XiaoMi-AI文件搜索系统
World File Search SystemFNIRS
基于学习的运动伪影在fnirs中的处理
本文对功能性近红外光谱（FNIRS）中基于学习的运动伪影（MA）处理方法进行了简要审查，强调了在受试者运动期间保持最佳接触的挑战，这可能导致MA并损害数据完整性。传统策略通常会导致血液动力学反应和统计能力的可靠性降低。认识到着重于基于学习的MA的研究有限的研究，我们研究了315项研究，确定了与我们的重点领域相关的七个研究。我们讨论了基于学习的MA校正方法的当前格局，并突出了研究差距。注意到缺乏用于MA校正质量评估的标准评估指标，我们建议一个新颖的框架，整合信号和模型质量考虑因素，并采用1个信噪比（1 SNR），混淆矩阵和平均平方误差等指标。这项工作旨在促进基于学习的方法在FNIRS上的应用，并提高神经血管研究的准确性和可靠性。
使用预注册作为透明 fNIRS 研究设计的工具
Franziska Klein ，f,g,† 和 David MA Mehler g,h,* a 图宾根大学，心理学系，科学学院，图宾根，德国 b 普林斯顿大学，社会与自然科学系，心理学系，新泽西州普林斯顿，美国 c 拉德堡德大学，唐德斯大脑、认知与行为研究所，生物物理系，科学学院，奈梅亨，荷兰 d 开姆尼茨工业大学，人类运动科学与健康研究所，行为与社会科学学院，开姆尼茨，德国 e 科英布拉大学，科英布拉生物医学成像与转化研究所，科英布拉，葡萄牙 f 奥尔登堡大学，心理学系、神经认知与功能神经康复组，奥尔登堡（Oldb），德国 g 亚琛工业大学，医学院，精神病学、心理治疗与心身医学系，亚琛，德国 h德国明斯特医学院转化精神病学研究所
疼痛环境下 fNIRS BCI 频域特征的可靠性
摘要—本文研究了疼痛的存在对基于功能性近红外光谱 (fNIRS) 的脑机接口 (BCI) 中心算任务分类准确性的影响。在有和没有外部疼痛刺激的情况下执行两个心算任务时，从前额叶和运动皮质获得 fNIRS 记录。针对每个任务提取无痛和疼痛条件下 fNIRS 信号的各种频域参数并用作特征。使用二次核的支持向量机 (QSVM) 作为分类器。考虑了四种训练和测试分类器的场景：(1) 使用无痛数据进行训练和测试，(2) 使用低痛数据进行训练和测试，(3) 使用无痛数据进行训练并使用低痛数据进行测试，以及 (4) 使用低痛数据进行训练并使用无痛数据进行测试。结果表明，当使用疼痛时获得的数据对模型进行测试时，使用无痛数据训练的模型的分类准确率会显著降低。同样，当使用疼痛时获得的数据对模型进行训练但使用无痛数据进行测试时，准确率也会下降。这些结果强调了在为有需要的患者开发 BCI 时考虑疼痛引起的皮质活动变化的重要性。
液体金属启动器导体的定向组装...
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。
深度 EEG 和 fNIRS 实时解码双手力量
摘要 — 与侵入式脑机接口 (BCI) 相比，非侵入式皮质神经接口在肢体运动及其力量的皮质解码方面仅取得了中等水平的表现。虽然非侵入式方法更安全、更便宜、更容易获得，但信号在空间域 (EEG) 或时间域 (功能性近红外光谱 (fNIRS) 的 BOLD 信号) 中分辨率较差。之前从未实现过双手力产生和连续力信号的非侵入式 BCI 解码，因此我们引入了一个等距握力跟踪任务来评估解码。我们发现，使用深度神经网络结合 EEG 和 fNIRS 比线性模型更能解码左手和右手产生的连续握力调节。我们的多模态深度学习解码器在力重建中实现了 55.2 FVAF[%]，并且解码性能比每种单独的模态提高了至少 15%。我们的结果表明，使用非侵入性移动脑成像获得的皮质信号实现连续手力解码的方法对康复、恢复和消费者应用具有直接影响。
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）。
可穿戴高密度 fNIRS 和漫射光学断层扫描技术：展望
摘要。光电子学的最新进展首次使可穿戴和高密度功能性近红外光谱 (fNIRS) 和漫反射光学断层扫描 (DOT) 技术成为可能。这些技术有可能在几乎任何环境和人群中以与 fMRI 相当的分辨率对人类皮层进行功能性神经成像，从而开辟现实世界神经科学的新领域。在这篇观点文章中，我们简要概述了可穿戴高密度 fNIRS 和 DOT 方法的历史和现状，讨论了当前面临的最大挑战，并提出了我们对这项非凡技术未来的看法。© 作者。由 SPIE 根据知识共享署名 4.0 国际许可出版。分发或复制本作品的全部或部分内容需要完全署名原始出版物，包括其 DOI。[DOI：10.1117/1.NPh.10.2.023513]
移动 fNIRS 用于探索跨代和跨时间的大脑间同步
虽然纵向超扫描研究仍然相对罕见，但它对于记录大脑间同步性的变化非常有价值，而大脑间同步性的变化可能反过来决定了行为在社会环境中如何发展和演变。这种实验方法的普遍性和生态效度取决于所选成像技术是否可移动——功能性近红外光谱 (fNIRS) 满足了这一要求。fNIRS 最常用于检查亲子二元组中大脑间同步性和行为的发展。在本文中，我们认为，关注纵向和代际超扫描将更广泛地造福社会和认知神经科学领域。我们认为，这种方法对于理解代际社会动态背后的神经机制特别重要，并且可能对评估心理和社会干预的进展至关重要，其中许多干预措施都处于代际背景下。根据我们的立场，我们强调了跨代研究的领域，这些领域有望通过使用移动设备进行纵向超扫描而得到加强，描述了现实世界中跨代测量可能出现的挑战，并提供了潜在的解决方案。
FNIRS信号质量控制方法的机器学习视角
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。
期刊参考样式endNote样式围嘴样式
方法：我们提出了一个开源基准测试框架，台式框架，以建立最佳的实践机器学习方法，以评估应用于FNIRS数据的模型，并使用用于脑部计算机界面（BCI）应用程序的五个开放式访问数据集。使用嵌套交叉验证的稳健方法，台式框架使研究人员能够优化模型并无偏见评估它们。该框架还使我们能够生产有用的指标和图，以详细介绍新模型的性能以进行比较。为了演示框架的实用性，我们提出了六个基线模型[线性判别分析（LDA），支持 - 矢量机（SVM），K-Neartivt邻居（KNN），人工神经网络（ANN），卷积神经网络（CNN）和长期记忆（LSTM）的（lSTM）的[分类性能的不同因素，包括：训练示例的数量和每个用于分类的FNIRS样本的时间窗口的大小。我们还提供了一个滑动窗口的结果，而不是简单的时期分类，并且通过个性化方法（在主题数据分类中）而不是广义方法（未见主题数据分类）。