XiaoMi-AI文件搜索系统
World File Search SystemFNIRS
fNIRS 中的深度学习：综述
在过去的二十年里，功能性近红外光谱 (fNIRS) 已经成为一种成熟的神经成像方式，用于监测大脑活动。1 fNIRS 能够长期量化皮质组织血流动力学，具有相对较高的空间采样和时间分辨率，这使得它在许多临床环境中得到了应用。2、3 fNIRS 具有独特的优势，它可以用于自由移动的受试者，比脑电图 (EEG) 或功能性磁共振成像 (fMRI) 的限制更少。这允许在自然场景和通常不适合进行 EEG 或 fMRI 成像的患者群体中部署 fNIRS。4 尽管如此，由于实验设置 5、统计结果的变化 6 等，fNIRS 在增加临床应用方面仍面临着许多挑战。重要的是，fNIRS 的当前趋势旨在通过增加空间采样来提高空间分辨率，使用数据处理消除不需要的生理噪声来提高皮质灵敏度，通过解剖配准改善量化，并通过伪影识别和去除来提高稳健性。 7 然而，目前的算法实现需要很高的专业知识
fNIRS 出版物的最佳实践
a 波士顿大学，神经光子学中心，生物医学工程，美国马萨诸塞州波士顿 b 麻省总医院，哈佛医学院，MGH/HST Athinoula A. Martinos 生物医学成像中心，放射科，美国马萨诸塞州查尔斯顿 c 苏黎世大学医院，苏黎世大学，新生儿科，生物医学光学研究实验室，新生儿科研究，瑞士苏黎世 d 伯尔尼大学，补充和综合医学研究所，瑞士伯尔尼 e 巴黎大学，法国国家科学研究院，综合神经科学和认知中心，法国巴黎 f 帕多瓦大学，社会和发展心理学系，意大利帕多瓦 g 中央大学，科学与工程学院，应用认知神经科学实验室，日本东京 h 德雷塞尔大学，生物医学工程学院，科学与健康系统，美国宾夕法尼亚州费城 i 德雷塞尔大学，艺术与科学学院，心理学系，美国宾夕法尼亚州费城 j 德雷塞尔大学，德雷塞尔解决方案研究所，美国宾夕法尼亚州费城 k 宾夕法尼亚大学，家庭和社区健康系，美国宾夕法尼亚州费城 l 费城儿童医院，伤害研究与预防中心，美国宾夕法尼亚州费城 m 伦敦大学学院，DOT-HUB，医学物理与生物医学工程系，生物医学光学研究实验室，英国伦敦 n 华盛顿大学医学院，放射学系，美国密苏里州圣路易斯 o 伦敦大学学院，医学物理与生物医学工程系，英国伦敦 p 华盛顿大学医学院，马林克罗德放射学研究所，美国密苏里州圣路易斯 q 康考迪亚大学，物理学系和 PERFORM 中心，多模式功能成像实验室，加拿大魁北克省蒙特利尔 r 麦吉尔大学，生物医学工程系，多模式功能成像实验室，加拿大魁北克省蒙特利尔 s 东京都立大学，语言科学系，日本东京 t 蒙特利尔理工学院，电气工程系，加拿大蒙特利尔 u 德国莱比锡大学医院、马克斯普朗克人类认知与脑科学研究所及认知神经病学诊所 v 韩国基础科学研究所、生物融合分析研究中心，韩国清州梧仓 w 普渡大学韦尔登生物医学工程学院，美国印第安纳州西拉斐特 x 意大利米兰理工大学、物理系
整合 FNIRS 与机器学习
本研究的目的是介绍一种辅助诊断帕金森病 (PD) 的方法，即将功能性近红外光谱 (fNIRS) 研究分类为 PD 阳性或阴性。fNIRS 是一种非侵入性光信号模式，可传达大脑的血液动力学反应，特别是大脑皮层血氧变化；与其他神经成像模式相比，它是一种非侵入性且具有成本效益的方法，因此值得探索其作为辅助 PD 检测工具的潜力。除了将 fNIRS 与机器学习相结合之外，这项工作的贡献还在于实施和测试了各种方法，以找到实现最高性能的实现。所有实现都使用逻辑回归模型进行分类。从每个参与者的 fNIRS 研究中提取了一组 792 个时间和光谱特征。在两个表现最佳的实现中，使用了一组特征排序技术来选择精简的特征子集，然后使用遗传算法对其进行精简。为了实现最佳检测性能，我们的方法达到了 100% 的准确率、精确率和召回率，F1 得分和曲线下面积 (AUC) 为 1，使用了 14 个特征。这大大推进了 PD 诊断，凸显了将 fNIRS 和机器学习相结合用于非侵入性 PD 检测的潜力。关键词：帕金森病、功能性近红外光谱、机器学习、特征子集选择、遗传算法
fNIRS 出版物的最佳实践
a 波士顿大学，神经光子学中心，生物医学工程，美国马萨诸塞州波士顿 b 麻省总医院，哈佛医学院，MGH/HST Athinoula A. Martinos 生物医学成像中心，放射科，美国马萨诸塞州查尔斯顿 c 苏黎世大学医院，苏黎世大学，新生儿科，生物医学光学研究实验室，新生儿科研究，瑞士苏黎世 d 伯尔尼大学，补充和综合医学研究所，瑞士伯尔尼 e 巴黎大学，法国国家科学研究院，综合神经科学和认知中心，法国巴黎 f 帕多瓦大学，社会和发展心理学系，意大利帕多瓦 g 中央大学，科学与工程学院，应用认知神经科学实验室，日本东京 h 德雷塞尔大学，生物医学工程学院，科学与健康系统，美国宾夕法尼亚州费城 i 德雷塞尔大学，艺术与科学学院，心理学系，美国宾夕法尼亚州费城 j 德雷塞尔大学，德雷塞尔解决方案研究所，美国宾夕法尼亚州费城 k 宾夕法尼亚大学，家庭和社区健康系，美国宾夕法尼亚州费城 l 费城儿童医院，伤害研究与预防中心，美国宾夕法尼亚州费城 m 伦敦大学学院，DOT-HUB，医学物理与生物医学工程系，生物医学光学研究实验室，英国伦敦 n 华盛顿大学医学院，放射学系，美国密苏里州圣路易斯 o 伦敦大学学院，医学物理与生物医学工程系，英国伦敦 p 华盛顿大学医学院，马林克罗德放射学研究所，美国密苏里州圣路易斯 q 康考迪亚大学，物理学系和 PERFORM 中心，多模式功能成像实验室，加拿大魁北克省蒙特利尔 r 麦吉尔大学，生物医学工程系，多模式功能成像实验室，加拿大魁北克省蒙特利尔 s 东京都立大学，语言科学系，日本东京 t 蒙特利尔理工学院，电气工程系，加拿大蒙特利尔 u 德国莱比锡大学医院、马克斯普朗克人类认知与脑科学研究所及认知神经病学诊所 v 韩国基础科学研究所、生物融合分析研究中心，韩国清州梧仓 w 普渡大学韦尔登生物医学工程学院，美国印第安纳州西拉斐特 x 意大利米兰理工大学、物理系
疼痛对 fNIRS 分类的影响
功能性近红外光谱 (fNIRS) 是一种非侵入性神经成像技术，通过监测脑氧合血红蛋白 ([ ∆ HbO]) 和脱氧血红蛋白 ([ ∆ HbR]) 浓度的变化来间接测量大脑活动 [ 1 ]。最近，人们对在脑机接口 (BCI) 中使用 fNIRS 的兴趣日益浓厚。BCI 的目标是将从大脑记录的信号转换为控制外部设备的命令 [ 2 , 3 ]。因此，准确分类脑信号在 BCI 应用中具有重要意义。另一方面，一组 BCI 用户是患者 (例如运动障碍者)，不幸的是，他们也可能因受伤而感到疼痛。然而，疼痛的存在预计会影响大脑活动，从而影响 BCI 的性能。在本研究中，我们首次研究了疼痛的存在如何影响与心算任务相对应的 fNIRS 数据的分类准确度。fNIRS 数据是从 2 名健康受试者身上收集的，并使用热刺激来诱发疼痛。所有通道的 [ ∆ HbR] 信号的平均值用作分类特征。采用二次核支持向量机分类器 (QSVM) 对数据进行分类。我们的分类结果表明，对于基于无痛数据训练的模型，在对有疼痛时获得的数据进行测试时，其平均分类准确度显著降低。这些结果表明，使用无痛数据训练和开发的 BCI 算法在有疼痛的情况下可能会表现不佳。因此，在为患者调整 BCI 算法时考虑疼痛因素非常重要。本文的其余部分安排如下：第 2 部分描述了实验范例和数据收集程序。第 3 部分解释了预处理和分类方法，第 4 部分介绍了结果和讨论。
功能性近红外光谱（FNIRS）研讨会
Smith College的功能性近红外光谱（FNIRS）讲习班旨在将FNIRS作为一种神经成像技术，用于评估运动和运动研究期间皮质过程。与其他神经成像技术相比，FNIRS对运动伪像的敏感性相对较低，提供了便携式的可能性，尤其允许具有高运动范围的电机执行。fnirs构成了一种有趣的运动和运动研究及其他人的脑成像方法。
FNIRS 在神经科学及其新兴应用
本研究主题重点关注功能性近红外光谱 (fNIRS) 方法和应用的最新发展。它由 150 多位作者撰写的 28 篇关于各个方面的文章组成。它包括原创研究文章 (24)、临床试验 (1)、假设和理论 (1) 和评论 (2)。近红外光谱已用于研究大脑功能三十多年。近年来，由于该技术具有非侵入性、成本效益和便携性等竞争优势，其方法和应用取得了重大进展。在本研究课题中，我们看到了大量新颖的 fNIRS 应用，其中包括幻想的神经机制（Li 等人）、太极拳（Yang 等人）、触觉辅助调解（Zheng 等人）、感觉冲突（Nguyen 等人）、心理旋转（Mutlu 等人）、疲劳握力（Urquhart 等人）和哑铃锻炼（Wang 等人）。例如，Yang 等人报告称，8 周的太极拳干预可以提高老年人的抑制控制能力，这与前额叶激活增加有关。研究结果表明，太极拳锻炼可能是一种有效、合适的干预措施，可用于改善老年人的执行功能。Zheng 等人报告称，经过 5 天的练习，触觉辅助调解可以减少走神并提高注意力。此外，这种改善与右前额叶激活活动的增强以及与注意力网络相关的大脑区域之间的功能连接的显著变化有关。Urquhart 等人的研究调查了运动任务疲劳对不同频带（内皮、神经源性和肌源性）脑血流动力学的影响。这项研究的一个优势是将四种不同类型的功能连接指标应用于 fNIRS 信号。他们的方法是可行的，
fniRS 对脑部进行无创监测的可靠性......
这项研究的目的是严格评估功能性近红外光谱 (fNIRS) 是否可以有效地用作无创记录绵羊大脑功能和情绪的工具。我们考虑了一种实验设计，包括仪器方面的进步（定制的无线多距离 fNIRS 系统）、更精确的物理建模（光子扩散的双层模型和 3D 蒙特卡罗模拟）、神经解剖学工具的支持（通过同一动物的 MRI 和 DTI 数据定位 fNIRS 探头）和严格的协议（运动任务、惊吓测试）用于测试自由移动的绵羊的行为反应。在运动任务和惊吓测试中，几乎没有在大脑外区域发现血流动力学反应。在运动任务中，正如预期的那样，我们发现绵羊行走时大脑区域出现了典型的血流动力学反应。在惊吓测试中，测得的大脑区域血流动力学反应主要来自运动。总的来说，这些结果表明，通过当前的设置和探头定位，我们主要测量羊脑的运动区域，而不是探测与情绪处理相关的太深的皮质区域。
使用FNIRS的机器学习的基准测试框架
功能性近红外光谱（FNIRS）（Jobis 1977）越来越多地用于认知神经科学和脑部计算机界面（BCIS）（Naseer and Hong 2015）。通常是为了确定受试者正在执行的任务类型或评估任务的强度水平，并且在对精神活动的类型和水平进行分类方面变得越来越流行（Herff等人。2014，Benerradi等。 2019）。 用于分类，可以广泛使用机器学习，无论是使用线性判别分析（LDA）或支持向量机（SVM）等模型的标准机器学习，还是最近深入学习，具有从标准的人工神经网络（ANN）到卷积神经网络（CNNS）和复发性神经网络（RASE NEARER网络（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（NASE）（NASE）（NASE）。 2016，Trakoolwilaiwan等。 2017，Yoo等。 2018）。 与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。 因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。2014，Benerradi等。2019）。用于分类，可以广泛使用机器学习，无论是使用线性判别分析（LDA）或支持向量机（SVM）等模型的标准机器学习，还是最近深入学习，具有从标准的人工神经网络（ANN）到卷积神经网络（CNNS）和复发性神经网络（RASE NEARER网络（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（RASE）（NASE）（NASE）（NASE）。2016，Trakoolwilaiwan等。 2017，Yoo等。 2018）。 与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。 因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。2016，Trakoolwilaiwan等。2017，Yoo等。 2018）。 与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。 因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。2017，Yoo等。2018）。与其他已经开发出标准化和可比较的方法来用于生理措施，标准和良好实践的社区不同。因此，在某些情况下，这些技术似乎是有效的，但是研究人员需要意识到良好的实践，并避免常见的陷阱，从而破坏最终结果的可靠性（Lipton和Steinhardt 2019）。
利用机器学习释放 fNIRS 的潜力
在本研究中，我们探索了使用功能性近红外光谱 (fNIRS) 信号与现代机器学习技术结合对特定解剖运动进行分类的潜力，以增加基于 fNIRS 的脑机接口 (BCI) 应用的控制命令数量。这项研究的重点是新颖的个体手指敲击，这是 fNIRS 和 fMRI 研究中众所周知的任务，但仅限于左/右手指或几根手指。24 名右撇子参与者执行了个体手指敲击任务。根据 10-10 国际系统，使用放置在运动皮层上的 16 个源和探测器记录数据。该事件的平均氧合 1 HbO 和脱氧 1 HbR 血红蛋白数据被用作特征，以评估不同机器学习 (ML) 模型在具有挑战性的多类分类环境中的性能。这些方法包括 LDA、QDA、MNLR、XGBoost 和 RF。一种新的基于 DL 的模型“Hemo-Net”已被提出，它由多个并行卷积层组成，并使用不同的滤波器来提取特征。本文旨在探索在多类分类任务中使用 fNRIS 与 ML/DL 方法的有效性。与 LDA、MNLR 和 QDA 相比，RF、XGBoost 和 Hemo-Net 等复杂模型具有相对更高的测试集准确率。Hemo-Net 表现出色，达到了 76% 的最高测试集准确率，然而，在这项工作中，我们的目标不是提高模型的准确率，而是探索 fNIRS 是否具有神经特征来帮助现代 ML/DL 方法进行多类分类，这可以用于脑机接口等应用。使用 fNIRS 数据很难对精细解剖运动（例如单个手指运动）进行多类分类。与基于集成的 RF 和 XGBoost 方法相比，MNLR 和 LDA 等传统 ML 模型的性能较差。基于 DL 的方法 Hemo-Net 优于本研究中评估的所有方法，并展示了基于 fNIRS 的 BCI 应用的光明前景。