fMRI-fNIRS联合成像

功能磁共振成像（functional magnetic resonance imaging，fMRI）能够以较高空间分辨率观察全脑活动和功能网络，包括丘脑、海马及基底节等深部结构，但对头动较为敏感，时间分辨率受血流动力学反应的限制，滞后于神经活动；功能近红外光谱（functional near-infrared spectroscopy，fNIRs）则可以在更安静、便携和接近真实行为的环境中连续记录皮层氧合血红蛋白（HbO）与脱氧血红蛋白（HbR）的变化，但空间定位和探测深度有限。

两种技术都通过血流动力学变化间接反映神经活动，但在空间覆盖、采样方式、运动耐受性和应用场景上各有侧重。而 fMRI–fNIRs 联合成像就是把这两种技术进行结合，充分发挥两者优势，实现对脑活动及其血流动力学过程的多尺度、多维度测量。

一、为什么需要fMRI-fNIRs联合成像

fMRI 和 fNIRS 都可以用于研究脑功能，但两种技术适合解决的问题并不完全相同。

fMRI 能够获得全脑 BOLD 信号，可以观察皮层和深部脑区的功能活动，适合进行脑功能定位和脑网络分析。但由于实验需要在 MRI 扫描仪内完成，对受试者动作限制较多，不适合开展步行、康复训练、语言交流等自然行为研究。

fNIRS 通过检测 HbO 和 HbR 浓度变化反映皮层血氧变化，设备便携，可用于床旁监测、儿童研究和康复训练等场景，也能够进行长时间连续采集。但 fNIRS 只能测量浅表皮层，而且不同受试者头型存在差异，仅根据探头位置很难准确判断对应的脑区。

因此，两种技术常结合使用。研究中通常先利用fMRI确定任务相关脑区，再将 fNIRS 探头配准到个体脑表面，判断探头是否覆盖目标皮层；或者在同步采集条件下比较 BOLD、HbO 和 HbR 的变化是否一致；随后利用 fNIRS 在康复训练、步行或社会互动等自然场景下持续监测相关脑区活动。这样既能够获得较准确的脑功能定位，又能够实现连续监测。

二、两种联合模式：同步采集与异步采集

同步采集是指在同一次实验中同时记录 fMRI 和 fNIRS，其最大优势是两种模态对应同一时刻、同一任务状态，适合进行空间定位、跨模态验证以及神经血管耦合研究。常见方案是将 fNIRS 主机放置在磁体室外，通过超长光纤连接扫描仪内的 MR 兼容探头。

同步模式也面临明显限制：探头必须满足磁兼容和安全要求；头线圈空间有限；超长光纤会带来光信号衰减；动作幅度和任务类型受到 MRI 环境约束。因此，同步研究多采用静息态、手指敲击、视觉刺激、N-back 或 Go/No-Go 等相对稳定的范式。

异步采集则在不同时间或场景分别完成 fMRI 与 fNIRS。它更能发挥 fNIRS 的便携性和运动耐受优势，适合步行、康复训练、儿童任务和多人互动，但无法同时用两种模态捕捉神经活动。由于两种数据不是同时采集，被试状态可能发生变化，因此，异步研究不能简单地把两个结果不一致归因于模态差异，还需要考虑时间、状态和任务执行差异。

图1.fMRI-fNIRS 联合实验任务示意图（包括屏蔽室内的 fMRI-fNIRS 双模态脑时空响应采集和屏蔽室外超高通道 fNIRS 多人脑响应采集）。

表1.fMRI-fNIRS 联合使用的总体情况。

三、标准流程：从实验设计到跨模态比较

第一步是明确联合成像的目的。空间定位、效度验证和神经血管耦合通常优先采用同步采集；自然动作、康复监测和长期随访更适合异步采集。

第二步是设计两种模态均可解释的实验范式。同步研究应尽量限制大幅度运动和口头反应，并使用统一的刺激、事件时序和行为记录；异步研究则需要保证两次实验的任务难度、刺激顺序和反应规则尽可能一致。

第三步是分别完成 fMRI 与 fNIRS 预处理。由于两种数据的物理机制和数据结构差异较大，目前最常见、也最稳妥的方案是先独立处理，再在结果层、特征层或模型层进行融合。fMRI 数据需要完成时间校正、头动校正、空间标准化、空间平滑及时间滤波等常规预处理操作，并将功能像与个体结构像进行配准，最终获得适用于统计分析的 BOLD 数据。对于 fNIRS 数据，首先需要将原始光强信号转换为光密度，再利用改良 Beer–Lambert 定律计算 HbO 和 HbR 浓度变化。随后进行噪声去除、运动伪影校正和基线校正，以减少头动、心跳、呼吸等因素对信号的影响。由于近红外光在组织中传播时会发生散射，因此还需要进行光程校准，提高血红蛋白浓度计算的准确性。最后，将光源、探测器及通道位置配准到个体结构像或标准脑空间，明确每个通道对应的皮层脑区。

完成预处理后，两种模态的数据分别进入脑激活分析或脑网络分析。对于脑激活分析，fNIRS通常采用 Block 平均、广义线性模型（GLM）或小波分析等方法计算HbO 和 HbR 的激活情况；fMRI 则主要采用 GLM 进行体素水平统计分析，获得全脑激活图。对于脑网络分析，fNIRS 主要通过 Pearson 相关等方法构建皮层功能连接网络，并进一步进行图论分析；fMRI则可采用独立成分分析（ICA）、种子点功能连接分析（Seed-based analysis）及动态功能连接分析等方法研究全脑脑网络。

最后，将两种模态得到的结果进行比较和融合。例如，比较 fMRI 激活脑区是否与fNIRS 通道覆盖区域一致，分析 BOLD 信号与 HbO、HbR 变化之间的关系，或者比较两种模态得到的脑网络特征是否具有一致性。通过空间配准、多模态统计分析及图论分析，可以综合发挥 fMRI 高空间分辨率和 fNIRS 连续监测的优势，从而更全面地评价脑功能活动。

图2.fMRI-fNIRS 数据处理研究方法的示意图。

四、如何进行联合分析

目前，联合分析主要可分为结果层融合、时间序列融合、特征层融合和模型层融合四种方式。

结果层融合（Result-level Fusion） 是目前应用最广泛的方法，也是实现难度最低的一种策略。研究者首先分别完成 fMRI 和 fNIRS 的统计分析，例如采用广义线性模型（GLM）获得 BOLD 激活图以及 HbO、HbR 激活结果，再对两种模态的分析结果进行比较。比较内容主要包括激活脑区是否一致、BOLD 与 HbO 或 HbR 变化方向是否一致、两种模态激活强度之间的相关性，以及激活图的重叠程度、Dice 系数和峰值坐标距离等指标。该方法流程简单、结果直观，适合验证两种模态是否能够反映相同的脑功能活动，但由于仅比较最终分析结果，没有充分利用两种模态的时间信息，因此能够提供的信息相对有限。

时间序列融合（Time-series Fusion） 则直接比较两种模态采集到的动态信号。通常需要先将fMRI中某一脑区（ROI）的 BOLD 时间序列与空间对应的 fNIRS 通道 HbO 或 HbR 时间序列进行匹配。然而，由于两种技术的采样率存在明显差异，例如fMRI通常每 1~2 秒采集一次，而fNIRS采样频率可达到数Hz甚至十几Hz，因此需要首先进行重采样或降采样，使两种信号具有统一的时间尺度。此外，BOLD 信号与 HbO、HbR 虽然都属于血流动力学指标，但响应特性并不完全相同，因此分析时通常采用相关分析、滞后相关分析、交叉相关分析、小波相干分析、个体化血流动力学响应函数（HRF）建模以及动态连接分析等方法评价两种信号之间的动态关系。需要注意的是，即使两种信号表现出较高的相关性，也不能直接认为二者来源于相同的神经活动，因为呼吸、心率、血压等系统性生理波动同样可能产生跨模态相关。

特征层融合（Feature-level Fusion） 是目前多模态分析中较为常见的一种策略。该方法首先分别从fMRI和fNIRS中提取具有代表性的特征，再将这些特征联合用于统计分析或模式识别。例如，fMRI 可提取 ROI 激活 Beta 值、ALFF、fALFF、ReHo、功能连接、网络效率以及 BOLD 响应幅度等指标；fNIRS 则可提取 HbO 峰值、HbR 谷值、曲线下面积、激活起始时间、功能连接、网络拓扑指标以及左右半球侧化指数等特征。在获得多模态特征后，可进一步采用典型相关分析（CCA）、偏最小二乘分析（PLS）、多元回归、联合独立成分分析（jICA）以及多模态机器学习等方法探索不同模态之间的关系，从而获得比单一模态更加丰富的信息。

模型层融合（Model-level Fusion） 是近年来随着人工智能技术发展而逐渐兴起的一种分析策略。该方法利用一种模态的数据预测另一种模态的结果，例如利用多通道 fNIRS 采集得到的 HbO 和 HbR 特征预测 fMRI 中某一脑区的 BOLD 激活或功能连接强度。常见模型包括线性回归、主成分回归、支持向量机、随机森林、深度神经网络以及图神经网络等。相比传统统计分析，模型层融合更适用于复杂非线性关系的建模，但同时也对数据量和模型验证提出了更高要求。在模型建立过程中，应严格划分训练集、验证集和独立测试集，避免同一被试的数据同时参与模型训练和测试，否则容易产生数据泄漏，导致模型性能被高估。

综上所述，四种融合策略分别对应不同层次的数据整合过程。其中，结果层融合实现最为简单，适用于验证两种模态结果的一致性；时间序列融合关注两种信号的动态变化；特征层融合侧重于多模态信息整合；模型层融合则利用机器学习进一步挖掘两种模态之间的复杂关系，是当前 fMRI-fNIRS 联合分析的重要发展方向。

五、应用场景一：实现个体化脑功能定位

在脑肿瘤切除、癫痫术前评估及脑功能保护等临床应用中，准确定位功能脑区具有重要意义。fMRI 具有较高的空间分辨率，能够准确定位运动皮层、视觉皮层等功能区域，但受扫描环境限制，难以开展床旁评估或重复监测。相比之下，fNIRS 具有便携、安全、可重复测量等优势，但其空间定位能力一直是制约临床应用的重要因素。

Zinos等（2024）利用全头 fNIRS 和 fMRI 分别完成手指敲击和视觉刺激实验，对比了两种模态检测皮层激活的空间一致性。结果表明，全头 fNIRS 能够较好地重建运动皮层和视觉皮层的激活模式，在群体水平与 fMRI 具有较高的空间重叠率，在个体水平也表现出较好的空间一致性。研究认为，全头 fNIRS 能够为个体水平的皮层功能定位提供可靠信息，为临床脑功能评估及术前功能定位提供新的技术支持。

图3.三位代表性受试者比较运动任务期间与皮层表面相关的 fNIRS 和 fMRI 活动的空间对应关系。

六、应用场景二：确定个体脑连接识别所需的采集条件

Novi 等（2023）利用同步静息态 fNIRS-fMRI 数据，比较 BOLD、HbO、HbR 和 HbT 功能连接在个体识别中的表现。研究重点不是简单判断两种模态是否一致，而是评估采集时长和空间覆盖范围对识别准确率的影响。结果显示，增加重复扫描数据和纳入更多脑区，均可明显提高识别性能；当 fMRI 与 fNIRS 使用相同数量的脑区时，HbT 功能连接的表现接近 BOLD。研究说明，静息态 fNIRS 要获得稳定的个体连接特征，应优先保证足够的采集时间和较广的皮层覆盖，而不是只增加局部密集通道。

图4.不同ROI数量下BOLD、HbO、HbR和HbT识别准确率的变化。

七、应用场景三：预测深部脑网络功能连接

由于近红外光的穿透深度有限，fNIRS 只能直接测量浅表皮层活动，无法获取丘脑、基底节等深部脑结构的信息。因此，如何利用皮层信号推断深部脑网络活动，成为近年来联合成像的重要研究方向。相关研究采用图卷积网络（Graph Convolutional Network，GCN）建立 fNIRS 与 fMRI 之间的跨模态预测模型，根据皮层 HbO 和 HbR 信号预测皮层—丘脑功能连接。研究结果表明，深度学习能够充分挖掘皮层功能信息，实现对部分深部脑网络连接状态的预测，为利用便携式 fNIRS 评估深部脑功能提供了新的技术方案。

图5.数据采集和构建连接矩阵。

图6.利用功能性近红外光谱和图卷积网络预测皮层-丘脑功能连接。

八、它适合回答哪些研究问题

相比单独使用 fMRI 或 fNIRS，联合成像更适合回答涉及空间定位、动态监测和跨模态验证等问题，主要包括以下几个方面：

（1）fNIRS 测量到的皮层信号是否真实反映脑功能活动？

利用fMRI作为空间参考，可验证 fNIRS 探头是否覆盖目标脑区，并比较 BOLD、HbO 和 HbR 在空间分布及激活模式上的一致性。

（2）神经活动引起的血流动力学变化具有怎样的规律？

同步采集 fMRI 和 fNIRS，可分析 BOLD、HbO 和 HbR 之间的动态关系，研究神经血管耦合及血流动力学响应特征。

（3）MRI 内发现的脑功能变化能否延伸到真实场景？

利用fMRI确定关键脑区后，可进一步采用 fNIRS 在步行、康复训练、社会互动及课堂学习等自然环境中持续监测相关皮层活动。

（4）fNIRS 能否作为 fMRI 的补充或替代？

通过比较两种模态的脑激活、功能连接及网络特征，可评估 fNIRS 在脑功能定位、长期随访及床旁监测中的应用价值。

（5）能否利用机器学习预测更多脑功能信息？

结合多模态数据，可建立 fNIRS 与 fMRI 之间的映射模型，探索利用皮层血氧信号预测全脑功能状态或深部脑网络活动的可行性。

结语

作为两种典型的血流动力学成像技术，fMRI 和 fNIRS 分别代表了全脑高空间分辨率成像和便携式连续监测的发展方向。联合成像并不是简单地同时采集两种数据，而是根据具体研究目标，在空间定位、时间动态、功能连接及机器学习等不同层面实现数据融合。

总体而言，可以把该方法理解为一种跨尺度、跨场景的血流动力学验证路径：先利用共同实验和可靠配准建立两种信号的对应关系，再把扫描仪内的精确定位扩展到床旁、康复和社会互动。其真正价值不在于让两套结果看起来一致，而在于明确它们各自测到了什么、在哪些条件下可以相互验证，以及联合后能够新增哪些单模态无法回答的科学问题。

参考文献

1. Yang L, Wang Z. Applications and advances of combined fMRI-fNIRS techniques in brain functional research[J]. Frontiers in Neurology, 2025, 16: 1542075.

2. Zinos A, Wagner J C, Beardsley S A, et al. Spatial correspondence of cortical activity measured with whole head fNIRS and fMRI: Toward clinical use within subject[J]. NeuroImage, 2024, 290: 120569.

3. Novi S L, Carvalho A C, Forti R M, et al. Revealing the spatiotemporal requirements for accurate subject identification with resting-state functional connectivity: a simultaneous fNIRS-fMRI study[J]. Neurophotonics, 2023, 10(1): 013510-013510.

4. Tang L, Kebaya L M N, Vahidi H, et al. Predicting cortical-thalamic functional connectivity using functional near-infrared spectroscopy and graph convolutional networks[J]. Scientific Reports, 2024, 14(1): 29794.

扫下方二维码免费获取

fMRI-fNIRS联合成像专题

文献及资料汇总！

👇👇👇