这是一篇由Paola Pinti、Arcangelo Merla、Clarisse Aichelburg、Frida Lind、Sarah Power、Elizabeth Swingler、Antonia Hamilton、Sam Gilbert、Paul W. Burgess和Ilias Tachtsidis等人合作完成的研究论文。主要作者来自意大利基耶蒂-佩斯卡拉大学的先进生物医学技术研究所（Institute for Advanced Biomedical Technology）和伦敦大学学院（University College London）的医学物理与生物医学工程系及认知神经科学研究所。该研究于2017年发表在期刊《NeuroImage》上。

这项研究属于功能性近红外光谱（functional near infrared spectroscopy, fNIRS）神经影像分析方法的开发领域。fNIRS是一种通过测量氧合血红蛋白（HbO2）和脱氧血红蛋白（HHb）的浓度变化来反映神经元活动的技术。与功能磁共振成像（fMRI）相似，fNIRS基于神经血管耦合原理来获取与脑功能活动相关的血流动力学响应，但其具有便携、非侵入、对运动伪迹相对不敏感等优势，因此更适合在真实世界环境中监测自由活动被试的脑功能。然而，真实世界实验通常缺乏预先设定的事件时间线，这使得从行为视频中人工识别功能事件（functional events）的起始时间极为困难且耗时。为了填补这一方法学空白，作者团队开发了一种基于一般线性模型（General Linear Model, GLM）的自动识别功能事件的新算法，称为AIDE（Automatic Identification of functional Events），旨在直接从fNIRS数据中统计检测功能事件。

该研究的工作流程分为三个主要阶段。第一阶段是AIDE算法的数学构建与仿真数据验证。作者首先定义了GLM模型，将观测到的fNIRS信号表示为设计矩阵与回归系数的乘积加误差项。AIDE算法通过穷举所有可能的起始时间与持续时间的组合来生成箱车函数（boxcar function），每个箱车函数与双伽马血液动力学响应函数（HRF）卷积后作为回归量输入GLM，通过最小二乘估计计算β值与t值。随后，对每个起始时间选取最大t值及其对应持续时间，形成t值时间序列，再通过局部峰值检测和显著性阈值（pthresh）来确定功能事件。在仿真阶段，作者生成了1000组模拟数据，分别对应组块设计、事件相关设计和混合设计三种实验范式。合成信号包含任务相关成分、高斯噪声和模拟Mayer波的生理干扰成分。通过ROC分析确定最优pthresh为0.0001，并在此阈值下计算算法准确性。

第二阶段是将AIDE应用于实验室环境下的fNIRS数据。数据来自一名健康女性被试在执行数学任务时的前额叶皮层记录。实验包含六个任务组块，每个组块之间间隔30秒休息。原始HbO2和HHb信号经过基于小波的运动伪迹校正、0.008–0.2 Hz带通滤波以及下采样至1 Hz后，采用基于相关性的信号改善方法（Correlation-Based Signal Improvement, CBSI）合并为单一激活信号。研究者首先使用NIRS-SPM软件包中的GLM分析，以每个任务组块为单独回归量，确定六个任务组块均存在显著激活。随后将AIDE应用于六个通道的激活信号，结果显示AIDE恢复了5/6个任务起始点，平均准确率为83.3%（通道1为4/6，准确率66.7%）。与先验定义的任务起始点相比，AIDE识别的事件起始时间平均差异为1.0至2.2秒，持续时间平均差异为5.0至8.8秒。更重要的是，将AIDE识别的事件时间用于GLM分析时，多数通道的t值有所提高，表明模型拟合得到改善。

第三阶段是在真实世界环境中检验AIDE的可行性。研究者选取了一名健康男性被试的数据，该被试在伦敦皇后广场的户外环境中执行前瞻性记忆（prospective memory, PM）任务。实验包含两个PM条件：社交PM条件要求被试与特定人员击拳问候，非社交PM条件要求被试对停车计时器做出同样动作。fNIRS数据通过无线便携式16通道系统记录，同时使用生理监测带记录心率和呼吸率。生理信号通过GLM回归从fNIRS信号中去除系统干扰。AIDE在社交PM条件下恢复了4个目标中的3个功能事件（准确率75%），在非社交PM条件下恢复了6个目标中的3个（准确率50%）。通过视频分析对应行为发现，功能事件更常发生在被试首次注意到PM目标时，而非实际到达目标时。此外，AIDE还识别出与执行进行中任务和过马路等行为相关的事件。脑区分析显示，内侧感兴趣区（Brodmann 10-11区）在进行中任务中持续参与，左右前额叶在PM目标处理中参与较多。

研究结论指出，AIDE算法提供了一种“脑优先”（brain-first）而非“行为优先”（behaviour-first）的分析思路，能够从fNIRS数据中自动恢复功能事件，填补了真实生活测试与功能神经影像之间的方法学空白。该算法在合成数据上取得了89%、97%和91%的准确率，在实验室数据上恢复超过66.7%的事件，在真实世界数据中成功识别了部分PM目标并揭示了预期性血流动力学响应。其科学价值在于首次实现了无需先验实验设计即可从fNIRS信号中统计检测功能事件，应用价值体现在可为无结构化任务设计下的脑机接口、神经康复监测和社会互动研究提供新的分析工具。

该研究的亮点包括：提出了基于GLM的最小二乘拟合穷举搜索策略来自动确定事件起始时间和持续时间；引入CBSI方法将HbO2和HHb合并为单一激活信号以降低系统干扰；在真实世界前瞻性记忆实验中展示了功能事件与行为视频的对应关系；并发现功能事件更可能发生在目标注意阶段而非动作执行阶段。此外，研究还报告了AIDE对噪声水平和激活幅度变化的稳健性，并提供了算法代码的下载链接以供后续研究使用。