大家好，这里是茗创科技。

茗创科技专注于脑科学数据处理，涵盖（EEG/ERP, fMRI,结构像,DTI,ASL, ,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务。

虽然fNIRS无法达到fMRI那样较高的空间分辨率，但是对于现有的脑科学技术而言，fNIRS无疑是一个巨大的进步。近红外成像技术起初主要应用在心理学研究领域，但在近些年的研究中，这一技术逐渐应用到康复领域，例如利用近红外观察大脑损伤后功能的恢复；应用到脑机接口的研究中；作为康复训练中神经反馈的工具等等。此外，近红外也常被应用于运动领域，例如步态控制的神经机制、姿势控制的神经机制以及疲劳状态下神经活动的变化。接下来，让我们一起来了解fNIRS在认知、情景记忆、以及脑机接口等研究领域的具体应用情况。

1.    Frontiers in Medicine（5.091）：低跌倒风险和高跌倒风险的老年人在执行认知要求高的踏步任务期间的认知和运动皮层活动

在高跌倒风险的老年人中，其制定快速和准确步骤来应对环境危害的能力会受到损害。本研究以神经心理学、感觉运动和平衡系统为基础，选择步进反应时间任务对老年人步态障碍和相关跌倒风险的神经机制进行研究，从而确定跌倒风险以及身体和认知虚弱的有效指标。即使用功能性近红外光谱（fNIRS）考察低跌倒风险和高跌倒风险的老年人在高认知要求的步进反应时间任务中的认知和运动皮层活动。

选择95名老年人[平均年龄=71.4岁，SD=4.9岁，23名男性]，分为低或高跌倒风险组[划分标准：12个月内跌倒史（≥2 次跌倒）和/或生理特征评估跌倒风险得分≥1]。在计算机化的踏步垫上进行步进反应时间测试和认知要求较高的Stroop步进任务。使用fNIRS记录认知[背外侧前额叶皮层（DLPFC）]和运动（辅助运动区和运动前皮层）区域的皮层活动。

与低跌倒风险组（n=71）相比，高跌倒风险组（n=24）在 Stroop步进任务中有着更高的DLPFC活动和更大的步进反应时间变化。但无论哪个组，Stroop 步进任务都引起了辅助运动区和运动前皮层的皮层活动增加，以及平均步进反应时间和个体内变异性增加。

与低跌倒风险的老年人和更简单的选择步进反应时间测试相比，高跌倒风险的老年人在完成认知要求高的步进测试时表现出更高的DLPFC活动和步进反应时间变化。这种增加的血液动力学反应可能包括对姿势控制缺陷的补偿过程和/或反映了跌倒风险增加的人群中DLPFC神经效率低下的程度。

原文：Cognitive and Motor Cortical Activity During Cognitively Demanding SteppingTasks in Older People at Low and High Risk of Falling

https://doi.10.3390/fmed.2021.554231

2.    Brain Science（3.394）：女性与男性在简单和情绪Go/No-Go任务期间前额叶皮层功能连接的比较：一项fNIRS研究

抑制控制是抑制对优势刺激的行为反应。要求被试对Go刺激作出反应，而抑制对No-Go刺激的反应。抑制控制缺陷见于多种疾病，包括神经发育障碍，如注意缺陷多动障碍（ADHD），以及衰老过程。由于抑制控制能力在个体的发育阶段有着重要的影响，所以理解行为抑制的神经机制来评估和干预典型发展人群中的这种能力是不可或缺的。简单的行为抑制控制任务，如Go/No-Go（简称GNG）任务，结合神经成像技术，对于识别这些行为背后的神经机制和针对该领域有缺陷的人群进行治疗有非常大的促进作用。

由于前额叶皮层与GNG任务关联，并且在情绪加工中起着至关重要的作用，因此本研究选择前额叶皮层作为目标区域，旨在考察42名健康被试（20名男性，平均年龄37.2（14.7））在完成行为抑制任务过程中的前额叶功能连接及其与被试表现的相关性。使用16通道近红外光谱（NIRS）设备在前额叶皮层中测量脑血流动力学反应。功能连通性是根据NIRS信号计算的，并与Go/No-Go任务相关。结果发现，男性和女性在GNG任务中的表现和前额叶连通性方面没有差异。两个性别组的前额叶连通性与简单GNG任务表现均呈正相关。然而，男性组的前额叶连接与情绪GNG表现呈正相关，但女性组的前额叶连接与情绪GNG表现呈负相关。这表明男性和女性组的前额功能连接可能对情绪和抑制控制的组合有着不同的反应。

原文：Comparison of Functional Connectivity in the Prefrontal Cortex during aSimple and an Emotional Go/No-Go Task in Female versus Male Groups: An fNIRSStudy

https://doi.org/10.3390/brainsci11070909

3.    Brain Science（3.394）：消极情感下的工作记忆表现更容易受到不同神经血流动力学相关的更高认知工作负荷的影响

由于第四次工业革命的技术进步，工作的性质正在向需要认知能力的任务转变。当工作的要求超过了员工的应对能力时，就会产生心理压力。压力对完成任务表现的影响是复杂的，过多或过少的压力都会带来消极作用。任务难度和外部情感因素是影响认知表现的不同压力源。神经影像学研究表明，情绪会影响工作记忆表现，相关因素是前额叶皮层（PFC）血液动力学活动的变化。我们认为情境因素是影响唤醒（强度）与效价（方向）情绪状态的决定性因素，这种情绪状态通过动机的变化或认知资源的可用性来影响认知。情绪状态（强度较低但持续时间较长）对行为表现的影响在不同的工作负荷中可能并不一致。繁重的工作负荷可能影响情绪状态。情绪的轻微变化也会以非直觉的方式影响认知。这些发现表明，在工作负载的性能研究中需要考虑心理方面的重要性。

我们使用功能性近红外光谱（fNIRS）神经成像对健康参与者的PFC进行研究，研究情感状态和工作记忆负荷（WML）对工作记忆任务表现和血液动力学活动的交互影响。本研究试图了解血液动力学反应是否可以将工作负荷相关的压力与外部情感分心引起的情境压力区分开来。研究结果发现，在内侧和外侧PFC中，情绪应激源和工作负荷相关应激的血流动力学变化更为明显。本研究也揭示了随着n-back任务中WML的增加，血液动力学活动伴随着明显的情感状态调整。在较高的WML下，消极情感对行为表现的影响更大，血液动力学活动在时间上有明显的变化，并且激活的空间和强度随WML变化而变化。

原文：Working Memory Performance under a Negative Affect Is More Susceptible toHigher Cognitive Workloads with Different Neural Haemodynamic Correlates

https://doi.org/10.3390/brainsci11070935

4.    Brain Science（3.394）：面孔-名字匹配范式下的情景记忆编码和提取：一项fNIRS研究

情景记忆（EM）是当前从过去的事件中检索事件的过程。EM包括两个主要阶段：编码阶段，这有助于形成新的记忆痕迹；检索阶段，这是指对过去事件的有意识记忆。EM是判断和决策等皮层高级功能的必要过程。有研究发现，EM表现对衰老和病理条件，如健忘症、

轻度认知障碍（MCI）和阿尔茨海默病（AD）特别敏感。

在过去的二十年中，配对关联学习（PAL）范式已成为评估EM表现最广泛使用的范式之一，要求参与者在学习了一系列刺激物之间的关联（例如，面孔和名字）后对事物的回忆。此外，该范式不包括复杂的言语要求，它已被广泛用于检查健康个体和具有明显记忆障碍的个体的EM表现。基于以往功能磁共振成像（fMRI）研究和损伤研究的结果发现，特定的大脑区域（前额叶、顶叶和枕叶皮层、颞海马区）参与了EM过程。然而，本研究不仅使用功能性近红外光谱（fNIRS）用于确定编码和检索皮层的活动，以便在更生态和临床可用的环境中研究中枢和自主神经系统，而且考察了任务（面孔-名字匹配范式）的不同方面[即新异性（重复次数：重复对vs新对）和难度水平（名字中的字符数量：两字对vs三字对）]是否以及如何影响这些皮质的活动。

研究结果发现，在编码阶段观察到包含双侧额叶皮层（布罗德曼区域9、11、45和46）的活动减少，而在检索阶段中观察到左眶额叶皮层（布罗德曼区域11）的活动增加。在编码阶段中，上顶叶皮质中HbO浓度增加和下顶叶皮质中HbO浓度降低；而仅在检索阶段发现左PFC的显著激活。更高的任务难度与双侧前额叶皮层中更大的神经活动相关，更高的任务新异性与枕叶区域更大的激活相关。此外，本研究将PAL范式与fNIRS相结合提供了区分表征编码和检索的神经活动的方法。因此，fNIRS未来有可能在临床环境中用于完成EM评估。

原文：Episodic Memory Encoding and Retrieval in Face-Name Paired Paradigm: AnfNIRS Study

https://doi.org/10.3390/brainsci11070951

5.    Journal of Neural Engineering（5.379）：深度学习的多模态fNIRS和EEG信号用于双手握力解码

脑机接口（BMI）为肢体瘫痪患者的运动恢复提供了一种实用工具。非侵入性BMI能够提供一种与环境交互的替代、安全和可访问的方式。为了实现有意义且稳定的物理交互，BMI需要解码力，而双手控制力将使BMI用户能够进行更大范围的交互。我们研究了手部特定力量的解码，并通过脑电图（EEG）和功能性近红外光谱（fNIRS）来最大限度地收集大脑皮层的信息，并开发了具有注意和残留层（cnnatt）的深度学习体系结构，以改进它们的融合。研究任务要求参与者生成特定于手的力谱，训练和测试我们的深度学习（DL）和线性解码器。

本研究采用EEG和fNIRS改进了双手力的解码，发现深度学习模型优于线性模型。深度学习（特别是，cnnatt）提高了EEG和fNIRS的融合。因此，对cnnatt的研究表明，来自每只手的力在皮层水平上的编码不同。cnnatt还揭示了皮层活动受力水平调节的痕迹，这是以前使用线性模型没有发现的。

本研究的结果可用于避免手力解码过程中的手部串扰，以提高BMI设备的稳定性。特别是，我们改进了EEG和fNIRS信号的融合，并提供了手特有的编码力的可解释性，这在运动康复评估中是很有价值的。

原文：Deep Learning multimodal fNIRS and EEG signals for bimanual grip forcedecoding

https://doi.org/10.1088/1741-2552/ac1ab3