fNIRS数据处理与应用解析

小磁说｜TIPS

在fNIRS（功能性近红外光谱成像）研究领域中，数据处理流程包括预处理、光学密度变化计算、血氧浓度变化计算、数据分析以及结果可视化等。

数据处理流程中每一步的准确执行，保证了研究数据的准确性与可靠性，为后续深入研究提供高质量的支撑。

1. 去噪：使用滤波器去除噪声信号，如心跳、呼吸等生理噪声和其他噪声。

2. 信号校正：对因探头位置变化或头皮运动引起的信号波动进行校正，可以使用头动校正算法或借助其他运动传感器的数据进行校正。

3. 数据标准化：将原始数据转换为可比较的格式，如转化为相对浓度变化或百分比变化。

光学密度变化计算

根据Beer-Lambert定律，将采集的光强度变化转换为光学密度变化。

血氧浓度变化计算

利用修正后的Beer-Lambert定律计算氧合血红蛋白(HbO)和脱氧血红蛋白(HbR)的浓度变化。

数据分析

1. 使用统计模型（常采用一般线性模型GLM这一被广泛采用的fNIRS脑成像数据建模方法）分析数据，识别与特定任务或刺激相关的脑区激活情况。

2. 绘制大脑激活图 ，展示不同任务或条件下的脑区激活强度和分布。

3. 多种指标 （均值、峰值、积分值等）的提取与统计分析。

4. 脑网络与功能连接分析、图论分析等。

1. 时间序列图：绘制脑血氧浓度随时间变化的图表，直观展示任务相关的脑功能变化。常见的时间序列图包括HbO和HbR浓度随时间变化的曲线图。

2. 2D/3D拓扑图：结合头皮位置绘制脑功能活动的分布图，展示不同脑区的活动情况。可以使用2D拓扑图或3D头模图展示结果。

3. 静息态功能连接：功能连接分析、图论分析等结果可视化。

图 fNIRS结果多种图形展现方式

fNIRS数据处理涵盖去噪、校正、标准化、光学密度与血氧浓度计算，结合统计分析与可视化技术，揭示大脑活动模式与功能连接。

目前，fNIRS被广泛的应用于心理学、体育运动、认知神经科学等领域的研究。同时，在医学领域也被用于为各种疾病的早期预防、病情诊断及评估提供客观准确的影像学依据。

要想更充分发挥fNIRS技术的应用潜力，一款好用的数据处理工具必不可少。下一篇小磁将为大家带来fNIRS数据处理工具的选择，敬请关注！

☞ 阅读推荐：

3.