近红外脑成像出版物手册
2023-02-07 来源:本站 点击次数:2542
近40年来，功能近红外光谱（fNIRS）在神经科学中的应用不断扩大。如今，它在不同人群中得到了广泛的应用，并利用了各种各样的实验范式。随着研究方法的快速增长和多样化，方法呈现的方式出现了一些不一致，这可能会使研究的解释和复制变得不必要的挑战。因此，功能性近红外光谱学会（Society for Functional Near Infrared Spectroscopy）已被激励组织一个具有代表性（但并非详尽无遗）的领域领导者小组，就描述fNIRS研究中使用的方法的最佳实践达成共识。这篇论文旨在提供指导方针，帮助提高报告的fNIRS研究的可靠性、可重复性和可追溯性，并鼓励在整个社区采用最佳的标准。为此我们提供了一份检查表，以指导作者编写手稿，并在评估fNIRS论文时协助审稿人。
1 动机
功能性近红外光谱 (fNIRS) 是一种无创、易于使用和便携式的脑成像技术，可以在实验室和现实环境中研究正常的脑功能和疾病中出现的改变。1977 年，Jöbsis 首次使用该技术无创地评估过度换气导致的人脑氧合变化。从那时起，该工具已发展成为一种成熟的无创脑成像模式，并已广泛应用至不同的人群和研究问题中。
随着商业 fNIRS 系统的日益普及，在过去的二十年中，fNIRS 研究的数量急剧增加。这种快速增长导致这类研究中的方法实践、数据处理方法和统计分析存在巨大的多样性。 虽然研究方法的多样化在这个快速发展的领域中是值得期待和欢迎的，但它会给不同fNIRS研究中结果的解释、比较和重复带来挑战。这种神经影像数据分析中缺乏标准化流程以及由此导致的研究结果差异并非 fNIRS 社群独有，功能磁共振成像 (fMRI) 社区也存在这种问题。且这个问题因报告实践不佳而加剧，可能会极大地阻碍或偏向审查过程，并大大降低给定论文的影响力和随后的可复制性。本文的目的是为研究人员提供有关如何以全面、透明和可访问的方式报告 fNIRS 研究的指南。这些指南并非旨在作为标准；相反，它们是关于如何报告 fNIRS 研究以确保实现研究结果的全面影响的最佳实践。
本文遵循典型 fNIRS 研究论文的结构，每个部分（简介、方法等）都讨论了与该部分相关的指南。 我们在附录（表 1）中提供了一份综合清单，并参考了相关部分，以便于重新阅读文本以获取更多详细信息。 值得注意的是，为简洁起见，此处介绍的与仪器相关的指南侧重于连续波 fNIRS（CW-NIRS）技术，仅简要提及其他现有的NIRS技术[频域NIRS（FD-NIRS）、时域NIRS（TD-NIRS）和扩散相关光谱（DCS）]。
2 标题、摘要与引言
2.1 好的标题和摘要结构
2.1.1 选择一个好的标题
一个好的标题对于一篇科学论文至关重要。 它应该信息丰富且具体，简短而简洁，并包含有关论文内容和主题的足够信息。 正如 Paiva 等人所表明的，科学论文在标题较短时具有更高的引用率和观看率， 不包括问号、冒号或连字符，并且是“描述结果的标题”而不是“描述方法的标题”。 例如，这种标题“使用功能性近红外神经成像研究 2 至 14 岁儿童语言发展的神经元相关性：一项新研究”就很可能不如“语言发展导致布洛卡区的大脑激活的年龄依赖性变化”这样的标题来的清晰且吸引读者。
2.1.2 将摘要结构化:清晰性与一致性
摘要是论文的高度精炼概括版本，传达了其核心发现和意义。 摘要呈现的科学质量通常是论文其余部分质量的良好预测指标。 一个好的摘要是“信息丰富的”和“激励的”。 摘要的质量与论文被引用的次数相关并在文章发表的初步阶段中起绝对性的作用。
我们建议除非期刊本身需要不同的摘要结构，否则在几句话中内隐式或显式地构建类似于论文主体的摘要，即“引言”、“目标”、“方法”、“结果”和“结论”，并酌情解决部分或全部这些问题。除非期刊本身需要不同的摘要结构。
引言部分需要提供由必要的科学背景支持的研究目标，并以该目标对该领域的重要性为动力。 目标部分要列出研究的目标。 在“方法”部分，应简明扼要地报告方法学最相关的方面，例如实验设计/刺激（如果相关）、样本量、感兴趣的大脑区域、主要数据处理和/或统计分析步骤。如果是介绍fNIRS硬件或数据处理新方法的论文在方法部分应提供关键细节，例如新方法的验证等。而在结果部分，则需报告论文的主要结果，包括最相关的数值结果(例如ROI的血液动力学变化及其统计学意义)，此部分中包含的数据或者结果应与正文中报告且与其中的数据/结果相匹配。结论部分应综合对目前结果的解释与其在相关领域存在的潜在方向/意义/影响。
2.2 fNIRS论文的引言选择
2.2.1研究的范围、背景、意义和目标
对所有的研究论文来说，引言都有助于传达所报告研究的范围、背景、创新和意义。其中要包含以下部分 (1)大纲:该研究的一般研究问题， (2)回顾与本研究的中心研究问题相关的文献，突出现有知识和知识差距， (3)进行研究的动机, (4)描述研究的具体假设或是需要验证的猜想 (5)对用于验证假设的方法进行简短的总结说明， (6)说明当前研究的具体目标，鉴于fNIRS现在是一直公开的已知方法，不必严格参考基本验证论文。
对技术和方法论文的引言部分来说，应描述创新技术/方法与现有技术/方法的不同之处和原因、预期的优势以及该方法如何得到验证。
对涉及临床、神经学或神经认知问题的论文的引言来说，应侧重于研究问题如何促进我们对脑功能、脑疾病或神经认知机制的理解。
此外，如果与研究内容相关且篇幅允许，应阐明使用 fNIRS 而非其他神经影像学方式的原因。引言部分末尾对研究目标的清晰简洁陈述有助于读者建立适当的期望，这些研究目标应与实验最后得出的结论一致。
3 方法:研究的可重复性
方法部分应该使读者了解结果如何实现以及如何重现结果。它应包含有关参与者人口统计信息、实验范式的详细信息、使用的系统、数据采集的详细信息以及包括使用的统计方法在内的预处理步骤。
此部分还应包含一个或多个图片展示如下内容: (1)测量参数设置: 对测量界面/现场的高质量原始照片/图画重现， (2)头部的fNIRS光极阵列/通道排列， (3)实验方案的可视化[包含实验中的可选项]， (4)一个展示fNIRS设置足以探测到实验ROI脑区的灵敏度分析。此外，如果信号处理原理很复杂并且涉及先进和/或创新的步骤，强烈建议放入至少一个框图，该图应描述所有处理步骤以及输入和输出信号信息。
值得注意的是，有些期刊的末尾要求将方法部分作为附录。 在这些情况下，引言和结果部分只需足够的方法学信息来理解上下文，而无需深入研究方法学细节。
3.1 被试
3.1.1 人类被试
被试通常用一组最相关的人口统计数据和临床特征(如果合适)来描述。这些数据包括参与者的数量、年龄的平均值和方差，精确的年龄范围（例如，新生儿的小时数，婴儿的月数和天数）以及性别分布等。同时对被试进行筛选排除的条件也需列出(如病理特征/母语等)。也可以说明其他与实验相关的特征，例如惯用手、种族、社会经济地位等。值得注意的是，报告种族分布可能是相关的，特别是如果它与进行研究的地点的人口预期不同。fNIRS信号质量可能取决于头发特性（颜色、厚度和密度）等。有偏见的对参与者进行选择可能导致 fNIRS 神经影像学结果缺乏普遍性。对于多组对象的研究，应描述对其分组分配的标准与流程。
对于临床被试来说，疾病相关信息的数量取决于论文的重点。作者应在文章中简要提供关键特征并在参考（补充）中呈现所需的流行病学/病理学细节。 通常，表格会列出自发病以来的时间、脑损伤/功能障碍的原因（例如，缺血性心源性左大脑中动脉卒中）以及相关的临床发现等信息（例如，残余失语）。
对于特定人群，如果适用且可用，报告与整体生理适应性或评估的特定病理学相关的参数或生物标志物可能是有用的，例如血液标志物（例如，贫血，这可能导致改变或意外结果）。
如果某些被试的数据被排除在最终分析外，则还应提供最终样本的人口统计数据以及数据拒绝标准。 为了确保透明度和防止有偏见的选择，还需要在对数据处理过程中的什么时间点应用了不同的拒绝标准以及它们是分批应用还是逐个应用进行说明。
此外，必须提供有关伦理问题的信息，包括评估和批准研究方案的机构审查委员会 (IRB) 的名称、遵循的伦理程序（例如，获得知情同意、轻微同意和/或父母许可）以及作为临床研究注册的链接（如果存在）。
3.1.2 样本量和统计效能检验(Power analysis)
适当的样本量/被试的数量对于任何 fNIRS 实验都很重要，但没有固定的规则来确保其统计意义上的有效性。确定样本量的一种实用方法是执行功效/效能分析，它被用来估计在预设情况下功效水平 (1 - β)（即1-II 类错误的概率，通常设置为 0.8）和 α（I 类错误的概率，通常设置为 0.05)的效应量。功效分析报告通常包含样本量（先验功效分析的必要样本量和后验功效分析的实际样本量）、功效（a先验功效分析和后验功效分析的实现功效），使用的 alpha 水平，选择的效应大小及其理由（例如，先前的研究或试点研究），假设检验的相关统计检验，以及相关引用用于执行功率分析的平台等因素。
3.2 实验参数和设备
3.2.1 实验设计
在设计实验范式时，必须考虑 fNIRS 信号的一些细节。例如，生理混淆在 fNIRS 信号中占主导地位（参见第 3.5 节），这意味着每个刺激条件几乎总是必须重复多次才能解决功能反应。同时，如果要对数据进行块平均，则血流动力学响应的时间特征会限制连续刺激之间的间隔持续时间。还需要考虑与刺激在时间上相关的生理混淆。例如，如果参与者的呼吸模式定期呈现，则它们可能与刺激块对齐。这可能会增加假阳性反应。19 这些问题可以通过深思熟虑的实验设计来减少预期效应，例如，通过伪随机化条件顺序和刺激间隔的长度。在描述研究的实验设计时，这些考虑可能会提供信息。
对实验设计的准确描述对于读者的理解至关重要—这关乎fNIRS 研究的结果和工作的可重复性。任何可能影响结果或其解释的实验特征都应在方法部分报告，建议尽可能加入包含实验范式的示意图。
绝大多数 fNIRS 范式属于以下三类之一:用于功能连接研究的组块设计、事件相关设计和静息状态范式。 在不包括对参与者的明确刺激的静息状态范式的情况下，可以通过记录持续时间的细节来恰当地描述范式； 参与者所处的环境（例如，照明条件、听觉条件、睁眼/闭眼、视野中的物体或显示器等）； 以及给参与者的任何指示（参见第 3.2.2 节）。
应该为组块和事件相关的范式另外报告的特征包括：刺激、条件的数量、每个条件的块或试验的数量、块或试验的呈现顺序、每个条件的持续时间块或试验，以及块间或试验间间隔的持续时间。提供刺激时间和示例的草图（例如，描述视觉刺激帧的静止图像）可以提供大量信息。图1显
示了一个示例。
图 1 实验范式可视化范例:n-back范式的示意图。每个实验由 30 个block组成，block间间隔为 15 秒。 每个block有 15 次trial，并以屏幕上显示 2 秒的任务指令“n-back”开始。 指令结束后，屏幕上会显示字母，一次一个，持续 0.5 秒。 trial间隔为 1.5 s，在此期间屏幕上显示注视十字。 参与者被要求指出当前字母是否与之前呈现的“n”个试验相同。
3.2.2 被试引导/培训与互动
fNIRS 论文应清楚地描述向参与者提供的有关任务的引导指示。这些信息通常在解释神经数据的过程中至关重要。例如，关于学习刺激集的明确指令与对相同刺激集记忆的内隐指令会诱发不同的注意/动机/学习机制。因此，需要提及与参与者如何构思和完成任务相关的方面，例如，反应的时间限制、显性或隐性任务、任务目标的描述等。同样，给予参与者的反馈或其他激励措施也需要说明，因为这可能会改变他们执行任务的注意力或动机。在数据采集过程中可能影响参与者表现的实验条件，例如设置程序过长、在昏暗/黑暗的照明条件下采集、环境干扰等其他影响因素也需要报告。
3.3 设备系统与数据采集
3.3.1 fNIRS设备和数据采集参数描述
fNIRS 研究领域在技术创新和神经科学应用方面都在迅速扩展，从而导致了各种商用和定制内部开发设备的出现。
仪器的不同之处不仅在于其基本的硬件操作模式，还在于用于回收血红素、氧合血红蛋白和脱氧血红蛋白（因此也包括总血红蛋白）的方法程序，除此之外在细胞色素c-氧化酶22浓度变化或反映它们的光信号的计算方式上也都有所不同（分别缩写为HbO2、Hb、tHb和CCO）[值得注意的是，其他首字母缩写词（例如HbO/HbR/HbT，O2Hb∕HHb∕tHb，或氧血红蛋白/脱氧血红蛋白/总血红蛋白）也是常见且可接受的]。因此，必须准确报告仪器规范的基本方面。虽然大多数商用fNIRS仪器是连续波的，但它们不一定使用相同的近红外（NIR）波长或相同的算法来恢复血红蛋白浓度。此外，大量定制的fNIRS仪器倾向于采用TD-NIRS(时域)、FD-NIRS(频域)、或高密度（HD）技术等技术，这些技术与当前的商业仪器有根本性的区别；这是一个非专业用户几乎不知道的事实。
准确报告相关仪器规格将有助于更好地解释与复制结果，并提高研究的透明度。在描述fNIRS设备规格时，出版物应明确报告以下信息：（1）制造商和版本，（2）操作模式（CW、FD和TD），（3） 波长的数量和光谱，（4）辐照度（暴露区域内的光源功率）或平均功率或两者[应注意光源暴露符合ANSI（美国）或IEC-60825（欧洲）等安全标准]，（5）采样率、光电二极管的数量和类型以及产生的通道，和源-检测器距离，以及（6）将数据转换为生色团浓度的方法（如果由仪器软件自动完成；否则将在数据分析部分报告）。这些信息可以用一个简短的总结句给出，例如“我们使用了一个NIRSdev（NIRScomp，国家）连续-近红外设备，具有24个活动通道（8个激光二极管发射器，λ1/2=750/850 nm，平均功率<1 mW，以及8个雪崩光电二极管探测器（以50 Hz采样）。使用改进的比尔-兰伯特定律（mBLL）将数据转换为浓度变化。
”应报告转换的所有假设（固定散射和水浓度）和参数[如消光系数和微分路径长度因子（DPF）]，包括如何解释DPF的变化，例如在婴儿发育的纵向研究中。还可以报告所选参数的参考。如果使用FD或TD装置，则应说明获得吸收和散射系数所采用的程序。
3.3.2 光极阵列和设计、采集帽与目标大脑区域接触问题
fNIRS 测量的可重复性在很大程度上取决于对蒙太奇设计（几何形状）和源-探测器阵列位置的清晰记录。尽管 fNIRS 技术正在迅速发展，但大多数 fNIRS 研究仍然被仪器有限的视野和/或通道密度限制，因此头皮上的源和探测器的布局因研究而异。许多 fNIRS 设备配备了可灵活布置的成套光源和探测器或“光极”。还有的则带有预设好的光源和探测器垫(排列)，或者可以自由定位但不能重新组织的固定分布。因此，有必要为所描述的fNIRS研究提供其光电极位置和布置，由于fNIRS测量高度依赖于fNIRS源和探测器阵列的位置、范围、源-探测器分离和密度，因此这一过程非常关键。这些因素影响测量对给定皮质区域的灵敏度、大脑和脑外组织对每个信号的相对贡献，以及整个视野中测量灵敏度的均匀性。数字头部模型（虚拟模型/模拟）可用于理解特定于设备的近红外光传播，这对于设计下一代光学脑成像设备和光电二极管阵列至关重要。蒙特卡罗模拟提供了一种用于表征和评估不同fNIRS传感器配置和参数的贡献的一种受控参数，如光程长度、探测器表面积和源-探测器分离。
在出版物中报告阵列设计时，强烈建议包括一份阵列图(蒙太奇)，其中包含：（1）源和探测器位置的总数；（2） 频道总数；（3）源-检测器分离的分布。在可能的情况下，拍下光极序列在被试身上的照片也是可行的。这可能会提供有关阵列的物理设计和人体工程学的额外信息。图2显示了一个示例。
图 2 使用 12/14 源/检测器设置的光极阵列示例，在前额叶皮层上形成 34 个通道，间距为 30 毫米。 以 log10 mm−1 为单位的灵敏度曲线。 使用 AtlasViewer.14 进行可视化。
3.3.3 关于仪器/硬件开发的出版物
随着全球fNIRS仪器新设计和创新的不断进步，需要具体的指导方针和标准化来简化工作，加快新技术的采用。这些工作可以通过首先在设备规范中推广使用标准命名约定来促进（见表2中的样本命名法）。虽然对于旧设备，参考描述设备的论文可能就足够了，如果论文的重点是介绍新技术，则对新设备的描述应包括: (1)描述连接和控制机制的硬件框图，(2)软件流程图，描述信息流、硬件组件控制和数据采集协议， (3)光源和探测器的类型，(4)为防止外部污染和通道间串扰（如时间复用、频率复用或两者的组合）而采取的措施(如果有)，(5)关键部件和单个零件号的电路图。如果使用数字头部模型来指导硬件设计，则应适当引用这些模型。
对光源类型的描述应包括(激光/LED)，特殊的波长和单位面积发射功率(例如:0.2W/cm2)都需要报告——用以评估设备的安全级别和潜在分类。同时也应强调眼睛和皮肤的近红外光照射（如果需要，防护装备后的照射）应保持在普遍接受的安全规范范围内，如激光产品安全国际标准或灯具和灯具系统光生物安全国际标准。
对光检测器类型的描述应包括（例如，pin光电二极管/雪崩光电二极管/光电倍增管/单光子雪崩检测器等）、以及其配置（例如，单像素光电二极管、光电二极管阵列、成像电荷耦合器件等），应注意其特定波长（增益、噪声系数和噪声等效功率）的感光度曲线，以及与皮肤接触方式（直接接触、使用光导或光纤）。
对于fNIRS仪器的开发商和制造商，尤其是监管部门的批准，必须了解最近发布的国际电工委员会（IEC）/国际标准化组织（ISO）fNIRS设备标准（IEC 80601-2-71），60601医用电气设备标准系列中的特定标准。与任何电气仪表一样，产品安全测试应独立认证（例如，美国的保险商实验室UL认证、欧盟的消费电子产品CE认证、日本的产品安全电器和材料PSE认证，以及中国的强制认证CCC认证）。对于大学培养体系，这可以通过当地的医院生物医学工程部门来完成，这些部门在用于人类之前测试这些研究设备的电气安全性。
对于大学研究体系来说，在临床/研究研究中使用新的光学脑成像设备只需要获得当地伦理委员会的批准。对于诊断或治疗等最终临床应用，需要进一步的监管批准（例如，美国的FDA、欧洲的EU MDR、日本的《药品和医疗器械法案》PMDA，以及中国的国家医疗产品管理局NMPA，前身为CFDA）。
为了在临床研究中实现可比性和可靠性，基于专用模型的fNIRS仪器的标准化性能评估应该是仪器开发论文的重要组成部分。上述IEC 80601-2-71标准还包括对混浊模型的若干性能测试。主要在于对fNIRS平台的测试，包含该平台是否具有用以产生与HbO2和Hb的特定变化相对应定义衰减变化真实的整体衰减和可变的内部孔径等。本标准中描述的其他基于模型的测试包括信号稳定性、响应时间、信噪比（SNR）和信号串扰。
基于多实验室共识建立工作的多个协议促进了扩散光学仪器和方法更全面的性能表征和比较[例如，用于疾病诊断和监测的光学方法（MEDPHOT）协议，基本仪器性能（BIP）协议，以及通过脉冲近红外光（Neuromit）协议对大脑功能和疾病进行无创成像。nEUROPt协议是专门针对fNIRS仪器的方案，旨在表征仪器的对比度、对比噪声比（CNR）、横向分辨率、深度敏感性和大脑吸收变化的量化。它由均匀混浊的、带有小黑色内含物的系统构成，例如，一个固体-固体可切换的模型和两个分层的模型。据报道，其他fNIRS模型模拟HbO2和Hb浓度的时间变化，例如通过电致变色可变吸收体或可移动层。用于组织血氧仪测试的含Hb的可变氧合模型也应能够定量评估fNIRS信号质量。创造这种解剖学上逼真的动态模型可能是一项挑战，但也是可以实现的。
描述仪器开发的论文应报告所执行的特定模型测试的以下数据：模型类型、其光学和几何参数、测试安排，包括源-探测器距离，以及测试结果。有关示例，请参见参考。
尽管商用fNIRS设备很少附带模型，但fNIRS仪器的开发人员和制造商可以受益于采用基于模型的常规质量检查测试的既定指南。全面检查信号幅度的可重复性有助于识别诸如光纤断裂和光源或探测器退化等问题。如果制造商建议进行基于模型的常规试验，则应报告制备和表征模型所采用的程序。
3.4 预处理步骤
为了便于对实验结果进行重复，并确保在分析过程中不会跳过重要的处理步骤，方法部分应包括所有数据分析步骤的详细说明。图3总结了fNIRS数据分析原则中的主要预处理步骤，以下各节同样也给出了方法部分中应呈现的预期详细程度。
图3元素fNIRS预处理步骤概述。浅蓝色圆形箭头表示常规处理顺序。并非所有步骤都是存在或必要的。
3.4.1 fNIRS信号质量指标和channel抑制
fNIRS数据分析中的一个重要预处理步骤是对每个通道的原始信号进行信号质量检查。fNIRS信号中的噪声可能来自测量系统（例如，由于光源不稳定、电子噪声和散粒噪声），我们称之为“噪声”，也可能来自生理原因或头部/身体运动，我们在论文中称之为“混杂信号”或“混淆信号”。
fNIRS对噪声的信号质量检查可以通过简单的SNR检查或通过频谱分析获得每个通道的心脏功率来测试。当采样率相当高（例如，10 Hz）时，心跳是光级头皮耦合的良好指示器，因此是fNIRS信号的良好质量控制指标。因此，方法部分可以包括SNR阈值（例如，>20db）和心脏功率阈值的指示，用于拒绝进一步分析的数据信道。由于不同的测量通道可能不符合不同参与者的标准，因此还应报告每个通道的剩余参与者人数，以避免对结果的任何误解。
特别是在fNIRS中，由于各种类型的混杂信号和噪声，重要的是要了解指标SNR、CNR和对比背景比（CBR）之间的概念差异，并明确使用这些术语。术语SNR应用于量化仪器fNIRS信道的信号质量。它是根据固定时间窗口内测量的原始光强度计算得出的，表示为SNR¼20 log10Þ，其中μ对应于信号的强度偏移（dc分量），σ对应于信号的方差（ac分量）。当提取的血流动力学响应强度与背景混杂信号或测量噪声有关，因此取决于信号的特定预处理时，使用对比度指标（CBR/CNR）。有关这些指标的更多详细信息，请参阅参考。
3.4.2 运动伪迹
fNIRS信号可能包含尖峰或基线位移形式的运动伪影，尤其是在从非常规人群收集的数据中，如婴儿（见第3.6.7节）或在需要运动（行走或说话）的实验任务中。在这种情况下，可以识别运动伪影并从分析中删除相邻试验，或者可以使用先前文献中的许多运动伪影校正算法。
在任何一种情况下，都应报告运动伪影和相关参数的处理和校正（例如，识别运动的阈值、校正方法的特定参数）。此外，由于前一种方法（即识别和移除与运动伪影重叠的试验）将减少试验中的试次数量，因此应报告剩余试次的数量。最后，运动伪影消除算法的输出需要通过评估算法性能的理论和经验方法进行验证（参见如何验证新算法的示例）。
3.4.3 矫正后的比尔郎伯定律/参数和修正
通过mBLL(矫正后的比尔朗博定律)，光密度或吸光度的变化可以被转化为血红蛋白细胞HbO2和Hb的变化。然而，在连续波近红外光谱中，探测到的光子所经过的平均路径长度是未知的。在高散射介质中，轨迹的路径长度比源-探测器距离的路径长度长。通过将源-探测器距离乘以通过FD-NIRS或TD-NIRS实验获得的DPF，可以估计整个采样区域内的光程长度。因此，在报告时，一种选择是使用DPF（取自文献）并以摩尔浓度单位（例如μM）报告生色团浓度变化的结果。该选项考虑了波长和源检测器距离对路径长度的依赖性，因此，比较来自不同分离渠道的信息时更合适。当DPF数据不可用时，研究人员可能会依赖另一种选择，即不使用平均路径长度从比尔-兰伯特定律中提取浓度变化。在这种情况下，信号变化表示为浓度变化和平均路径长度的乘积，单位为（摩尔浓度×距离），例如μM-cm或μM-mm。当使用单个分离时，后一种方法可能是合适的，但对多个分离有限制。
值得注意的是，发色团浓度的变化可能会因处理方法、是否应用校正以及应用校正方法的不同而显著不同。例如，对于同一测量通道，所产生的HbO2浓度变化可报告为：40μM mm，无需任何校正；当使用微分路径长度校正系数6和源-检测器距离30 mm进行路径长度校正时，可报告为0.22μM。在所有情况下，应说明选择方法和相关参数（如DPF），并提供引文。当呈现浓度变化结果时，应清楚地标记其单位。
3.4.4 混杂系统信号对fNIRS的影响
从光源到探测器的近红外光探测大脑皮层，但在更大程度上也探测脑外组织层。脑外组织（尤其是头皮）的血流和氧合变化会影响fNIRS信号，并导致对测量信号的潜在误解。此外，全身生理变化也会影响脑血流动力学。生理干扰的主要来源有两个（1）二氧化碳分压（PaCO2）/全身血压节律/自主神经系统和交感神经系统相互作用引起的脑外和脑组织心率和血管张力变化（2）头部运动、咬牙或扬眉引起的血流和氧合变化。
忽略生理混杂效应可能会导致假阳性，即错误地将检测到的血流动力学变化分配给功能性大脑活动，或导致假阴性，即在存在时掩盖大脑活动。因此，建议采用系统生理学增强fNIRS方法，同时测量这些系统参数。另一方面，识别和分离系统生理学中的这些变化，可以对大脑血流动力学的复杂调节提供创新性见解，例如，涉及特别对神经元活动或系统生理学变化做出反应的网络。fNIRS（预）处理的大部分工作集中在分离或拒绝混杂信号上，可以采用多种策略，最突出的是通用线性模型（GLM）。本节将再次详细讨论此主题。
3.4.5 统计检验和去除混杂信号的策略
fNIRS研究的目的通常需要以下集中统计检验内容来进行下一步解释：(1)比较大脑对任务和基线的反应，（2）比较不同任务期间的大脑反应，（3）大脑内部或跨脑区间的血流动力学信号之间的相关性。这些测试结果受到fNIRS数据特定噪声结构的高度影响。由于强烈的生理成分（心脏、呼吸和血压变化），fNIRS数据中的噪声具有频率依赖性（有色）和相关性。由于这些特征违反了GLM中的主要假设，即噪声不依赖于频率（白色）且不相关，因此在采用GLM分析之前，有必要（1）对数据进行预滤波，以消除混淆信号，如生理混淆和运动伪影，和/或（2）预白信号，和/或（3）对信号进行预着色。作为预美白方法的一个例子，可以使用自回归模型估计fNIRS数据的内在时间相关性。然后在广义最小二乘法中使用时间相关估计的反演来获得GLM参数的无偏有效估计。另一方面，预白化方法中的这种反演对时间相关性的正确估计很敏感。因此，作为替代方法，可以使用时间滤波器（平滑）矩阵来估计fNIRS数据的时间相关性。当对fNIRS数据应用具有足够大内核宽度的低通滤波器时，这种预着色方法是有效的。然后，可以对时间平滑的数据应用最小二乘法，并将GLM扩展为包括滤波器矩阵。这个过程产生无偏的参数估计，但不能保持其最大效率。在所有情况下，应明确说明选择的方法和预过滤步骤。
3.4.6 滤波和漂移回归
信号中的高频成分，如仪器噪声和心脏搏动，通常使用低通滤波器（例如巴特沃斯滤波器或切比雪夫滤波器）去除。但如果低通滤波器阈值太低，ROI的大脑反应也会被消除，因此应谨慎选择（通常为0.5 Hz或更高）。另一方面，可以使用高通滤波器去除信号中的低频成分，可随之而来的首要问题是使用过高的值作为阈值可能会去除实际的期望大脑信号，尤其是当实验任务块的持续时间与高通阈值相当时（例如，0.05-Hz高通滤波器与20 s的刺激持续时间）。在对实验进行描述时应说明应用的滤波类型、滤波器的阶数（如有）和截止频率（例如，截止频率为0.01至0.5 Hz的三阶零相位巴特沃斯带通滤波器）。
其次，了解相位响应至关重要，因为具有非线性相位响应的滤波器会使信号失真。有限冲激响应（FIR）滤波器具有线性相位响应，可在离线和在线（数据采集期间）安全应用，而不像无限冲激响应（IIR）滤波器（例如巴特沃斯），后者需要零相位校正，并且只能在离线应用，因为校正需要一次获得整个信号。
3.5 fNIRS信号中的生理学信息: 优化策略
3.5.1 提高大脑活动测量可靠性的策略
由于fNIRS信号中存在生理混淆，因此不建议报告仅使用长分离通道测量的信号的结果，也不建议报告考虑可能的混淆系统生理变化的数据处理，尤其是在大脑外组织覆盖较厚的成年参与者中。图4显示了fNIRS仪器（与使用的源-检测器布置有关）与测量大脑（大脑皮层）真实血流动力学变化的可能性之间的关系。此表格适用于使用CW连续波近红外仪器的情况。
在以下情况下，检测到大脑活动相关变化的可靠性较高:（1） 可以排除系统生理学的显著变化，（2）使用对深度敏感的多距离fNIRS方法，并以过滤大脑外层变化干扰的方式处理数据，或（3）CW-NIRS设置仅用于每个通道的长源-检测器分离，但对信号进行特定的信号处理，以减少脑外组织的干扰影响。在没有短分离通道测量的情况下，大量通道或系统生理学的额外测量信号协助优化数据。以下各节总结了这些策略的既定方法
图4测量大脑皮层真实血流动力学变化的可靠性由fNIRS测量的深度敏感性和混淆的系统生理信号的影响决定。(a)评估获取脑信号可靠性的检查表，(b)影响获取脑源性信号可靠性的方法学因素。
3.5.2 策略1: 通过仪器和信号处理提高深度灵敏度
这种方法需要扩展fNIRS测量设置，以使测量对深度敏感，例如能够区分脑外和大脑各层的变化。为了提高深度灵敏度，fNIRS设置应包含具有不同长度的源-检测器分离的光学通道，尤其是短的（图4）。短分离通道（<15 mm，最佳距离∼成人和成人8毫米∼4至5毫米（婴儿）对脑外组织层的血液灌注和氧合变化最为敏感。
在使用 CW-NIRS的情况下，短和长分离通道的并行使用最大限度地提高了对大脑皮层的敏感性，同时最大限度地降低了对脑外层的敏感性。 使用短分离通道进行的此类测量能够从长分离通道中回归出大脑外层的信号变化，这种方法通常被称为“短分离回归”，由 Saager 和 Berger 开创。还有几种方法被开发用于回归，包括最小二乘算法和各种类型的自适应滤波或卡尔曼滤波。最近一个有希望的发展是将GLM与时间嵌入典型相关分析结合对fNIRS数据进行分析。之前的研究证明，短分离回归降低了血流动力学反应的试次间变异性，并降低了发生在脑外层强烈血流动力学变化的影响。
其他对深度敏感的仪器包括：(1) 多距离测量，它使用扩散理论和来自多个源-探测器分离的信号斜率，(2) 扩散光学断层扫描 (DOT) {其他首字母缩略词 [例如，扩散光学光谱 (DOS)， 近红外成像 (NIRI)、漫反射光学成像 (DOI)、近红外光学断层扫描 (NIROT) 和高密度断层扫描 (HD-tomography)] 也是可以接受的}，它使用大量通道提供深度分辨测量， 和 TD-NIRS(时域) 系统:用于测量光子的飞行时间：深度编码在光子的到达时间中，因为晚期光子在皮层中走过的路径更长，深度也就更深。
3.5.3 策略2:进行没有内在深度敏感测量的信号处理
在亚理想测量的情况下（即，只有长的分离通道可用），应努力将数据分解为大脑活动和生理混乱（图4）。一种方法是从所有通道的平均值（或中值）中用全局分量近似系统变化，并从每个通道中过滤。另一种替代方法是数据驱动的信号处理方法，将fNIRS信号分解为大脑和系统成分（盲源分离方法，例如独立成分分析和主成分分析）。
3.5.4 策略3:在fNIRS信号处理中结合系统生理学变化的测量
当有额外系统生理信号可用时（例如心率、呼吸率、呼吸量、动脉CO2浓度、血压和皮肤电导），研究者可以（1）从fNIRS信号中回归这些影响（2）详细研究这些信号与fNIRS信号的关系。例如，可以使用GLM方法来实现这一点，该方法使用系统生理信号或这些信号的线性时滞混合物作为额外的回归器。应报告此类回归器的处理和生成细节（例如，包括的信号和使用的相位/时滞）。值得注意的是，由于头皮内血管系统的异质性，策略2和策略3都有移除大脑活动或无法正确移除系统生理成分的风险。
3.6 统计和分析方法
3.6.1 血液动力学反应函数(HRF)估量: 区间(block)平均与一般线性模型(GLM)
使用mBLL计算血红蛋白浓度变化后，通常通过简单的组块间(Block)平均、卷积或线性估计模型来估计血液动力学响应函数（HRF）。GLM将测量数据表示为功能不同组件的线性组合。虽然块平均避免了对HRF形状的先验假设，但GLM允许对fNIRS信号中的不同混杂因素以及对刺激的血流动力学反应进行建模。GLM能够同时估计fNIRS成分的贡献，从而提供较少偏差的HRF估计。GLM报告应包括所有建模的回归系数及其参数，以及用于估计回归系数权重的方法（例如。，“HRF使用标准偏差为0.5 s的高斯函数建模，平均值间隔为0.5 s。回归系数的权重使用普通最小二乘拟合获得。”）。如果由于各种原因（如运动伪影污染），总试验次数比实验方案中报告的次数减少，则报告还应包括最终分析中包含的试验次数。
3.6.2 血液动力学反应函数(HRF)估量: GLM方法中HRF回归量的选择
HRF通常由固定的标准形状（如伽马函数变体）或更灵活的模型（如多个基函数的线性组合，如高斯函数）建模。
为了提高统计效能(power)，如果HRF的形状是先验已知的，则固定的标准形状是较好的。文章描写的方法应包括模型及其参数，以及在选择固定形状的情况下模型偏好的理由。然而，如果HRF的形状未知（在不同人群、实验范式、大脑区域等中），使用固定模型可能会导致其统计效能的损失，并使结果产生偏差。在这种情况下，首选灵活的模型，因为它们允许捕捉HRF的真实时间特征。
3.6.3 统计分析: 一般说明
论文中提出的主张应得到统计分析的支持。所有统计分析都与实验设计和基本假设相关联，因此，没有单一的标准化方式来描述统计分析。如果缺少部分信息，则无法验证统计方法的准确性，并且无法在研究或未来重复中比较结果。强烈建议报告效应量和置信区间，因为它们都是无样本统计量，因此可以更方便地比较不同研究。使用表格和数字来呈现统计结果可以提高可读性。
3.6.5 GLM结果的统计分析
每个通道处GLM回归器的权重通常使用最小二乘法进行估计，该方法使实际值和拟合值之间的平方差之和最小化。就最小二乘法的类型而言，普通最小二乘法基于观测值之间误差不相关的模型假设。因此，当回归模型中的残差之间存在一定程度的时间相关性时，可以使用广义最小二乘法进行预白化或预着色。 然后通过检验零假设进行统计推断，即估计系数与零假设之间没有显著差异。否定零假设表明对刺激有反应。通常，使用t检验执行单个对比（即效果的线性组合）的假设检验，而使用 F 统计量同时测试多个对比的。因此，在报告GLM分析结果时，重要的是描述对比中包括哪些回归系数，并说明应用的具体统计测试。在二级GLM分析中，可以使用固定效应、随机效应或混合效应分析来估计人口效应。与固定效应相比，随机效应模型同时考虑了变异来源(受试者内部和受试者之间的变异性),如此这样就可以对抽取样本的人群进行推断。无论哪种情况，作者都必须在论文中清楚地描述用于二级分析的方法。最后，通过在较高Z值处对测试统计量Z（例如，t或F统计量）设定阈值来评估通道特定效应的统计显著性。由于每个通道同时进行大量统计测试，多通道fNIRS系统具有I型错误（假阳性）的高风险，因此，I型错误控制至关重要。至于所谓的“多重比较问题”我们将在下一节讨论。
3.6.6 临床人群中数据处理的具体指南
虽然处理步骤与其他人群基本相同，但病理学特征导致需要和普通被试做出区分。由于临床研究通常旨在检测个体而不是群体水平的病理特征，因此证明神经典型对照和一组患者之间的差异发现的潜在病理学相关特征，并不被允许用于诊断或治疗指导。除此之外行为变化（即神经功能缺损的影响）和与疾病相关的脑功能改变之间潜在的复杂相互作用是分析中需要处理的另一个挑战。脑功能的改变可能与神经元信号传导（例如癫痫）、血管反应（例如中风/脑血管疾病）和神经血管耦合的改变（例如痴呆）有关。此外，病理学可能会改变采样组织的光学特性，包括不同层厚度的变化 [例如，萎缩增加脑脊液 (CSF) 空间] 或它们的吸收和散射特性（例如，由于蛛网膜下腔出血导致的 CSF 中的血液)。
关于临床人群数据处理的其他考虑如下:
（1） 行为的变异性：无论病理表现如何，表现较差可能导致激活程度较小。相反，为实现接近正常的任务性能而使用的额外大脑区域可能是大脑病理学的一个指标。因此，建议将表现/行为纳入分析和/或在出版物中报告。由于典型的 fNIRS 从大脑表面的非常有限的部分进行采样，因此应该精确地对性能进行记录。这允许将fNIRS数据与任务表现指标进行分解或关联，提供了一种将fNIRS结果的一般方面和任务特定方面分开的方法。（2） 临床数据整合：除了疾病严重程度外，病变部位、合并症和病前表现范围都有助于临床参与者的变异性，因此应予以报告。如果临床数据可用，最好将这些数据整合到分析中。（3） 整合共注册数据：在临床人群中，不同模式的大量数据（如fNIRS/EEG数据）产生的冲突结果通常被解释为病理改变的信号。然而，应该记住，在采样的区域或生理信号以及响应动态方面，方法学有所不同，并且这与病理学的影响有关。来自同一参与者未受影响大脑区域的参考数据可能会增加敏感性，因此应在适当的时候报告。如果将病理大脑区域或功能系统中的反应与未受影响的参考系统进行比较，结果的可靠性就会提高。
3.6.7 神经发育研究中数据处理的具体指南
对发育群体数据的分析和测试与成年人基本相同。然而，数据的数量通常较小，质量也更高。婴幼儿缺乏对指令的理解或遵守，运动控制较低，注意力持续时间较短，导致研究中的试验次数减少和/或运动相关伪影数量增加。在成年人中，损坏的数据段通常会使用周围数据或整个数据集的中心趋势进行纠正或替换（例如，通过插值），这需要足够的容量和质量。在发育数据中，这种方法可能并不总是有效的。然而，如果用于纠正的数据具有足够的质量，那么纠正方法也应该与发展心理数据一起使用。或者，可以使用数据拒绝。需要在手册中详细记录拒收程序，以避免结果出现偏差（需要报告拒收标准的详细信息、拒收数据的数量、拒收是手动还是自动等）。发育数据中较高的噪声和伪影水平也可能增加可变性，降低统计意义。尽管存在这些挑战，但fNIRS数据采集和分析在婴儿身上还是相当成功的，因为婴儿较小的头部尺寸和较薄的头骨和组织允许更深入的渗透和更好的对皮质的可见性。适合年龄的实验设计和足够的注意力吸引器也可以防止一些运动伪影和注意力限制。
3.6.8 连接性分析
功能连通性是由两个不同大脑区域的血液动力学变化的时间进程之间的时间相关性定义的。使用在两个FNIR通道上测量的信号，可以通过计算Spearman相关性、滞后相关性、互信息、熵、锁相指数、小波变换相干性等来评估两个区域之间的关系，通常在低频范围内（例如，0.009到0.10 Hz）。报告连接性分析时，应包括计算方法、感兴趣的频带、分析中应用的预处理方法，以及是否对原始信号或HbO2进行了相关分析∕Hb时间序列，以及它是半球内的还是半球间的，或者如果基于感兴趣区域（ROI），那么它是在ROI内还是在ROI之间。灵敏度分析显示了在选择不同频带时结果如何变化，这也很有帮助，并提供了对连通性测量的基本生理学的额外见解。对于动态静息状态功能连接性分析，还应报告时间窗口的持续时间和步长（例如，“使用滑动窗口相关法计算任意两个测量通道之间的皮尔逊相关系数，时间窗口为100秒，步长为5秒”)。还应报告统计测试前的转换（如Fisher z变换）、统计阈值和多重比较的校正方法。
虽然从适当的源-探测器距离测量的 fNIRS 信号确定的功能连接主要反映了婴儿的脑血流动力学变化而不是表面污染，但对于成人来说可能并非如此。这是非常关键的，因为头皮上对称的脉管解剖结构可能对长分离通道中产生的高相关性有很大贡献。虽然多个通道之间的部分相关性可能会减少表面和全局信号的影响，所以最可靠的方法是使用可以进行深度成像的仪器，如DOT或TD-NIRS。论文应报告处理头皮生理混淆的具体程序，以及该问题如何显著影响结果。讨论还应包括这样一个事实，即fNIRS不测量深层皮质区域的信号变化，因此对结果的解释总是局限于测量的皮质表面。重要的是要记住，两个紧密的fNIRS通道也可能反映出一些虚假的连通性，因为它们通过fNIRS正向模型对相同的底层皮质脑区部分敏感。
3.6.9 影像重构
DOT通过求解线性方程y＝Ax，通过称为灵敏度矩阵（或雅可比矩阵）的微分模型a，提供了从头部表面上的源探测器测量y到头部体积x内局部血流动力学变化的映射。图像重建为光学数据提供了更高的解剖学特异性，促进了解剖学参考对象的平均，以及组内/跨组和跨模态比较。报告应包含有关基于 fNIRS 的图像重建流程中以下五个主要步骤中每一个以及方法、软件和参数选择的足够详细信息:
（1） 理想情况下，头部解剖模型由被试特定的解剖磁共振成像（MRI）体积提供，如此不论默认头模与参与者配准是否良好，基于图谱的方法也可以很好地工作。该头模包含三个基本信息：头部的大小和形状、光学特性的内部分布以及光学阵列元件在表面上的位置。（2） 选定的头部解剖图被分割成一组假定的组织。需要报告这些参数以及分割方法。（3） 头部网格生成：对于任何模型，应报告标记组织区域的数量及其光学特性。（4） 光学阵列通过电磁定位或参考EEG标准（如10-20）等方法定位在网状解剖结构上。光学元件在头部表面上的真实位置的准确协同记录至关重要，因为不匹配会直接导致指向不适当大脑区域的虚假结果。（5）一旦阵列定位在组织上，通过使用 Monte Carlo 模拟（例如，使用 TOAST++ 或 MCX）或扩散近似对组织中的光传输进行建模，生成源-检测器测量的灵敏度分布矩阵(A) （例如，使用 NIRFAST）。这一步时候需要说明选择的蒙特卡洛模拟类型。 (6) 随后使用适当的正则化（例如，Tikhonov、空间变体、总变差或弹性网络）对灵敏度矩阵(A)进行反转。 目前存在多个支持图像重建管道（例如 NeuroDOT、AtlasViewer、NIRS-SPM 和 NIRSTORM）的软件套件，具有用于优化和处理的直接可调交互。所有应用的过程/方法必须明确记录，以便清晰地再现结果。
3.6.10 单试次分析与机器学习
脑机接口、神经工效学和神经反馈等领域专注于fNIRS信号的单试次和实时解码内容，且越来越多地融入机器学习相关内容。机器学习可以为大脑信号的分析和分类提供强大的工具，但这需要用户有意识地避免一些常见错误，并在确保数据科学的良好实践方面做出努力。
分类方法会使用信号中任何可辨别的诱发变化和伪影。因此由情绪或身体活动（如头皮血流）诱发的非神经元信号成分可能会导致实验的分辨性(即特异性)提高，但会显著降低受限范式之外的解码性能和导致实验结果假阳性。这种情况无疑强调了将混淆信号和大脑信号适当分离的重要性，如第3.5中所说，应明确报告仅对大脑信号进行分类以及从生理角度解释分类权重的工作。
将分析数据严格分离为训练和测试集对于避免过度拟合和报告有缺陷的性能结果是至关重要的一步。随后重要的一点是要确保在学习期间对数据的任何统计推断都必须限于训练集。这不仅包括对分类的模型选择/训练，还包括基于数据的通道或特征选择，或用于处理的线性回归和滤波设置的训练。
如果数据集太小，无法将其拆分为单独的培训和测试分区，则可以应用交叉验证方案。如果要执行附加参数的自动选择，例如fNIRS特征选择，则应嵌套交叉验证。例如，如果使用GLM方法学习回归变量，则需要将GLM嵌入交叉验证中。130在单次试验分析之前，对整个数据集应用学习过滤器或GLM会使方法的完整性失效。应报告模型和参数的培训和选择的所有步骤，以便进行方法学评估和再现性。
3.6.11 fNIRS的多模态集成
从测量互补生理参数 HbO2 和 Hb 的角度来看，fNIRS 在多模态研究中的整合使用变得越来越频繁。 从历史上看，首次同时进行的 fNIRS/fMRI 研究旨在阐明共性并改善激活过程中血红蛋白的量化。 还研究了将 fNIRS 或 TD-NIRS 与正电子发射断层扫描 (PET) 相结合的量化。 fNIRS 与 EEG 和脑磁图 (MEG) 的早期整合旨在研究神经-血管耦合过程。 这些早期研究有助于制定报告多模态研究的具体指南。
总所周知，多模态研究的实际困难和成本要远远高出单fNIRS研究。 因此，任何多模式 fNIRS 研究都应首先描述将 fNIRS 与另一种模式结合的动机，这些模式通常属于以下四个主要类别之一：(1) 提供更好的脑血流动力学和氧合定量（例如，将血红蛋白测量与功能磁共振成像、DCS或CCO测量相结合，以提供生理解释参数的定量测量，如CMRO2和血红蛋白） （2） 评估复杂或短暂事件时的大脑活动，通常使用头皮EEG进行监测和检测（例如，长时间记录以描述癫痫放电、睡眠生理学和睡眠障碍或静息状态波动的血流动力学反应）(3) 实时监测脑机接口和非侵入性脑刺激期间的大脑活动，或 (4) 当涉及复杂认知过程的实验设计可以从同步记录中受益时，以更好地探索潜在的复杂神经过程（例如，语言 、学习、注意力、意图、情感）。
在报告fNIRS多模式研究时，应仔细描述采集的设置，尤其是及时同步不同模态的方法。为了充分受益于多模态方法的额外信息，利用神经导航工具获取的准确的传感器定位和协同登记信息也需要报告。因此，我们建议报告中放入一个详细的实验设置图。除此之外需要报告的内容是是 (1) 在扫描仪中引导光纤以进行 fNIRS/fMRI 共同记录并确保光源与头部耦合，（2）与EEG同步安排（集成fNIRS/EEG传感器、集成fNIRS和EEG位置的最佳拼接设计，以及在头皮上粘贴光纤），（3）fNIRS传感器轮廓和厚度，用于同时采集fNIRS/经颅磁刺激（TMS）、fNIRS/MEG和fNIRS/功能磁共振成像（例如，已考虑使用低轮廓传感器使TMS刺激线圈靠近头皮）。
每种多模式方法都需要一种独特的方法来组合数据并同时对其进行分析。例如在对fNIRS/EEG进行同步的过程中，EEG 振荡或瞬态放电可用于使用基于GLM的方法对 fNIRS 血氧反应进行建模。 断层扫描、统计方法和大脑标准化的整合可以促进未来的研究，除此之外对软件包开发的促进也需要报告，例如允许在同一环境（例如，NIRS-SPM）内分析几种功能模式（fMRI、fNIRS 和 EEG/MEG） 和 NIRSTORM的新方法。
4 结果:报告什么与如何报告
4.1 图表与可视化
良好的可视化技术能够清晰、形象地描述所有相关信息，使读者能够快速、轻松地理解复杂信息。结果部分应包括HbO2和Hb两个生色团的可视化，以及大脑/头部模板上的统计结果（例如，t-val-ues），或者如果两个生色团中的一个未报告，则说明理由。在报告统计数据时，应遵循美国心理协会制定的规则。在受试者或组水平上，每个通道或一组选定通道或ROI的平均HbO2和Hb时间序列对于提供变化的时间特征以及数据质量非常有益。在此类图中，提供标准差是最低要求。为了说明统计对比，还可以将数据显示为包含单个数据点的方框图或分布。如果分析侧重于使用机器学习进行预测/分类，则应遵循既定的数据科学报告。用于可视化统计数据和性能的工具包括接收器操作特征图、混淆矩阵和显示统计分布的散点图。
一种已经被证明可以创建高质量图形的策略是，首先使用所使用的信号处理和数据分析工具（如MATLAB®、R、Python）创建原始图形，然后使用专业的矢量图形软件完成图像。
4.2 简洁且严谨的文字表述
结果部分应该非常简洁且组织良好，完整但仅展示使用所描述的方法获得的结果。如果期刊有长度限制，部分结果可以显示在补充材料中。以前发表的结果应与新结果明确区分。人们经常观察到对发表证实被检验假设的结果的偏见，这可能会损害客观性。因此，强烈建议报告所使用的所有分析的结果，无论其是阳性还是无效。此外，将在数据分析之前决定的计划分析（如果这些分析是在开放科学平台上预先注册的，则可以提供预注册研究计划的URL，参见第7.1节）和探索性分析（受分析期间数据的启发）分开是一种好的做法。突出显示无效结果或与原始假设相矛盾的结果对于透明度和可复制性很重要。
5. 讨论与结论: 此研究对该研究方向大局的影响
5.1根据现有得到的研究结果讨论: 优势、局限于未来潜在的研究方向
在讨论中，应将之前在相同或相关领域（fNIRS、fMRI、EEG或其他）的研究结果与现有结果进行比较和情境化。这确保了与文献的一致性检查，并展示了这些发现的创新贡献和意义。不应混淆相关性和因果关系，也不应在没有证据的情况下报告因果关系。
理想情况下，讨论应该有一个单独的部分专门讨论研究的优势和局限性。fNIRS研究的优势可能包括所采用的创新实验范式、对特定神经/认知现象的深入研究、大样本量，或创新硬件或信号处理方法的开发和应用。局限性可能是样本量小、仪器仪表以及测量和分析中存在混杂效应。。例如，一项研究表明，尽管由于头皮/颅骨厚度较小，年轻人群中fNIRS的大脑敏感性较高，如果没有独立测量外脑血流动力学变化（例如，通过短的分离通道），仍然应该考虑他们的分析中的生理混杂因素，并讨论生理噪声对其结果和解释的可能影响。
根据手稿中呈现的内容，对未来可能的研究步骤进行专门描述有助于讨论开放性科学问题，理想情况下包括新课题产生的假设的形成，这些假设可以在后续研究中进行进一步实验。
5.2 结论
结论应综合研究的主要发现，并以非常简洁的形式总结其对该领域的意义和影响。结论必须与目标和结果呈现的内容相符合。建议首先仔细考虑和定义这些结论。这对编写一份连贯、直截了当的论文非常有用。
6. 参考
6.1引用的正确格式
熟悉研究领域的文献是对所介绍工作进行背景化的先决条件。为了提供背景和基本原理，并将研究结果与现有文献进行比较，必须提供包括有关手头特定主题的相关评论文章和原创研究文章。 同样，在终稿中应仔细检查每个参考文献，以确认论文中中提及的信息与引用的原始作品中提供的信息一致。
7. 附录:强化实验可重复性
7.1 预注册、数据和代码共享
研究和分析计划可以在数据采集开始预注册。这种做法确保了透明度，使研究人员能够区分计划分析和探索性分析，并据此解释其结果。研究可以在许多开放科学文献库中预先注册，如神经成像工具和资源合作组织（Neuroimaging Tools and Resources Collaboratory，NITRC）、GitHub、rOpenSci、Dryad、开放科学框架（Open Science Framework，OSF）、Mendeley、Figshare和arXiv。一旦研究完成，其中许多文献库中还允许数据和代码共享。与研究社区共享数据和代码有助于研究结果的可重复性，因为它允许研究人员独立测试和验证结果，并获得新的发现和解释，而无需对工作进行不必要的重复。因此，我们强烈鼓励分享fNIRS数据和代码，以及其他有用的信息，如实验期间呈现的刺激。一些期刊提供了分享这些额外信息的机会作为论文主体的补充。如果期刊不允许，那么可以使用其他途径进行，例如在线存储库。本文的方法部分提供了相关存储库的链接。使用这些资源的一个优点是，它们允许记录有权访问数据的下载者，这是许多伦理委员会的要求。当来自人类研究的数据被公开分享时，确保其完全去标识化是至关重要的。IRB是在共享数据的同时获得保护人类隐私指导的重要资源。可以进一步加快创新技术的公开共享硬件/软件也非常有用（例如opennirs/openfnirs项目）。最后，数据应该以公开和广泛可访问的格式共享。fNIRS社区正在采用一种常见的fNIRS数据格式：“shared near-infrared data format”——“snirf”(https://github.com/fNIRS/snirf)。使用fNIRS通用的标准格式和标准指南，可以极大地促进使用不同采集系统和处理管道的研究小组之间的数据共享，例如与sMRI结构像的兼容性。
额外：本手册由Meryem A. Yücel(2022)进行撰写，中文版由上海心仪电子科技有限公司（心仪脑平台）翻译校对。未经授权不允许任何形式的中文版转录，复制、修改、印刷等行为。
1 动机
功能性近红外光谱 (fNIRS) 是一种无创、易于使用和便携式的脑成像技术，可以在实验室和现实环境中研究正常的脑功能和疾病中出现的改变。1977 年，Jöbsis 首次使用该技术无创地评估过度换气导致的人脑氧合变化。从那时起，该工具已发展成为一种成熟的无创脑成像模式，并已广泛应用至不同的人群和研究问题中。
随着商业 fNIRS 系统的日益普及，在过去的二十年中，fNIRS 研究的数量急剧增加。这种快速增长导致这类研究中的方法实践、数据处理方法和统计分析存在巨大的多样性。 虽然研究方法的多样化在这个快速发展的领域中是值得期待和欢迎的，但它会给不同fNIRS研究中结果的解释、比较和重复带来挑战。这种神经影像数据分析中缺乏标准化流程以及由此导致的研究结果差异并非 fNIRS 社群独有，功能磁共振成像 (fMRI) 社区也存在这种问题。且这个问题因报告实践不佳而加剧，可能会极大地阻碍或偏向审查过程，并大大降低给定论文的影响力和随后的可复制性。本文的目的是为研究人员提供有关如何以全面、透明和可访问的方式报告 fNIRS 研究的指南。这些指南并非旨在作为标准；相反，它们是关于如何报告 fNIRS 研究以确保实现研究结果的全面影响的最佳实践。
本文遵循典型 fNIRS 研究论文的结构，每个部分（简介、方法等）都讨论了与该部分相关的指南。 我们在附录（表 1）中提供了一份综合清单，并参考了相关部分，以便于重新阅读文本以获取更多详细信息。 值得注意的是，为简洁起见，此处介绍的与仪器相关的指南侧重于连续波 fNIRS（CW-NIRS）技术，仅简要提及其他现有的NIRS技术[频域NIRS（FD-NIRS）、时域NIRS（TD-NIRS）和扩散相关光谱（DCS）]。
2 标题、摘要与引言
2.1 好的标题和摘要结构
2.1.1 选择一个好的标题
一个好的标题对于一篇科学论文至关重要。 它应该信息丰富且具体，简短而简洁，并包含有关论文内容和主题的足够信息。 正如 Paiva 等人所表明的，科学论文在标题较短时具有更高的引用率和观看率， 不包括问号、冒号或连字符，并且是“描述结果的标题”而不是“描述方法的标题”。 例如，这种标题“使用功能性近红外神经成像研究 2 至 14 岁儿童语言发展的神经元相关性：一项新研究”就很可能不如“语言发展导致布洛卡区的大脑激活的年龄依赖性变化”这样的标题来的清晰且吸引读者。
2.1.2 将摘要结构化:清晰性与一致性
摘要是论文的高度精炼概括版本，传达了其核心发现和意义。 摘要呈现的科学质量通常是论文其余部分质量的良好预测指标。 一个好的摘要是“信息丰富的”和“激励的”。 摘要的质量与论文被引用的次数相关并在文章发表的初步阶段中起绝对性的作用。
我们建议除非期刊本身需要不同的摘要结构，否则在几句话中内隐式或显式地构建类似于论文主体的摘要，即“引言”、“目标”、“方法”、“结果”和“结论”，并酌情解决部分或全部这些问题。除非期刊本身需要不同的摘要结构。
引言部分需要提供由必要的科学背景支持的研究目标，并以该目标对该领域的重要性为动力。 目标部分要列出研究的目标。 在“方法”部分，应简明扼要地报告方法学最相关的方面，例如实验设计/刺激（如果相关）、样本量、感兴趣的大脑区域、主要数据处理和/或统计分析步骤。如果是介绍fNIRS硬件或数据处理新方法的论文在方法部分应提供关键细节，例如新方法的验证等。而在结果部分，则需报告论文的主要结果，包括最相关的数值结果(例如ROI的血液动力学变化及其统计学意义)，此部分中包含的数据或者结果应与正文中报告且与其中的数据/结果相匹配。结论部分应综合对目前结果的解释与其在相关领域存在的潜在方向/意义/影响。
2.2 fNIRS论文的引言选择
2.2.1研究的范围、背景、意义和目标
对所有的研究论文来说，引言都有助于传达所报告研究的范围、背景、创新和意义。其中要包含以下部分 (1)大纲:该研究的一般研究问题， (2)回顾与本研究的中心研究问题相关的文献，突出现有知识和知识差距， (3)进行研究的动机, (4)描述研究的具体假设或是需要验证的猜想 (5)对用于验证假设的方法进行简短的总结说明， (6)说明当前研究的具体目标，鉴于fNIRS现在是一直公开的已知方法，不必严格参考基本验证论文。
对技术和方法论文的引言部分来说，应描述创新技术/方法与现有技术/方法的不同之处和原因、预期的优势以及该方法如何得到验证。
对涉及临床、神经学或神经认知问题的论文的引言来说，应侧重于研究问题如何促进我们对脑功能、脑疾病或神经认知机制的理解。
此外，如果与研究内容相关且篇幅允许，应阐明使用 fNIRS 而非其他神经影像学方式的原因。引言部分末尾对研究目标的清晰简洁陈述有助于读者建立适当的期望，这些研究目标应与实验最后得出的结论一致。
3 方法:研究的可重复性
方法部分应该使读者了解结果如何实现以及如何重现结果。它应包含有关参与者人口统计信息、实验范式的详细信息、使用的系统、数据采集的详细信息以及包括使用的统计方法在内的预处理步骤。
此部分还应包含一个或多个图片展示如下内容: (1)测量参数设置: 对测量界面/现场的高质量原始照片/图画重现， (2)头部的fNIRS光极阵列/通道排列， (3)实验方案的可视化[包含实验中的可选项]， (4)一个展示fNIRS设置足以探测到实验ROI脑区的灵敏度分析。此外，如果信号处理原理很复杂并且涉及先进和/或创新的步骤，强烈建议放入至少一个框图，该图应描述所有处理步骤以及输入和输出信号信息。
值得注意的是，有些期刊的末尾要求将方法部分作为附录。 在这些情况下，引言和结果部分只需足够的方法学信息来理解上下文，而无需深入研究方法学细节。
3.1 被试
3.1.1 人类被试
被试通常用一组最相关的人口统计数据和临床特征(如果合适)来描述。这些数据包括参与者的数量、年龄的平均值和方差，精确的年龄范围（例如，新生儿的小时数，婴儿的月数和天数）以及性别分布等。同时对被试进行筛选排除的条件也需列出(如病理特征/母语等)。也可以说明其他与实验相关的特征，例如惯用手、种族、社会经济地位等。值得注意的是，报告种族分布可能是相关的，特别是如果它与进行研究的地点的人口预期不同。fNIRS信号质量可能取决于头发特性（颜色、厚度和密度）等。有偏见的对参与者进行选择可能导致 fNIRS 神经影像学结果缺乏普遍性。对于多组对象的研究，应描述对其分组分配的标准与流程。
对于临床被试来说，疾病相关信息的数量取决于论文的重点。作者应在文章中简要提供关键特征并在参考（补充）中呈现所需的流行病学/病理学细节。 通常，表格会列出自发病以来的时间、脑损伤/功能障碍的原因（例如，缺血性心源性左大脑中动脉卒中）以及相关的临床发现等信息（例如，残余失语）。
对于特定人群，如果适用且可用，报告与整体生理适应性或评估的特定病理学相关的参数或生物标志物可能是有用的，例如血液标志物（例如，贫血，这可能导致改变或意外结果）。
如果某些被试的数据被排除在最终分析外，则还应提供最终样本的人口统计数据以及数据拒绝标准。 为了确保透明度和防止有偏见的选择，还需要在对数据处理过程中的什么时间点应用了不同的拒绝标准以及它们是分批应用还是逐个应用进行说明。
此外，必须提供有关伦理问题的信息，包括评估和批准研究方案的机构审查委员会 (IRB) 的名称、遵循的伦理程序（例如，获得知情同意、轻微同意和/或父母许可）以及作为临床研究注册的链接（如果存在）。
3.1.2 样本量和统计效能检验(Power analysis)
适当的样本量/被试的数量对于任何 fNIRS 实验都很重要，但没有固定的规则来确保其统计意义上的有效性。确定样本量的一种实用方法是执行功效/效能分析，它被用来估计在预设情况下功效水平 (1 - β)（即1-II 类错误的概率，通常设置为 0.8）和 α（I 类错误的概率，通常设置为 0.05)的效应量。功效分析报告通常包含样本量（先验功效分析的必要样本量和后验功效分析的实际样本量）、功效（a先验功效分析和后验功效分析的实现功效），使用的 alpha 水平，选择的效应大小及其理由（例如，先前的研究或试点研究），假设检验的相关统计检验，以及相关引用用于执行功率分析的平台等因素。
3.2 实验参数和设备
3.2.1 实验设计
在设计实验范式时，必须考虑 fNIRS 信号的一些细节。例如，生理混淆在 fNIRS 信号中占主导地位（参见第 3.5 节），这意味着每个刺激条件几乎总是必须重复多次才能解决功能反应。同时，如果要对数据进行块平均，则血流动力学响应的时间特征会限制连续刺激之间的间隔持续时间。还需要考虑与刺激在时间上相关的生理混淆。例如，如果参与者的呼吸模式定期呈现，则它们可能与刺激块对齐。这可能会增加假阳性反应。19 这些问题可以通过深思熟虑的实验设计来减少预期效应，例如，通过伪随机化条件顺序和刺激间隔的长度。在描述研究的实验设计时，这些考虑可能会提供信息。
对实验设计的准确描述对于读者的理解至关重要—这关乎fNIRS 研究的结果和工作的可重复性。任何可能影响结果或其解释的实验特征都应在方法部分报告，建议尽可能加入包含实验范式的示意图。
绝大多数 fNIRS 范式属于以下三类之一:用于功能连接研究的组块设计、事件相关设计和静息状态范式。 在不包括对参与者的明确刺激的静息状态范式的情况下，可以通过记录持续时间的细节来恰当地描述范式； 参与者所处的环境（例如，照明条件、听觉条件、睁眼/闭眼、视野中的物体或显示器等）； 以及给参与者的任何指示（参见第 3.2.2 节）。
应该为组块和事件相关的范式另外报告的特征包括：刺激、条件的数量、每个条件的块或试验的数量、块或试验的呈现顺序、每个条件的持续时间块或试验，以及块间或试验间间隔的持续时间。提供刺激时间和示例的草图（例如，描述视觉刺激帧的静止图像）可以提供大量信息。图1显
示了一个示例。
图 1 实验范式可视化范例:n-back范式的示意图。每个实验由 30 个block组成，block间间隔为 15 秒。 每个block有 15 次trial，并以屏幕上显示 2 秒的任务指令“n-back”开始。 指令结束后，屏幕上会显示字母，一次一个，持续 0.5 秒。 trial间隔为 1.5 s，在此期间屏幕上显示注视十字。 参与者被要求指出当前字母是否与之前呈现的“n”个试验相同。
3.2.2 被试引导/培训与互动
fNIRS 论文应清楚地描述向参与者提供的有关任务的引导指示。这些信息通常在解释神经数据的过程中至关重要。例如，关于学习刺激集的明确指令与对相同刺激集记忆的内隐指令会诱发不同的注意/动机/学习机制。因此，需要提及与参与者如何构思和完成任务相关的方面，例如，反应的时间限制、显性或隐性任务、任务目标的描述等。同样，给予参与者的反馈或其他激励措施也需要说明，因为这可能会改变他们执行任务的注意力或动机。在数据采集过程中可能影响参与者表现的实验条件，例如设置程序过长、在昏暗/黑暗的照明条件下采集、环境干扰等其他影响因素也需要报告。
3.3 设备系统与数据采集
3.3.1 fNIRS设备和数据采集参数描述
fNIRS 研究领域在技术创新和神经科学应用方面都在迅速扩展，从而导致了各种商用和定制内部开发设备的出现。
仪器的不同之处不仅在于其基本的硬件操作模式，还在于用于回收血红素、氧合血红蛋白和脱氧血红蛋白（因此也包括总血红蛋白）的方法程序，除此之外在细胞色素c-氧化酶22浓度变化或反映它们的光信号的计算方式上也都有所不同（分别缩写为HbO2、Hb、tHb和CCO）[值得注意的是，其他首字母缩写词（例如HbO/HbR/HbT，O2Hb∕HHb∕tHb，或氧血红蛋白/脱氧血红蛋白/总血红蛋白）也是常见且可接受的]。因此，必须准确报告仪器规范的基本方面。虽然大多数商用fNIRS仪器是连续波的，但它们不一定使用相同的近红外（NIR）波长或相同的算法来恢复血红蛋白浓度。此外，大量定制的fNIRS仪器倾向于采用TD-NIRS(时域)、FD-NIRS(频域)、或高密度（HD）技术等技术，这些技术与当前的商业仪器有根本性的区别；这是一个非专业用户几乎不知道的事实。
准确报告相关仪器规格将有助于更好地解释与复制结果，并提高研究的透明度。在描述fNIRS设备规格时，出版物应明确报告以下信息：（1）制造商和版本，（2）操作模式（CW、FD和TD），（3） 波长的数量和光谱，（4）辐照度（暴露区域内的光源功率）或平均功率或两者[应注意光源暴露符合ANSI（美国）或IEC-60825（欧洲）等安全标准]，（5）采样率、光电二极管的数量和类型以及产生的通道，和源-检测器距离，以及（6）将数据转换为生色团浓度的方法（如果由仪器软件自动完成；否则将在数据分析部分报告）。这些信息可以用一个简短的总结句给出，例如“我们使用了一个NIRSdev（NIRScomp，国家）连续-近红外设备，具有24个活动通道（8个激光二极管发射器，λ1/2=750/850 nm，平均功率<1 mW，以及8个雪崩光电二极管探测器（以50 Hz采样）。使用改进的比尔-兰伯特定律（mBLL）将数据转换为浓度变化。
”应报告转换的所有假设（固定散射和水浓度）和参数[如消光系数和微分路径长度因子（DPF）]，包括如何解释DPF的变化，例如在婴儿发育的纵向研究中。还可以报告所选参数的参考。如果使用FD或TD装置，则应说明获得吸收和散射系数所采用的程序。
3.3.2 光极阵列和设计、采集帽与目标大脑区域接触问题
fNIRS 测量的可重复性在很大程度上取决于对蒙太奇设计（几何形状）和源-探测器阵列位置的清晰记录。尽管 fNIRS 技术正在迅速发展，但大多数 fNIRS 研究仍然被仪器有限的视野和/或通道密度限制，因此头皮上的源和探测器的布局因研究而异。许多 fNIRS 设备配备了可灵活布置的成套光源和探测器或“光极”。还有的则带有预设好的光源和探测器垫(排列)，或者可以自由定位但不能重新组织的固定分布。因此，有必要为所描述的fNIRS研究提供其光电极位置和布置，由于fNIRS测量高度依赖于fNIRS源和探测器阵列的位置、范围、源-探测器分离和密度，因此这一过程非常关键。这些因素影响测量对给定皮质区域的灵敏度、大脑和脑外组织对每个信号的相对贡献，以及整个视野中测量灵敏度的均匀性。数字头部模型（虚拟模型/模拟）可用于理解特定于设备的近红外光传播，这对于设计下一代光学脑成像设备和光电二极管阵列至关重要。蒙特卡罗模拟提供了一种用于表征和评估不同fNIRS传感器配置和参数的贡献的一种受控参数，如光程长度、探测器表面积和源-探测器分离。
在出版物中报告阵列设计时，强烈建议包括一份阵列图(蒙太奇)，其中包含：（1）源和探测器位置的总数；（2） 频道总数；（3）源-检测器分离的分布。在可能的情况下，拍下光极序列在被试身上的照片也是可行的。这可能会提供有关阵列的物理设计和人体工程学的额外信息。图2显示了一个示例。
图 2 使用 12/14 源/检测器设置的光极阵列示例，在前额叶皮层上形成 34 个通道，间距为 30 毫米。 以 log10 mm−1 为单位的灵敏度曲线。 使用 AtlasViewer.14 进行可视化。
3.3.3 关于仪器/硬件开发的出版物
随着全球fNIRS仪器新设计和创新的不断进步，需要具体的指导方针和标准化来简化工作，加快新技术的采用。这些工作可以通过首先在设备规范中推广使用标准命名约定来促进（见表2中的样本命名法）。虽然对于旧设备，参考描述设备的论文可能就足够了，如果论文的重点是介绍新技术，则对新设备的描述应包括: (1)描述连接和控制机制的硬件框图，(2)软件流程图，描述信息流、硬件组件控制和数据采集协议， (3)光源和探测器的类型，(4)为防止外部污染和通道间串扰（如时间复用、频率复用或两者的组合）而采取的措施(如果有)，(5)关键部件和单个零件号的电路图。如果使用数字头部模型来指导硬件设计，则应适当引用这些模型。
对光源类型的描述应包括(激光/LED)，特殊的波长和单位面积发射功率(例如:0.2W/cm2)都需要报告——用以评估设备的安全级别和潜在分类。同时也应强调眼睛和皮肤的近红外光照射（如果需要，防护装备后的照射）应保持在普遍接受的安全规范范围内，如激光产品安全国际标准或灯具和灯具系统光生物安全国际标准。
对光检测器类型的描述应包括（例如，pin光电二极管/雪崩光电二极管/光电倍增管/单光子雪崩检测器等）、以及其配置（例如，单像素光电二极管、光电二极管阵列、成像电荷耦合器件等），应注意其特定波长（增益、噪声系数和噪声等效功率）的感光度曲线，以及与皮肤接触方式（直接接触、使用光导或光纤）。
对于fNIRS仪器的开发商和制造商，尤其是监管部门的批准，必须了解最近发布的国际电工委员会（IEC）/国际标准化组织（ISO）fNIRS设备标准（IEC 80601-2-71），60601医用电气设备标准系列中的特定标准。与任何电气仪表一样，产品安全测试应独立认证（例如，美国的保险商实验室UL认证、欧盟的消费电子产品CE认证、日本的产品安全电器和材料PSE认证，以及中国的强制认证CCC认证）。对于大学培养体系，这可以通过当地的医院生物医学工程部门来完成，这些部门在用于人类之前测试这些研究设备的电气安全性。
对于大学研究体系来说，在临床/研究研究中使用新的光学脑成像设备只需要获得当地伦理委员会的批准。对于诊断或治疗等最终临床应用，需要进一步的监管批准（例如，美国的FDA、欧洲的EU MDR、日本的《药品和医疗器械法案》PMDA，以及中国的国家医疗产品管理局NMPA，前身为CFDA）。
为了在临床研究中实现可比性和可靠性，基于专用模型的fNIRS仪器的标准化性能评估应该是仪器开发论文的重要组成部分。上述IEC 80601-2-71标准还包括对混浊模型的若干性能测试。主要在于对fNIRS平台的测试，包含该平台是否具有用以产生与HbO2和Hb的特定变化相对应定义衰减变化真实的整体衰减和可变的内部孔径等。本标准中描述的其他基于模型的测试包括信号稳定性、响应时间、信噪比（SNR）和信号串扰。
基于多实验室共识建立工作的多个协议促进了扩散光学仪器和方法更全面的性能表征和比较[例如，用于疾病诊断和监测的光学方法（MEDPHOT）协议，基本仪器性能（BIP）协议，以及通过脉冲近红外光（Neuromit）协议对大脑功能和疾病进行无创成像。nEUROPt协议是专门针对fNIRS仪器的方案，旨在表征仪器的对比度、对比噪声比（CNR）、横向分辨率、深度敏感性和大脑吸收变化的量化。它由均匀混浊的、带有小黑色内含物的系统构成，例如，一个固体-固体可切换的模型和两个分层的模型。据报道，其他fNIRS模型模拟HbO2和Hb浓度的时间变化，例如通过电致变色可变吸收体或可移动层。用于组织血氧仪测试的含Hb的可变氧合模型也应能够定量评估fNIRS信号质量。创造这种解剖学上逼真的动态模型可能是一项挑战，但也是可以实现的。
描述仪器开发的论文应报告所执行的特定模型测试的以下数据：模型类型、其光学和几何参数、测试安排，包括源-探测器距离，以及测试结果。有关示例，请参见参考。
尽管商用fNIRS设备很少附带模型，但fNIRS仪器的开发人员和制造商可以受益于采用基于模型的常规质量检查测试的既定指南。全面检查信号幅度的可重复性有助于识别诸如光纤断裂和光源或探测器退化等问题。如果制造商建议进行基于模型的常规试验，则应报告制备和表征模型所采用的程序。
3.4 预处理步骤
为了便于对实验结果进行重复，并确保在分析过程中不会跳过重要的处理步骤，方法部分应包括所有数据分析步骤的详细说明。图3总结了fNIRS数据分析原则中的主要预处理步骤，以下各节同样也给出了方法部分中应呈现的预期详细程度。
图3元素fNIRS预处理步骤概述。浅蓝色圆形箭头表示常规处理顺序。并非所有步骤都是存在或必要的。
3.4.1 fNIRS信号质量指标和channel抑制
fNIRS数据分析中的一个重要预处理步骤是对每个通道的原始信号进行信号质量检查。fNIRS信号中的噪声可能来自测量系统（例如，由于光源不稳定、电子噪声和散粒噪声），我们称之为“噪声”，也可能来自生理原因或头部/身体运动，我们在论文中称之为“混杂信号”或“混淆信号”。
fNIRS对噪声的信号质量检查可以通过简单的SNR检查或通过频谱分析获得每个通道的心脏功率来测试。当采样率相当高（例如，10 Hz）时，心跳是光级头皮耦合的良好指示器，因此是fNIRS信号的良好质量控制指标。因此，方法部分可以包括SNR阈值（例如，>20db）和心脏功率阈值的指示，用于拒绝进一步分析的数据信道。由于不同的测量通道可能不符合不同参与者的标准，因此还应报告每个通道的剩余参与者人数，以避免对结果的任何误解。
特别是在fNIRS中，由于各种类型的混杂信号和噪声，重要的是要了解指标SNR、CNR和对比背景比（CBR）之间的概念差异，并明确使用这些术语。术语SNR应用于量化仪器fNIRS信道的信号质量。它是根据固定时间窗口内测量的原始光强度计算得出的，表示为SNR¼20 log10Þ，其中μ对应于信号的强度偏移（dc分量），σ对应于信号的方差（ac分量）。当提取的血流动力学响应强度与背景混杂信号或测量噪声有关，因此取决于信号的特定预处理时，使用对比度指标（CBR/CNR）。有关这些指标的更多详细信息，请参阅参考。
3.4.2 运动伪迹
fNIRS信号可能包含尖峰或基线位移形式的运动伪影，尤其是在从非常规人群收集的数据中，如婴儿（见第3.6.7节）或在需要运动（行走或说话）的实验任务中。在这种情况下，可以识别运动伪影并从分析中删除相邻试验，或者可以使用先前文献中的许多运动伪影校正算法。
在任何一种情况下，都应报告运动伪影和相关参数的处理和校正（例如，识别运动的阈值、校正方法的特定参数）。此外，由于前一种方法（即识别和移除与运动伪影重叠的试验）将减少试验中的试次数量，因此应报告剩余试次的数量。最后，运动伪影消除算法的输出需要通过评估算法性能的理论和经验方法进行验证（参见如何验证新算法的示例）。
3.4.3 矫正后的比尔郎伯定律/参数和修正
通过mBLL(矫正后的比尔朗博定律)，光密度或吸光度的变化可以被转化为血红蛋白细胞HbO2和Hb的变化。然而，在连续波近红外光谱中，探测到的光子所经过的平均路径长度是未知的。在高散射介质中，轨迹的路径长度比源-探测器距离的路径长度长。通过将源-探测器距离乘以通过FD-NIRS或TD-NIRS实验获得的DPF，可以估计整个采样区域内的光程长度。因此，在报告时，一种选择是使用DPF（取自文献）并以摩尔浓度单位（例如μM）报告生色团浓度变化的结果。该选项考虑了波长和源检测器距离对路径长度的依赖性，因此，比较来自不同分离渠道的信息时更合适。当DPF数据不可用时，研究人员可能会依赖另一种选择，即不使用平均路径长度从比尔-兰伯特定律中提取浓度变化。在这种情况下，信号变化表示为浓度变化和平均路径长度的乘积，单位为（摩尔浓度×距离），例如μM-cm或μM-mm。当使用单个分离时，后一种方法可能是合适的，但对多个分离有限制。
值得注意的是，发色团浓度的变化可能会因处理方法、是否应用校正以及应用校正方法的不同而显著不同。例如，对于同一测量通道，所产生的HbO2浓度变化可报告为：40μM mm，无需任何校正；当使用微分路径长度校正系数6和源-检测器距离30 mm进行路径长度校正时，可报告为0.22μM。在所有情况下，应说明选择方法和相关参数（如DPF），并提供引文。当呈现浓度变化结果时，应清楚地标记其单位。
3.4.4 混杂系统信号对fNIRS的影响
从光源到探测器的近红外光探测大脑皮层，但在更大程度上也探测脑外组织层。脑外组织（尤其是头皮）的血流和氧合变化会影响fNIRS信号，并导致对测量信号的潜在误解。此外，全身生理变化也会影响脑血流动力学。生理干扰的主要来源有两个（1）二氧化碳分压（PaCO2）/全身血压节律/自主神经系统和交感神经系统相互作用引起的脑外和脑组织心率和血管张力变化（2）头部运动、咬牙或扬眉引起的血流和氧合变化。
忽略生理混杂效应可能会导致假阳性，即错误地将检测到的血流动力学变化分配给功能性大脑活动，或导致假阴性，即在存在时掩盖大脑活动。因此，建议采用系统生理学增强fNIRS方法，同时测量这些系统参数。另一方面，识别和分离系统生理学中的这些变化，可以对大脑血流动力学的复杂调节提供创新性见解，例如，涉及特别对神经元活动或系统生理学变化做出反应的网络。fNIRS（预）处理的大部分工作集中在分离或拒绝混杂信号上，可以采用多种策略，最突出的是通用线性模型（GLM）。本节将再次详细讨论此主题。
3.4.5 统计检验和去除混杂信号的策略
fNIRS研究的目的通常需要以下集中统计检验内容来进行下一步解释：(1)比较大脑对任务和基线的反应，（2）比较不同任务期间的大脑反应，（3）大脑内部或跨脑区间的血流动力学信号之间的相关性。这些测试结果受到fNIRS数据特定噪声结构的高度影响。由于强烈的生理成分（心脏、呼吸和血压变化），fNIRS数据中的噪声具有频率依赖性（有色）和相关性。由于这些特征违反了GLM中的主要假设，即噪声不依赖于频率（白色）且不相关，因此在采用GLM分析之前，有必要（1）对数据进行预滤波，以消除混淆信号，如生理混淆和运动伪影，和/或（2）预白信号，和/或（3）对信号进行预着色。作为预美白方法的一个例子，可以使用自回归模型估计fNIRS数据的内在时间相关性。然后在广义最小二乘法中使用时间相关估计的反演来获得GLM参数的无偏有效估计。另一方面，预白化方法中的这种反演对时间相关性的正确估计很敏感。因此，作为替代方法，可以使用时间滤波器（平滑）矩阵来估计fNIRS数据的时间相关性。当对fNIRS数据应用具有足够大内核宽度的低通滤波器时，这种预着色方法是有效的。然后，可以对时间平滑的数据应用最小二乘法，并将GLM扩展为包括滤波器矩阵。这个过程产生无偏的参数估计，但不能保持其最大效率。在所有情况下，应明确说明选择的方法和预过滤步骤。
3.4.6 滤波和漂移回归
信号中的高频成分，如仪器噪声和心脏搏动，通常使用低通滤波器（例如巴特沃斯滤波器或切比雪夫滤波器）去除。但如果低通滤波器阈值太低，ROI的大脑反应也会被消除，因此应谨慎选择（通常为0.5 Hz或更高）。另一方面，可以使用高通滤波器去除信号中的低频成分，可随之而来的首要问题是使用过高的值作为阈值可能会去除实际的期望大脑信号，尤其是当实验任务块的持续时间与高通阈值相当时（例如，0.05-Hz高通滤波器与20 s的刺激持续时间）。在对实验进行描述时应说明应用的滤波类型、滤波器的阶数（如有）和截止频率（例如，截止频率为0.01至0.5 Hz的三阶零相位巴特沃斯带通滤波器）。
其次，了解相位响应至关重要，因为具有非线性相位响应的滤波器会使信号失真。有限冲激响应（FIR）滤波器具有线性相位响应，可在离线和在线（数据采集期间）安全应用，而不像无限冲激响应（IIR）滤波器（例如巴特沃斯），后者需要零相位校正，并且只能在离线应用，因为校正需要一次获得整个信号。
3.5 fNIRS信号中的生理学信息: 优化策略
3.5.1 提高大脑活动测量可靠性的策略
由于fNIRS信号中存在生理混淆，因此不建议报告仅使用长分离通道测量的信号的结果，也不建议报告考虑可能的混淆系统生理变化的数据处理，尤其是在大脑外组织覆盖较厚的成年参与者中。图4显示了fNIRS仪器（与使用的源-检测器布置有关）与测量大脑（大脑皮层）真实血流动力学变化的可能性之间的关系。此表格适用于使用CW连续波近红外仪器的情况。
在以下情况下，检测到大脑活动相关变化的可靠性较高:（1） 可以排除系统生理学的显著变化，（2）使用对深度敏感的多距离fNIRS方法，并以过滤大脑外层变化干扰的方式处理数据，或（3）CW-NIRS设置仅用于每个通道的长源-检测器分离，但对信号进行特定的信号处理，以减少脑外组织的干扰影响。在没有短分离通道测量的情况下，大量通道或系统生理学的额外测量信号协助优化数据。以下各节总结了这些策略的既定方法
图4测量大脑皮层真实血流动力学变化的可靠性由fNIRS测量的深度敏感性和混淆的系统生理信号的影响决定。(a)评估获取脑信号可靠性的检查表，(b)影响获取脑源性信号可靠性的方法学因素。
3.5.2 策略1: 通过仪器和信号处理提高深度灵敏度
这种方法需要扩展fNIRS测量设置，以使测量对深度敏感，例如能够区分脑外和大脑各层的变化。为了提高深度灵敏度，fNIRS设置应包含具有不同长度的源-检测器分离的光学通道，尤其是短的（图4）。短分离通道（<15 mm，最佳距离∼成人和成人8毫米∼4至5毫米（婴儿）对脑外组织层的血液灌注和氧合变化最为敏感。
在使用 CW-NIRS的情况下，短和长分离通道的并行使用最大限度地提高了对大脑皮层的敏感性，同时最大限度地降低了对脑外层的敏感性。 使用短分离通道进行的此类测量能够从长分离通道中回归出大脑外层的信号变化，这种方法通常被称为“短分离回归”，由 Saager 和 Berger 开创。还有几种方法被开发用于回归，包括最小二乘算法和各种类型的自适应滤波或卡尔曼滤波。最近一个有希望的发展是将GLM与时间嵌入典型相关分析结合对fNIRS数据进行分析。之前的研究证明，短分离回归降低了血流动力学反应的试次间变异性，并降低了发生在脑外层强烈血流动力学变化的影响。
其他对深度敏感的仪器包括：(1) 多距离测量，它使用扩散理论和来自多个源-探测器分离的信号斜率，(2) 扩散光学断层扫描 (DOT) {其他首字母缩略词 [例如，扩散光学光谱 (DOS)， 近红外成像 (NIRI)、漫反射光学成像 (DOI)、近红外光学断层扫描 (NIROT) 和高密度断层扫描 (HD-tomography)] 也是可以接受的}，它使用大量通道提供深度分辨测量， 和 TD-NIRS(时域) 系统:用于测量光子的飞行时间：深度编码在光子的到达时间中，因为晚期光子在皮层中走过的路径更长，深度也就更深。
3.5.3 策略2:进行没有内在深度敏感测量的信号处理
在亚理想测量的情况下（即，只有长的分离通道可用），应努力将数据分解为大脑活动和生理混乱（图4）。一种方法是从所有通道的平均值（或中值）中用全局分量近似系统变化，并从每个通道中过滤。另一种替代方法是数据驱动的信号处理方法，将fNIRS信号分解为大脑和系统成分（盲源分离方法，例如独立成分分析和主成分分析）。
3.5.4 策略3:在fNIRS信号处理中结合系统生理学变化的测量
当有额外系统生理信号可用时（例如心率、呼吸率、呼吸量、动脉CO2浓度、血压和皮肤电导），研究者可以（1）从fNIRS信号中回归这些影响（2）详细研究这些信号与fNIRS信号的关系。例如，可以使用GLM方法来实现这一点，该方法使用系统生理信号或这些信号的线性时滞混合物作为额外的回归器。应报告此类回归器的处理和生成细节（例如，包括的信号和使用的相位/时滞）。值得注意的是，由于头皮内血管系统的异质性，策略2和策略3都有移除大脑活动或无法正确移除系统生理成分的风险。
3.6 统计和分析方法
3.6.1 血液动力学反应函数(HRF)估量: 区间(block)平均与一般线性模型(GLM)
使用mBLL计算血红蛋白浓度变化后，通常通过简单的组块间(Block)平均、卷积或线性估计模型来估计血液动力学响应函数（HRF）。GLM将测量数据表示为功能不同组件的线性组合。虽然块平均避免了对HRF形状的先验假设，但GLM允许对fNIRS信号中的不同混杂因素以及对刺激的血流动力学反应进行建模。GLM能够同时估计fNIRS成分的贡献，从而提供较少偏差的HRF估计。GLM报告应包括所有建模的回归系数及其参数，以及用于估计回归系数权重的方法（例如。，“HRF使用标准偏差为0.5 s的高斯函数建模，平均值间隔为0.5 s。回归系数的权重使用普通最小二乘拟合获得。”）。如果由于各种原因（如运动伪影污染），总试验次数比实验方案中报告的次数减少，则报告还应包括最终分析中包含的试验次数。
3.6.2 血液动力学反应函数(HRF)估量: GLM方法中HRF回归量的选择
HRF通常由固定的标准形状（如伽马函数变体）或更灵活的模型（如多个基函数的线性组合，如高斯函数）建模。
为了提高统计效能(power)，如果HRF的形状是先验已知的，则固定的标准形状是较好的。文章描写的方法应包括模型及其参数，以及在选择固定形状的情况下模型偏好的理由。然而，如果HRF的形状未知（在不同人群、实验范式、大脑区域等中），使用固定模型可能会导致其统计效能的损失，并使结果产生偏差。在这种情况下，首选灵活的模型，因为它们允许捕捉HRF的真实时间特征。
3.6.3 统计分析: 一般说明
论文中提出的主张应得到统计分析的支持。所有统计分析都与实验设计和基本假设相关联，因此，没有单一的标准化方式来描述统计分析。如果缺少部分信息，则无法验证统计方法的准确性，并且无法在研究或未来重复中比较结果。强烈建议报告效应量和置信区间，因为它们都是无样本统计量，因此可以更方便地比较不同研究。使用表格和数字来呈现统计结果可以提高可读性。
3.6.5 GLM结果的统计分析
每个通道处GLM回归器的权重通常使用最小二乘法进行估计，该方法使实际值和拟合值之间的平方差之和最小化。就最小二乘法的类型而言，普通最小二乘法基于观测值之间误差不相关的模型假设。因此，当回归模型中的残差之间存在一定程度的时间相关性时，可以使用广义最小二乘法进行预白化或预着色。 然后通过检验零假设进行统计推断，即估计系数与零假设之间没有显著差异。否定零假设表明对刺激有反应。通常，使用t检验执行单个对比（即效果的线性组合）的假设检验，而使用 F 统计量同时测试多个对比的。因此，在报告GLM分析结果时，重要的是描述对比中包括哪些回归系数，并说明应用的具体统计测试。在二级GLM分析中，可以使用固定效应、随机效应或混合效应分析来估计人口效应。与固定效应相比，随机效应模型同时考虑了变异来源(受试者内部和受试者之间的变异性),如此这样就可以对抽取样本的人群进行推断。无论哪种情况，作者都必须在论文中清楚地描述用于二级分析的方法。最后，通过在较高Z值处对测试统计量Z（例如，t或F统计量）设定阈值来评估通道特定效应的统计显著性。由于每个通道同时进行大量统计测试，多通道fNIRS系统具有I型错误（假阳性）的高风险，因此，I型错误控制至关重要。至于所谓的“多重比较问题”我们将在下一节讨论。
3.6.6 临床人群中数据处理的具体指南
虽然处理步骤与其他人群基本相同，但病理学特征导致需要和普通被试做出区分。由于临床研究通常旨在检测个体而不是群体水平的病理特征，因此证明神经典型对照和一组患者之间的差异发现的潜在病理学相关特征，并不被允许用于诊断或治疗指导。除此之外行为变化（即神经功能缺损的影响）和与疾病相关的脑功能改变之间潜在的复杂相互作用是分析中需要处理的另一个挑战。脑功能的改变可能与神经元信号传导（例如癫痫）、血管反应（例如中风/脑血管疾病）和神经血管耦合的改变（例如痴呆）有关。此外，病理学可能会改变采样组织的光学特性，包括不同层厚度的变化 [例如，萎缩增加脑脊液 (CSF) 空间] 或它们的吸收和散射特性（例如，由于蛛网膜下腔出血导致的 CSF 中的血液)。
关于临床人群数据处理的其他考虑如下:
（1） 行为的变异性：无论病理表现如何，表现较差可能导致激活程度较小。相反，为实现接近正常的任务性能而使用的额外大脑区域可能是大脑病理学的一个指标。因此，建议将表现/行为纳入分析和/或在出版物中报告。由于典型的 fNIRS 从大脑表面的非常有限的部分进行采样，因此应该精确地对性能进行记录。这允许将fNIRS数据与任务表现指标进行分解或关联，提供了一种将fNIRS结果的一般方面和任务特定方面分开的方法。（2） 临床数据整合：除了疾病严重程度外，病变部位、合并症和病前表现范围都有助于临床参与者的变异性，因此应予以报告。如果临床数据可用，最好将这些数据整合到分析中。（3） 整合共注册数据：在临床人群中，不同模式的大量数据（如fNIRS/EEG数据）产生的冲突结果通常被解释为病理改变的信号。然而，应该记住，在采样的区域或生理信号以及响应动态方面，方法学有所不同，并且这与病理学的影响有关。来自同一参与者未受影响大脑区域的参考数据可能会增加敏感性，因此应在适当的时候报告。如果将病理大脑区域或功能系统中的反应与未受影响的参考系统进行比较，结果的可靠性就会提高。
3.6.7 神经发育研究中数据处理的具体指南
对发育群体数据的分析和测试与成年人基本相同。然而，数据的数量通常较小，质量也更高。婴幼儿缺乏对指令的理解或遵守，运动控制较低，注意力持续时间较短，导致研究中的试验次数减少和/或运动相关伪影数量增加。在成年人中，损坏的数据段通常会使用周围数据或整个数据集的中心趋势进行纠正或替换（例如，通过插值），这需要足够的容量和质量。在发育数据中，这种方法可能并不总是有效的。然而，如果用于纠正的数据具有足够的质量，那么纠正方法也应该与发展心理数据一起使用。或者，可以使用数据拒绝。需要在手册中详细记录拒收程序，以避免结果出现偏差（需要报告拒收标准的详细信息、拒收数据的数量、拒收是手动还是自动等）。发育数据中较高的噪声和伪影水平也可能增加可变性，降低统计意义。尽管存在这些挑战，但fNIRS数据采集和分析在婴儿身上还是相当成功的，因为婴儿较小的头部尺寸和较薄的头骨和组织允许更深入的渗透和更好的对皮质的可见性。适合年龄的实验设计和足够的注意力吸引器也可以防止一些运动伪影和注意力限制。
3.6.8 连接性分析
功能连通性是由两个不同大脑区域的血液动力学变化的时间进程之间的时间相关性定义的。使用在两个FNIR通道上测量的信号，可以通过计算Spearman相关性、滞后相关性、互信息、熵、锁相指数、小波变换相干性等来评估两个区域之间的关系，通常在低频范围内（例如，0.009到0.10 Hz）。报告连接性分析时，应包括计算方法、感兴趣的频带、分析中应用的预处理方法，以及是否对原始信号或HbO2进行了相关分析∕Hb时间序列，以及它是半球内的还是半球间的，或者如果基于感兴趣区域（ROI），那么它是在ROI内还是在ROI之间。灵敏度分析显示了在选择不同频带时结果如何变化，这也很有帮助，并提供了对连通性测量的基本生理学的额外见解。对于动态静息状态功能连接性分析，还应报告时间窗口的持续时间和步长（例如，“使用滑动窗口相关法计算任意两个测量通道之间的皮尔逊相关系数，时间窗口为100秒，步长为5秒”)。还应报告统计测试前的转换（如Fisher z变换）、统计阈值和多重比较的校正方法。
虽然从适当的源-探测器距离测量的 fNIRS 信号确定的功能连接主要反映了婴儿的脑血流动力学变化而不是表面污染，但对于成人来说可能并非如此。这是非常关键的，因为头皮上对称的脉管解剖结构可能对长分离通道中产生的高相关性有很大贡献。虽然多个通道之间的部分相关性可能会减少表面和全局信号的影响，所以最可靠的方法是使用可以进行深度成像的仪器，如DOT或TD-NIRS。论文应报告处理头皮生理混淆的具体程序，以及该问题如何显著影响结果。讨论还应包括这样一个事实，即fNIRS不测量深层皮质区域的信号变化，因此对结果的解释总是局限于测量的皮质表面。重要的是要记住，两个紧密的fNIRS通道也可能反映出一些虚假的连通性，因为它们通过fNIRS正向模型对相同的底层皮质脑区部分敏感。
3.6.9 影像重构
DOT通过求解线性方程y＝Ax，通过称为灵敏度矩阵（或雅可比矩阵）的微分模型a，提供了从头部表面上的源探测器测量y到头部体积x内局部血流动力学变化的映射。图像重建为光学数据提供了更高的解剖学特异性，促进了解剖学参考对象的平均，以及组内/跨组和跨模态比较。报告应包含有关基于 fNIRS 的图像重建流程中以下五个主要步骤中每一个以及方法、软件和参数选择的足够详细信息:
（1） 理想情况下，头部解剖模型由被试特定的解剖磁共振成像（MRI）体积提供，如此不论默认头模与参与者配准是否良好，基于图谱的方法也可以很好地工作。该头模包含三个基本信息：头部的大小和形状、光学特性的内部分布以及光学阵列元件在表面上的位置。（2） 选定的头部解剖图被分割成一组假定的组织。需要报告这些参数以及分割方法。（3） 头部网格生成：对于任何模型，应报告标记组织区域的数量及其光学特性。（4） 光学阵列通过电磁定位或参考EEG标准（如10-20）等方法定位在网状解剖结构上。光学元件在头部表面上的真实位置的准确协同记录至关重要，因为不匹配会直接导致指向不适当大脑区域的虚假结果。（5）一旦阵列定位在组织上，通过使用 Monte Carlo 模拟（例如，使用 TOAST++ 或 MCX）或扩散近似对组织中的光传输进行建模，生成源-检测器测量的灵敏度分布矩阵(A) （例如，使用 NIRFAST）。这一步时候需要说明选择的蒙特卡洛模拟类型。 (6) 随后使用适当的正则化（例如，Tikhonov、空间变体、总变差或弹性网络）对灵敏度矩阵(A)进行反转。 目前存在多个支持图像重建管道（例如 NeuroDOT、AtlasViewer、NIRS-SPM 和 NIRSTORM）的软件套件，具有用于优化和处理的直接可调交互。所有应用的过程/方法必须明确记录，以便清晰地再现结果。
3.6.10 单试次分析与机器学习
脑机接口、神经工效学和神经反馈等领域专注于fNIRS信号的单试次和实时解码内容，且越来越多地融入机器学习相关内容。机器学习可以为大脑信号的分析和分类提供强大的工具，但这需要用户有意识地避免一些常见错误，并在确保数据科学的良好实践方面做出努力。
分类方法会使用信号中任何可辨别的诱发变化和伪影。因此由情绪或身体活动（如头皮血流）诱发的非神经元信号成分可能会导致实验的分辨性(即特异性)提高，但会显著降低受限范式之外的解码性能和导致实验结果假阳性。这种情况无疑强调了将混淆信号和大脑信号适当分离的重要性，如第3.5中所说，应明确报告仅对大脑信号进行分类以及从生理角度解释分类权重的工作。
将分析数据严格分离为训练和测试集对于避免过度拟合和报告有缺陷的性能结果是至关重要的一步。随后重要的一点是要确保在学习期间对数据的任何统计推断都必须限于训练集。这不仅包括对分类的模型选择/训练，还包括基于数据的通道或特征选择，或用于处理的线性回归和滤波设置的训练。
如果数据集太小，无法将其拆分为单独的培训和测试分区，则可以应用交叉验证方案。如果要执行附加参数的自动选择，例如fNIRS特征选择，则应嵌套交叉验证。例如，如果使用GLM方法学习回归变量，则需要将GLM嵌入交叉验证中。130在单次试验分析之前，对整个数据集应用学习过滤器或GLM会使方法的完整性失效。应报告模型和参数的培训和选择的所有步骤，以便进行方法学评估和再现性。
3.6.11 fNIRS的多模态集成
从测量互补生理参数 HbO2 和 Hb 的角度来看，fNIRS 在多模态研究中的整合使用变得越来越频繁。 从历史上看，首次同时进行的 fNIRS/fMRI 研究旨在阐明共性并改善激活过程中血红蛋白的量化。 还研究了将 fNIRS 或 TD-NIRS 与正电子发射断层扫描 (PET) 相结合的量化。 fNIRS 与 EEG 和脑磁图 (MEG) 的早期整合旨在研究神经-血管耦合过程。 这些早期研究有助于制定报告多模态研究的具体指南。
总所周知，多模态研究的实际困难和成本要远远高出单fNIRS研究。 因此，任何多模式 fNIRS 研究都应首先描述将 fNIRS 与另一种模式结合的动机，这些模式通常属于以下四个主要类别之一：(1) 提供更好的脑血流动力学和氧合定量（例如，将血红蛋白测量与功能磁共振成像、DCS或CCO测量相结合，以提供生理解释参数的定量测量，如CMRO2和血红蛋白） （2） 评估复杂或短暂事件时的大脑活动，通常使用头皮EEG进行监测和检测（例如，长时间记录以描述癫痫放电、睡眠生理学和睡眠障碍或静息状态波动的血流动力学反应）(3) 实时监测脑机接口和非侵入性脑刺激期间的大脑活动，或 (4) 当涉及复杂认知过程的实验设计可以从同步记录中受益时，以更好地探索潜在的复杂神经过程（例如，语言 、学习、注意力、意图、情感）。
在报告fNIRS多模式研究时，应仔细描述采集的设置，尤其是及时同步不同模态的方法。为了充分受益于多模态方法的额外信息，利用神经导航工具获取的准确的传感器定位和协同登记信息也需要报告。因此，我们建议报告中放入一个详细的实验设置图。除此之外需要报告的内容是是 (1) 在扫描仪中引导光纤以进行 fNIRS/fMRI 共同记录并确保光源与头部耦合，（2）与EEG同步安排（集成fNIRS/EEG传感器、集成fNIRS和EEG位置的最佳拼接设计，以及在头皮上粘贴光纤），（3）fNIRS传感器轮廓和厚度，用于同时采集fNIRS/经颅磁刺激（TMS）、fNIRS/MEG和fNIRS/功能磁共振成像（例如，已考虑使用低轮廓传感器使TMS刺激线圈靠近头皮）。
每种多模式方法都需要一种独特的方法来组合数据并同时对其进行分析。例如在对fNIRS/EEG进行同步的过程中，EEG 振荡或瞬态放电可用于使用基于GLM的方法对 fNIRS 血氧反应进行建模。 断层扫描、统计方法和大脑标准化的整合可以促进未来的研究，除此之外对软件包开发的促进也需要报告，例如允许在同一环境（例如，NIRS-SPM）内分析几种功能模式（fMRI、fNIRS 和 EEG/MEG） 和 NIRSTORM的新方法。
4 结果:报告什么与如何报告
4.1 图表与可视化
良好的可视化技术能够清晰、形象地描述所有相关信息，使读者能够快速、轻松地理解复杂信息。结果部分应包括HbO2和Hb两个生色团的可视化，以及大脑/头部模板上的统计结果（例如，t-val-ues），或者如果两个生色团中的一个未报告，则说明理由。在报告统计数据时，应遵循美国心理协会制定的规则。在受试者或组水平上，每个通道或一组选定通道或ROI的平均HbO2和Hb时间序列对于提供变化的时间特征以及数据质量非常有益。在此类图中，提供标准差是最低要求。为了说明统计对比，还可以将数据显示为包含单个数据点的方框图或分布。如果分析侧重于使用机器学习进行预测/分类，则应遵循既定的数据科学报告。用于可视化统计数据和性能的工具包括接收器操作特征图、混淆矩阵和显示统计分布的散点图。
一种已经被证明可以创建高质量图形的策略是，首先使用所使用的信号处理和数据分析工具（如MATLAB®、R、Python）创建原始图形，然后使用专业的矢量图形软件完成图像。
4.2 简洁且严谨的文字表述
结果部分应该非常简洁且组织良好，完整但仅展示使用所描述的方法获得的结果。如果期刊有长度限制，部分结果可以显示在补充材料中。以前发表的结果应与新结果明确区分。人们经常观察到对发表证实被检验假设的结果的偏见，这可能会损害客观性。因此，强烈建议报告所使用的所有分析的结果，无论其是阳性还是无效。此外，将在数据分析之前决定的计划分析（如果这些分析是在开放科学平台上预先注册的，则可以提供预注册研究计划的URL，参见第7.1节）和探索性分析（受分析期间数据的启发）分开是一种好的做法。突出显示无效结果或与原始假设相矛盾的结果对于透明度和可复制性很重要。
5. 讨论与结论: 此研究对该研究方向大局的影响
5.1根据现有得到的研究结果讨论: 优势、局限于未来潜在的研究方向
在讨论中，应将之前在相同或相关领域（fNIRS、fMRI、EEG或其他）的研究结果与现有结果进行比较和情境化。这确保了与文献的一致性检查，并展示了这些发现的创新贡献和意义。不应混淆相关性和因果关系，也不应在没有证据的情况下报告因果关系。
理想情况下，讨论应该有一个单独的部分专门讨论研究的优势和局限性。fNIRS研究的优势可能包括所采用的创新实验范式、对特定神经/认知现象的深入研究、大样本量，或创新硬件或信号处理方法的开发和应用。局限性可能是样本量小、仪器仪表以及测量和分析中存在混杂效应。。例如，一项研究表明，尽管由于头皮/颅骨厚度较小，年轻人群中fNIRS的大脑敏感性较高，如果没有独立测量外脑血流动力学变化（例如，通过短的分离通道），仍然应该考虑他们的分析中的生理混杂因素，并讨论生理噪声对其结果和解释的可能影响。
根据手稿中呈现的内容，对未来可能的研究步骤进行专门描述有助于讨论开放性科学问题，理想情况下包括新课题产生的假设的形成，这些假设可以在后续研究中进行进一步实验。
5.2 结论
结论应综合研究的主要发现，并以非常简洁的形式总结其对该领域的意义和影响。结论必须与目标和结果呈现的内容相符合。建议首先仔细考虑和定义这些结论。这对编写一份连贯、直截了当的论文非常有用。
6. 参考
6.1引用的正确格式
熟悉研究领域的文献是对所介绍工作进行背景化的先决条件。为了提供背景和基本原理，并将研究结果与现有文献进行比较，必须提供包括有关手头特定主题的相关评论文章和原创研究文章。 同样，在终稿中应仔细检查每个参考文献，以确认论文中中提及的信息与引用的原始作品中提供的信息一致。
7. 附录:强化实验可重复性
7.1 预注册、数据和代码共享
研究和分析计划可以在数据采集开始预注册。这种做法确保了透明度，使研究人员能够区分计划分析和探索性分析，并据此解释其结果。研究可以在许多开放科学文献库中预先注册，如神经成像工具和资源合作组织（Neuroimaging Tools and Resources Collaboratory，NITRC）、GitHub、rOpenSci、Dryad、开放科学框架（Open Science Framework，OSF）、Mendeley、Figshare和arXiv。一旦研究完成，其中许多文献库中还允许数据和代码共享。与研究社区共享数据和代码有助于研究结果的可重复性，因为它允许研究人员独立测试和验证结果，并获得新的发现和解释，而无需对工作进行不必要的重复。因此，我们强烈鼓励分享fNIRS数据和代码，以及其他有用的信息，如实验期间呈现的刺激。一些期刊提供了分享这些额外信息的机会作为论文主体的补充。如果期刊不允许，那么可以使用其他途径进行，例如在线存储库。本文的方法部分提供了相关存储库的链接。使用这些资源的一个优点是，它们允许记录有权访问数据的下载者，这是许多伦理委员会的要求。当来自人类研究的数据被公开分享时，确保其完全去标识化是至关重要的。IRB是在共享数据的同时获得保护人类隐私指导的重要资源。可以进一步加快创新技术的公开共享硬件/软件也非常有用（例如opennirs/openfnirs项目）。最后，数据应该以公开和广泛可访问的格式共享。fNIRS社区正在采用一种常见的fNIRS数据格式：“shared near-infrared data format”——“snirf”(https://github.com/fNIRS/snirf)。使用fNIRS通用的标准格式和标准指南，可以极大地促进使用不同采集系统和处理管道的研究小组之间的数据共享，例如与sMRI结构像的兼容性。
额外：本手册由Meryem A. Yücel(2022)进行撰写，中文版由上海心仪电子科技有限公司（心仪脑平台）翻译校对。未经授权不允许任何形式的中文版转录，复制、修改、印刷等行为。
相关文章
更多 >