新型便携无线可穿戴功能性近红外光谱成像(fNIRS)设备的发展为脑功能成像开辟新路，这将带来认知研究的革命性变化。在过去的几十年里，诸多研究采用了传统的功能近红外光谱成像（fNIRS）方法，证明了这项技术在不同人群和不同应用领域的适用性，其中涉及健康大脑研究及脑损伤研究。然而，可穿戴fNIRS更具吸引力的特征在于，它能够在日常生活场景中施测，这是其他金标准的神经成像方法(如功能性磁共振成像)所不能实现的。这将极大影响我们探究人脑功能的神经基础及机制的方式。本文的目的是回顾认知神经科学领域中采用可穿戴fNIRS在自然环境下进行的研究。此外，我们提出了使用可穿戴fNIRS在无约束环境下可能面临的挑战，讨论了更准确推断大脑功能性激活状态的方法。最后，我们总体展望了认知神经科学领域的未来前景，我们认为，在可穿戴fNIRS研究中的获益将极为可观。 思影曾做过多篇近红外脑功能文章解读，可点击以下链接阅读，加深理解，感谢帮转支持：
fNIRS研究行文指南
近红外光谱实验新手指南
Neuron：超扫描：不仅仅是超扫描
情绪对学习与记忆的影响
移动脑电在神经发展障碍研究中的运用
fNIRS用于评估自然/社会情况下人类行为中的脑功能
fNIRS研究: 神经营销能否为传统营销研究增加价值？
Science advances：新生儿的言语知觉
JCCP:亲子神经同步:一种阐明学龄前儿童应激性双向相关
日常复杂动作的语言和运动表征：一项fNIRS研究
The Neuroscientist：是什么引导我们在神经和行为上与特定的
PNAS：近红外研究：产前农药暴露的青少年的大脑激活情况
fNIRS在认知神经科学中的应用现状和未来
近红外脑功能机器学习：易激惹性独特地预测了学前儿童的抑
对前语言期婴儿心理理论相关的颞顶联合区的近红外研究
fNIRS：3-8个月大的婴儿面孔加工研究
眼动追踪与近红外结合:婴儿利他行为的神经发育基础
fNIRS超扫描：亲子互动中的脑同步及其与情绪的关系研究
FNIRS研究：额颞叶-顶叶系统在真实情景下目光接触中的脑内和脑间
HBM:阅读中语音产生期间的脑功能近红外光谱研究
大话脑成像之四--浅谈近红外脑功能成像
FNIRS研究：陌生气味竟可以引发新生儿的疼痛感受
PNAS近红外研究：跨感觉通道可塑性促进人工耳蜗的移植效果
PNAS:婴儿早期记忆能力比我们想象的要高
引言
理解和识别人类行为与认知过程之间的关系代表了认知神经科学家在过去一个世纪的主要目标。历史上，神经心理学评估通过建立基于认知测试结果的认知模型，来考察任务操纵对被试的任务表现及行为变量的影响（例如，反应时、正确率）。神经心理测试不论在过去还是现在，都广泛用于支持诊断，例如，阿兹海默症等认知障碍的早期甄别。然而，某些刺激与行为之间并不总是有明确的对应关系，行为变量可能不足以描述某些认知功能。现在，认知神经科学领域关注的是将大脑的信息处理模式映射到大脑的结构和运作(如电生理、代谢过程、血流动力学)特征上。这是基于目前可用的神经成像技术来实现的，其中包括基于神经血管的技术(例如，功能性磁共振成像[fMRI]、功能性近红外光谱[fNIRS]、正电子发射断层扫描[PET])和电磁技术(例如，脑电图[EEG]和脑磁图[MEG])等。在传统的神经成像研究中，参与者被要求完成时间控制和架构严谨的实验任务，涉及一种或多种不同类型的刺激，旨在诱发与特定大脑区域相关的行为。首先，用于诱发心理过程的实验范式(例如，一次显示一长串单个单词)通常并非日常生活中常见的任务类型。事实上，由于神经成像是在神经成像实验室和仪器的严格限制下完成的，一些日常生活中的行为，例如与他人的互动(包括身体上的)，以及复杂的综合任务，比如涉及连续多个任务的处理和切换（例如，烹饪、购物等）无法完全复制。而且，这些情况很难在功能性核磁共振扫描仪等设备中模拟出来，事实上，fMRI以及PET和MEG都有很大的物理限制，因为这些测量都是在扫描仪中进行的。此外，这些技术都非常容易受到运动伪迹的影响，并且/或者无法带出实验室。因此，这些手段不适用于参与者自由活动的情况及日常生活场景。这些问题限制了可研究内容的广度，并提出了研究结果的生态效度问题(即，任务表现在多大程度上预测了现实世界的行为)。由于这些原因，一种可以在几乎任何日常活动（尤其是长时间活动）场景中使用的神经成像方法，为提出不同的科学问题，尤其是探索性问题提供了可能性。此外，如果使用得当，这种方法可以减少思维映射到大脑的科学推理错误的可能性。 可穿戴fNIRS设备可以实现日常生活活动中的神经关联监测。最新的神经成像技术之一，fNIRS，在过去的几十年里迅速发展，成为神经科学家和临床医生监测脑组织氧合和血流动力学变化的有效工具。fNIRS利用近红外(NIR)光((650–1,000nm)，利用两种近红外波长，测量含氧(HbO2)和脱氧(HbR)血红蛋白的浓度变化。当一个大脑区域的代谢变得活跃时，就会出现供过于求的脑血流量(CBF)，以满足氧气需求的增加；这反映在ΔHbO2的增加和ΔHbR的减少(即血流动力学反应)，是功能性脑激活的一个指标。fNIRS是在参与者头部放置一定数量的近红外光源，将近红外光照射进大脑，再用同样分布在参与者头部的光学探测器收集背向散射的光。传输光和背向散射光通常通过光纤进行引导，光纤连接到近红外光谱系统的主记录单元。大多数传统的近红外光谱仪器规格较大，需要手推车运输。随着技术进步，更便携和小型化的近红外光谱设备已经开发出来。新一代的可穿戴设备允许参与者自由、自然地在环境中活动，没有严格的物理限制。这些系统由电池供电，可穿戴，数据既可以存储在可穿戴的记录设备上，也可以无线传输到笔记本电脑上。无线脑电图也被提出用于户外环境中自由活动的个体。脑电图在神经活动测量中可提供比fNIRS更高的时间分辨率(EEG~ms相对于fNIRS~数十ms)，因此，它可能更适用于监测日常场景中对快速过程和刺激的神经反应。然而，EEG比fNIRS更容易受到运动伪迹的影响，因此即使自然场景下参与者的活动也必须受到限制。因此，当需要更广的活动范围和更高的脑激活空间定位时(fNIRS空间分辨率~2–3cm 相对于 EEG ~5–9cm)， fNIRS可能是一个更好的选择。这种新型fNIRS技术的可用性为新的神经科学研究开拓新路，使研究可以在更自然和生态有效的环境中进行，受试者可以像现实生活中一样自由行走并与环境互动。这篇综述的目的是概述迄今为止认知神经科学领域中使用可穿戴fNIRS设备在更自然的情境下在进行的研究。在这一框架下，我们的目标还包括:(a) 讨论在自由活动人群中使用fNIRS所带来的挑战，重点关注分析方法和局限性;
可穿戴fNIRS系统概述
近十年来，近红外光谱(fNIRS)设备呈现出微型化和可穿戴的发展趋势。这种系统基于连续波（continuous-wave ,CW）近红外技术，并克服了与大体积光纤束相关的问题和限制，通常通过可弯曲的头带来固定光源和探测器，将LED直接连接到头部。此外，仪器是电池供电的，因而更为便携，在日常生活场景中进行测量时受到限制也较少。数据通常存储在设备本身或通过无线通信发送到PC。通道的数量取决于设备配备的光源和探测器的数量。一个通道由一个光源和一个探测器组成，代表一个测量点(所研究的脑组织位于光源探测器距离的一半，深度约为光源探测器距离的一半)。第一个实现无线遥测的可穿戴系统的光极(即光源或探测器)数量有限，只有一个探测器和一个光源，因此只有一个测量通道，能够测量到的脑区非常有限。后来，技术显著进步，更复杂的设备被开发和论证出来，有了更多的通道,以能够覆盖更大部分的脑区，来满足研究更多不同脑功能的需要。鉴于fNIRS对多模式成像的适用性，同时整合脑电图和fNIRS测量的可穿戴解决方案也被提出。然而，到目前为止，考虑到最大限度地降低功耗，实现长时间运行，以及小型化和轻便等因素，可穿戴设备的通道数量与可覆盖全头的传统fNIRS仪器相比仍然有限。从2009年开始，几家公司开始将可穿戴和无线fNIRS设备商业化。Quaresima和Ferrari 已经对目前市场上可用的系统进行了评估。在表1中，我们扩展了Quaresima和Ferrari提供的信息，并提供了关于可用系统的更多细节。
目前市面上有20种设备，有不同数量的通道(从1到496)和采样率(1-100 Hz)。它们中的大多数实现了无线数据传输，并允许多个设备(最多7个)进行超扫描测量(即同时记录两个或更多人的大脑活动)。前额皮质高密度（密集的光源-探测器对）光学断层扫描系统也可用，有204和496个通道，允许进行扩散光学层析成像(diffuse optical tomography，DOT)测量。DOT配置使用多个不同的光源-探测器距离，产生通道重叠，允许研究人员对HbO2和HbR的层析图进行采样，并在不同深度收集多个测量数据，提高横向和深度分辨率。大多数仪器设计用于测量前额皮质(表1)，主要是为了最大限度地延长系统的运行时间，光学元件通常连接到一个小的处理和记录/发送单元，其中装有电池，通常通过背包携带。大多数仪器有固定的源-探测器距离，通常成人研究为3厘米。两种DOT系统可用于测量不同深度的大脑活动，而两种系统允许调整自定义配置的光源探测器距离。大多数仪器使用两种波长来分辨含氧和脱氧血红蛋白浓度，而Dynasense公司的PocketNIRS HM、Shimadzu（岛津）公司的SPEEDNIRS和LIGHTNIRS均使用三种波长，Hitachi（日立）的WOT-100只用一种波长。为了防止探测器在室外使用时饱和，可使用遮阳帽（图1A）。另外，一些设备设置了一个测量环境光的参考探测器，用于纠正杂散光。
图1.在无约束情境下使用无线可穿戴fNIRS仪器的两个示例。(A)展示了一个无纤维系统(WOT-100，日立，日本)，在实验室外监测前额皮质。黑色帽子用于防止探测器饱和。(B)展示可穿戴设备(LIGHTNIRS，岛津，日本)测量运动皮层，其中线连接到通过背包携带的控制单元。
文献汇总
本文对使用可穿戴fNIRS设备进行更具生态效度的认知实验的研究进行综述，以确定目前无线fNIRS在认知神经科学研究中最普遍的应用领域，为我们的讨论和未来的方向奠定基础。更准确地说，我们关注的是那些在不受限制的环境中使用新型可穿戴和/或无线设备进行的研究，即参与者在进行认知任务时可以自由移动。搜索文献使用了PubMed数据库、参考文献手动搜索以及功能性近红外光谱学会网站。搜索过程中使用的关键词包括functional near-infrared spectroscopy, fNIRS, wireless, portable, wearable, 和 brain.文章的选取是基于以下的纳入标准：1.截至2017年9月在同行评议期刊上发表的原创研究论文。不包括综述和会议论文集。2.论文涉及认知任务引发的功能激活，且认知实验通常在参与者自由活动的情境下进行，而非传统的实验室环境。3.使用可穿戴fNIRS设备测量大脑在认知任务中活动的研究论文。不包括使用常规fNIRS仪器的论文。当同一篇论文有多个认知任务时，只有涉及使用可穿戴fNIRS设备和参与者自由活动的任务被考虑在内。本文收录了10篇原创研究论文。遵循Herold et al.所采用的程序，我们从文章全文中收集了关于无线fNIRS应用的信息(如被试群体、实验方案)、fNIRS数据的预处理和统计分析。在接下来的章节中，我们将详细介绍这些研究中采用的方法，概述可穿戴fNIRS的应用(表2)，数据采集(表3)、数据预处理(表4)和统计推断(表5)。
被试群体与实验方案
本文的大部分研究（表2）都以健康青年人为研究对象；有两项研究基于健康老年人；两项研究基于帕金森病等神经功能缺陷患者；还有一篇涉及轻微认知损伤个体。本文纳入的所有研究，都涉及运动-认知双任务步行方案。在该方案中，参与者被要求在步行时执行二级认知任务。例如，在Atsumori 等的研究中，二级任务是在行走时进行一项注意需求型任务(attention-demanding task, ball-carrying)。
表3.纳入的研究使用的fNIRS设备和数据采集
数据采集
皮质血流动力学反应(表3)通常在前额叶皮层(PFC)上进行研究，因为该区域很容易监测到，而且市面上大多数可穿戴fNIRS系统只允许监测额叶区域。在一项研究中，研究人员在乒乓球任务中对辅助运动皮层和初级运动皮层进行了探测。
数据预处理
fNIRS数据的预处理是关键步骤，因为统计分析的结果很大程度上依赖数据的质量。因此，减少近红外光谱信号中生理噪声、运动伪迹和缓慢漂移的影响是极其重要的。表4总结了对近红外光谱数据去噪的研究中采用的预处理步骤的细节。
表4. fNIRS数据预处理的步骤
数据分析
在大多数研究中(表5)使用平均法对所考察脑区的功能激活状况进行统计评估，即任务期间和休息期间的信号段分别进行平均，根据任务和休息的平均值差异推断脑区激活情况。有一项研究采用了一般线性模型(GLM)方法，即用任务相关的回归因子拟合fNIRS数据，对指定认知任务理论上的血流动力学反应进行建模。还有两项研究用连续小波变换来考察脑区间的功能连接。
表5.fNIRS数据分析
如果您对脑电，眼动，近红外，fMRI等数据处理感兴趣，可点击以下链接了解（可添加微信号siyingyxf或18983979082咨询，另思影提供免费文献下载服务，如需要也可添加此微信号入群)：
重庆：
第十八届近红外脑功能数据处理班（重庆，12.7-12）
第二十届脑电入门班（重庆，11.8-13)
第十一届眼动数据处理班（上海，11.9-14)
第二十一届脑电数据处理入门班（上海，12.9-14）
第三十五届脑电数据处理中级班（上海，1.10-1.15）
南京：
第十七届近红外脑功能班（南京，11.19-24）
第三十四届脑电数据处理中级班（南京，12.23-28）
北京：
第四届脑电机器学习班（A版本，北京，11.17-22）
第一届R语言统计班（北京，12.8-12）
第二届脑电机器学习数据处理班（B版本，北京，12.28-1.2）
第十九届近红外脑功能数据处理班（北京，1.4-8）
数据处理业务介绍：
思影科技近红外脑功能数据处理服务
挑战与未来发展方向
在不受限制的情况下记录fNIRS数据时，需要考虑和解决一些方法学问题。在本节中，我们讨论和总结技术限制(表6)，提供一些克服这些问题的建议，并获得有意义的fNIRS数据和结果。
身体动作
高质量的fNIRS数据对于得到正确的神经科学结论至关重要，然而，信号质量会受到很多因素的影响。如果我们考虑记录自由运动的人的神经成像数据，首先要考虑的是身体和头部动作。事实上，虽然fNIRS对动作有更大的容忍度，且可穿戴设备是小型的，甚至比传统fNIRS仪器更稳固，运动伪迹仍可能发生在被试走动而非坐在椅子上时，因为他们被允许自由地活动，动作范围更大了。运动误差会破坏fNIRS信号，例如图2A。现在，多种方法可以识别和校正运动伪迹， Brigadoi等也曾对此进行综述。其中，小波方法和目标主成分分析（targetedprincipal component analysis,tPCA）被认为是最有效的。图2B展示了tPCA校正基线偏移(绿色阴影区域)和高频峰值(黄色阴影区域)的效果，HbO2与HbR之间典型的生理反相关关系得到有效恢复。
图2.（A）原始fNIRS信号中的运动伪迹，从基线值（绿色阴影区域）偏移并快速达到峰值（黄色阴影区域），从而使HbO2和HbR呈现相关特征。
（B）用tPCA方法校正运动误差，发现校正后HbO2和HbR呈现反相关。
只有三篇纳入本综述的论文包含运动误差的校正。由于校正这些伪迹比直接排除这些损坏的试次更好，我们建议使用一种可用的校正技术，尤其是基于小波的滤波或tPCA(表6)，作为预处理流程的一部分。头部运动还会导致光电元件和头部之间失去耦合，从而进一步使信号质量更差。在光耦合差的情况下，并没有采集生理信号，时间序列只由白噪声组成（图3A），功率谱密度恒定。因此，fNIRS探测器必须牢固地附着在头部，与头皮良好接触。此外，在室外环境中使用fNIRS时，应保护光学探测器免受散乱阳光的照射。在这种情况下，探测器将过度曝光，测量到的强度信号将出现平线或充满非生理振幅的尖峰（图3B）。使用遮光帽可有效防止探测器过度曝光和饱和(图1A)，或使用高动态范围的探测器，也可使用包含参考探测器的fNIRS设备，参考探测器只测量环境光，然后从其他通道信号中减掉环境光s (例如, Artinis 的Brite23和 Octamon,表 1)。小编注：Brite23 是一个非常好的设备感兴趣可以联系（加微信18983979082）进行进一步的了解为了识别由于耦合差或由于探测器饱和而无法测量的通道，我们强烈建议:(b) 使用更客观的方法评估通道质量，例如，使用Piper提出的方法，根据信号的变异系数，排除变异系数大于15的通道。信号质量可以通过检查时间序列中的心跳振荡(~0.6-1s)的存在来评估，特别是在ΔHbO2中，或者在信号的功率谱密度中~1- 1.5Hz范围内的频率峰值（图2C）。这确保测量了生理上有意义的成分。
系统干扰
为了提高使用fNIRS进行功能研究的准确性，生理因素的干扰必须纳入考虑。事实上，fNIRS信号受到与神经元活动无关的系统性来源成分的污染，在推断功能激活时可能导致假阳性和/或假阴性。这些生理变化可能发生在脑内或脑外区域，可能是自发的，也可能是由认知任务引起的。我们预计，在身体活动的情况下，系统干扰效应会更加明显。例如，快速的姿势变化(例如，从躺到站)可能导致静脉池或直立性低血压。此外，散步还会导致心率和呼吸频率的变化。在图4中，我们呈现了Pinti et al.实验中检测到的(A)心率、(B)呼吸频率信号的例子。当从步行（黄色阴影区域，持续6分钟）的实验状态过渡到站立（蓝色阴影区域，持续3分钟）状态时，两种信号都可以观察到与步行相关的变化，心率和呼吸频率水平都会增加或减少。测量速度(图4C)或GPS数据可以帮助解释生理和血流动力学变化，提供参与者运动的信息（例如，步行vs.站立，速度）。长时间的步行会导致疲劳，并随之引起全身系统性变化，从而改变大脑的血流动力学反应。如图5所示，不论行走还是站立时，呼吸频率的变化趋势与浓度信号非常相似，尤其ΔHbO2。为了减少疲劳，建议将休息时间延长几分钟，以使生理和血流动力学变量回到基线值。研究者提出了多种不同方法来减少这些成分的影响。最直接的方法之一是在特定频段对fNIRS信号进行滤波，保留功能性激活范围，排除噪声频率。在本文纳入的文献中，低通滤波更为常用。然而，近红外光谱信号也可能包括与仪器噪声和/或极低频血管舒缩调节(<0.1 Hz)相关的缓慢趋势。因此，我们建议将低通滤波器与高通滤波器(即带通滤波器)结合使用，以去除缓慢趋势和更高频率的生理噪声(如心率[~ 1Hz])。在截止频率的选择上要注意，要保证只滤掉噪声成分。此外，使用短距离(short-separation，SS)通道被证明可以有效地从长距离通道中去除脑外信号(如浅表皮肤血流)成分。短距离通道将光源设置在离探测器非常近的地方，通常距离不到1厘米，来记录大脑外组织的数据。然而，这种表面信号回归技术需要大量光极，因为每个长距离通道必须与距离它1.5 cm的短距离通道相结合。这对于市面上大多数可穿戴设备来说是不完全可能的，因为与传统系统相比，可穿戴设备的通道数量仍然有限，而且，这些设备的设计是为了最大限度地研究皮层组织。目前，表面回归可以使用DOT设备进行，这些设备具有更密集的光极阵列，有可能从SS通道取样。
图3.(A)光极和头部之间耦合不良时的ΔHbO2和ΔHbR。这反映在只有白噪声，功率谱密度恒定。这个例子是呈现闪动棋盘过程中使用日立ETG-4000在室内收集的视觉皮层数据。
(B)通道被阳光损坏，探测器饱和。数据来自Pinti et al.的研究。
(C) fNIRS数据的质量可以通过评估在时间和频率域可见的心跳振荡的存在来评估。这个例子是使用日立wot系统在室内采集的PFC数据。
图4.(A)心率，(B)呼吸频率，(C)参与Pinti et al.(2015)实验的一个参与者的速度数据。黄色阴影区域表示参与者行走的状态(W)，而蓝色阴影区域表示参与者站立的状态(S)。
图5.Pinti等人(2015)的实验中的一名参与者呼吸频率和未经预处理的氧和脱氧血红蛋白浓度变化。黄色阴影区域表示参与者行走的状态(W)，而蓝色阴影区域表示参与者站立的状态(S)。其他基于独立成分分析(independentcomponent analysis, ICA)，主成分分析(principal component analysis, PCA)，贝叶斯滤波(Bayesianfiltering)和反相关最大化(anticorrelation maximization)的方法也被提出。目前，能够从fNIRS皮质信号中分离系统成分的最有效方法是将fNIRS测量与系统生理数据(如平均血压、心率、头皮血流量)相结合。然而，我们建议在测量fNIRS的同时测量生理信号，以更有效地减少系统干扰。事实上，鉴于fNIRS用于多模式监测的可行性，这很容易通过使用不干扰光学设备和参与者活动的可穿戴生理监测仪(例如，胸带)来实现。
统计分析
在fNIRS数据的统计分析中，从fNIRS信号推断脑功能活动最常用的方法是平均法或GLM方法，组水平分析可在基于通道进行，也可基于脑地形图进行。这些方法通常用于分析传统fNIRS系统记录的fNIRS数据，并可扩展到分析通过新一代无线fNIRS设备收集的fNIRS数据。平均法计算任务和静息期间的平均浓度变化，并使用统计检验(例如方差分析)来评估任务期间与静息期间相比是否存在功能激活。GLM方法考虑整个fNIRS时间序列，具有更强的统计效力。它将fNIRS数据表示为反映实验过程的回归量和误差项的线性组合。回归量通过delta和设计矩阵与血流动力学响应函数(HRF)的卷积来计算。一方面，平均方法只考虑fNIRS数据片段，统计效力较弱，另一方面，GLM与模型有很强的相关性，需要对HRF的形状和动力学进行假设。这两种方法都需要基于事件的时间线，这是在传统的实验方案如区组设计和事件相关设计（block- or event-related design）中已预先设定的。然而，在实验过程非结构化的情况下，分析就不是那么直接了，在日常生活场景下使用无线近红外系统进行实验时，大脑活动是持续监测的，对刺激呈现的控制很少。例如，Pinti等人的研究，测量了执行非结构化前瞻性记忆任务时PFC的功能性激活。该实验要求参与者对测试区域的特定目标客体（特定的人或静止物体）作出反应。然而，与这些行为相关的功能事件的发生并不像典型的区组或事件相关设计实验那样预先确定，而且很难从参与者行为的视频记录分析中识别。事实上，血流动力学反应的峰值(即ΔHbO2的增加和ΔHbR的减少)预计发生在刺激开始后6s；然而，参与者对刺激作出反应的时间与血流动力学反应的时间并不同步(图6)。这说明，在这种情况下，功能事件更有可能发生在参与者发现/接近目标(即意图检索)时，而非已作出反应时(即意图实现)。从视频中恢复或预测与参与者意图检索对应的事件起始是非常困难和耗时的。在基于日常生活活动的研究中，脑激活情况确实应是被持续监控的，就像Balardin等人(2017)的研究一样，将fNIRS信号变化与参与者的行为相对应是非常困难的。例如，作者在4小时连续记录的fNIRS数据中，使用1分钟的滑动窗口研究了半球间的功能连通性。随时间变化的功能连接光谱显示了一个0.002 Hz的频率峰值，然而，并不能与特定的日常活动联系起来。为了克服非结构化实验中难以识别功能事件的相关问题，必须开发替代方法。Pinti等人对此作了首次尝试。他们在GLM拟合程序的基础上开发了一种名为AIDE(即功能事件自动识别)的算法，该算法直接从fNIRS数据中恢复功能事件的起始，具有较高的准确性。功能事件（包括起始时间和持续时间）通过识别与激活信号最匹配的激活模型(设计矩阵与HRF的卷积)来确定。图6B,C为AIDE应用于图6A实例的结果。更准确地说，图6B显示的激活模型（黑线）与最能描述功能性趋势（即激活信号的增加）发生的激活信号（红线）最为拟合。图6C显示了表示功能事件设计矩阵。与目测的情况一致，功能事件(图6C，橙色星号)实际上在受试者对目标作出反应前20秒发生(图6C，紫色线)。这证实了功能事件发生在意图检索过程中，并非与意图实现对应。AIDE的主要优点是它不对功能事件的时间进行假设，以便在非结构化实验过程中对其进行识别。另一方面，AIDE具有模型依赖性，它是基于GLM的。因此，必须对HRF的模型和形状进行假设。此外，必须考虑fNIRS数据中序列自相关的影响，并在现有算法版本的基础上进一步改进。
图6. (A) Pinti等人(2015)实验参与者的ΔHbO2和ΔHbR信号的例子。紫色线表示参与者对两个目标客体作出反应的时间点。(B) 使用AIDE后的激活模型（黑线），对应于激活信号的最佳拟合(红线)。(C)涉及矩阵和设定的功能事件（橙色星号）。预计功能事件发生在参与者到达目标（紫色线）前20秒左右。为了增加统计推断结果的强度并形成更准确的结论，我们建议同时报告ΔHbO2和ΔHbR的结果。事实上，功能激活对应的是ΔHbO2的增加和ΔHbR的减少。氧合血红蛋白的变化常被作为评估功能性激活的标志，因为它变化反差较大。然而，该信号已被证实明显受到系统性变化的影响，并可引起整体的、难以局部定位的血流动力学反应。相反，ΔHbR受混杂因素的影响较小，它是脑激活的一个更稳健的指标，能给出更局部性的具体的结果。此外，多重比较校正的问题需要纳入考虑，特别是通道数量较多的情况。当我们需要进行多个统计推断时，多重比较问题就会出现。在这种情况下，必须调整显著性水平(即p值)以控制类型I型错误。在基于通道进行统计分析的情况下，传统方法可以用于控制整体错误率(family-wise error rates,FWER)。例如被广泛使用的Bonferroni校正或最小显著差法(least significant difference，LSD)。在基于脑地形图进行统计分析的情况下，其他用来控制FWER的方法被提出，例如tube formula 或欧拉方法(Euler characteristic method)。最近，研究人员开发了可替代的不那么保守的其他方法。其中一个例子是错误发现率（false discovery rate，FDR）方法，用以评估虚报激活通道所占比例。与Bonferroni校正相比，这种方法在I型错误测量上更稳健、效力更强，同时确保了效力和特异性的良好折中，强烈推荐用于通道比较。
光极的放置和空间配准
为了保证所记录fNIRS数据的可重复性，并能够进行跨研究、跨群体的比较，fNIRS光极放置位置一致、覆盖不同参与者的相同脑区是至关重要的。实现这一目标的最简单的方法是根据脑电图的10-20电极定位系统定义的解剖位置来放置fNIRS的光极。10-20系统根据四个参考点(鼻根、枕骨隆凸、左右耳前点)之间距离的百分比，在头部表面识别与特定皮质结构对应的地标点。然而，这种方法本身仅提供了通道位置的定性评估。通过3D定位仪，可以记录光极的X、Y、Z轴坐标，将fNIRS通道注册到一个共同的大脑空间，以更准确地恢复通道所在的脑区解剖位置信息。将功能性神经成像数据配准到一个共同的大脑模板上，对于研究中组间、不同模态间、不同群体间的结果比较是至关重要的。目前，使用最多的大脑模板是蒙特利尔神经研究所(Montreal Neurological Institute，MNI)的空间坐标，它是通过在Talaraich坐标系统上的注册和一系列正常人的MRI结构像平均值创建的。对于fMRI或PET来说，将功能数据注册到MNI脑模板是非常容易的，因为可以获得大脑的结构图像。然而，fNIRS数据只能从皮层表面采集，并不能采集解剖图像。为此，研究人员提出了几种方法.简单地说，首先，fNIRS通道的空间配准是通过每个个体的结构MRI进行的，通过严格的整体旋转和平移，将数字化的fNIRS探测器位置转换到MRI空间。在被试的MRI空间中，fNIRS的位置从头部表面对应到大脑皮层。其他方法包括利用大脑的光学特性重建功能性图像。然而，为了在个体之间进行通道上或脑地形图上的比较，有必要将单个参与者的MRI坐标归一化到标准MNI大脑中。通常，这是通过将结构MRI标准化到MNI模板中，然后将逆变换矩阵应用在fNIRS光极上来实现的。由于MRI扫描并非总适用，而且价格昂贵，会降低fNIRS在经济成本方面的优势，新的方法已经被开发出来，即将数字化的fNIRS光极位置注册到标准的MNI空间上，而不需要对每个人进行MRI扫描。最近，这些方法得到了进一步改进，变得完全独立，不需要使用3D数字化仪。一旦fNIRS光极注册到MNI模板上，就可以进行群体之间、研究之间和模态之间的比较。如果通道被放置在一个相似的位置，并且重叠于不同个体的同一个大脑解剖区域，就可进行通道方面的比较。然而，由于参与者头部大小和形状有偏差，可能导致光极所覆盖的解剖区域并不相同，进而影响到群体层面的通道分析。另外，关注宏观解剖区域的脑图谱（如自动解剖标记图谱）可被用于定义兴趣区（ROI），并通过考虑ROI内的一组通道而非单个通道来增加测量的复现性。这些方法在fNIRS数据分析的主要软件中执行，如Homer2，SPM-fNIRS工具箱，以前版本的NIRS-SPM和POTATO。
表6.在自然环境中使用fNIRS的挑战和推荐的解决方案
结论
近年来，认知神经科学家的研究重点明显转向了现实生活中大脑活动的监测，特别那些在控制严格的实验室环境中难以研究的认知功能。由于可穿戴fNIRS等新仪器的出现，这些方面的研究得以实现。
总之，本文为未来在更生态有效的环境和户外环境中使用可穿戴fNIRS设备进行神经科学研究奠定了基础，从基础入手，通过一系列原理论证实验，论证新一代可穿戴式近红外光谱仪的可行性。在分析了这项新技术的优势和局限性后，我们相信可穿戴fNIRS可以在许多不同的领域得到应用，解决以往技术无法研究的问题。现在，随着fNIRS在技术上和概念上的发展，认知神经科学的神经成像可以从实验室转移到生活中。
脑电及红外、眼动：
重庆：
第十八届近红外脑功能数据处理班（重庆，12.7-12）
第二十届脑电入门班（重庆，11.8-13)
北京：
第四届脑电机器学习班（A版本，北京，11.17-22）
第一届R语言统计班（北京，12.8-12）
第二届脑电机器学习数据处理班（B版本，北京，12.28-1.2）
第十九届近红外脑功能数据处理班（北京，1.4-8）
第十一届眼动数据处理班（上海，11.9-14)
第二十一届脑电数据处理入门班（上海，12.9-14）
第三十五届脑电数据处理中级班（上海，1.10-1.15）
南京：
第十七届近红外脑功能班（南京，11.19-24）
第三十四届脑电数据处理中级班（南京，12.23-28）
核磁：
第二十届脑影像机器学习班(重庆，12.21-26）
第四届脑网络数据处理提高班（南京，11.9-14)
第二届任务态功能磁共振提高班（南京，11.30-12.5）
第四十九届脑影像基础班（上海，11.16-21)
第十九届脑影像机器学习班（上海，11.23-28）
第一届脑影像机器学习提高班（上海，12.15-19）
第十届磁共振ASL数据处理班（上海，11.29-12.2）
第二十五届脑网络数据处理班(上海，12.3-8)
第四届DWI数据处理提高班(上海，12.22-27）
第十届小动物脑影像班（上海，21.12.28-22.1.2）
北京：
第十六届脑影像结构班(北京，11.11-16)
第五十一届脑影像基础班（北京，11.25-30）
第二十一届DTI数据处理班（北京，12.2-7）
第十一届任务态功能磁共振数据处理班（北京，12.15-20）
第五十二届磁共振脑影像基础班（北京，12.21-26）
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
