近紅外腦成像（fNIRS）憑借無創(chuàng)、便攜、抗運(yùn)動(dòng)干擾強(qiáng)等優(yōu)勢，成為腦功能研究的重要工具，而機(jī)器學(xué)習(xí)（ML）為其海量數(shù)據(jù)的深度解析提供了技術(shù)支撐，二者結(jié)合可實(shí)現(xiàn)腦信號特征的精準(zhǔn)挖掘與應(yīng)用落地，核心路徑可分為數(shù)據(jù)預(yù)處理、特征工程、模型構(gòu)建與驗(yàn)證、場景應(yīng)用四個(gè)環(huán)節(jié)。

　　數(shù)據(jù)預(yù)處理是保障分析質(zhì)量的基礎(chǔ)。fNIRS原始數(shù)據(jù)包含頭皮血流干擾、儀器噪聲、運(yùn)動(dòng)偽影等無關(guān)信號，需先通過濾波算法（如小波變換、帶通濾波）剔除高頻噪聲與低頻漂移，再利用獨(dú)立成分分析（ICA）分離并去除運(yùn)動(dòng)偽影。之后對預(yù)處理后的數(shù)據(jù)進(jìn)行時(shí)間或空間維度的標(biāo)準(zhǔn)化，消除個(gè)體生理差異（如腦血流基線水平不同）帶來的影響，為后續(xù)特征提取奠定高質(zhì)量數(shù)據(jù)基礎(chǔ)。

　　特征工程是連接數(shù)據(jù)與模型的關(guān)鍵橋梁。從預(yù)處理后的fNIRS數(shù)據(jù)中提取有效特征，可分為三類：一是時(shí)域特征，如血氧濃度（HbO?、HbR）的均值、峰值、變化斜率，反映腦區(qū)激活的強(qiáng)度與持續(xù)時(shí)間；二是頻域特征，通過傅里葉變換獲取特定頻段的能量譜，體現(xiàn)腦血流的節(jié)律性變化；三是空間特征，如激活腦區(qū)的位置、范圍、多通道信號的相關(guān)性，展現(xiàn)腦功能網(wǎng)絡(luò)的連接模式。特征選擇需借助方差分析、互信息等方法，篩選出與研究目標(biāo)高度相關(guān)的特征子集，降低模型復(fù)雜度。

　　近紅外腦成像模型構(gòu)建與驗(yàn)證是實(shí)現(xiàn)功能解析的核心步驟。根據(jù)研究需求選擇適配的機(jī)器學(xué)習(xí)算法：在腦功能分類任務(wù)中（如情緒識別、運(yùn)動(dòng)意圖解碼），可選用支持向量機(jī)（SVM）、隨機(jī)森林、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等模型，其中CNN能自動(dòng)提取fNIRS數(shù)據(jù)的時(shí)空關(guān)聯(lián)特征，適用于多通道動(dòng)態(tài)信號分析；在腦網(wǎng)絡(luò)預(yù)測任務(wù)中（如認(rèn)知能力評估、腦疾病輔助診斷），可采用回歸模型或圖神經(jīng)網(wǎng)絡(luò)（GNN），挖掘腦區(qū)連接模式與目標(biāo)變量的關(guān)聯(lián)規(guī)律。模型訓(xùn)練需采用交叉驗(yàn)證法（如留一法交叉驗(yàn)證），評估準(zhǔn)確率、召回率等指標(biāo)，通過調(diào)參優(yōu)化模型性能，避免過擬合。

　　場景應(yīng)用是二者結(jié)合的最終落腳點(diǎn)。在臨床醫(yī)學(xué)領(lǐng)域，可用于自閉癥、腦卒中的早期診斷與康復(fù)效果評估；在人機(jī)交互領(lǐng)域，可實(shí)現(xiàn)基于腦信號的意念控制；在教育神經(jīng)科學(xué)領(lǐng)域，可解析學(xué)習(xí)過程中的腦激活模式，評估教學(xué)效果。

　　近紅外腦成像與機(jī)器學(xué)習(xí)的結(jié)合，突破了傳統(tǒng)fNIRS數(shù)據(jù)分析的局限性，為腦科學(xué)研究與臨床應(yīng)用提供了更精準(zhǔn)、高效的技術(shù)方案。