XiaoMi-AI文件搜索系统
World File Search SystemFNIR
ALS-NSF-PAR
摘要 - 目的：功能性近红外光谱（FNIRS）最近在基于运动成像（MI）的基于脑部计算机界面（BCIS）的研究方面已经获得了动力。令人惊讶的是，大多数研究工作主要致力于增强基于FNIRS的BCIS的健康个体。尚未探索尚未探索尚未探讨BCI最终用户利用基于FNIRS的血液动力学反应来有效控制基于MI的BCI的主要BCI最终用户中的患者（ALS）的能力。本研究旨在量化ALS患者对MI任务的血液动力学反应的主体特异性时空特征，并研究使用这些反应作为控制二进制BCI的通信手段的可行性。方法：使用八名ALS患者的FNIR记录血液动力学反应，同时执行MI-REST任务。进行了广义线性模型（GLM）分析以统计估计并评估个性化的空间激活。选定的通道集已在统计上优化用于分类。特定于主题的判别特征，包括从GLM获得的提议的数据驱动的估计系数，并确定了优化的分类参数，并用于使用线性支持向量机（SVM）分类器进一步评估性能。结果：在患者血流动力学反应的时空特征中观察到了受试者间的变化。使用优化的分类参数和特征集，所有受试者都可以成功使用其MI血流动力学反应来控制BCI，平均分类精度为85.4％±9.8％。显着性：我们的结果表明，基于FNIRS的MI血流动力学反应可用于控制ALS患者的二元BCI。这些发现突出了特定于特定数据驱动的方法在识别优化BCI性能的歧视时空特征方面的重要性。
开发用于婴儿睡眠研究的定制NIRS-EEG
1.1睡眠研究功能近红外光谱（FNIRS）的FNIR主要用于清醒人群，但对其对睡眠研究的潜力越来越兴趣。睡眠有很大的潜力成为FNIRS的新用例，但是新方法的发展（分析和实际上）都是至关重要的。例如，一些成人研究表明，不同的睡眠阶段表现出不同的氧合水平，如FNIRS 1所评估，并且在睡眠与饮用过渡之前进行了氧化（HBO）和脱氧（HBR）血红蛋白脱氧。在睡眠阶段之间的2个过渡伴随着HBR的增加，当过渡到更深的睡眠阶段，并且在过渡到更轻的睡眠阶段和唤醒的过渡中HBO的增加。3通过Metz等人发现了类似的结果。在青少年中。4 fnirs也已用于新生儿研究，用于睡眠研究，并在发育功能连通性研究中，通常是在睡眠婴儿上进行的，因为数据易于获取（例如，参考文献。5 - 7）。例如，Lee等人。比较了活跃和安静的睡眠状态下的静息状态连接性（即，在健康的新生儿中，后来出现的快速眼动（REM）和非比型眼运动（NREM）睡眠的前体。8他们在积极的睡眠期间显示出更大的远距离连接性，在安静的睡眠期间的短程连接性更高，这与成人研究的结果一致，其连通性模式因睡眠阶段而异。9对成人进行了使用FNIRS和脑电图的功能连通性进行了第一项研究，对成人进行了睡眠状态，并揭示，随着睡眠更深（与N1睡眠相比，N2阶段与N2相比），网络连通性降低了，作者解释说，这反映了这一反映了睡眠成人对环境的减少的反应。9总而言之，在睡眠期间使用FNIRS可以提供有关睡眠的生理和功能的有用信息（即，不同的睡眠阶段如何有助于无法捕获连接性的发展）。
基于图的特征提取算法朝向脑部计算机界面的强大数据融合框架
摘要 - 目的：在大多数现有的大脑计算机界面（BCI）系统中，通常会忽略脑电图频谱动力学中隐藏的拓扑信息。此外，脑电图与其他信息性的大脑信号（例如功能性近红外光谱（FNIRS））的系统多模式融合尚未得到充分研究，以增强BCI系统的性能。在这项研究中，我们利用一系列基于图形的EEG特征来研究其在运动假想（MI）分类任务上的性能。方法：我们首先根据复杂的Morlet小波时间频率图提取用户多通道EEG信号的幅度和相位序列，然后将它们转换为无向图以提取EEG EEG拓扑特征。然后通过阈值方法选择基于图的特征，并与FNIRS信号的时间特征融合在一起，每个特征是由最小绝对收缩和选择算子（Lasso）算法选择的。然后，通过线性支持向量机（SVM）分类将融合功能分类为MI任务与基线。结果：与在频带过滤的时间eeg信号上构建的图相比，EEG信号的时频图提高了MI分类精度约5％。我们提出的基于图的方法还显示出与基于功率谱密度（PSD）的经典脑电图特征相当的性能，但是标准偏差较小，显示出在实用BCI系统中潜在使用的稳健性。关键字 - 大脑计算机界面（BCI），EEG-FNIRS数据融合，特征选择，图理论。我们的融合分析显示，与最高的FNIRS相对于单个模态效果相关时，与最高的FNIR相比，仅EEG的最高平均准确性仅为17％，而仅EEG的最高平均精度仅为最高的平均准确性，而最高的FNIRS的平均准确性仅为3％。显着性：我们的发现表明，通过使运动假想推理更加准确，更强大，利用混合BCI系统中基于图的特征的提议数据融合框架的潜在用途。
基于学习的基于学习的运动伪影在功能近红外光谱中的去除
尽管多年来FNIRS技术得到了改进，但FNIRS数据集的处理仍然是一项艰巨的任务。尤其是，由于Optodes和Scalp之间的耦合变化而导致的运动伪影识别并纠正并纠正了很难且耗时。此类伪影表示为时间序列信号中的峰值或偏移。由于峰或移位的幅度通常比血液动力学反应功能（HRF）高得多，因此FNIRS信号被显着污染，并且不会反映皮质激活。当头部和四肢的运动在实验方案中不可避免甚至需要时，这种现象就会更明显，例如语音，17个步行，18和手术任务。11，12最近，由于可穿戴或无线FNIRS设备（19，20）的升高，该问题加剧了这些设备的移动范围，用于跑步或团队工作，这些设备更容易受到运动文物的影响。因此，消除运动伪影的有效方法对于在这些情况下利用FNIR是必不可少的。多年来开发的一些策略包括在数据处理过程中保留任何具有运动伪像的试验。仅当收集大型数据集并且不是当前的主要实践时才使用。另一种策略是通过视觉检查识别具有运动伪影的试验/通道，或在普遍的FNIRS数据处理工具箱Homer2中使用诸如HMRMotionArtifact功能之类的功能，然后从进一步分析中丢弃它们。为例，参考。35最近的研究36不过，最合适的方法是使用高级时间序列数据处理方法处理这些试验/通道。这些包括样条插值，21小波滤波，22个主成分分析（PCA），23 Kalman滤波，24和基于相关的信号改进（CBSI）。25这些方法的性能在很大程度上取决于一组假设，以描述运动伪影和参数相关调整的主观选择（表1）。29证明，选择PCA参数，即PCA删除27为0.80和0.97的数据中的方差百分比产生了显着不同的结果。因此，高度可取的方法，不需要对参数的主观微调或不依赖严格的假设的方法。在这里，我们提出了一种自动学习噪声特征的深度学习方法。在过去十年中，深度神经网络已成为一种强大的工具，可以快速有效地抑制图像数据集中的噪声。深度学习模型已被证明可以增强竞争性降解结果，同时与召开方法相比，保留了更多纹理细节。30 - 33深度学习网络在应用于医学成像问题时也表现出卓越的性能。例如，denoising自动编码器（DAE）模型可以Denoise乳房X线照片[结构相似性指数量度（SSIM）从0.45到0.73]和Dental X射线数据（SSIM从0.62到0.86）。34 A DAE模型的峰值信噪比（PSNR）和SSIM高10％，而SSIM比胸部辐射图中的常规算法高。
使用fnirs
使用FNIRS测量值的基于内存的工作负载分类已被证明是现实的适应性BCI的理想方法，用于测量人类工作量水平。6在本文中，我们研究了与n个背任务不同条件相对应的FNIR的分类问题（即需要受试者连续记住最后的n∈F1; 2; 2; 3; 3; ：： g快速变化的字母或数字）。我们在前额叶皮层（PFC）上进行了FNIRS测量，已发现这是通过正电子发射断层扫描和功能磁共振成像的与记忆相关任务的相关区域。7，8文献中的大多数n返还分类研究基于对fnirs信号的监督方法，并基于主题内部（即，在单个主题的数据获取的一次试验中）。9 - 11虽然这些研究表现出令人鼓舞的结果，但对于可以适应具有广泛生理条件的不同用户的界面系统而言，受试者和会话依赖的系统是不现实的。为了在BCI中使用，必须基于经验会议（会话逐句对齐）和跨主题（主题对准）基于FNIRS数据的工作负载分类。存在一些挑战，可以使用FNIRS数据妨碍精确的工作负载分类。我们在下面概述了它们，并提出了减轻它们的方法。第一个挑战是本文的主要重点，是处理n-back任务分类的逐项和主题变化。这些问题与机器学习中所谓的域适应性有关。12 - 14更具体地说，来自不同会话或不同主题的数据称为属于不同域，并且跨不同域（数据属于的会话或主题）的数据分布的变化被视为域移动。15由于这种现象，我们从一个领域学到的知识不能直接应用于另一个领域。为了解决这个问题，最佳运输理论和方法的最新进展（OT）16和度量测量空间比对17 - 19可用于将数据与已知标记的n个返回条件从一个会话或一个主题到同一主题或其他主题中的另一个会话的未标记的数据与未标记的数据对齐。尽管已将OT应用于具有潜在性能的域适应性，但是20，21当不存在两个空间之间的有意义的距离概念时，但是两组用于对齐的数据不共享相同的度量空间时，它会受到一定的限制。例如，对于会话逐一比对，由于信噪比较差（SNR），从两个会话中删除了一些FNIRS通道的数据。这将导致两个会话的数据嵌入两个域中的不同维度。幼稚的解决方案是从另一个会话中删除相应的通道，以确保两个会话具有相同的维度。但是，这是导致信息丧失的缺点。第二个挑战是FNIRS信号中的运动伪像。fnirs中的运动伪影通常是由于实验过程中头皮中任何源或检测器的耦合变化。31在本文中，我们提出，使用Gromov - Wasserstein（G-W）18，22和Fused Gromov - Wasserstein（FG-W）Barycenter 23将减轻此问题，并为FNIRS n-BACK任务分类的范围跨域提供算法。这会导致突然增加或减少测得的光强度，并可能影响测得的FNIRS信号。从机器学习的角度来看，运动伪影检测和校正有助于消除主题行为（抽搐，头部移动等）的任何误导性相关性分类模型从FNIRS数据中学到了什么。例如，分类模型可以识别当受试者由于受试者的头部移动而在测量信号中检测到测量信号中的峰值时，将受试者按下按钮作为需求，而不是从脑信号中检测实际的血液动力学反应。已提出了许多方法，灵感来自统计信号处理方法，例如自适应过滤，独立组件分析（ICA）和时频分析，以删除或纠正FNIRS信号中的运动伪影。24 - 30这些技术中的大多数都取决于使用辅助参考信号（例如，加速度计等）或自相间通道，或需要对运动伪影特征和清洁的FNIRS信号的特征进行某些假设。在本文中，我们使用基于稀疏优化的现成方法来自动检测和去除尖峰和台阶异常，即瞬时伪影还原算法（TARA）。