fNIRS公开数据集实用指南：格式、处理与避坑要点

做fNIRS研究这两年，我有个很深的感触：想找一套靠谱的公开数据集，难度一点也不比去实验室重新采数据低。fNIRS（功能性近红外光谱）在国内实验室的普及度涨得很快，但它的公开数据生态相比fMRI和EEG要碎片化得多——没有统一的存储库，格式五花八门，很多论文号称"数据可获取"，点开却只有一个失效的GitHub链接。这篇文章把我这几年调研、下载、处理fNIRS公开数据集的完整路径整理出来，从BCI方向的benchmark数据到临床向的ADHD、抑郁症数据，从SNIRF格式规范到下载时容易忽略的元数据陷阱，一次性讲清楚。无论你是正在找数据做课题的研究生、还是打算把fNIRS引入产品做预研的工程师，这份清单都能帮你省下好几个星期。

1. 为什么fNIRS公开数据这么难找：碎片化的生态现状

fNIRS的基本原理可以粗浅地理解成"在头皮上用手电筒照组织，看反射回来的光携带了多少血氧信息"。近红外光穿过头皮和颅骨后，一部分被组织中含氧血红蛋白（HbO）和脱氧血红蛋白（HbR）吸收，通过测量衰减变化，可以反推皮层局部血流动力学响应，从而间接衡量神经活动。好处是设备便携、耐运动干扰、成本比fMRI低得多；坏处是信噪比天然低、空间分辨率有限、信号易受头皮血流和头动污染。这个技术特性决定了它的数据共享生态也和fMRI、EEG走的是完全不同的路。

1.1 和EEG/fMRI对比，fNIRS缺了什么

fMRI有HCP、ABCD、UK Biobank这类巨型共享项目，EEG也有TUH EEG Corpus、BNCI Horizon 2020、OpenMIIR这些被反复引用的benchmark库，领域内的人一提名字就能对上号。但fNIRS呢？到目前为止没有一个"fNIRS版HCP"级别的中心化存储库。大部分数据散落在四个地方：论文的补充材料、OSF项目页面、个人/实验室的GitHub仓库，以及厂商官网的示例数据区。

这个局面带来一个很实际的问题：你找到的数据往往不是一个"数据集"，而是一堆格式各异的文件夹。同一个研究团队发布的两批数据，可能一批用Homer2的.nirs格式，另一批用MATLAB的.mat格式，事件标记的时间戳还可能是相对时间而非绝对时间。我在前期调研时经常遇到一个trial看了半天README才明白任务时序的情况，非常消磨耐心。

但碎片化不等于没有好东西。fNIRS的公开数据集虽然规模小，质量却普遍不错，因为发布者通常是做BCI或临床研究的小团队，样本量不大但任务设计、行为数据记录都很完整，恰恰适合做精细的算法验证和机制研究。

1.2 数据共享正在变好的三个信号

让我觉得这个领域在往好的方向走的，是下面这三件事：

第一，SNIRF格式逐渐成为共识。SNIRF（Shared Near-Infrared Spectroscopy Format）是一个基于HDF5的开放标准，用来统一存储fNIRS原始光强、光密度、浓度变化、事件标记和探测器三维坐标。现在Homer3、MNE-NIRS、AtlasViewer这些主流工具都已经原生支持，意味着你只要把数据转成SNIRF，所有生态里的工具都能直接读。

第二，越来越多论文开始认真写Data Availability声明，并给出带DOI的存储链接。以前是"有需要请联系作者"，现在很多期刊强制要求数据必须可访问，这是个实打实的进步。

第三，BCI方向的fNIRS数据开始形成事实benchmark。个别数据集被几十篇论文反复使用，大家评估模型时有了可对比的基线，这反过来又促使更多团队愿意把自己的数据公开出来。

基于这个现状，下面这份清单我按研究方向来拆，而不是简单的数据集名堆砌。因为同一个数据集，在BCI算法验证和在临床群体差异研究里的使用逻辑差别非常大。

2. 我实际用过/调研过的公开数据集清单

为了让你快速定位，先放一张总表，后面详细展开。整理口径以我自己的实际使用经历和圈内口碑为主，具体参数以数据集发布页面的README为准。

2.1 BCI任务向：运动想象、心算与混合脑机接口

做BCI的人对Shin这个名字应该不陌生。Shin等人公开的fNIRS运动想象/心算组合任务数据，算是我见过被引用次数最多的fNIRS公开数据集之一。它的任务结构设计得比较标准：每个trial包含提示阶段、任务阶段和休息阶段，任务阶段通常是10秒上下，被试需要完成左手运动想象、右手运动想象或者心算。通道覆盖运动皮层和前额叶，正好能同时捕获运动想象和认知负荷调制出来的血流响应。

这个数据集最大的优点是标签干净。事件标记和trial边界都在文件里，研究者在跑分类模型时不需要自己去猜任务时序。很多fNIRS-BCI论文用它做benchmark，所以你看文献时经常会看到"在Shin数据上准确率到达多少"的说法。对于想发论文的人来说，用公开数据集跑实验的最大好处就是可复现——审稿人自己也能下载，复现门槛低很多。

Kaggle上的fNIRS数据则是另一类存在。它们大多由论文作者或爱好者转成CSV，方便直接喂给机器学习框架。坏处是转格式的过程中经常丢失原始光强，只留下HbO/HbR通道，甚至已经是特征提取后的表格式数据，后期想换预处理参数就没得玩了。所以我的建议是：Kaggle数据适合做快速原型验证，不适合做严肃的方法学实验。

IEEE DataPort上也有些fNIRS相关BCI竞赛数据，有些是EEG-fNIRS混合采集的。如果你对多模态融合感兴趣，这个方向的数据更稀缺也更值钱，因为能同时拿到两种模态下同一批被试的脑活动，可以研究模态间的互补信息。

2.2 情绪与认知负荷向：自然刺激与可控范式的取舍

情绪诱发类的fNIRS数据这几年明显变多了。大体上分两类：一类用图片（比如国际情绪图片系统IAPS）做块设计，另一类用视频片段或音乐做连续诱发。前者的优势是trial边界明确，适合做传统的事件相关分析；后者的生态效度更高，但分析起来麻烦得多，因为被试的情绪状态是连续变化的，往往会用到滑动窗口分类或者回归模型。

这类数据多数能在OSF上搜到，关键词可以组合着搜"fNIRS emotion dataset"、"fNIRS affective"、"prefrontal fNIRS video"等。通道设置通常集中在前额叶，因为情绪加工和前额叶偏侧化的关系被研究得最多。如果你要做情感计算，又不想自己花钱采数据，这类数据是最容易上手的。

认知负荷向的数据同样是热点，典型范式是N-back。N-back任务能稳定诱发前额叶的负荷效应，很多研究想用它做飞行员、驾驶员的疲劳监测或人因工程评估。公开的N-back fNIRS数据比情绪数据少一点，但在OSF和期刊补充材料里能找到，搜索时加上"N-back fNIRS"就行。

2.3 临床与人群向：ADHD、抑郁症与老年认知数据

临床向的fNIRS公开数据是稀缺资源，因为涉及患者知情同意和伦理审批，能做公开分享的项目不多。但正因如此，一旦有团队愿意公开，质量往往很高。

ADHD方向有过基于多通道fNIRS的静息态公开数据，被试分ADHD组和典型发育对照组，采样位置一般覆盖前额叶和颞叶。这类数据对分类任务非常有价值，因为临床样本的分类器如果只在健康人上训练，泛化到真实场景基本是空中楼阁。

抑郁症方向同样有公开数据集，有的基于言语流畅性任务（VFT）来诱发前额叶激活，因为抑郁症患者在做VFT时前额叶血氧响应往往减弱，这是被反复验证过的现象。老年认知方向则常见"年轻组vs老年组"的对照设计，用于研究认知老化过程中前额叶代偿效应。

需要提醒的是，临床数据通常不会开放匿名下载，而是要求你先填写数据使用申请，说明研究目的、分析计划、伦理审批情况，签了数据使用协议才给数据。流程有时候长达几周，所以如果课题依赖这些数据，务必预留申请时间，别等实验做完了才想起来要数据。

3. 找到数据集之后先别急着下载：格式与元数据检查

很多人下载完数据，解压后就直接丢给代码跑，结果跑到一半发现没有探测器坐标，或者事件标记全是相对的，整个分析管线卡死。这个体验我太熟悉了，所以强烈建议你把"格式和元数据检查"当成一个正式步骤来做。

3.1 SNIRF正在成为事实标准

先说格式。fNIRS早期数据格式基本都是各厂商私有格式：NIRx的NIRStar导出一堆.txt/.hdr，日立ETG系列导出.csv，Artinis导出的同样是专有结构。这些格式不是不能用，而是可移植性差。你换一个处理工具，就得写一个解析脚本，格式文档还不一定完整。

SNIRF的出现就是为了终结这种混乱。它是一个基于HDF5的开放标准，把原始光强、通道定义、事件标记、被试信息、设备参数全都塞进一个结构化的文件里。Homer3和MNE-NIRS是目前支持得最彻底的两个工具，基本做到"读进SNIRF就能直接跑预处理"。

OpenfNIRS是另一个值得关注的项目，它不只是定义格式，还提供了配套的数据共享平台和工具链。如果你打算发布自己的数据，用SNIRF/OpenfNIRS的标准来整理，发布出去被其他人复用的概率会高得多。

3.2 下载前要核对这8项元数据

不管你拿到的是什么格式，我建议下载前就准备好下面这个核对清单，缺了哪项会带来什么后果也一并写了——

这8项里最容易栽跟头的是"原始光强还是HbO/HbR"。很多数据集直接发布的是浓度变化数据，表面上看方便，实际上把预处理选择权剥夺了。运动伪影校正、带通滤波这些步骤必须在OD或原始光强层面做，如果数据只给了HbO/HbR，你只能拿现成的结果继续分析，分析自由度大打折扣。

4. 不同研究方向该怎么选数据

明确了自己的研究问题后，选数据集的标准完全不同。这里我把常见方向分成三类，分别说明选择优先级。

4.1 算法/深度学习向：标签干净优先

如果你主要做分类算法、深度学习模型，或者要验证一个信号处理方法，最看重的应该是标签质量和样本总量。运动想象、心算、情绪分类这类任务标签明确，适合做监督学习。

具体选择上，优先考虑事件标记清晰、trial数量多的任务型数据。比如Shin系数据集的trial数量通常在几十到上百个，虽然单个被试样本不算大，但做leave-one-subject-out交叉验证时依然能给出有意义的结果。Kaggle上那些已经特征化的数据适合课程作业或快速原型，但发表论文时说服力会弱一些。

有一类问题特别容易被忽略：类别不平衡。公开数据里如果某一类任务明显偏少，分类器很容易学成"永远猜多数类"。下载后先统计每个条件下的trial数量，如果发现不平衡，再考虑采样策略。

4.2 脑连接与群体差异向：样本量和蒙太奇信息优先

做脑连接或者群体差异研究的人，选数据的逻辑和做分类完全不同。这类研究的核心载体是通道间的功能连接，所以通道覆盖范围和坐标信息是第一位的。

有些公开数据集为了让设备轻便，只在运动皮层或前额叶布了几通道。这种数据做局部网络分析没问题，但想脑区全脑尺度结论就基本没用。理想情况下，你需要的是覆盖多个脑叶、并且提供MNI坐标或标准头模模板通道位置的数据，这样才能把每个被试的通道映射到公共空间做群组分析。

临床向研究还需要特别关注对照组设置。ADHD数据如果只有患者组没有典型发育对照组，你发了论文也只能说是描述性研究，做不了组间统计。所以下载前看清被试构成，别看到"ADHD fNIRS"就激动。

4.3 方法学入门向：从多模态和小任务开始

如果你之前只做过EEG，想学fNIRS的数据处理，建议从一个数据量适中、任务结构经典的数据集入手，最好还是EEG-fNIRS同步采集的版本。这样你可以一边跑fNIRS预处理，一边用同步EEG结果做交叉验证，对这个模态的信号特性会有更直观的感受。

NIRx官方示例数据就是一个不错的起点，数据量小、README清晰、格式官方，配合Homer3的tutorial可以快速跑通从原始数据到HbO/HbR的完整流程。跑通之后再上Shin那类大一点的数据集，处理复杂任务时就不容易懵。

5. 处理公开fNIRS数据的实际操作流程

很多新手拿到数据后的第一反应是直接算平均激活图，这是不好的习惯。fNIRS信号低信噪比是出了名的，预处理不做扎实，后面所有统计都是在噪声上跳舞。

5.1 从原始光强到HbO/HbR的预处理管线

我自己常用的管线大概是这样的顺序：

1. 导入原始数据后，先把通道定位（probe geometry）加载进来，没有坐标后面什么都配不准。
2. 把原始光强转换成光密度（Optic Density，OD），这是后续一切计算的基础。
3. 做运动伪影校正。这一步特别重要，fNIRS对头动极敏感，哪怕一个小小的动作都会导致尖峰。常用的算法有样条插值加Savitzky-Golay滤波（spline-SG）、主成分分析（tPCA）、移动标准差法（MARA），具体选哪个要看伪影特征。
4. 带通滤波。血流动力学信号本身是低频的，一般取0.01-0.1Hz的带通，既能保留任务相关的慢波，又能滤掉高频噪声和大部分生理振荡。但注意，如果后续想做心率变异性或梅耶波分析，滤波范围要重新设计。
5. 用修正的Beer-Lambert定律把OD转成HbO和HbR浓度变化。
6. 之后才进入epoch分割、基线校正、平均或者GLM建模。

这个流程每一步都会影响最终结论。比如运动伪影校正用tPCA还是spline-SG，处理同一个数据集的结果可能差不少。所以写论文时务必写清楚每一个参数，最好把预处理脚本也放到GitHub上，既方便审稿人复现，也方便自己六个月后回来查。

5.2 一个快速上手的Python示例

下面是用MNE-NIRS读取SNIRF格式并完成基本预处理的最小示例。建议在jupyter里一步一步跑，每一步都看一眼中间结果。

import mne from mne_nirs.io import snirf # 读取SNIRF格式数据 raw = snirf.read_snirf("sub-01_task_motor.snirf") # 查看基本信息 print(raw.info) print(raw.ch_names) # 提取近红外通道，转成光密度 from mne_nirs.channels import get_long_channels raw = get_long_channels(raw, min_dist=0.01, max_dist=0.05) raw = mne.preprocessing.nirs.beer_lambert_law(raw) # 绘制HbO/HbR时间序列检查信号质量 raw.plot(n_channels=10, duration=60, scalings="auto")

代码不长，但已经覆盖了读取、通道筛选和浓度转换三个关键步骤。实际处理时，You还需要在beer_lambert_law之前加上运动伪影校正和滤波，MNE-NIRS文档里有对应的函数，比如mne.preprocessing.nirs.optical_density和savgol_filter的组合。

我想强调最容易被忽略的一步：get_long_channels会根据source-detector距离筛选出长距离通道。fNIRS信号里既有皮层信号也有头皮表层血流信号，短距离通道（一般指的是源探距小于1厘米）主要测的是头皮血，不做回归的话会污染真正的皮层信号。很多公开数据集的通道设置里其实包含短距通道，但不少研究者直接忽略，这是信号质量的一个隐形杀手。

6. 下载和复用过程中最容易踩的坑

这部分我踩过不少，逐个说，希望能让你少走弯路。

6.1 链接失效与"公开但不共享"

"公开数据集"这个词水分可以很大。有的论文写"数据可获取"，正文里给的却是作者个人主页，点进去要么服务器过期了，要么留个邮箱让你发邮件要。我甚至遇到过发邮件三个月后才收到回复的情况，对方说数据在旧硬盘里还没找出来。

应对策略很简单：优先选择带DOI、存在OSF/Figshare/Dryad/Zenodo这些长期存储平台上的数据。DOI的好处是版本可追溯，即使原始链接失效，你也能通过DOI定位。GitHub仓库就算了，一个项目改名、迁移都可能导致永久404。

6.2 通道坐标缺失或坐标系记录混乱

做群体分析时，通道坐标是最难补的一个信息。有些数据集发布时只给了通道编号，没有对应的头皮坐标，也没有提到用了什么头模模板。这种情况下，你无法把通道映射到MNI空间，做不了皮层投影，也做不了不同被试之间的通道对齐。

另一个容易踩的坑是坐标系来源混乱。有的数据用的是ICBM152模板坐标，有的用Colin27，有的用HSP（head surface position）结合光学探头的实际位置。如果混着用，结果的可比性就说不清楚了。建议你在数据说明文档里仔细找"probe geometry"、"digitized positions"、"MNI"这些关键词，确认坐标来源。

6.3 运动伪影与生理噪声：不预处理直接建模是大忌

fNIRS数据有一个特点：运动伪影和任务往往相关。比如让被试做运动想象，他可能不自觉地头动了一下，这个动作直接产生一个尖峰，计算平均激活时就能伪装成一个激活效应。所以，不做运动校正的结果，轻则方差变大，重则出现假阳性。

静息态数据也有类似陷阱。静息态fNIRS里藏着0.1Hz附近的梅耶波、约1Hz的心率搏动、约0.3Hz的呼吸波动。这些生理振荡的能量远大于神经源性低频信号，如果你要考察静息态连接，不去回归生理噪声，得到的连接矩阵可能反映的主要是血管和呼吸的同步性，而不是脑区的功能连接。

6.4 许可证与伦理：能不能商用、要不要签协议

公开数据不一定意味着可以随意商用。OSF或GitHub上的很多数据用的是CC-BY-NC（非商业）许可，拿去训练商业产品会有法律风险。Kaggle上的数据许可证也经常混乱，下载页面写了什么许可就看什么，别默认它是学术免费的。

临床数据则是另一种情况。哪怕数据文件本身是公开的，只要你用它发表涉及患者群体的研究结论，很多机构依然会要求你先过伦理审查甚至签数据使用协议。我的建议非常简单：拿数据之前，先把使用范围、用途、预期发表形式写清楚，发给数据所有者确认一次，留存邮件或协议记录。这件事最多花你一天时间，但能避免后面极其麻烦的纠纷。

7. 写在最后：我对fNIRS数据生态的一点操作体会

如果只给一条建议，那就是：别贪多，先把一两个结构干净的数据集完整跑通，再考虑扩大数据池。fNIRS公开数据集的单样本量通常不大，与其收集十套半懂不懂的数据，不如把三套真正搞清楚，包括任务设计意图、信号特点和局限性。

我自己最常留意的信号是原始光强是否被保留。只要原始光强还在，数据就有无限重新处理的可能性——想换滤波参数、想试新的运动校正算法、想重做GLM都可以。数据发布者如果只给了处理完的HbO/HbR，等于把这个可能性窗口关掉了。所以我自己发数据时，也坚持把原始光强和全部元数据一起打包成SNIRF格式放出去。

最后分享一个工作习惯：每次拿到一个新数据集，我会建一个独立的notes文档，记录数据的基本信息、格式检查结果、已知问题和处理决策。这个文档刚开始看起来像流水账，但当你同时处理三四个数据集、或者论文返修需要复现结果时，它就是你唯一的救命稻草。fNIRS公开数据资源的积累还很年轻，但正因为它年轻，现在认真把数据生态维护好的人，对这个领域的贡献会比想象中大得多。