机构名称：
¥ 1.0
摘要 - 尽管使用近红外光谱（FNIRS）在研究神经系统的功能上有所增加，但FNIRS信号处理并未标准化，并且受经验和手动程序的影响很大。在任何信号处理过程开始时，信号质量控制（SQC）对于防止错误和不可靠的结果至关重要。在FNIRS分析中，SQC当前依赖于将经验阈值应用于手工信号质量指示器（SQIS）。在这项研究中，我们使用了从67位受试者记录的FNIRS信号（n = 1,340）的数据集，并手动将段子集（n = 548）的信号质量标记为研究当前实践的陷阱，同时探索深度学习方法提供的机会。我们表明，SQI在统计上以不良的质量区分信号，但是通过经验阈值识别的识别缺乏灵敏度。另外，基于SQI的手动阈值旧机器学习模型已被证明更准确，并且基于卷积神经网络的端到端方法，能够进一步提高性能。基于机器学习的方法代表了FNIRS的更客观的SQC，并朝着使用完全自动化和标准化程序的使用。
FNIRS信号质量控制方法的机器学习视角
主要关键词
相关文件推荐
