小磁說｜TIPS

在fNIRS（功能性近紅外光譜成像）研究領域中，數據處理流程包括預處理、光學密度變化計算、血氧濃度變化計算、數據分析以及結果可視化等。

數據處理流程中每一步的準確執行，保證了研究數據的準確性與可靠性，為后續深入研究提供高質量的支撐。

預處理

1. 去噪：使用濾波器去除噪聲信號，如心跳、呼吸等生理噪聲和其他噪聲。

2. 信號校正：對因探頭位置變化或頭皮運動引起的信號波動進行校正，可以使用頭動校正算法或借助其他運動傳感器的數據進行校正。

3. 數據標準化：將原始數據轉換為可比較的格式，如轉化為相對濃度變化或百分比變化。

光學密度變化計算

根據Beer-Lambert定律，將采集的光強度變化轉換為光學密度變化。

血氧濃度變化計算

利用修正后的Beer-Lambert定律計算氧合血紅蛋白(HbO)和脫氧血紅蛋白(HbR)的濃度變化。

數據分析

1. 使用統計模型（常采用一般線性模型GLM這一被廣泛采用的fNIRS腦成像數據建模方法）分析數據，識別與特定任務或刺激相關的腦區激活情況。

2. 繪制大腦激活圖 ，展示不同任務或條件下的腦區激活強度和分布。

3. 多種指標 （均值、峰值、積分值等）的提取與統計分析。

4. 腦網絡與功能連接分析、圖論分析等。

結果可視化

1. 時間序列圖：繪制腦血氧濃度隨時間變化的圖表，直觀展示任務相關的腦功能變化。常見的時間序列圖包括HbO和HbR濃度隨時間變化的曲線圖。

2. 2D/3D拓撲圖：結合頭皮位置繪制腦功能活動的分布圖，展示不同腦區的活動情況。可以使用2D拓撲圖或3D頭模圖展示結果。

3. 靜息態功能連接：功能連接分析、圖論分析等結果可視化。

圖 fNIRS結果多種圖形展現方式

總結

fNIRS數據處理涵蓋去噪、校正、標準化、光學密度與血氧濃度計算，結合統計分析與可視化技術，揭示大腦活動模式與功能連接。

目前，fNIRS被廣泛的應用于心理學、體育運動、認知神經科學等領域的研究。同時，在醫學領域也被用于為各種疾病的早期預防、病情診斷及評估提供客觀準確的影像學依據。

要想更充分發揮fNIRS技術的應用潛力，一款好用的數據處理工具必不可少。下一篇小磁將為大家帶來fNIRS數據處理工具的選擇，敬請關注！

? 閱讀推薦：

3.