在大多文献中，处理功能近红外光谱（fNIRS）数据的“标准”流程大致如下：导出采集好的原始光强度信号，使用厂家提供的预处理软件（如nirsLAB、OxySoft、NirSpark等）或第三方开源软件（如homer2、homer3、NIRS_SPM、NIRS_KIT 等）完成去噪、运动伪影校正和滤波；再依据依据修正的比尔–朗伯定律浓度换算公式得到血氧浓度变化（HbO、HbR）；随后根据实验mark，提取任务相关的血氧响应或峰值，或进行激活分析；最后在统计软件里做组间比较或相关性分析。整个流程虽然完整，但在每一步都有细节差异和潜在陷阱。本文会详细讲解采集和处理中需要注意的地方。
一.发射光极‑接收光极距离的“隐形”误差
现象：实验结束后发现某些通道的信噪比异常低，HbO 曲线噪声大得没法看。
原因：虽然理论上要求发射端与接收端保持约三厘米的距离，但在实际佩戴时毛发遮挡、探头与头皮接触不良、头部曲率、固定松动、肤色及环境光，都可能使某些通道的光强过低或噪声过大。
正确做法：
1. 在每次实验前使用设备自带的距离校准功能，记录每对源探的实际距离。
2. 对明显偏离三厘米的通道标记为"不可靠"，在后续分析中予以剔除或单独报告。
3. 在预处理阶段时根据原始光强、信噪比、头皮耦合指数、心搏成分或厂家提供的质量指标识别坏通道，坏通道不参与后续统计。
二.波长配置的设备差异
现象：同一实验在两台不同品牌的 fNIRS 设备上重复，得到的结果可能存在显著差异。
原因：并非所有近红外设备只使用两条波长，也有厂家提供三波长方案，各家设备的中心波长、光源功率、探测器性能、采样率以及消光系数设置可能不同，这些因素都会影响HbO和HbR的估计，尤其在血红蛋白浓度变化不大的情况下。
正确做法：
4. 采集时确认所用仪器的波长数目和具体中心波长，尽量使用同设备采集数据。
5. 若使用两波长设备，严格采用标准的双波长 Beer‑Lambert 公式；若是三波长，则使用多波长线性回归或矩阵分解方法。
6. 跨设备研究应尽量保持探头布局、源探距离、采样设置和实验流程一致，并记录设备型号、波长及浓度换算参数。必要时进行设备间校准或敏感性分析。即使波长完全相同，两台设备的数值也不能自动视为完全等价。
三.预处理软件的“算法黑箱”
现象：同一原始光强文件分别在homer2、NIRS_SPM、NIRS_KIT 三款软件中预处理后，得到的 HbO 时序图形差异显著，甚至同一批数据的结果走向都不一致。
原因：这些软件背后实现的去噪、运动伪影校正、基线漂移去除等逻辑并不完全一样。不同算法对噪声的敏感度不同，尤其在原始信噪比偏低的情况下，结果会出现较大差距。
正确做法：
7. 在正式分析前，对同一批数据分别尝试不同软件，比较关键指标（如全局信噪比、运动伪影残留率）。选定最符合实验需求的方案之后就固定使用。
8. 无论最终采用哪套软件，都要在方法章节明确列出使用的软件、关键参数（如运动阈值、滤波带宽），并提供原始与预处理后数据的对照图，保证结果可复现。
四.数据质量对算法表现的影响
现象：在一组健康受试者的实验中，使用不同预处理软件得到的显著性水平相差无几；但在另一组信噪比较差的受试者（头皮毛发浓密、频繁头动）中，同样的分析却出现了极端的显著差异，甚至所有通道都显示极其显著的差异。
原因：当原始信号质量低下时，预处理算法的差异会被放大。运动伪影未完全去除会在统计模型中被误解释为任务相关信号，导致假阳性。不同软件对残余噪声的容忍度不同，进而产生截然不同的统计结论。
正确做法：
9. 在实验前设定数据质量阈值并在采集阶段实时监控。
10. 剔除不达标的受试者或通道，避免低质量数据进入后续分析。
11. 若必须保留低质量数据，采用更保守的统计策略（降低坏通道权重）并在报告中明确说明数据质量对结果的潜在影响。
五.单位换算的细节遗漏
现象：在报告 HbO 变化时，数值数量级明显不对，和文献对比差异巨大。
原因：多数软件默认输出的血氧浓度单位是 mol·L⁻¹（或称为 “M”），而临床和神经科学常用的单位是 µmol·L⁻¹（μM）。如果在后期统计或绘图时忘记乘以 10⁶ 的换算系数，数值就会被错误展示。
正确做法：
12. 在导出浓度数据后，立即检查文件头部的单位标识，并检查软件说明、变量名称、文件头以及是否已经使用源探距离和差分路径长度因子（DPF）。
13. 若为 mol·L⁻¹，统一在 Excel 或脚本中执行 value_µM = value_M * 1e6 的转换。
14. 为防止后续忘记，建议在数据文件名或列标题中加入 “µM” 标识，并在图例中注明单位。这样即使交叉使用不同软件，也能保持数值尺度的一致性。
六.显示精度和统计精度的差异
现象：在使用某些工具箱做组间统计时，得到的 p 值或 F 值显得异常离谱。
原因：部分工具箱在导出统计结果时默认保留的有效小数位很少，极小的 p 值、极大的 F 值直接被截断，进而在后续绘图或报告中出现不合理的显著性描述。
正确做法：
15. 在调用统计函数时显式设置输出精度，或导出后核对原始精度。
16. 若已有截断的结果，重新在原始统计对象上计算 p 值或使用外部软件（如R、Python）重新评估。
17. 在论文或报告中注明统计结果的显示精度，以免审稿人误解。
七. Z变换什么情况下适用
现象：在阅读部分日本团队的 fNIRS 论文时，发现他们对每个时间点的血氧值先做了 Z 变换（即减去基线均值再除以基线标准差），有些研究却没有做这一步，导致两套数据的可视化幅度差别很大。
原因：Z 变换本质上是对信号进行标准化，适用于基线波动较大、跨受试者比较时需要消除个体差异的情形。但如果基线段本身噪声较高，Z 变换会把噪声放大，导致后续统计不稳。
正确做法：
18. 在决定是否使用 Z 变换前，先评估基线段的信噪比；若基线平稳、方差小，使用 Z 变换可以提升跨组比较的灵敏度。
19. 实施步骤：
- 选取任务开始前的一段静息数据作为基线窗口；
- 计算该窗口的均值μ和标准差σ；
- 对整段信号执行
；
- 在统计模型中使用 Z‑score 而非原始浓度。
20. 若基线噪声显著，建议先进行低通滤波或运动伪影校正，再决定是否进行标准化。
总结
正式分析前，研究者至少应提前确定以下内容：
1. 使用哪类信号质量指标以及坏通道阈值；
2. 运动伪迹采用哪种识别和校正方法；
3. 是否使用短距离通道回归或其他生理干扰控制；
4. 滤波器类型、截止频率和处理顺序；
5. 波长、源探距离、DPF及浓度单位；
6. 使用事件平均、峰值分析还是GLM；
7. 个体和被试的排除标准；
8. 组水平模型及多重比较校正方法。
fNIRS目前没有一套可以直接套用的国际统一流程和参数，但已经有较明确的质量控制和透明报告原则。真正可靠的流程，不是步骤越多越好，而是每一步都有依据、参数提前确定、处理过程能够复现，并且最终结论在合理的敏感性分析下仍然稳定。
