大家好，我是陈锐。

在本公众号上，我相信我是花了大量的时间和精力在分享脑科学技术内容，保持初心，也正如我所愿的那样——让脑科学技术更简单。绝不是一句空话了，在公众号上已经有大量的学习脑电、近红外、眼动以及其它软件的教程资料，很多大量的学习内容都是免费公开的。我很愿意分享这些脑科学技术内容给大家能带来一些帮助，降低这些技术的门槛，您就可以学习到更多脑科学知识。多多分享公众号内容让更多人受益才是最大的帮助者。

本期内容，我想这也是很多学习近红外的小伙伴的难点所在。在往期的推文中，关于MNE/Python用来分析EEG数据，我想大家应该看过或者搜索到过路大佬等人组织撰写的《基于Python的脑电数据中文预处理手册》，它也是为了降低入门MNE使用者的难度，对于想学习分析EEG数据的，我也很推荐去学习和查看。同时，我也推荐大家去B站学习MNE/Python分析EEG数据的教程。

但是，作为近红外技术手段，它是“一个新技术手段吗？”，也谈不上吧，发展了有很多年了，但是，在国内，关于近红外技术的书籍真的是少之又少，前一段时间朱朝喆老师出版的《近红外技术书籍》，初入门的也可以去看看。我也看过了，大多数内容样式，也可以在公众号上找到。作为技术入门，我还是推荐多看看官方软件的介绍和操作步骤。

希望本手册教程能提供您一些分析思路，当然它可能并不难完全直接适用于您自己的近红外数据，但大体上代码是通用的，我相信您只需要进行一些并不困难的修改之后，您就可以很简单自如地开始着手处理您的数据了。

每次写教程都会花费了我很多的时间和精力，但还是公众号宗旨的那句话——让脑科学技术更简单。因此，在一定程度上来说，它或许能对初入心理学与神经科学领域的学生老师们一些帮助。

目前，这个预处理手册是我根据官方教程进行的简化修改，其代码和处理流程可能会略有差别，但大体上的近红外数据过程不会改变，可参考文章《近红外数据分析之流程》。更多关于近红外技术的文章，推荐浏览fNIRS技术列表

fNIRS技术文章

希望这个近红外数据预处理手册是国内MNE/Python-NIRS近红外数据处理中文手册的第一步，但也不仅仅是第一步！

关于 MNE-NIRS

MNE-NIRS 是Python 的开源工具箱，由Robert Luke、Eric Larson和Alexandre Gramfort 开发。MNE-NIRS 并不以 GUI 的形式运行，而是通过处理过程中的脚本来处理，需要有基本的Python知识。

今天我将介绍的是一般工作流程包括如何导入功能性近红外光谱（fNIRS）原始测量数据，并转换为相对的氧血红蛋白（HbO）及脱氧血红蛋白（HbR）浓度，查看平均波形及响应的地形表示。

import numpy as npimport matplotlib.pyplot as pltimport mne
raw_data = mne.io.read_raw_nirx('/Users/chenrui/Desktop/Participant-1', saturated = 'annotate' , preload = False , verbose = None)raw_data.load_data()#mne.io.read_raw_snirf(fname, optode_frame='unknown', preload=False, verbose=None)导入格式snirf#mne.io.read_raw_nirx(fname, saturated='annotate', preload=False, verbose=None)导入nirx#mne.io.read_raw_hitachi(fname, preload=False, verbose=None)导入岛津设备格式csv

提供有意义的注释信息

1、将marker标记为有意义的名称
2、包括了关于每个刺激持续时间，在本实验的所有条件下都是5秒。
3、删除触发代码15，它表示实验的开始和结束，与我们的分析无关。

raw_data.annotations.set_durations(5)raw_data.annotations.rename({'1.0': 'Control','2.0': 'Left','3.0': 'Right'})unwanted = np.nonzero(raw_data.annotations.description =='15.0')raw_data.annotations.delete(unwanted)

删除短通道

删除短通道，光源-探测器之间的距离小于1厘米。

picks = mne.pick_types(raw_data.info, fnirs=True)dists = mne.preprocessing.nirs.source_detector_distances(raw_data.info, picks=picks)raw_data.pick(picks[dists >0.01])raw_data.plot(n_channels=len(raw_data.ch_names), duration=500, show_scrollbars=False)

Using matplotlib as 2D backend.

从原始强度转换为光密度

将原始强度值转换为光密度。

raw_od = mne.preprocessing.nirs.optical_density(raw_data)raw_od.plot(n_channels=len(raw_od.ch_names),duration=500, show_scrollbars=False)

评估数据质量

使用头皮耦合指数在头皮和optodes之间的方法。
在本例中，数据是干净的，耦合对所有的通道都可以。

sci = mne.preprocessing.nirs.scalp_coupling_index(raw_od)fig, ax = plt.subplots()ax.hist(sci)ax.set(xlabel='Scalp Coupling Index', ylabel='Count', xlim=[0, 1])

将耦合指数小于0.5的所有通道标记为“bads”（此数据集非常干净，因此没有通道被标记为坏）。

从光密度转换为血红蛋白

使用修正的比尔-朗伯定律将光密度数据转换为血红蛋白浓度。

raw_haemo = mne.preprocessing.nirs.beer_lambert_law(raw_od, ppf =0.1)raw_haemo.plot(n_channels=len(raw_haemo.ch_names), duration=500, show_scrollbars=False)

从信号中移除心率等信号，进行滤波

进行生理信号剔除，使用滤波方法

raw_haemo = raw_haemo.filter(0.02, 0.2, h_trans_bandwidth=0.2, l_trans_bandwidth=0.02)
raw_haemo.plot(n_channels=len(raw_haemo.ch_names),   duration=500, show_scrollbars=True,      scalings='auto', clipping=None);

Filtering raw data in 1 contiguous segment
Setting up band-pass filter from 0.02 - 0.2 Hz

FIR filter parameters
---------------------
Designing a one-pass, zero-phase, non-causal bandpass filter:
- Windowed time-domain design (firwin) method
- Hamming window with 0.0194 passband ripple and 53 dB stopband attenuation
- Lower passband edge: 0.02
- Lower transition bandwidth: 0.02 Hz (-6 dB cutoff frequency: 0.01 Hz)
- Upper passband edge: 0.20 Hz
- Upper transition bandwidth: 0.20 Hz (-6 dB cutoff frequency: 0.30 Hz)
- Filter length: 1291 samples (165.248 sec)

分段

我们提取感兴趣的事件并将其可视化

events, event_dict = mne.events_from_annotations(raw_haemo)

定义分段范围、伪迹阈值标准，基线校正，并提取感兴趣的分段。

reject_criteria =dict(hbo=80e-6)tmin, tmax =-5, 15
epochs = mne.Epochs(raw_haemo, events, event_id=event_dict,                    tmin=tmin, tmax=tmax,                    reject=reject_criteria, reject_by_annotation=True,                    proj=True, baseline=(None, 0), preload=True,                    detrend=None, verbose=True)#epochs.plot_drop_log() #日志可视化分段

Not setting metadata
90 matching events found
Setting baseline interval to [-4.992, 0.0] sec
Applying baseline correction (mode: mean)
0 projection items activated
Using data from preloaded Raw for 90 events and 157 original time points ...
    Rejecting  epoch based on HBO : ['S4_D4 hbo']
    Rejecting  epoch based on HBO : ['S4_D4 hbo', 'S8_D8 hbo']
    Rejecting  epoch based on HBO : ['S4_D4 hbo']
    Rejecting  epoch based on HBO : ['S4_D4 hbo', 'S8_D8 hbo']
    Rejecting  epoch based on HBO : ['S7_D6 hbo']
    Rejecting  epoch based on HBO : ['S1_D1 hbo', 'S3_D3 hbo', 'S4_D4 hbo', 'S7_D6 hbo', 'S7_D7 hbo', 'S8_D8 hbo']
    Rejecting  epoch based on HBO : ['S7_D6 hbo']
    Rejecting  epoch based on HBO : ['S4_D4 hbo']
    Rejecting  epoch based on HBO : ['S4_D4 hbo', 'S8_D8 hbo']
    Rejecting  epoch based on HBO : ['S4_D4 hbo', 'S6_D8 hbo', 'S8_D8 hbo']
    Rejecting  epoch based on HBO : ['S4_D4 hbo', 'S8_D8 hbo']
11 bad epochs dropped

查看各试验中反应的一致性

epochs['Left'].plot_image(combine='mean', vmin=-30, vmax=30, ts_args=dict(ylim=dict(hbo=[-15, 15], hbr=[-15, 15])))

Not setting metadata
28 matching events found
No baseline correction applied
0 projection items activated
Not setting metadata
28 matching events found
No baseline correction applied
0 projection items activated
combining channels using "mean"
combining channels using "mean"

epochs['Right'].plot_image(combine='mean', vmin=-30, vmax=30,                             ts_args=dict(ylim=dict(hbo=[-15, 15],                                                    hbr=[-15, 15])))

epochs['Control'].plot_image(combine='mean', vmin=-30, vmax=30,                             ts_args=dict(ylim=dict(hbo=[-15, 15],                                                    hbr=[-15, 15])))

single_haemo = raw_haemo.copy()picks = mne.pick_channels_regexp(single_haemo.ch_names, regexp='S1_D1')raw_haemo.plot(order=picks, n_channels=len(picks), duration=120, show_scrollbars=True,      scalings='auto', clipping=None);sep_ch = single_haemo.pick(picks)

evoked_dict = {'Left/HbO': epochs['Left'].average(picks='hbo'),               'Left/HbR': epochs['Left'].average(picks='hbr'),               'Right/HbO': epochs['Right'].average(picks='hbo'),               'Right/HbR': epochs['Right'].average(picks='hbr'),               'Control/HbO': epochs['Control'].average(picks='hbo'),               'Control/HbR': epochs['Control'].average(picks='hbr')}for condition in evoked_dict:    evoked_dict[condition].rename_channels(lambda x: x[:-4])
color_dict =dict(HbO='#AA3377', HbR='b')styles_dict =dict(Control=dict(linestyle='dashed'))
mne.viz.plot_compare_evokeds(evoked_dict, combine="mean", ci=0.95,                             colors=color_dict, styles=styles_dict)

times = np.arange(-3.5, 13.2, 3.0)topomap_args =dict(extrapolate='local')epochs['Left'].average(picks='hbo').plot_joint(    times=times, topomap_args=topomap_args)

times = np.arange(-3.5, 13.2, 3.0)topomap_args =dict(extrapolate='local')epochs['Right'].average(picks='hbo').plot_joint(    times=times, topomap_args=topomap_args)

times = np.arange(4.0, 11.0, 1.0)epochs['Left'].average(picks='hbo').plot_topomap(    times=times, **topomap_args)epochs['Right'].average(picks='hbo').plot_topomap(    times=times, **topomap_args)

epochs['Left'].average(picks='hbr').plot_topomap(    times=times, **topomap_args)epochs['Right'].average(picks='hbr').plot_topomap(    times=times, **topomap_args)

fig, axes = plt.subplots(nrows=1, ncols=1, figsize=(6, 4))mne.viz.plot_evoked_topo(epochs['Left'].average(picks='hbo'), color='b',                         axes=axes, legend=False)mne.viz.plot_evoked_topo(epochs['Right'].average(picks='hbo'), color='r',                         axes=axes, legend=False)
# Tidy the legend:leg_lines = [line for line in axes.lines if line.get_c() =='b'][:1]leg_lines.append([line for line in axes.lines if line.get_c() =='r'][0])fig.legend(leg_lines, ['Left', 'Right'], loc='lower right')