近红外脑成像（fNIRS）凭借无创、便携、抗运动干扰强等优势，成为脑功能研究的重要工具，而机器学习（ML）为其海量数据的深度解析提供了技术支撑，二者结合可实现脑信号特征的精准挖掘与应用落地，核心路径可分为数据预处理、特征工程、模型构建与验证、场景应用四个环节。
数据预处理是保障分析质量的基础。fNIRS原始数据包含头皮血流干扰、仪器噪声、运动伪影等无关信号，需先通过滤波算法（如小波变换、带通滤波）剔除高频噪声与低频漂移，再利用独立成分分析（ICA）分离并去除运动伪影。之后对预处理后的数据进行时间或空间维度的标准化，消除个体生理差异（如脑血流基线水平不同）带来的影响，为后续特征提取奠定高质量数据基础。
特征工程是连接数据与模型的关键桥梁。从预处理后的fNIRS数据中提取有效特征，可分为三类：一是时域特征，如血氧浓度（HbO?、HbR）的均值、峰值、变化斜率，反映脑区激活的强度与持续时间；二是频域特征，通过傅里叶变换获取特定频段的能量谱，体现脑血流的节律性变化；三是空间特征，如激活脑区的位置、范围、多通道信号的相关性，展现脑功能网络的连接模式。特征选择需借助方差分析、互信息等方法，筛选出与研究目标高度相关的特征子集，降低模型复杂度。
近红外脑成像模型构建与验证是实现功能解析的核心步骤。根据研究需求选择适配的机器学习算法：在脑功能分类任务中（如情绪识别、运动意图解码），可选用支持向量机（SVM）、随机森林、卷积神经网络（CNN）等模型，其中CNN能自动提取fNIRS数据的时空关联特征，适用于多通道动态信号分析；在脑网络预测任务中（如认知能力评估、脑疾病辅助诊断），可采用回归模型或图神经网络（GNN），挖掘脑区连接模式与目标变量的关联规律。模型训练需采用交叉验证法（如留一法交叉验证），评估准确率、召回率等指标，通过调参优化模型性能，避免过拟合。
场景应用是二者结合的最终落脚点。在临床医学领域，可用于自闭症、脑卒中的早期诊断与康复效果评估；在人机交互领域，可实现基于脑信号的意念控制；在教育神经科学领域，可解析学习过程中的脑激活模式，评估教学效果。
近红外脑成像与机器学习的结合，突破了传统fNIRS数据分析的局限性，为脑科学研究与临床应用提供了更精准、高效的技术方案。
