机构名称：
¥ 1.0
摘要：尽管功能性近红外光谱（FNIRS）的技术进步以及FNIRS在神经科学实验设计中的应用中的增加，但FNIRS数据的处理仍然具有多种异质方法的特征，这既是科学的可重复性和解释能力和结果的解释能力。例如，仍然需要进行手动检查以评估收集的FNIRS信号的质量和后续保留率进行分析。机器学习（ML）方法的位置很好，可以通过自动化和标准化质量控制的方法学方法来为FNIRS数据处理提供独特的贡献，其中ML模型可以产生客观和可重复的结果。但是，任何成功的ML应用程序都基于标记培训数据的高质量数据集，不幸的是，目前尚无此类数据集用于FNIRS信号。在这项工作中，我们介绍了FNIRS-QC，该平台旨在众包创建质量控制FNIRS数据集。特别是，我们（a）组成了4385个FNIRS信号的数据集； （b）创建了一个Web界面，以允许多个用户手动标记510 10 S FNIRS段的信号质量。最后，（c）使用标记的数据集的一个子集来开发概念验证ML模型，以自动评估FNIRS信号的质量。开发的ML模型可以作为更客观和有效的质量控制检查，该检查可最大程度地减少手动检查中的错误以及信号质量控制对专业知识的需求。
液体金属启动器导体的定向组装...
主要关键词
相关文件推荐
