Each language version is independently generated for its own context, not a direct translation.
这篇论文就像是在探索**“大脑的互联网”**，并试图回答一个非常实际的问题：我们能不能用一种便宜、便携、像戴耳机一样简单的设备（fNIRS），来替代那种昂贵、巨大、像核磁共振机器（fMRI）一样的设备，从而画出大脑内部的“连接地图”？
为了让你更容易理解，我们可以把大脑想象成一个繁忙的超级城市，而大脑里的神经元就是城市里的居民。
1. 背景：我们需要两种“地图”
- fMRI（核磁共振）： 这就像是用卫星从高空拍摄的高清城市全景图。它非常清晰、全面，能看到城市里每一条街道（神经连接）的细微变化。但是，它有个大缺点：机器太贵了，而且必须把病人关在一个狭窄、吵闹的“铁笼”里，病人稍微动一下，照片就糊了。对于很多生病的人（比如小孩、老人、或者身体无法动弹的病人）来说，这很难受，也不方便经常去拍。
- fNIRS（近红外光谱）： 这就像是一个戴着特制眼镜的巡逻员。它通过测量头皮下的血液流动（就像看城市里车流量的变化）来推测居民们在做什么。它的优点是：便宜、轻便、可以戴着到处走，甚至可以在家里用，病人动一动也没关系。但是，它的“视力”比较差，只能看清城市表面的街道（大脑皮层），而且以前大家不确定它画出来的地图准不准。
这篇论文的目的，就是要把这两张地图放在一起对比，看看那个“巡逻员”（fNIRS）画出来的图，能不能和“卫星”（fMRI）画出来的图对上号。
2. 研究方法：怎么对比？
研究人员找了 31 个健康人，让他们同时（或者分别）戴上这两种设备，静静地坐着什么都不做（就像让城市居民在休息日发呆）。
他们用了两种不同的“绘图算法”来画连接图：
- 普通连线（双变量相关）： 就像看两个居民是否经常一起聊天。如果 A 和 B 经常同时说话，就画一条线。但这可能包含了一些“噪音”（比如他们只是同时听到了外面的广播声，而不是真的在交流）。
- 排除干扰连线（偏相关）： 就像问"A 和 B 聊天，是不是因为 C 在中间传话？”如果是，就把这条线去掉，只保留他们之间直接的对话。
3. 主要发现：巡逻员画得准吗？
研究结果非常有趣，可以用三个层面来总结：
A. 细节层面（每条街道）：有点乱，但排除干扰后变好了
- 普通连线时： 如果直接对比每一条街道的连接强度，fNIRS 和 fMRI 画出来的图有一半以上都不一样。就像巡逻员看错了某些街道的繁忙程度。
- 排除干扰后： 当他们用“排除干扰”的方法（偏相关）重新画图时，97% 以上的街道在两张图上都变得非常相似！
- 比喻： 就像巡逻员虽然看不清每条小路的细节，但一旦他学会了忽略背景噪音，他就能认出哪些是真正的主干道。
B. 整体结构层面（城市布局）：非常像！
- 虽然细节有差异，但如果看整体的城市布局（比如哪些区域是商业区，哪些是住宅区），fNIRS 画出来的图和 fMRI 的相似度达到了37% 左右。
- 更重要的是，fNIRS 成功识别出了大脑里几个著名的“功能社区”：
- 默认模式网络（DMN）： 就像城市的“休息区”，人在发呆时最活跃。
- 视觉网络、运动网络、注意力网络等。
- 比喻： 巡逻员虽然看不清每栋楼，但他能准确指出“那边是公园，那边是商场，那边是医院”，这和卫星图是一致的。
C. 节点层面（具体路口）：有得有失
- 有些指标（比如某个路口的重要性排名），fNIRS 和 fMRI 画出来的结果很接近。
- 但有些指标（比如计算从 A 到 B 的最短路径），两者差异很大。
- 比喻： 巡逻员能告诉你“市中心很热闹”，但让他计算“从你家到超市的最快路线”时，可能会因为看不清小路而算错。
4. 结论：这对我们意味着什么？
这篇论文告诉我们：fNIRS 是一个非常有潜力的“替补队员”，甚至在某些情况下是“主力队员”。
- 对于群体研究（看大趋势）： fNIRS 完全够用！如果你想研究“抑郁症患者的大脑连接模式”或者“某种药物对大脑网络的整体影响”，fNIRS 画出的地图和昂贵的 fMRI 非常相似。这意味着我们可以用更便宜、更方便的方法，研究更多病人，甚至在家里进行长期跟踪。
- 对于个人诊断（看细节）： 目前还不能完全替代 fMRI。如果你想给某个具体病人做极其精细的手术规划，或者需要看清某一条极细微的神经纤维，fMRI 依然是金标准。fNIRS 在个体层面的细节上还不够精准。
总结
想象一下，fMRI 是昂贵的专业测绘队，能画出毫米级的精确地图，但成本高、难操作；fNIRS 是灵活的无人机，虽然分辨率没那么高，但它飞得快、成本低、能去任何地方。
这篇论文证明：无人机（fNIRS）虽然拍不出每块砖的纹理，但它完全能画出整个城市的街区分布和主要功能分区。 这对于医生来说是个巨大的好消息，意味着未来我们可以更频繁、更轻松地监测病人的大脑健康变化，就像定期给城市拍张“无人机全景照”一样，而不是每次都把病人关进“铁笼”里。
Each language version is independently generated for its own context, not a direct translation.
这是一篇关于利用功能性近红外光谱（fNIRS）进行静息态功能连接（RSFC）和静息态网络（RSN）映射的预印本论文。该研究旨在评估 fNIRS 作为功能性磁共振成像（fMRI）的替代方案，在临床神经影像学中监测大脑网络组织的可行性和可靠性。
以下是对该论文的详细技术总结：
1. 研究背景与问题 (Problem)
- 背景： 静息态功能连接（RSFC）和静息态网络（RSN）对于理解大脑的大规模组织及其在神经系统疾病中的破坏至关重要。目前，fMRI 是评估 RSN 的金标准。
- 局限性： fMRI 在临床转化应用中存在显著限制，包括：
- 对运动高度敏感（许多临床患者难以保持静止）。
- 成本高、扫描时间长。
- 难以在家庭环境或需要重复测量的纵向研究中进行（如监测康复或治疗反应）。
- 对某些人群（如体内有金属植入物）不适用。
- 替代方案与挑战： fNIRS 具有便携、低成本、抗运动干扰和适合重复测量等优势。然而，fNIRS 仅能测量皮层浅层，且其空间分辨率低于 fMRI。此前关于 fNIRS 能否可靠地重建与 fMRI 对应的大规模 RSFC 模式和 RSN 的研究尚不充分，且缺乏多尺度（边、节点、图、模块）的系统性对比。
- 核心问题： fNIRS 能否在多大程度上可靠地捕捉到与 fMRI 一致的大规模静息态功能连接和模块化网络结构？这种一致性受分析方法（如双变量与偏相关）的影响如何？
2. 方法论 (Methodology)
- 数据源：
- fNIRS 数据： 来自 31 名健康受试者（平均年龄 28.25 岁），使用 NIRSport2 设备进行近全头覆盖采集（32 光源，28 探测器，共 134 通道，经筛选保留 82 个有效通道）。任务为 5 分钟静息态。
- fMRI 数据： 来自人类连接组计划（HCP）数据库，选取与 fNIRS 组在年龄和性别上匹配的 31 名受试者。任务为 15 分钟静息态扫描。
- 数据处理与预处理：
- fNIRS： 使用短通道回归（Short-channel regression）去除头皮噪声，带通滤波（0.01–0.1 Hz），去除线性趋势，Z 标准化。
- fMRI： 使用 HCP 标准预处理流程（包括 ICA-FIX 去噪）。
- 空间映射： 利用 fOLD 工具箱将 fNIRS 通道映射到 MNI 坐标，并在对应位置创建 0.5cm 半径的球形 ROI，从 fMRI 数据中提取相应时间序列，实现跨模态的 ROI 对齐。
- 功能连接分析：
- 分别基于 fNIRS 的氧合血红蛋白（HbO）和脱氧血红蛋白（HbR）信号，以及 fMRI 的 BOLD 信号构建连接矩阵。
- 计算两种相关系数：双变量相关（Bivariate） 和 偏相关（Partial）。
- 多尺度评估框架：
- 边水平（Edgewise）： 使用独立样本 t 检验和双单侧 t 检验（TOST）评估连接强度的差异和等价性。
- 矩阵水平（Matrix-level）： 使用置换检验（Permutation testing）评估组平均连接矩阵的整体结构相似性（Pearson 相关）。
- 节点水平（Nodal）： 计算图论指标（净强度、归一化强度、 assortativity、局部效率、路径长度、介数中心性），比较节点间的分布相似性。
- 模块水平（Modular）： 使用 Louvain 算法识别社区结构，计算 fMRI 与 fNIRS 模块之间的 Jaccard 相似度，并映射到标准网络（如 DMN, SMN, VN 等）。
3. 关键贡献 (Key Contributions)
- 首次系统性多尺度评估： 提供了迄今为止最全面的 fNIRS-fMRI 对应性研究，涵盖了从单个连接边到整个网络模块的多个分析层级。
- 方法学比较： 深入探讨了“双变量相关”与“偏相关”在跨模态一致性中的不同表现，为未来 fNIRS 研究的方法选择提供了实证依据。
- 临床转化潜力验证： 证明了尽管存在个体差异，fNIRS 在群体水平上能够可靠地捕捉到与 fMRI 一致的大规模网络拓扑结构，支持其在临床纵向监测中的应用。
4. 主要结果 (Results)
- 边水平（Edgewise）：
- 双变量相关： fMRI 与 fNIRS 之间存在显著差异（约 50-61% 的边）。
- 偏相关： 显著差异的边大幅减少（<3%），表明偏相关能更好地去除共享噪声，提高边水平的表面一致性。
- 等价性（TOST）： 偏相关在更窄的误差范围内实现了更高的边等价性。
- 矩阵水平（Global Pattern）：
- 组平均连接矩阵显示出中等程度的跨模态相似性（r≈0.37−0.39），且统计显著。这表明两种模态捕捉到了相似的大规模连接拓扑结构。
- 节点水平（Graph Metrics）：
- 净强度（Net Strength）： 差异较大，受负权重影响显著。
- 归一化强度（Normalized Strength）和 assortativity： 在双变量相关下表现出较高的跨模态一致性（无显著差异或相关性高），是较稳健的指标。
- 局部效率（Local Efficiency）和路径长度（Path Length）： 差异显著，特别是在偏相关下，所有节点均表现出显著差异。这表明基于路径的指标对模态非常敏感。
- 模块水平（Modularity）：
- fNIRS 成功识别出了与 fMRI 重叠的功能模块（Jaccard 相似度 ≈0.27−0.5）。
- 识别出的网络包括：默认模式网络（DMN）、注意网络（AN）、执行控制网络（CEN）、显著性网络（SN）、感觉运动网络（SMN）和视觉网络（VN）。
- 双变量相关在模块识别上比偏相关更稳定，能更好地复现标准网络结构。偏相关虽然提高了边的一致性，但削弱了模块结构的恢复能力。
5. 意义与结论 (Significance & Conclusion)
- 临床适用性：
- 群体水平监测： fNIRS 非常适合用于群体水平的 RSN 特征描述和纵向临床监测（如脑肿瘤术后恢复、癫痫治疗反应、神经退行性疾病进展）。它能够提供与 fMRI 一致的大规模网络拓扑信息。
- 个体水平限制： 在个体水平上，边和节点的连接估计存在较大差异。因此，fNIRS 不应直接用于需要极高精度的个体特异性连接诊断，而应侧重于网络层面的变化。
- 方法学建议：
- 若关注网络拓扑和模块结构（如识别 DMN 或视觉网络），双变量相关结合归一化强度等指标是更优选择。
- 若关注直接连接或减少假阳性，偏相关能提高边的一致性，但可能会破坏网络的全局结构特征。
- 未来展望： 尽管存在空间分辨率和覆盖范围的局限，fNIRS 凭借其便携性和低成本，是填补 fMRI 临床空白、实现大规模和重复性神经影像研究的有力工具。未来的研究需要更大样本、同步 fNIRS-fMRI 采集以及更精确的通道定位来进一步提升精度。
总结： 该论文确立了 fNIRS 作为 fMRI 的有效补充工具的地位，特别是在需要重复测量和临床可行性的场景中。它证明了 fNIRS 能够捕捉大脑静息态网络的核心组织特征，但研究者需根据具体研究目标（是关注整体网络结构还是精细连接）谨慎选择分析策略（双变量 vs 偏相关）和指标。