fNIRS數(shù)據(jù)處理需結(jié)合信號(hào)特征和研究目標(biāo)選擇合適的方法。預(yù)處理階段應(yīng)重點(diǎn)關(guān)注運(yùn)動(dòng)偽跡和噪聲抑制，分析階段可靈活采用 GLM、功能連接或機(jī)器學(xué)習(xí)方法。標(biāo)準(zhǔn)化流程和透明化報(bào)告（如遵循 BRIGHT 指南）將有助于提高研究的可重復(fù)性。未來(lái)，隨著深度學(xué)習(xí)等技術(shù)的引入，fNIRS數(shù)據(jù)分析的自動(dòng)化與精度有望進(jìn)一步提升。

1. 引言

功能性近紅外光譜技術(shù)（functional Near-Infrared Spectroscopy, fNIRS）是一種非侵入式腦功能成像方法，通過(guò)測(cè)量大腦皮層血氧水平變化（如氧合血紅蛋白HbO和脫氧血紅蛋白HbR）來(lái)研究神經(jīng)活動(dòng)。由于其便攜性、抗運(yùn)動(dòng)干擾能力強(qiáng)、成本較低等優(yōu)勢(shì)，fNIRS在認(rèn)知神經(jīng)科學(xué)、臨床醫(yī)學(xué)和腦機(jī)接口（BCI）等領(lǐng)域得到廣泛應(yīng)用。然而，fNIRS數(shù)據(jù)的處理和分析仍面臨諸多挑戰(zhàn)，如噪聲干擾、信號(hào)漂移、個(gè)體差異等。本文針對(duì)fNIRS數(shù)據(jù)處理的關(guān)鍵步驟提供建議，以提高研究結(jié)果的可靠性和可重復(fù)性。

2. fNIRS數(shù)據(jù)預(yù)處理

2.1 原始信號(hào)質(zhì)量控制

檢查信號(hào)質(zhì)量：

通過(guò)信噪比（SNR）和變異系數(shù)（CV）評(píng)估數(shù)據(jù)質(zhì)量，剔除低質(zhì)量通道（如CV > 15%）。

使用光學(xué)密度（OD）曲線檢測(cè)運(yùn)動(dòng)偽跡（如尖峰噪聲）。

通道排除標(biāo)準(zhǔn)：

信號(hào)強(qiáng)度過(guò)低（如光強(qiáng) < 0.1 a.u.）。

長(zhǎng)時(shí)間信號(hào)丟失（如 > 50% 時(shí)間點(diǎn)無(wú)效）。

2.2 運(yùn)動(dòng)偽跡校正

fNIRS易受頭部運(yùn)動(dòng)影響，常見(jiàn)校正方法包括：

滑動(dòng)窗口法（Moving Average）：平滑短期噪聲。

小波變換（Wavelet Denoising）：分離高頻噪聲與真實(shí)信號(hào)。

主成分分析（PCA）/獨(dú)立成分分析（ICA）：去除與運(yùn)動(dòng)相關(guān)的成分。

基于回歸的方法（如Target PCA, tPCA）：專門針對(duì)fNIRS運(yùn)動(dòng)偽跡設(shè)計(jì)。

2.3 濾波與去趨勢(shì)

帶通濾波：

高通濾波（如 > 0.01 Hz）去除低頻漂移（如 Mayer 波、呼吸偽跡）。

低通濾波（如 < 0.5 Hz）抑制高頻噪聲（如心跳、儀器噪聲）。

去趨勢(shì)（Detrending）：

使用多項(xiàng)式擬合或線性回歸去除基線漂移。

2.4 血氧信號(hào)計(jì)算

通過(guò)修正的 Beer-Lambert 定律（MBLL）將光學(xué)密度（OD）轉(zhuǎn)換為 HbO 和 HbR 濃度變化：

ΔC=DPF⋅? −1 ⋅ΔOD

其中，DPF 為差分路徑因子，? 為血紅蛋白消光系數(shù)。

3. fNIRS數(shù)據(jù)分析方法

3.1 單被試分析

一般線性模型（GLM）：

將任務(wù)設(shè)計(jì)矩陣與血氧信號(hào)回歸，估計(jì)激活強(qiáng)度（β值）。

建議使用 HRF（血流動(dòng)力學(xué)響應(yīng)函數(shù)）卷積模型，匹配fNIRS的延遲特性。

事件相關(guān)分析（ERP-like）：

對(duì)多次試驗(yàn)的血氧信號(hào)進(jìn)行時(shí)間鎖定平均，提取事件相關(guān)血紅蛋白響應(yīng)（ER-Hb）。

3.2 組水平分析

標(biāo)準(zhǔn)化方法：

對(duì) HbO/HbR 信號(hào)進(jìn)行 Z-score 或百分比變化（%Δ）標(biāo)準(zhǔn)化，減少個(gè)體差異影響。

統(tǒng)計(jì)檢驗(yàn)：

采用非參數(shù)置換檢驗(yàn)（Permutation Test）或混合效應(yīng)模型（Mixed-Effects Model）處理小樣本數(shù)據(jù)。

多重比較校正（如 FDR、Bonferroni）控制假陽(yáng)性率。

3.3 功能連接分析

靜息態(tài)fNIRS：

計(jì)算通道間的相關(guān)性（如 Pearson’s r）或相位同步（如 Coherence）。

建議使用小波相干性（Wavelet Coherence）分析時(shí)變連接模式。

任務(wù)態(tài)fNIRS：

采用動(dòng)態(tài)因果建模（DCM）或格蘭杰因果分析（Granger Causality）研究腦區(qū)交互。

4. 可視化與結(jié)果報(bào)告

4.1 數(shù)據(jù)可視化建議

時(shí)程曲線：疊加 HbO/HbR 變化曲線，標(biāo)注任務(wù)時(shí)間段。

拓?fù)鋱D（Topoplot）：展示通道或腦區(qū)激活模式（需使用標(biāo)準(zhǔn)頭模，如 10-20 系統(tǒng)）。

統(tǒng)計(jì)結(jié)果圖：使用熱圖或 t 值映射顯示顯著激活區(qū)域。

4.2 結(jié)果報(bào)告規(guī)范

預(yù)處理細(xì)節(jié)：說(shuō)明濾波參數(shù)、運(yùn)動(dòng)校正方法、剔除通道比例等。

統(tǒng)計(jì)方法：明確 GLM 模型、HRF 函數(shù)類型、多重比較校正方式。

數(shù)據(jù)共享：建議公開(kāi)原始數(shù)據(jù)（如 .nirs 格式）或處理腳本（MATLAB/Python）。

5. 常見(jiàn)問(wèn)題與解決方案

6. 工具推薦

開(kāi)源軟件：

Homer2 (MATLAB) ：經(jīng)典fNIRS處理工具包。

NIRS-SPM (SPM12插件) ：支持GLM和統(tǒng)計(jì)映射。

MNE-NIRS (Python) ：基于 MNE 的fNIRS分析庫(kù)。

商業(yè)軟件：

NIRStar (NIRx) 、OxySoft (Artinis) 。