技术，以优化磨牙症患者的口腔健康管理策略。目前临床上的治疗手段多样，从行为疗法、药物治疗到口腔内装置不等，但管理重点多集中在调整生活方式、习惯、睡眠卫生和饮食以减少风险因素，而非单纯预防后果。

行为疗法包括放松训练和带生物反馈的压力管理，但需要患者配合和持续努力，难以实现长期有效；药物虽能短期缓解疼痛和肌肉紧张，却存在潜在副作用且效果不稳定；口腔内装置如咬合夹板、护齿套等，能减少磨牙症的长期危害，临时使用条件性电刺激也被用作无创干预手段，但这些都无法解决 “早期精准诊断” 的核心问题。

目前临床诊断磨牙症的 “金标准” 是多导睡眠监测（PSG），常结合肌电图（EMG）、脑电图（EEG）等技术，但这些方法存在诸多局限。EMG（肌电图）仅能记录颞肌、咬肌等局部肌肉活动，缺乏脑区空间信息，无法反映磨牙背后的神经调控机制；EEG（脑电图）虽能捕捉脑电活动，但空间分辨率低，易受运动伪影和电磁干扰，难以精准定位相关脑区；PSG（多导睡眠监测）操作复杂、耗时耗力，需要患者在医院过夜佩戴多种电极，舒适度差，且无法日常监测。这些方法都无法直接映射与磨牙症相关的节律性咀嚼肌活动（RMMA）所涉及的神经区域，难以揭示磨牙症背后的神经调控机制。

3. 技术新贵 fNIRS：为何能成为磨牙症监测的 “理想选择”？

近年来，功能性近红外光谱（fNIRS）已成为脑科学研究中有效的无创工具，不仅能捕捉与认知、感觉和运动任务相关的皮层活动，还能关联肌肉激活状态。研究者们已证实，fNIRS 与 EMG 在动态活动中存在相关性，能揭示大脑对不同肌肉收缩的响应，精准识别运动任务相关的特定运动皮层区域。而磨牙症的神经学基础恰好与咀嚼肌（包括颞肌、咬肌）相关，其控制中枢来自初级运动皮层（M1）。已有研究通过 fNIRS 检测到了紧咬牙关的相关活动，也通过近红外光谱（NIRS）识别过咀嚼行为 —— 这意味着 fNIRS 天生适合探索磨牙症的神经调控机制。相较于传统技术，fNIRS 的优势尤为突出。

空间分辨率高：能精准定位与磨牙相关的脑区，填补了传统方法缺乏空间映射的空白；

抗干扰能力强：对运动伪影和电磁噪音的敏感度极低，适合自然状态下的监测；

无创便捷：设备轻便、无噪音，无需严格固定头部，可实现长时间监测；

双重关联：既能捕捉脑皮层活动，又能间接反映肌肉激活状态，完美匹配磨牙症 “大脑 - 咀嚼肌” 的联动特性。

正是看中这些独特优势，研究团队首次将 fNIRS 应用于磨牙症监测，探索其区分磨牙与说话、咀嚼等日常颌部活动的可行性，为磨牙症的早期检测和干预提供全新的客观、可扩展血流动力学评估工具。

二、研究方法：fNIRS+AI 的精准识别流程

2.1 数据采集

研究招募了 10 名健康青年受试者，男女各 5 名，年龄严格限定在 18-25 岁，平均年龄 21.5±2.45 岁。所有受试者需满足多重筛选标准：无睡眠或清醒磨牙症病史，无神经生理或心血管疾病史（避免干扰神经激活模式），血压、血氧饱和度、心率均处于正常范围；实验前 6 小时无咖啡因摄入、保证 6-8 小时充足睡眠，头发无油腻（确保光极与头皮良好接触，减少信号衰减）。同时排除服用抗精神病或神经肌肉药物、每象限缺失牙齿超过 2 颗（第三磨牙除外）及不愿参与者。

受试者签署知情同意书后，每人完成 3 次重复实验。数据采集全程在暗室中进行，受试者仰卧并获得头部支撑，避免不必要的身体运动 —— 这是因为外部光源（如阳光、室内灯光）会发射与 fNIRS 所用红外光重叠的波长，可能进入探测器引入伪影，降低信噪比；而身体运动则会导致光极位移，产生运动伪影，影响数据质量。

2.2 实验配置与范式

（1）ROI 选择

研究将运动皮层确定为核心感兴趣区域，原因是磨牙症相关的节律性咀嚼肌活动（RMMA）—— 包括牙齿研磨（左右运动）和紧咬牙关（上下运动）—— 其神经控制中枢来自初级运动皮层（M1），这一区域的激活直接关联咀嚼肌的收缩与协调，是捕捉磨牙相关脑活动的关键。

（2）实验设备

核心设备采用德国 NIRx Medical Technologies 的 NIRSport2 fNIRS 系统（南京尖创科技为NIRx产品的中国区代理），该设备属于连续波类型，工作波长为 760nm 和 850nm，采样率 10.1725Hz，确保快速捕捉血流动力学响应。光极布局严格遵循国际 10-20 脑电图系统定位，共 16 个光极（8 个光源、8 个探测器），对称分布在双侧运动皮层，左右半球各 8 个光极，光极间距固定为 3cm，最终形成 20 个测量通道（每侧 10 个），全面覆盖额叶运动皮层区域。数据采集通过 NIRx Technologies 的 Aurora 软件完成，软件经 Wi-Fi 与 fNIRS 系统连接，实时监测通道质量（黄色线条表示通道良好，红色表示通道不良），并通过自动化信号优化算法，在数据采集前确保每个通道的信号处于最优状态。

图 1. 使用 NIRSport 2 系统的研究方法流程图

 

图 2. 磨牙相关运动活动期间 fNIRS 记录的实验配置图，共建立20 个测量通道，左右半球各 10 个

（3）实验范式

实验范式时长 110 秒，流程严格设定为 “初始休息 30 秒→说话 10 秒→休息 10 秒→咀嚼 10 秒→休息 10 秒→模拟磨牙 10 秒→最终休息 30 秒”，每位受试者需完成 3 次重复实验。各阶段设计均有明确目的：初始休息和最终休息用于建立稳定的基线信号，排除实验前后身体状态波动的影响；中间的 10 秒休息则用于在每次任务后重新校准基线，避免连续运动导致脑活动饱和，确保不同任务的信号可对比；任务阶段中，说话为自然交流状态，咀嚼为咀嚼无味道软质食物（避免食物味道干扰信号），模拟磨牙则是经研究者指导的牙齿研磨 + 紧咬牙关动作（确保受试者动作标准化，接近真实磨牙的肌肉活动模式）。实验中，受试者需佩戴 fNIRS 帽，外部覆盖一层不透明黑色柔性帽，进一步阻断环境光干扰，同时被要求避免刻意面部运动，减少伪影。

图 3.实验设置和范式

2.3 NirsLab 数据预处理: 从 “原始信号” 到 “纯净数据” 的转化

原始数据采集后，需经过多步精细处理才能用于后续分析，全程在 MATLAB-based NirsLabv2019.04 软件中完成。

格式转换与事件标记：将 Aurora 软件采集的原始数据导入 NirsLab，格式转为.nirs，并从实验范式对应的 PsychoPy 文件中添加事件标记，精准对应休息、说话、咀嚼、磨牙等阶段；

通道筛选：利用软件的数据质量功能，自动识别并剔除信号不稳定的不良通道，仅保留优质通道数据，减少通道差异带来的误差；

滤波去噪：应用滚降宽度 10% 的带通滤波器，低截止频率 0.01Hz、高截止频率 0.1Hz—— 低通部分过滤心跳、呼吸等高频生理噪音及仪器噪音，高通部分过滤基线漂移等低频噪音；

伪影去除：采用导数阈值算法检测尖峰伪影，这类伪影多由面部微小运动或光极轻微位移导致，算法会自动识别并修正，确保信号连续性且不引入偏差；

浓度转换：通过修正的比尔 - 朗伯定律（MBLL），将光密度变化转换为HbO 和 HbR 的浓度变化 —— 软件预设波长 1（760nm）的微分路径因子为 7.25，波长 2（850nm）为 6.38，这一转换能直接反映神经活动引发的血流动力学响应；

同步验证：实验同时记录颞肌的肌电图（EMG），用于验证说话、咀嚼、磨牙等活动的发生时间和强度，确保 fNIRS 信号与实际肌肉活动对应，提升数据可靠性。最终，仅导出 HbO 数据用于后续特征提取和分类（HbO 对神经活动的响应更敏感，是 fNIRS 研究中常用的核心指标）。

图 4. 与颞肌肌电图（记录颞肌肌肉活动）对应的脑激活图，涵盖休息、说话、咀嚼和磨牙四种活动，用于评估运动皮层区域 HbO 浓度变化相关的血流动力学状态

2.4 特征提取：12 个核心特征，全面刻画信号规律

预处理后的 fNIRS 数据需提取关键特征，为机器学习分类提供基础。

空间平均：先对 20 通道的 HbO 数据进行空间平均，目的是减少通道间的个体差异和随机噪音，同时保留运动皮层整体的氧合水平趋势，简化分析的同时不丢失核心信息；

数据分段与标注：按实验范式将平均数据精准分段，标注为 4 类标签 ——Label 0（休息）、Label 1（磨牙）、Label 2（说话）、Label 3（咀嚼），最终获得 2369 个有效样本；

特征提取：采用滑动窗口法（窗口大小 10，适当重叠）提取 12 个核心特征，涵盖三大类别：

统计特征：均值、标准差、峰度、偏度，用于描述信号的分布特性和变异程度；

时间域特征：均方根、峰值、曲线下面积，反映血流动力学响应的强度、峰值水平和持续时间；

频率域特征：低频振荡、极低频振荡、心脏频段、呼吸频段、主导频率，用于分析信号的生理振荡模式和受心脏、呼吸等生理过程的影响。这些特征全面覆盖了 fNIRS 信号的关键信息，为后续分类模型提供了丰富的输入维度。

图5. 功能性近红外光谱（fNIRS）数据的分段、标注及特征提取整体流程图

2.5 机器学习分类：多模型 + 多优化，追求最高准确率

研究采用 5 种经典机器学习算法，结合特征优化和类别平衡处理，构建分类模型。核心算法包括 k 近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、决策树（DT）、随机森林（RF）； 特征优化采用三类技术提升模型效率。

① 特征选择。递归特征消除（RFE，基于 XGBoost 分类器，迭代去除不重要特征）、互信息（MI，筛选与目标变量相关性最高的特征）；

② 特征重要性。基于 XGBoost 树模型计算特征重要性得分，按阈值筛选关键特征；

③ 特征降维。主成分分析（PCA，保留 95% 数据方差）、线性判别分析（LDA，聚焦类别可分性）；

类别不平衡处理：实验中休息状态数据长达 80 秒（2369 个样本），而说话、咀嚼、磨牙各仅 10 秒（每类 330 个样本），存在严重样本不平衡。研究对比了三种合成过采样技术：SMOTE（基于少数类样本插值生成合成样本）、SMOTEN（针对名义特征优化的 SMOTE 变体）、ADASYN（自适应生成靠近分类边界的少数类样本），通过生成合成样本平衡四类数据；

模型训练与评估：选用 k 近邻（kNN）、逻辑回归（LR）、朴素贝叶斯（NB）、决策树（DT）、随机森林（RF）5 种经典算法，以准确率、精确率、召回率、F1 分数为评估指标 —— 不仅关注分类准确率，还兼顾对磨牙类别的识别能力（避免因样本不平衡导致的偏倚），最终筛选最优模型。

三、实验结果：92% 准确率！fNIRS+AI 精准锁定磨牙信号

3.1 脑区激活的 “ 显著差异 ”

通过 NirsLab 软件生成的脑激活图（2 秒间隔），清晰观察到不同颌部活动对应的运动皮层血流动力学差异。所有受试者的左侧运动皮层激活强度均高于右侧，这与大脑功能侧化相关 —— 多数受试者为右利手，左侧运动皮层主导右侧肢体及咀嚼肌活动。从激活强度来看，磨牙时双侧运动皮层激活最强，其次是咀嚼，说话时激活集中在运动皮层与语言中枢的关联区域，休息时仅出现维持肌肉张力的微弱激活信号。这一结果与同步记录的颞肌肌电图（EMG）完全吻合：磨牙时肌肉收缩强度最高，咀嚼次之，说话最低，印证了 fNIRS 信号与实际咀嚼肌活动的强关联性。

图 6. 休息及说话、咀嚼、磨牙三种咀嚼肌活动期间的脑激活图血流动力学评估

3.2 特征优化的 “ 关键作用 ”

未进行特征优化前，5 种机器学习模型的测试准确率均处于中等水平，其中 k 近邻（kNN）为 71.87%、随机森林（RF）为 74.84%、决策树（DT）为 73.17%。经过特征选择、重要性评估和降维三类技术优化后，模型性能呈现差异化提升。其中，线性判别分析（LDA）对 kNN 模型的优化效果最为显著，测试准确率提升至 76.32%，较原始模型提高 4.45%；而主成分分析（PCA）、互信息（MI）等技术的提升效果微弱，甚至出现微小下降。特征优化后，模型的计算效率显著提高，同时避免了过拟合风险，为后续样本平衡处理奠定了基础。

图 7. 五种机器学习分类器在有无特征优化技术情况下的准确率差异

3.3 过采样技术的 “ 性能分水岭 ”

采用 SMOTEN 过采样技术后，模型性能实现质的飞跃，远超 SMOTE 和 ADASYN。

最优组合：kNN + LDA 特征降维 + SMOTEN 过采样，训练准确率 94.16%，测试准确率 92.07%，精确率 92.71%，召回率 92.07%，F1 分数 92.21%；

其他优秀模型：决策树（DT）测试准确率 90.97%，随机森林（RF）测试准确率 91.46%；

对比差异：SMOTE 和 ADASYN 生成的合成样本可能存在不真实性，导致 kNN 模型测试准确率仅为 84.83% 和 83.66%，而 SMOTEN 能更好保留数据核心模式，成为最优选择。

图 9. (A) k 近邻（kNN）、决策树及随机森林的混淆矩阵；(B) k 近邻、决策树及随机森林在 10 折交叉验证下的 k 折准确率曲线

3.4 受试者间准确率：个体差异在合理范围

对 10 名受试者 3 次实验的个体准确率分析显示，采用最优模型组合（kNN + LDA + SMOTEN）时，平均测试准确率为 84.33%，最高准确率达 91.94%，最低为 74.72%。个体差异主要源于三方面：一是受试者模拟磨牙时的强度、持续时间一致性不同；二是光极与头皮的接触质量存在个体差异；三是不同受试者的血流动力学响应本身存在天然差异。尽管存在个体波动，但整体准确率范围合理，进一步印证了 fNIRS 结合机器学习识别磨牙行为的可靠性和鲁棒性。

     一家科研设备供应商及科研技术服务公司，公司致力于为神经科学和脑科学及运动领域研究提供卓越的解决方案及后续技术服务。我们的产品线涵盖了近红外脑成像系统、便携式脑电设备、生理多参数仪器、眼动仪、电刺激设备、生物力学跑台以及自行车训练台等领域，为用户提供高品质、高性能的科研工具

    南京尖创科技有限公司秉承质量至上，精益求精的服务理念，现已为北京大学，北京师范大学，复旦大学，浙江大学，中国科学技术大学，南京大学，天津大学，深圳大学 ，南京理工大学，东南大学，河南大学，北京理工大学，西安交通大学，中国兵器集团兵器研究所，中国电子科技集团等超过五十所国内高校和科研院所提供了完备的产品服务