编辑推荐：
为解决 fNIRS 数据因缺乏标准组织和存储方式，导致研究难以再现和共享的问题，研究人员开展了将 BIDS 扩展到 NIRS 数据的研究。结果是提出 NIRS - BIDS 规范及相关工具，促进 fNIRS 数据集公开传播，推动该领域发展。
在神经科学研究领域，功能近红外光谱（functional near - infrared spectroscopy，fNIRS）作为一种新兴的神经成像技术，正逐渐崭露头角。它凭借非侵入性、便携、成本较低等诸多优势，在脑功能研究中得到越来越广泛的应用。fNIRS 通过测量大脑组织中氧合血红蛋白和脱氧血红蛋白浓度的变化，来反映大脑皮层的血流动力学活动，进而探究大脑功能。想象一下，在一个安静的实验室里，研究人员将一些小巧的设备放置在参与者的头皮上，这些设备发射出近红外光，就能 “窥探” 大脑内部的活动，是不是很神奇？
然而，fNIRS 的发展并非一帆风顺。随着研究的深入，一个棘手的问题逐渐凸显出来：由于缺乏统一的标准和清晰的规范，fNIRS 数据的组织和存储方式五花八门。不同研究团队的数据格式、实验设计、数据处理方法差异巨大，这使得数据难以在不同研究之间共享和比较，严重阻碍了 fNIRS 研究的可重复性和进一步发展。就好比大家说着不同的语言，难以沟通交流，科研的进展也因此受到了限制。
为了解决这一关键问题，来自多个国家和地区的研究人员共同合作开展了一项重要研究。他们致力于将脑成像数据结构（Brain Imaging Data Structure，BIDS）扩展到近红外光谱（NIRS）数据领域，期望为 fNIRS 数据的管理和共享建立一套标准化的体系。
研究人员经过不懈努力，取得了一系列重要成果。他们提出了 NIRS - BIDS 规范，这一规范在遵循 BIDS 通用定义的基础上，专门针对 NIRS 数据的特点，定义了新的数据类型 “nirs” 及其相关元数据。在 NIRS - BIDS 数据集中，每个受试者的数据都被有序地组织在特定的目录结构中。例如，受试者相关数据存储在以 “sub - XX” 命名的文件夹中（XX 代表受试者编号），如果有不同的实验阶段，还会进一步细分到 “ses - XX” 文件夹（XX 代表阶段编号）。在这些文件夹内，“nirs” 目录专门存放 NIRS 数据文件，且文件命名遵循特定模式，如 “sub - YY_task - XX_nirs.snirf”，其中 “YY” 是受试者编号，“XX” 是任务编号，文件格式采用 SNIRF（Shared Near Infrared Spectroscopy Format）。同时，还配套了一系列元数据文件，如 “_nirs.json” 描述 fNIRS 数据采集设置和实验任务，“_channels.tsv” 指定光极配对和通道属性等 。
此外，研究人员还开发了一系列实用工具。比如，bids - validator 工具可以用来验证新格式化的数据集是否符合 BIDS 规范；还有专门用于将 fNIRS 数据转换为 BIDS 格式的工具，以及 BfNIRS Cloud 在线平台，方便研究人员创建、编辑、验证和共享符合 BIDS 规范的 fNIRS 数据集。许多常用的 fNIRS 软件处理平台，如 MATLAB 的 Homer3、FieldTrip，Python 的 MNE - Python 生态系统等，也都开始支持读取 NIRS - BIDS 格式的数据。
这项研究成果意义重大。NIRS - BIDS 规范和相关工具的出现，为 fNIRS 数据的共享和研究提供了统一的标准和便利的途径，极大地促进了 fNIRS 数据集的公开传播。这使得不同研究团队之间能够更方便地交流和合作，推动 fNIRS 技术在神经科学研究中的广泛应用。随着更多标准化数据集的出现，研究人员可以基于这些数据开发新的分析工具，进一步提高 fNIRS 数据的可靠性和有效性评估水平，从而推动整个神经科学领域的发展。而且，NIRS - BIDS 有望扩展到频域和时域 NIRS 技术，为这些领域的研究发展提供有力支持。该研究成果发表在《Scientific Data》杂志上。
在研究过程中，研究人员主要采用了以下关键技术方法：首先，利用已有的商业和学术软件工具，将各种非标准的 fNIRS 数据格式转换为 SNIRF 格式；接着，依据 NIRS - BIDS 规范创建特定的文件夹结构，对数据文件进行重命名和复制；然后，针对多模态数据，按照 BIDS 规范将辅助数据或多模态数据添加到相应的目录中；最后，使用 BIDS validator 工具对数据集进行验证，确保其符合规范。
研究结果具体如下：
- 数据结构和文件规范：NIRS - BIDS 采用分层数据结构，遵循 BIDS 通用定义，明确了数据和元数据的存储方式和文件命名规则。每个数据集都包含必要的描述文件，如 “dataset_description.json”“participants.tsv” 等，同时在 “nirs” 目录下存放测量数据文件和相关元数据文件，这些文件共同全面描述了测量数据，便于后续分析和共享。
- 特殊考虑：当前规范主要针对连续波（continuous - wave，CW）fNIRS 系统采集的数据，但也具备扩展到其他 fNIRS 技术的潜力。规范仅支持 SNIRF 格式存储数据，对 fNIRS 特有的源探测器、短分离通道等概念进行了明确界定，还规定了光极位置的存储方式以及辅助传感器数据的存储规范。
- 数据样本：提供了四个公开可用的完整 NIRS - BIDS 示例数据集，涵盖自动和非自动手指和腿部运动、手指敲击实验、被动听觉任务、主动视觉和听觉任务等多种实验场景，为研究人员提供了实际的参考范例。
- 相关工具：开发了一系列支持 NIRS - BIDS 的工具，如 bids - validator 工具用于验证数据集，专门的转换工具方便数据格式转换，BfNIRS Cloud 平台助力数据集的创建和共享，同时众多软件平台也支持读取 NIRS - BIDS 格式数据，为研究人员提供了多样化的选择。
在研究结论和讨论部分，NIRS - BIDS 的发展无疑是 fNIRS 领域的一项重大突破。它有效解决了 fNIRS 数据共享和研究的难题，为该领域的发展注入了新的活力。随着 NIRS - BIDS 的广泛应用，fNIRS 数据集的传播将更加广泛，研究人员能够基于这些标准化数据集开展更多深入研究，进一步提升 fNIRS 技术在神经科学研究中的可靠性和有效性，推动神经科学领域的快速发展。同时，NIRS - BIDS 对多模态研究的支持，也将促进 fNIRS 与其他神经成像技术的融合，为全面深入了解大脑功能提供更强大的工具和方法。
