此处先给出学习资料的链接：
卢家峰课程的主页
B站搬运版
使用mne进行处理（b战搬运）
mne处理的youtube的链接
jupyter的代码链接（可能打不开）
近红外可以处理的方向
使用matlab的插件工具进行处理
手把手教你使用NIRS_KIT
Homer2
有homer3的版本，但是使用总是有问题。可能版本不太符合。

Homer3卢家峰，讲的比较清晰
近红外处理工具的汇总

记录本人处理.nirs过程的一些过程：

数据导入

之前希望使用mne进行数据读取，但是现在的mne合并了mne_nirs工具，读取的是snirs后缀的文件，.snirs需要使用homer3（下载matlab插件进行自动转换）对.nirs的数据进行默认转换。是一种共享格式的近红外数据。
此外还有.hcx的后缀的，使用nirspark的软件可以处理，该软件并未开源。

可能按照homer2的处理逻辑来进行组织。

进行文件读取和数据解析。
Homer2这个给出的说明比较详尽了。

%通过这个命令，读取到工作区中
load(".nirs","-mat")

import scipy.io
import os
import numpy as np
data_dir=r"文件夹路径"
file_path = '文件名.nirs'
file_path=os.path.join(data_dir,file_path)
data = scipy.io.loadmat(file_path)

同样，我们也可以使用python来读取下面这个对象为字典结构。
可以参考matlab的结构体的形式来访各种数据。

数据说明

以这个读取的例子为例。

在MATLAB中导入NIRS（近红外光谱）数据后，工作区中的变量通常包含与近红外光谱测量相关的信息。以下是对这些变量的可能解释：

1. analog_sig (30934x8 double): 这可能是模拟信号数据，表示从近红外设备中采集的原始信号。矩阵的维度为30934行（时间点）和8列（可能是不同的通道或波长）。只有一行存在数据。意义不明，视为无效数据。

2. aux (30934x1 double): 这可能是辅助信号数据，通常用于记录额外的信息，如触发信号或其他同步数据。

3. d (30934x88 double): 这可能是处理后的光谱数据，表示在不同波长或通道下的光强度变化。矩阵的维度为30934行（时间点）和88列（可能是不同的波长或通道）。

4. ml (88x4 double): 这可能是测量列表（Measurement List），用于描述不同通道的配置信息，如光源、探测器和波长的组合。

5. s (30934x3 double): 这可能是系统状态或标记数据，用于记录实验过程中的事件或状态变化。

6. SD (1x1 struct): 这可能是源-探测器结构（Source-Detector Structure），包含关于光源和探测器的配置信息，如它们的位置和距离。

7. t (1x30934 double): 这可能是时间向量，表示每个数据点对应的时间戳。

8. timeStamp (30934x2 double): 这可能是时间戳数据，用于记录每个数据点的具体时间信息。

9. timeStart ([7,23,14]): 这可能是实验开始的时间，格式可能为[小时, 分钟, 秒]。

通道的说明

说明为什么是88个通道，有18个发射器和15个接收器。
下面两幅图应该是镜像的。

1. FC1: 位于额叶（Frontal, F）和中央叶（Central, C）之间，靠近中线（1 表示靠近中线）。这个区域与运动规划和执行相关。

2. FC3: 位于额叶和中央叶之间，靠近左侧（3 表示左侧）。这个区域也与运动功能相关，但更偏向于左侧大脑半球。

3. FC5: 位于额叶和中央叶之间，更靠近左侧（5 表示更外侧的位置）。这个区域可能涉及更具体的运动控制和感觉处理。

4. C1: 位于中央叶（Central, C），靠近中线（1 表示靠近中线）。这个区域与初级运动皮层和感觉处理相关。

5. C3: 位于中央叶，靠近左侧（3 表示左侧）。这个区域与左侧大脑半球的运动控制和感觉处理相关。

6. CP1: 位于中央叶（Central, C）和顶叶（Parietal, P）之间，靠近中线（1 表示靠近中线）。这个区域与感觉整合和运动协调相关。

AF1、FP1、FPz、FP2 和 AF8 是脑电图（EEG）电极放置中的位置，通常用于国际 10-20 系统或其扩展的 10-10 系统。

1. AF1:

   • AF 表示“Anterior Frontal”，即前额叶区域。
   • 1 表示靠近中线。
   • AF1 位于前额叶，靠近中线，通常与高级认知功能、情绪调节和决策制定相关。

2. FP1:

   • FP 表示“Frontopolar”，即额极区域。
   • 1 表示靠近左侧。
   • FP1 位于额极区域，靠近左侧，通常与额叶的前部活动相关，涉及高级认知功能和情绪处理。

3. FPz:

   • FP 表示“Frontopolar”，即额极区域。
   • z 表示中线位置。
   • FPz 位于额极区域的正中线，通常用于参考电极或研究中线额叶活动。

4. FP2:

   • FP 表示“Frontopolar”，即额极区域。
   • 2 表示靠近右侧。
   • FP2 位于额极区域，靠近右侧，通常与右侧额叶的前部活动相关，涉及高级认知功能和情绪处理。

5. AF8:

   • AF 表示“Anterior Frontal”，即前额叶区域。
   • 8 表示靠近右侧。
   • AF8 位于前额叶，靠近右侧，通常与右侧前额叶的活动相关，涉及高级认知功能和情绪调节。

这些电极位置通常用于研究大脑前额叶区域的活动，特别是在认知、情绪和决策任务中。具体的功能可能会根据具体的研究任务和个体差异有所不同。

其中9所在的区域应该是额叶和中央叶的部分。一般涉及运动和感觉协调的部分。14是另一个半脑的对应区域。
前侧是进行决策认知的区域。

因为发射器发射两种频谱的光线。所以（15+15+14）* 2 记录了88个通道的数据。
其中和d对应存储的数据的描述在ml文件中存储。
第三列不是非常明确意义，可能是权重信息或什么，因为都是1。

采样率的确定

读取数据需要采样率，结构体中没有FS数据 ,但是有t这个时间记录。

我们可以知道是11HZ。

根据homer2的处理逻辑，在开始是不会有绘图的。因为需要通过某个处理过程，对数据进行操作的计算，不然是没有

经过处理的数据有了procResult和procInput，以及tIncMan和userdata等额外的数据。

我们可以通过这个过程来对数据进行处理。

我们可以看到这些函数的参数，函数名和输出结果。从而查看和修改这些函数。
先对这些可能涉及的参数进行说明：

在近红外光谱（NIRS）数据处理中，这些参数通常用于描述光强度、光密度、血红蛋白浓度、信号质量等信息。以下是这些参数的详细说明：

---

1. d

• 含义：原始光强度数据。
• 说明：
  • d 是一个矩阵，通常大小为 时间点数 × 通道数。
  • 每一列代表一个通道（即一个光源-探测器对）的光强度数据。
  • 单位通常是任意单位（a.u.），表示探测器接收到的光强度。

---

2. dod

• 含义：光密度变化（ΔOD，Delta Optical Density）。
• 说明：
  • dod 是通过对原始光强度数据 d 进行转换得到的。
  • 计算公式：
    $$\Delta OD=-{\log }_{10}\left(\frac{I}{I_0}\right)$$
    其中，( I ) 是当前光强度，( I_0 ) 是基线光强度（通常取实验开始时的平均值）。
  • dod 是一个矩阵，大小与 d 相同，表示每个通道的光密度变化。

---

3. SD

• 含义：光源-探测器结构信息（Source-Detector Structure）。
• 说明：
  • SD 是一个结构体，包含光源和探测器的位置信息以及通道的配置信息。
  • 主要字段：
    • SD.SrcPos：光源的位置坐标（单位：毫米，mm）。
    • SD.DetPos：探测器的位置坐标（单位：毫米，mm）。
    • SD.MeasList：通道列表，描述每个通道的光源和探测器索引。
  • SD 用于描述实验的几何布局，是数据处理中的重要参数。

---

4. tIncMan

• 含义：手动标记的时间段（Time Inclusion Manual）。
• 说明：
  • tIncMan 是一个逻辑向量，表示哪些时间段是有效的（1）或无效的（0）。
  • 通常用于手动标记需要排除的时间段（如运动伪影、设备故障等）。
  • 大小与时间点数相同。

---

5. t

• 含义：时间向量。
• 说明：
  • t 是一个列向量，表示每个时间点的时间戳（单位：秒，s）。
  • 用于描述数据的时间轴。

---

6. tIncChAuto

• 含义：自动标记的通道时间段（Time Inclusion Channel Auto）。
• 说明：
  • tIncChAuto 是一个逻辑矩阵，表示每个通道在哪些时间段是有效的（1）或无效的（0）。
  • 通常通过自动算法（如信号质量检测）生成。
  • 大小为 时间点数 × 通道数。

---

7. tIncAutoAux

• 含义：自动标记的辅助时间段（Time Inclusion Auto Auxiliary）。
• 说明：
  • tIncAutoAux 是一个逻辑向量，表示哪些时间段是有效的（1）或无效的（0）。
  • 通常基于辅助信号（如加速度计、心率等）自动生成。
  • 大小与时间点数相同。

---

8. dc

• 含义：血红蛋白浓度变化（Delta Concentration）。
• 说明：
  • dc 是通过对 dod 数据进行计算得到的，表示氧合血红蛋白（HbO）和脱氧血红蛋白（HbR）的浓度变化。
  • 计算公式基于修正的比尔-朗伯定律（Modified Beer-Lambert Law）：
    $$\Delta C=\frac{\Delta OD}{d\cdot ϵ}$$
    其中，$d$ 是光路径长度，$ϵ$ 是消光系数。
  • dc 是一个三维矩阵，大小为 时间点数 × 通道数 × 2，第三维分别表示 HbO 和 HbR。

---

9. s

• 含义：刺激标记（Stimulus Markers）。
• 说明：
  • s 是一个矩阵，表示刺激事件的时间点和类型。
  • 通常大小为 时间点数 × 刺激类型数，每个元素表示某个时间点是否发生了某种刺激。
  • 用于事件相关分析（如事件相关电位或事件相关血红蛋白响应）。

---

总结

参数	含义	大小/格式
d	原始光强度数据	时间点数 × 通道数
dod	光密度变化（ΔOD）	时间点数 × 通道数
SD	光源-探测器结构信息	结构体
tIncMan	手动标记的时间段	时间点数 × 1
t	时间向量	时间点数 × 1
tIncChAuto	自动标记的通道时间段	时间点数 × 通道数
tIncAutoAux	自动标记的辅助时间段	时间点数 × 1
dc	血红蛋白浓度变化	时间点数 × 通道数 × 2
s	刺激标记	时间点数 × 刺激类型数

---

其中p{}这些参数是函数额外的需求的参数，根据函数的功能是不同的。

SD布局文件的处理

import numpy as np
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 提取发射源和检测器位置
SrcPos = data['SD']["SrcPos"][0][0]  # 发射源位置
DetPos = data['SD']["DetPos"][0][0]  # 检测器位置

# 创建 3D 图形
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')

# 绘制发射源（红色）
ax.scatter(SrcPos[:, 0], SrcPos[:, 1], SrcPos[:, 2], c='r', marker='o', s=100, label='Sources')
for i, (x, y, z) in enumerate(SrcPos):
    ax.text(x, y, z, f'S{i+1}', color='red', fontsize=12)

# 绘制检测器（蓝色）
ax.scatter(DetPos[:, 0], DetPos[:, 1], DetPos[:, 2], c='b', marker='s', s=100, label='Detectors')
for i, (x, y, z) in enumerate(DetPos):
    ax.text(x, y, z, f'D{i+1}', color='blue', fontsize=12)

# 设置图形属性
ax.set_xlabel('X (cm)')
ax.set_ylabel('Y (cm)')
ax.set_zlabel('Z (cm)')
ax.set_title('Source and Detector Layout')
ax.legend()

# 显示图形
plt.show()

对默认的SD进行输出查看，因为布局的位置，会影响函数的处理。

对脑电的10-20系统进行可视化，查看对应的坐标维度是否正确。

给出记录的原文件

{'CH01': [47.0, 55.0, 11.0],
 'CH02': [43.0, 61.0, -1.0],
 'CH03': [30.0, 61.0, 25.0],
 'CH04': [28.0, 68.0, 14.0],
 'CH05': [13.0, 67.0, 29.0],
 'CH06': [23.0, 72.0, 4.0],
 'CH07': [8.0, 71.0, 19.0],
 'CH08': [-8.0, 71.0, 17.0],
 'CH09': [-22.0, 71.0, 2.0],
 'CH10': [-12.0, 66.0, 28.0],
 'CH11': [-28.0, 66.0, 14.0],
 'CH12': [-32.0, 58.0, 26.0],
 'CH13': [-42.0, 59.0, -1.0],
 'CH14': [-46.0, 51.0, 11.0],
 'CH15': [44.0, 28.0, 48.0],
 'CH16': [54.0, 16.0, 42.0],
 'CH17': [24.0, 27.0, 61.0],
 'CH18': [17.0, 16.0, 70.0],
 'CH19': [37.0, 18.0, 61.0],
 'CH20': [47.0, 5.0, 57.0],
 'CH21': [25.0, 5.0, 71.0],
 'CH22': [40.0, -9.0, 68.0],
 'CH23': [61.0, -9.0, 48.0],
 'CH24': [54.0, -24.0, 61.0],
 'CH25': [17.0, -9.0, 77.0],
 'CH26': [30.0, -24.0, 75.0],
 'CH27': [19.0, -41.0, 79.0],
 'CH28': [45.0, -39.0, 66.0],
 'CH29': [33.0, -59.0, 69.0],
 'CH30': [-21.0, 23.0, 65.0],
 'CH31': [-14.0, 14.0, 71.0],
 'CH32': [-41.0, 22.0, 55.0],
 'CH33': [-51.0, 9.0, 49.0],
 'CH34': [-35.0, 11.0, 64.0],
 'CH35': [-24.0, 1.0, 72.0],
 'CH36': [-45.0, -2.0, 60.0],
 'CH37': [-38.0, -16.0, 71.0],
 'CH38': [-15.0, -12.0, 78.0],
 'CH39': [-27.0, -28.0, 74.0],
 'CH40': [-16.0, -41.0, 79.0],
 'CH41': [-59.0, -19.0, 51.0],
 'CH42': [-50.0, -32.0, 62.0],
 'CH43': [-40.0, -45.0, 68.0],
 'CH44': [-27.0, -60.0, 70.0]}

下面是对应SD设备的

data_dir=r""
file_path = '.nirs'
file_path=os.path.join(data_dir,file_path)
data = scipy.io.loadmat(file_path)
#文件问题保存失败
#scipy.io.savemat('output_file.mat', data)
sources_data=[[51.0, 50.0, -3.0],
 [20.0, 66.0, 27.0],
 [13.0, 74.0, 6.0],
 [-12.0, 74.0, 4.0],
 [-21.0, 64.0, 27.0],
 [-50.0, 48.0, -4.0],
 [52.0, 29.0, 37.0],
 [15.0, 27.0, 64.0],
 [37.0, 5.0, 65.0],
 [64.0, -24.0, 49.0],
 [18.0, -25.0, 78.0],
 [46.0, -56.0, 59.0],
 [-13.0, 25.0, 66.0],
 [-48.0, 22.0, 46.0],
 [-35.0, -2.0, 66.0],
 [-15.0, -26.0, 79.0],
 [-62.0, -34.0, 50.0],
 [-39.0, -60.0, 62.0]]
detectors_data=[[40.0, 56.0, 25.0],
 [34.0, 67.0, 1.0],
 [0.0, 63.0, 28.0],
 [-34.0, 65.0, 1.0],
 [-41.0, 50.0, 26.0],
 [35.0, 28.0, 55.0],
 [59.0, 3.0, 46.0],
 [16.0, 4.0, 74.0],
 [41.0, -23.0, 70.0],
 [19.0, -58.0, 74.0],
 [-33.0, 21.0, 60.0],
 [-15.0, 0.0, 74.0],
 [-55.0, -4.0, 52.0],
 [-39.0, -30.0, 70.0],
 [-14.0, -56.0, 74.0]]
data['SD']["SrcPos"][0][0]=np.array(sources_data)
data['SD']["DetPos"][0][0]=np.array(detectors_data)

#修改之后无法保存了，或者使用matlab来处理

import mne

# 创建标准 10-20 系统的电极位置
standard_montage = mne.channels.make_standard_montage('standard_1020')

# 绘制 3D 图
standard_montage.plot(kind='3d')

我们可以注意到x的分布范围是±10cm,y轴的分布范围也是±10cm。且近红外的数据分布在头部的中间的位置，所以其值域应该更小。

#访问某个电极的位置。
standard_montage.get_positions()["ch_pos"]["CP3"]
standard_montage.get_positions()["ch_pos"]["CP4"]
standard_montage.get_positions()["ch_pos"]["F7"]

对数据进行导入.
放弃使用python，使用matlab来导入和操作。

data = load("modified_pos_nirs1.nirs","-mat")
data.SD.SrcPos=[
    51.0,  50.0,  -3.0;
    20.0,  66.0,  27.0;
    13.0,  74.0,   6.0;
   -12.0,  74.0,   4.0;
   -21.0,  64.0,  27.0;
   -50.0,  48.0,  -4.0;
    52.0,  29.0,  37.0;
    15.0,  27.0,  64.0;
    37.0,   5.0,  65.0;
    64.0, -24.0,  49.0;
    18.0, -25.0,  78.0;
    46.0, -56.0,  59.0;
   -13.0,  25.0,  66.0;
   -48.0,  22.0,  46.0;
   -35.0,  -2.0,  66.0;
   -15.0, -26.0,  79.0;
   -62.0, -34.0,  50.0;
   -39.0, -60.0,  62.0
];

data.SD.DetPos = [
    40.0,  56.0,  25.0;
    34.0,  67.0,   1.0;
     0.0,  63.0,  28.0;
   -34.0,  65.0,   1.0;
   -41.0,  50.0,  26.0;
    35.0,  28.0,  55.0;
    59.0,   3.0,  46.0;
    16.0,   4.0,  74.0;
    41.0, -23.0,  70.0;
    19.0, -58.0,  74.0;
   -33.0,  21.0,  60.0;
   -15.0,   0.0,  74.0;
   -55.0,  -4.0,  52.0;
   -39.0, -30.0,  70.0;
   -14.0, -56.0,  74.0
];
data.SD.SpatialUnit = 'mm';

new_filename = 'modified_pos_nirs1.nirs'
save(new_filename,'-struct','data')

使用sdgui可以看到被修正了。


相对区别不大，但是好像镜像了，对于距离正确的影响应该不大。

预处理

需求分析，根据

procStreamGUI相关的函数

感谢您重新整理函数列表！以下是这些函数的简要介绍，按照功能分类进行说明：

---

1. 数据预处理

• hmrIntensityNormalized: 对光强度数据进行归一化处理，消除不同通道或时间点之间的强度差异。
• hmrIntensity2OD: 将光强度数据转换为光密度（OD）数据，这是近红外数据分析的基础步骤。
• hmrFlowInput: 处理输入数据流，通常用于数据导入和初步整理。

---

2. 主成分分析（PCA）

• enPCAFilter:
  • 输入 dod（光密度变化数据），返回 dod（滤波后数据）、svs_dod（奇异值）、nSV_dod（使用的奇异值数量）。
  • 输入 dc（浓度数据），返回 dc（滤波后数据）、svs（奇异值）、nSV（使用的奇异值数量）。
  • 用于去除噪声或不需要的信号成分。

---

3. 通道处理

• enPruneChannels: 剔除质量较差或无效的通道数据，以提高数据质量。

---

4. 运动伪影检测与校正

• hmrMotionArtifact: 检测运动伪影。
• hmrMotionArtifactByChannel: 按通道检测运动伪影。
• hmrMotionCorrectWavelet: 使用小波变换校正运动伪影。
• hmrMotionCorrectKurtosisWavelet: 结合峰度和小波变换校正运动伪影。
• hmrMotionCorrectPCA: 使用PCA方法校正运动伪影。
• hmrMotionCorrectPCArecurse: 递归应用PCA方法校正运动伪影。
• hmrMotionCorrectPCArecurse_Ch_dual: 在双通道数据上递归应用PCA方法校正运动伪影。
• hmrMotionCorrectPCArecurseCh_SG: 结合Savitzky-Golay滤波和PCA方法校正运动伪影。
• hmrMotionCorrectSpline: 使用样条插值校正运动伪影。
• hmrMotionCorrectSplineSG: 结合样条插值和Savitzky-Golay滤波校正运动伪影。
• hmrMotionCorrectCbsi: 使用基于通道的信号分离方法校正运动伪影。
• hmrMotionCorrectRLOESS: 使用鲁棒的局部加权回归（LOESS）校正运动伪影。
• hmrMotionCorrectSG: 使用Savitzky-Golay滤波校正运动伪影。

---

5. 刺激相关处理

• enStimRejection: 剔除与刺激相关的伪影或噪声。
• enStimIncData_varargin: 将刺激信息包含在数据中，用于后续分析。

---

6. 滤波

• hmrBandpassFilt: 应用带通滤波器去除不需要的频率成分。
• hmrBandpassFiltConc: 对浓度数据进行带通滤波。

---

7. 光密度与浓度转换

• hmrOD2Conc: 将光密度数据转换为血红蛋白浓度数据。
• hmrConc2OD: 将血红蛋白浓度数据转换回光密度数据。

---

8. 信号分析与特征提取

• enCrossCorrelation: 计算通道之间的互相关性，用于分析信号之间的关系。
• enAdaptiveFilteringSS: 使用自适应滤波方法去除噪声。
• hmrCreateAuxRegressor: 创建辅助回归器，用于回归分析。
• hmrBlockAvg: 对数据进行块平均，通常用于提高信噪比。
• plotTrials: 绘制试次数据，用于可视化分析。
• hmrFindHrfOutlier: 检测和剔除与血流动力学响应函数（HRF）相关的异常值。

---

9. 回归与反卷积

• hmrRegressors: 创建回归器，用于回归分析。
• hmrDeconvTB_3rd: 使用三阶泰勒展开进行反卷积。
• hmrDeconvTB_SS3rd: 结合三阶泰勒展开和稳态方法进行反卷积。
• hmrDeconvTB_SS3rd_Highest: 结合三阶泰勒展开、稳态方法和最高响应进行反卷积。
• hmrDeconv_SS: 使用稳态方法进行反卷积。
• hmrDeconvHRF_Drift: 考虑漂移的HRF反卷积。
• hmrDeconvHRF_DriftSS: 结合漂移和稳态方法的HRF反卷积。

---

10. 图像重建与可视化

• hmrImageHrfMeanTwin: 计算HRF的平均时间窗口图像。
• hmrImageRecon: 进行图像重建，通常用于空间分析。

---

总结

这些函数涵盖了从数据预处理、运动伪影校正、信号分析到回归与反卷积的完整流程。根据具体的研究需求，可以选择合适的函数组合来处理和分析近红外数据。例如：

• 如果需要去除运动伪影，可以使用 hmrMotionCorrectWavelet 或 hmrMotionCorrectPCA。
• 如果需要分析血红蛋白浓度变化，可以使用 hmrOD2Conc 和 hmrBandpassFiltConc。
• 如果需要反卷积分析，可以使用 hmrDeconvTB_SS3rd 或 hmrDeconvHRF_DriftSS。

下个章节在进行记录。