该方法实现了针对fNIRS信号中运动伪影的综合处理方案，通过多种互补的技术手段（包括时域滤波、频域分析、统计建模和信号分解）有效应对不同类型的运动伪影。算法核心在于结合光学特性（如HbO/HbR的生理耦合关系）和信号统计特性（如变异系数、相关系数），通过自适应参数调整实现精准去噪。

完整算法流程图可适当参考：

算法流程步骤

数据准备阶段

加载fNIRS原始强度数据

转换为光密度(OD)数据

添加人工伪影：

尖峰伪影：特定时间点大幅突变

基线漂移：长时间段缓慢偏移

去噪方法核心

MDF(多变量扰动滤波)：

建立ARMA模型

优化对数似然函数

应用高斯平滑

PCC(皮尔逊相关系数)：

计算通道间相关系数矩阵

小波去噪：

小波分解

高频系数置零

小波重构

CBSI(结合信号信息)

CV滤波：

计算变异系数

对高CV区域应用移动平均

带通滤波：

设计Butterworth滤波器

应用双向滤波消除相位畸变

SG滤波：

局部多项式拟合

插值+平滑：

识别伪影位置

线性插值替换

Loess局部加权回归

TDDR：

时间导数计算

分布修复

评估指标计算

SNR

CNR

MSE

结果可视化

原始/加噪/去噪信号对比

通道间相关系数矩阵

时频分析

算法的应用领域可适当参考：

应用领域	具体场景
脑功能成像	fNIRS信号处理、运动伪影去除
神经科学研究	脑激活模式分析、认知任务研究
临床监测	患者脑氧监测、手术中脑功能监测
脑机接口	信号预处理、特征提取
心理学研究	情绪识别、认知负荷评估
康复医学	中风康复评估、神经反馈训练

与机器学习/深度学习结合可适当参考：

结合方式	应用场景	实现方法
特征提取	脑状态分类	去噪后信号作为CNN/LSTM输入
端到端去噪	信号重建	卷积自编码器直接去噪
异常检测	伪影识别	自编码器+隔离森林
参数优化	滤波器设计	强化学习优化滤波器参数
生成模型	数据增强	GAN生成带伪影/无伪影信号对
迁移学习	跨被试应用	预训练模型+小样本微调

应用于信号分析可适当参考：

信号分析任务	算法模块	输出结果
伪影检测	PCC矩阵分析	高相关通道指示伪影位置
尖峰去除	SG滤波/Loess	平滑后的信号
基线校正	线性插值/带通滤波	稳定的基线
时频分析	小波变换	时频特征图
信号分解	CBSI	HbO/HbR分离
质量评估	SNR/CNR计算	定量质量指标

完整代码通过知乎学术咨询获取（哥廷根数学学派）：

擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测。