功能性磁共振波譜(fMRS)是探索大腦神經化學動態變化的獨特工具，能夠非侵入性監測γ-氨基丁酸(GABA)、谷氨酸(Glu)等代謝物在認知或運動任務中的波動。然而，其應用長期受限于三大瓶頸：極低的信噪比(SNR)導致單次采集需數十次瞬態信號平均，時間分辨率僅32-64秒；為達到統計學效力需招募數十名受試者；傳統一維(1D)逐幀擬合方法忽略時間維度相關性，進一步降低量化精度。這些缺陷使得fMRS難以實現實時腦功能監測，阻礙其在神經科學領域的普及。

為突破這些限制，上海交通大學聯合以色列團隊在《Biomedical Signal Processing and Control》發表研究，提出基于Visual Display Interface(VDI)庫的二維譜時聯合擬合(2D spectral-temporal fitting)新框架。該技術通過同步建模光譜和時間維度相關性，顯著提升fMRS的噪聲魯棒性和量化精度。研究表明，在相同噪聲水平下，2D擬合可使代謝物濃度估計的標準差降低50%以上，這意味著研究者可采用更少信號平均次數或縮小隊列規模，從而將時間分辨率提升至臨床實用水平。

關鍵技術包含三方面：1）擴展VDI庫構建VDIBasis和VDIFit模塊，實現17種代謝物（如NAA、Cr、PCr等）的基函數建模；2）采用合成數據驗證，模擬運動任務中不同SNR水平（0.5-4倍噪聲）和視覺任務中GABA/Glu/mI動態變化；3）重新分析已發表的21例在體運動任務fMRS數據，通過添加人工噪聲評估方法穩健性。所有分析均通過Cramér-Rao下界(CRLB)理論驗證精度提升的數學基礎。

研究結果
Spectral and temporal modeling
建立包含弛豫效應和線寬變化的動態模型，證明2D擬合通過利用時間相關性可指數級提升重疊譜峰（如GABA與Mac重疊）的分離精度。

Simulated fMRS data
在運動任務模擬中，2D擬合使GABA濃度估計的變異系數(CV)從1D擬合的15.2%降至6.8%；在極低SNR(0.5倍)時仍保持<10%的CV，而1D擬合已失效。

Evaluation on in vivo fMRS data during motor task
實際數據分析顯示，2D擬合顯著縮小代謝物濃度變化的置信區間（Glu時間曲線的標準差降低42%），且噪聲添加實驗證實其參數估計更穩定。

Discussion
2D擬合的精度優勢源于其對時間動力學約束的數學整合，這使單個頻譜的擬合誤差在時間維度上被有效校正。研究者特別指出，該方法對GABA編輯譜的提升最顯著——這對研究抑制性神經傳遞至關重要。

Conclusion
該研究證實2D譜時聯合擬合可同步解決fMRS的三大技術障礙：將時間分辨率從分鐘級推向秒級、減少50%以上受試者需求、提升低SNR數據的可用性。這一突破為fMRS應用于癲癇發作監測、精神類藥物評估等動態過程研究鋪平道路。正如通訊作者Assaf Tal強調，該方法無需硬件升級即可實現性能提升，尤其適合資源有限的臨床場景推廣。未來工作將聚焦于開發實時2D擬合算法，進一步推動fMRS走向床邊應用。