fNIRS数据处理与分析的建议

fNIRS数据处理需结合信号特征和研究目标选择合适的方法。预处理阶段应重点关注运动伪迹和噪声抑制，分析阶段可灵活采用 GLM、功能连接或机器学习方法。标准化流程和透明化报告（如遵循 BRIGHT 指南）将有助于提高研究的可重复性。未来，随着深度学习等技术的引入，fNIRS数据分析的自动化与精度有望进一步提升。

1. 引言

功能性近红外光谱技术（functional Near-Infrared Spectroscopy, fNIRS）是一种非侵入式脑功能成像方法，通过测量大脑皮层血氧水平变化（如氧合血红蛋白HbO和脱氧血红蛋白HbR）来研究神经活动。由于其便携性、抗运动干扰能力强、成本较低等优势，fNIRS在认知神经科学、临床医学和脑机接口（BCI）等领域得到广泛应用。然而，fNIRS数据的处理和分析仍面临诸多挑战，如噪声干扰、信号漂移、个体差异等。本文针对fNIRS数据处理的关键步骤提供建议，以提高研究结果的可靠性和可重复性。

2. fNIRS数据预处理

2.1 原始信号质量控制

检查信号质量：

通过信噪比（SNR）和变异系数（CV）评估数据质量，剔除低质量通道（如CV > 15%）。

使用光学密度（OD）曲线检测运动伪迹（如尖峰噪声）。

通道排除标准：

信号强度过低（如光强 < 0.1 a.u.）。

长时间信号丢失（如 > 50% 时间点无效）。

2.2 运动伪迹校正

fNIRS易受头部运动影响，常见校正方法包括：

滑动窗口法（Moving Average）：平滑短期噪声。

小波变换（Wavelet Denoising）：分离高频噪声与真实信号。

主成分分析（PCA）/独立成分分析（ICA）：去除与运动相关的成分。

基于回归的方法（如Target PCA, tPCA）：专门针对fNIRS运动伪迹设计。

2.3 滤波与去趋势

带通滤波：

高通滤波（如 > 0.01 Hz）去除低频漂移（如 Mayer 波、呼吸伪迹）。

低通滤波（如 < 0.5 Hz）抑制高频噪声（如心跳、仪器噪声）。

去趋势（Detrending）：

使用多项式拟合或线性回归去除基线漂移。

2.4 血氧信号计算

通过修正的 Beer-Lambert 定律（MBLL）将光学密度（OD）转换为 HbO 和 HbR 浓度变化：

ΔC=DPF⋅ϵ −1 ⋅ΔOD

其中，DPF 为差分路径因子，ϵ 为血红蛋白消光系数。

3. fNIRS数据分析方法

3.1 单被试分析

一般线性模型（GLM）：

将任务设计矩阵与血氧信号回归，估计激活强度（β值）。

建议使用 HRF（血流动力学响应函数）卷积模型，匹配fNIRS的延迟特性。

事件相关分析（ERP-like）：

对多次试验的血氧信号进行时间锁定平均，提取事件相关血红蛋白响应（ER-Hb）。

3.2 组水平分析

标准化方法：

对 HbO/HbR 信号进行 Z-score 或百分比变化（%Δ）标准化，减少个体差异影响。

统计检验：

采用非参数置换检验（Permutation Test）或混合效应模型（Mixed-Effects Model）处理小样本数据。

多重比较校正（如 FDR、Bonferroni）控制假阳性率。

3.3 功能连接分析

静息态fNIRS：

计算通道间的相关性（如 Pearson’s r）或相位同步（如 Coherence）。

建议使用小波相干性（Wavelet Coherence）分析时变连接模式。

任务态fNIRS：

采用动态因果建模（DCM）或格兰杰因果分析（Granger Causality）研究脑区交互。

4. 可视化与结果报告

4.1 数据可视化建议

时程曲线：叠加 HbO/HbR 变化曲线，标注任务时间段。

拓扑图（Topoplot）：展示通道或脑区激活模式（需使用标准头模，如 10-20 系统）。

统计结果图：使用热图或 t 值映射显示显著激活区域。

4.2 结果报告规范

预处理细节：说明滤波参数、运动校正方法、剔除通道比例等。

统计方法：明确 GLM 模型、HRF 函数类型、多重比较校正方式。

数据共享：建议公开原始数据（如 .nirs 格式）或处理脚本（MATLAB/Python）。

5. 常见问题与解决方案

6. 工具推荐

开源软件：

Homer2 (MATLAB) ：经典fNIRS处理工具包。

NIRS-SPM (SPM12插件) ：支持GLM和统计映射。

MNE-NIRS (Python) ：基于 MNE 的fNIRS分析库。

商业软件：

NIRStar (NIRx) 、OxySoft (Artinis) 。