在脑科学和神经科学领域，功能近红外成像技术（functionalnear-infrared spectroscopy, fNIRS）已经逐渐成为研究大脑活动的重要技术手段之一。该技术主要利用脑组织中氧合血红蛋白和脱氧血红蛋白对不同波长（600-900nm）的近红外光吸收度的差异性，来实时、直接检测大脑皮层的血液动力学活动。fNIRS技术具有造价较低、便携性好、抗噪音及运动干扰能力强和高生态效度等显著优点，因此，近些年来fNRIS已经广泛应用于神经发育、教育、管理、心理、体育、艺术、精神疾病和神经病学等领域的研究中。目前，每年有大量的基于fNIRS技术的研究论文被发表出来，且具有逐年递增的趋势。fNIRS实验和数据处理专业性很强，涉及的分析方法和技术也是层出不穷。对于采集得到的fNIRS数据，需要经过较为复杂的多个步骤的分析和处理才能够获得所需要的最终结果，这对于无计算机编程和数据处理基础的研究者来说可能就会困难重重。
为了帮助脑科学领域的研究者更快地获得fNIRS数据分析结果，把更多的精力放在实验设计上，悦影科技特此推出fNIRS数据处理服务。我们团队由多年从事EEG、MRI、fNIRS数据处理和机器学习技术研究的博士组成，“专业，诚信，合作，共赢”是我们一直恪守的服务理念，悦影科技竭诚为您提供高质量、精准的数据处理服务。
fNIRS数据处理服务项目具体如下：
一、基于NIRS-SPM工具包的数据分析（提取beta值以及绘制激活图）
利用NIRS-SPM工具包对fNIRS数据进行格式转换、空间定位、滤波、去漂移、一阶分析、计算beta值、组分析、绘制激活图等。
图1 激活图（doi:10.1016/j.neuroimage.2008.08.036）
二、血红蛋白浓度时域分析
利用Homer2工具包对fNIRS数据进行预处理，包括数据格式转换、伪迹检查与校正、滤波、块平均等；绘制氧合血红蛋白浓度、脱氧血红蛋白浓度以及总体血红蛋白浓度曲线图（图1），提取峰幅度、平均幅度和达峰时间等多种特征参数用于后续统计分析。
图2 血氧浓度变化曲线
三、功能连接分析
利用Homer2对fNIRS数据进行预处理，预处理后的数据用于计算如下功能连接指标：皮尔森相关系数（corr）、相干（coherence）、基于相位的功能连接（如PLV、PLI等）、格兰杰因果（GCA）等；对计算的功能连接进行统计分析、多重比较校正（FWE、FDR、NBS等）以及功能连接可视化。
图3 功能连接图(doi:10.1038/s41398-020-01088-7)
四、脑间功能连接分析
对fNIRS超扫描数据进行预处理（与单人fNIRS预处理稍有不同），计算脑内和脑间的小波相干和格兰杰因果连接；对计算得到的功能连接进行统计分析和作图。
图4 小波相干图（doi:10.1016/j.neuroimage.2011.09.003）
五、复杂脑网络分析
利用图论的方法来研究脑网络的复杂网络指标，包括聚类系数、特征路径长度、小世界系数等各种图论指标。
图5 图论指标示意图（Mikail Rubinov et al. 2010 NeuroImage）
六、fNIRS结合机器学习分析
上述计算得到的各种指标都可以作为机器学习的特征。应用机器学习的目的一般为疾病的预测、诊断、鉴别诊断、表型（如症状）预测、疗效预测、疾病分型、神经机制解码等。具体分为：
（1）分类：支持的算法包括但不限于K最邻近分类（KNN）、支持向量机（SVM）、逻辑回归分类、决策树、随机森林、线性判别分析（LDA）、朴素贝叶斯、神经网络等。此外，我们还特别推出基于卷积神经网络CNN的分类。
（2）回归：支持的算法包括但不限于最小二乘法线性回归、Lasso回归（L1正则），Ridge回归（L2正则）、Elastic-Net回归（L1+L2正则）、支持向量机回归（SVM）、高斯过程回归、随机森林回归、稀疏典型回归等。同样我们也可以定制基于深度学习的回归。
（3）聚类：支持的算法包括但不限于K-means 聚类、层次聚类、谱聚类、基于密度的聚类（DBSCAN）等。
七、个性化分析项目
本团队老师有多年编程以及科研经验，能根据客户需求迅速找到科研突破口，实现文献中的核心技术难题。除了上述的分析之外，我们还接受包括算法和程序定制、复现文献中的分析方法等个性化的分析项目。
网友评论