近紅外腦成像（fNIRS）憑借無創(chuàng)、便攜、抗運動干擾強等優(yōu)勢，成為腦功能研究的重要工具，而機器學習（ML）為其海量數(shù)據(jù)的深度解析提供了技術支撐，二者結合可實現(xiàn)腦信號特征的精準挖掘與應用落地，核心路徑可分為數(shù)據(jù)預處理、特征工程、模型構建與驗證、場景應用四個環(huán)節(jié)。

　　數(shù)據(jù)預處理是保障分析質(zhì)量的基礎。fNIRS原始數(shù)據(jù)包含頭皮血流干擾、儀器噪聲、運動偽影等無關信號，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，再利用獨立成分分析（ICA）分離并去除運動偽影。之后對預處理后的數(shù)據(jù)進行時間或空間維度的標準化，消除個體生理差異（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。

　　特征工程是連接數(shù)據(jù)與模型的關鍵橋梁。從預處理后的fNIRS數(shù)據(jù)中提取有效特征，可分為三類：一是時域特征，如血氧濃度（HbO?、HbR）的均值、峰值、變化斜率，反映腦區(qū)激活的強度與持續(xù)時間；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、多通道信號的相關性，展現(xiàn)腦功能網(wǎng)絡的連接模式。特征選擇需借助方差分析、互信息等方法，篩選出與研究目標高度相關的特征子集，降低模型復雜度。

　　近紅外腦成像模型構建與驗證是實現(xiàn)功能解析的核心步驟。根據(jù)研究需求選擇適配的機器學習算法：在腦功能分類任務中（如情緒識別、運動意圖解碼），可選用支持向量機（SVM）、隨機森林、卷積神經(jīng)網(wǎng)絡（CNN）等模型，其中CNN能自動提取fNIRS數(shù)據(jù)的時空關聯(lián)特征，適用于多通道動態(tài)信號分析；在腦網(wǎng)絡預測任務中（如認知能力評估、腦疾病輔助診斷），可采用回歸模型或圖神經(jīng)網(wǎng)絡（GNN），挖掘腦區(qū)連接模式與目標變量的關聯(lián)規(guī)律。模型訓練需采用交叉驗證法（如留一法交叉驗證），評估準確率、召回率等指標，通過調(diào)參優(yōu)化模型性能，避免過擬合。

　　場景應用是二者結合的最終落腳點。在臨床醫(yī)學領域，可用于自閉癥、腦卒中的早期診斷與康復效果評估；在人機交互領域，可實現(xiàn)基于腦信號的意念控制；在教育神經(jīng)科學領域，可解析學習過程中的腦激活模式，評估教學效果。

　　近紅外腦成像與機器學習的結合，突破了傳統(tǒng)fNIRS數(shù)據(jù)分析的局限性，為腦科學研究與臨床應用提供了更精準、高效的技術方案。