非官方中文翻译本页译自 MNE-Python 官方文档：查看英文原文 ↗。文档版权归 MNE Developers 所有（BSD-3-Clause）。

注意

转到末尾下载完整示例代码。

导入 fNIRS 设备数据#

fNIRS 设备包含两种光极：光源（又称“发射器”或“发送器”）和光探测器（又称“接收器”）。通道定义为光源-探测器对，通道位置定义为光源与探测器的中点。

MNE-Python 提供用于从多种文件格式读取 fNIRS 数据和光极位置的函数。无论设备制造商或文件格式如何，MNE-Python 的 fNIRS 函数都会以相同方式在内部存储测量数据及其元数据（例如，数据值始终转换为 SI 单位）。支持的测量类型包括振幅、光密度、氧合血红蛋白浓度和脱氧血红蛋白浓度（用于连续波 fNIRS），以及 AC 振幅和相位（用于频域 fNIRS）。

警告

MNE-Python 在内部以特定结构存储元数据，内部函数期望特定的命名约定。不建议手动修改通道名称和元数据。

标准化数据#

SNIRF（.snirf）#

共享近红外光谱格式（SNIRF）由 fNIRS 社区设计，旨在促进 fNIRS 数据的共享和分析，并且是功能性近红外光谱学会（SfNIRS）的官方格式。制造商 Gowerlabs、NIRx、Kernel、Artinis 和 Cortivision 均以 SNIRF 格式导出数据，这些文件可以导入 MNE。SNIRF 是向 MNE-Python 读入数据的首选格式。可以使用 mne.io.read_raw_snirf() 读取以 SNIRF 格式存储的数据。

注意

SNIRF 格式对许多不同类型的 fNIRS 记录都作了规定。MNE-Python 目前仅支持读取以 .snirf 格式存储的连续波或血红蛋白数据。

指定坐标系#

用于指定传感器位置的坐标系有多种（详见源空间对齐与坐标框架）。在读取 SNIRF 文件时，会尽可能自动确定坐标系。但有时无法做到这一点，此时必须手动指定光极所在的坐标系。这可以通过加载数据时的 optode_frame 参数完成。

厂商	型号	`optode_frame`
NIRx	ICBM-152 MNI	mri
Kernel	ICBM 2009b	mri

对于 Gowerlabs SNIRF 文件，坐标系会自动检测。

连续波设备#

NIRx（目录或 hdr）#

NIRx 生产连续波 fNIRS 设备。可以使用 mne.io.read_raw_nirx() 读取 NIRx 记录。NIRx 设备将数据直接存储在一个包含多种文件类型的目录中，MNE-Python 会从每个文件中提取相应信息。MNE-Python 仅支持使用 NIRStar 15.0 及以上版本和 Aurora 2021 及以上版本记录的 NIRx 文件。MNE-Python 支持从 NIRScout 和 NIRSport 设备读取数据。

Hitachi（.csv）#

Hitachi 生产连续波 fNIRS 设备。可以使用 mne.io.read_raw_hitachi() 读取 Hitachi fNIRS 记录。由于不存储光极信息，因此需要手动设置蒙太奇，参见 mne.io.read_raw_hitachi() 的 Notes 部分。

频域设备#

BOXY（.txt）#

可以使用 mne.io.read_raw_boxy() 读取 BOXY 记录。BOXY 软件以及 ISS Imagent I 和 II 设备是频域系统，它们将数据存储在单个 .txt 文件中，其中包含以下内容（括号内为 MNE-Python 对相应数据类型的名称）：

DC
探测器收集的所有光（fnirs_cw_amplitude）
AC
高频调制光强度（fnirs_fd_ac_amplitude）
相位
调制光的相位（fnirs_fd_phase）

DC 数据以 fnirs_cw_amplitude 类型存储，因为它同时收集调制光和非调制光，因此类似于 NIRx 等连续波系统所收集的数据。这有助于符合 SNIRF 标准类型。

这些原始数据文件可由采集设备保存为已解析或未解析的 .txt 文件，这会影响文件中数据的组织方式。MNE-Python 会读取任一种文件类型，并提取原始 DC、AC 和相位数据。如果使用记录硬件的 digaux 端口发送触发信号，MNE-Python 还会读取 digaux 数据并为所有触发信号创建注释。

自定义数据导入#

加载 CSV 或 TSV 格式的旧版数据#

警告

不支持此方法，建议用户不要使用。应使用功能性近红外光谱学会提供的工具将数据转换为 SNIRF 格式，然后使用 mne.io.read_raw_snirf() 加载。

fNIRS 测量数据可能以非标准化格式存储，MNE-Python 不支持这种格式，也难以轻松转换为 SNIRF。这类旧版数据通常为 CSV 或 TSV 格式；尽管由于文件格式缺乏标准化（通道的命名和排序、数据的类型和缩放以及传感器位置的指定因厂商而异），MNE-Python 并未正式支持，但这里展示一种加载方法。你可能需要根据 CSV 的来源系统进行调整。

import numpy as np
import pandas as pd

import mne

首先，我们生成一个示例 CSV 文件，随后将其加载到 MNE-Python 中。如果你已有要加载的实际数据，则可跳过此步骤。我们模拟 16 个通道、每个通道 100 个样本的数据，并将其保存到名为 fnirs.csv 的文件中。

pd.DataFrame(np.random.default_rng(97).normal(size=(16, 100))).to_csv("fnirs.csv")

接下来，我们将加载示例 CSV 文件。

data = pd.read_csv("fnirs.csv")

然后，必须手动指定元数据，因为 CSV 文件不包含通道名称、类型、采样率等信息。

警告

在 MNE-Python 中，通道命名必须遵循 S#_D# type 结构，其中 # 替换为相应的光源和探测器编号，type 为 hbo、hbr 或波长。

ch_names = [
    "S1_D1 hbo",
    "S1_D1 hbr",
    "S2_D1 hbo",
    "S2_D1 hbr",
    "S3_D1 hbo",
    "S3_D1 hbr",
    "S4_D1 hbo",
    "S4_D1 hbr",
    "S5_D2 hbo",
    "S5_D2 hbr",
    "S6_D2 hbo",
    "S6_D2 hbr",
    "S7_D2 hbo",
    "S7_D2 hbr",
    "S8_D2 hbo",
    "S8_D2 hbr",
]
ch_types = [
    "hbo",
    "hbr",
    "hbo",
    "hbr",
    "hbo",
    "hbr",
    "hbo",
    "hbr",
    "hbo",
    "hbr",
    "hbo",
    "hbr",
    "hbo",
    "hbr",
    "hbo",
    "hbr",
]
sfreq = 10.0  # in Hz

最后，可以将数据转换为 MNE-Python 数据结构。上述元数据用于创建 mne.Info 数据结构，并将其与数据结合以创建 MNE-Python 的 Raw 对象。有关 info 结构的更多详细信息，请参见 Info 数据结构；有关连续数据在 MNE-Python 中存储方式的更多详细信息，请参见 Raw 数据结构：连续数据。有关如何从原始数组数据创建 MNE-Python 数据结构的更详细说明，请参见从零创建 MNE-Python 数据结构。

info = mne.create_info(ch_names=ch_names, ch_types=ch_types, sfreq=sfreq)
raw = mne.io.RawArray(data, info, verbose=True)

Creating RawArray with float64 data, n_channels=16, n_times=101
    Range : 0 ... 100 =      0.000 ...    10.000 secs
Ready.

为导入数据应用标准传感器位置#

拥有光极位置信息可能有助于分析。除了它带来的一般好处（例如创建感兴趣区域等）之外，这对 fNIRS 可能尤为重要，因为将光密度数据转换为血红蛋白浓度估计值需要光极位置信息。MNE-Python 提供了一些方法，可从部分厂商加载标准传感器配置（蒙太奇），下面将进行演示。一些有助于理解传感器位置、坐标系以及如何在 MNE-Python 中存储和查看这些信息的实用教程包括：处理传感器位置、源空间对齐与坐标框架和 Plotting EEG sensors on the scalp。

以下是如何为 Artinis OctaMon 设备加载光极位置的示例。

注意

还可以通过将 coord_frame 设置为 'mri'，使用 mne.channels.read_custom_montage() 从文件为 fNIRS 创建自定义蒙太奇。

montage = mne.channels.make_standard_montage("artinis-octamon")
raw.set_montage(montage)

# View the position of optodes in 2D to confirm the positions are correct.
raw.plot_sensors()

为验证位置加载正确，还可以在三维表示中查看光源（红色）、探测器（黑色）和通道（白线和橙色点）的位置。基准点用蓝色、绿色和红色标记。详情请参见源空间对齐与坐标框架。

subjects_dir = mne.datasets.sample.data_path() / "subjects"
mne.datasets.fetch_fsaverage(subjects_dir=subjects_dir)

brain = mne.viz.Brain(
    "fsaverage", subjects_dir=subjects_dir, alpha=0.5, cortex="low_contrast"
)
brain.add_head()
brain.add_sensors(raw.info, trans="fsaverage")
brain.show_view(azimuth=90, elevation=90, distance=500)

0 files missing from root.txt in /home/circleci/mne_data/MNE-sample-data/subjects
0 files missing from bem.txt in /home/circleci/mne_data/MNE-sample-data/subjects/fsaverage
Using fsaverage-head-dense.fif for head surface.
    1 BEM surfaces found
    Reading a surface...
[done]
    1 BEM surfaces read
Channel types:: hbo: 8, hbr: 8

脚本总运行时间：（0 分钟 6.512 秒）

由 Sphinx-Gallery 生成的图库