近红外数据处理过程

功能性近红外脑成像技术(fNIRS)变得越来越流行,越来越多的研究人员发现了fNIRS的优势及其许多应用。优势内容,可以参考之前写过的与其它技术的对比《 EEG vs MRI vs fMRI vs fNIRS》,对于应用部分,fNIRS的应用已经数不过来了,有医学诊断领域的《fNIRS | 大脑活动可以揭示自闭症特征的严重程度》,也有很多基础研究的,比如:fNIRS与超扫描、fNIRS与虚拟现实、fNIRS作为驾驶研究的工具、fNIRS用于神经经济学和神经人体工程学研究、fNIRS与认知科学等等。

结果,关于分析fNIRS数据的适当方法也有了更多的发展。当前,有很多方法可以分析数据,借助厂家的分析软件或开源独立的工具箱和Matlab工具箱等。在脑成像的数据结果处理中,可以说没有绝对的标准流程来进行,每个人可以有自己的处理方式,不论是EEG/ERP还是fNIRS的数据亦是如此,但是在预处理阶段,还是很有共性的,该处理的步骤还是需要进行处理的。今天我们就来简要谈谈预处理 阶段的处理过程。

工具箱:请参考文章《 fNIRS分析工具箱》,当然处理文章中提到的工具箱外,还特别推荐NIRS-KIT和FC-NIRS,它是中国人开发的免费工具箱,比较力荐。

在之前我也转载了UCLA发布在油管上的整套fNIRS技术的采集到数据展示的视频,可以参阅一下,《 近红外视频学习笔记系列教程完结

一般的工作流程:

每个工具箱都以各自不同的方式处理,步骤的顺序并没有统一的规定,可能在每个工具箱也有所不同,但是大体上的工作流程都差不多,在这里我仅描述建议的操作顺序:

1.采集数据过程

依据各厂家设备而定,基本上会涵盖实验设计部分和头皮定位问题,实验设计部分可以参考之前发布的文章《近红外脑功能成像实验设计(2)》,定位问题除了常规的10-20系统外,还建议阅读朱朝喆老师最近发布的经颅脑图谱定位参考。

2.数据格式转换问题

每个厂家所自带的格式均有所不同,例如日立的.csv、岛津的.txt、NIRX的文件夹或.nirs等,但基本上都包含了原始光学数据,通道位置,数据时间戳和可能的事件标记等。在openfnirs.org网站上,它有一个标准的格式.snirf,它其实是Homer3工具箱的通用格式,因此如果你想使用它来进行预处理的话,就需要进行数据格式的转换,可以参考我之前写过的Homer2的教程—《近红外分析软件Homer2教程》以及《 Homer3简介和使用

3.数据预处理

3.1伪影处理

虽然fNIRS的设备都有比较好的抗干扰能力,但是在采集过程中,同样也不可避免的一部分数据也会被伪影干扰,这些伪影可能是系统性伪影(心跳、呼吸灯),也可能是外在因素(运动),具体可以参考文章《 fNIRS近红外光信号质量影响因素》。这两种不同的伪影需要对数据质量的好坏进行判断,第一步就需要对变异系数进行判断以删除信号不好的通道;第二步就通过卡阈值的方法进行手动剔除和自动检测剔除。后面就可以通过样值插值的方法进行补救数据。可以参考Homer2里的函数部分。

3.2 滤波

对数据滤波是一个非常常规的操作,目的就是去掉不需要的频率信号并保留属于fNIRS的频率信号,这里跟EEG一样同样有多种过滤器类型可供选择,但是在大多数文献和软件上自带的过滤频段集中在0.1Hz以下,为什么是这个数值?可以参考文献《Current Status and Issues Regarding Pre-processing of fNIRS Neuroimaging Data: An Investigation of Diverse Signal Filtering Methods Within a General Linear Model Framework》这里阐述了过滤器的不同选择

3.3 分段

这个操作跟做ERP很类似,如果是任务态的数据,基本上都会打marker,以提取相同刺激类型的血流动力学数据,通过叠加平均获得总体的效果。通常情况下,取刺激前5-10s和后10-20s为节点进行。

3.4 基线对比

在很多时候,近红外的数据分析是相对比对基线的变化量进行的,为什么会这样呢?一个重要的原因是,当前使用的近红外基本上是通过连续波发射的红外光,仅能测得当前区域的相对血流响应的变化,因此,确定好基线是一个非常重要的过程,不论是采集过程还是数据分析过程。参考文章《 fNIRS中基线的做法和注意事项

3.5 将光密度转换为血氧浓度数据

修正版的Lambert-Beer定律将fNIRS设备测得的光密度转换为含氧血红蛋白和脱氧血红蛋白浓度的相对变化。

4、叠加平均(Block Averaging)

对于任务态数据的常规做法,查看随时间变化的血氧动力学变化。

5、统计分析(SPM)

它其实是参考了fMRI的分析方法,统计参数映射是指用于测试有关功能成像数据的假设的空间扩展统计过程的构建和评估。其实就是把将空间位置与血液动力学的信号相结合,查看每条件下的激活区域,展示大脑区域。这一部分还很重要和稍有难度,从这里得出相对应beta值后,就可以进行后面统计学效应分析,得出P值,那你的实验部分就大功告成了,希望都能得出小于0.05的p值。

fNIRS公共数据集搜索方法:https://7988888.xyz/eegdata/

谢谢大家观看,如有帮助,来个关注或者转发吧!

本文作者:陈锐

最后更新于