XiaoMi-AI文件搜索系统
World File Search SystemNIRS
HyperOptoNet：基于 MATLAB 的工具箱，用于使用 fNIRS 超扫描进行脑间神经元同步分析
fNIRS 是一种非侵入性光学成像技术，利用近红外光间接评估皮质外层神经元的代谢活动。10 fNIRS 可以测量与神经元代谢活动相关的氧合血红蛋白 (HbO) 和脱氧血红蛋白 (HbR) 的变化，类似于 fMRI 获得的血氧水平依赖性反应。11、12 fNIRS 是一种很有前途的方法，可用于研究自然环境中人际互动与其神经活动之间的关系，具有成本效益、测量限制低、对头部和身体运动的容忍度相对较高等优势。13、14 最近，研究人员可以更好地测量与社会互动相关的脑间耦合，许多关于受试者之间的教育交流、面对面游戏、提高认知表现和身体生理学的研究都已使用基于 fNIRS 的超扫描技术进行了报道。7 – 9、15、16
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]
可穿戴、高密度 fNIRS 和漫射光学断层扫描...
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。这些技术有可能通过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来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]
Sitnikova，M。A.等。 （2023）。低和高数学表演者中单词和数值格式的精确计算的神经相关性：fnirs stud
人们使用两个认知系统来理解和操作数字 - 非符号系统，主要依赖于无符号的幅度估计（例如，阿拉伯数字）和象征性系统，基于符号形式的数字处理（Ansari，2008; Feigenson，dehaene and dehaene and Spelke，dehaene and Spelke，2004; Waring and Pening and Penerner-wilger，2017）。数值认知的开发是一个逐步的过程，它是从非符号或近似数字系统开始的。近似数字系统是一个先天认知系统，它支持估计幅度的估计而不依赖语言或符号。然而，数量和基本算术技能的符号表示的作用随着年龄的增长而增加（Artemenko，2021）。基本的算术技能在日常生活，STEM教育以及许多涉及数学的科学中至关重要：在各种IT应用中，物理，化学，技术和工程学中都非常重要。更好地理解简单和复杂的精确计算的基本大脑机制对于数值认知非常重要，并深入了解了近似数字系统和精确符号表示系统中的网络中不同大脑区域之间的关系。实际上，将来可以使用这些知识来提高一个人的数字技能，消除与他们缺乏相关的问题（算术和数学素养的降低，dyscalculia）。已经表明，所有这些缺点都可能对整个经济和社会产生负面影响（Butterworth，Varma和Laurillard，2011年）。因此，实用
基于元启发式优化的图像和算术任务特征选择：一项 fNIRS 研究
摘要：近几十年来，脑机接口 (BCI) 已成为研究的前沿领域。特征选择对于降低数据集的维度、提高计算效率和增强 BCI 的性能至关重要。使用与活动相关的特征可以在所需任务中获得较高的分类率。本研究提出了一种基于包装器的元启发式特征选择框架，用于使用功能性近红外光谱 (fNIRS) 的 BCI 应用。在这里，从所有可用通道计算时间统计特征（即平均值、斜率、最大值、偏度和峰度）以形成训练向量。使用基于 k 最近邻的成本函数测试了七种元启发式优化算法的分类性能：粒子群优化、布谷鸟搜索优化、萤火虫算法、蝙蝠算法、花授粉优化、鲸鱼优化和灰狼优化 (GWO)。基于来自 29 名健康受试者的运动想象 (MI) 和心算 (MA) 任务的在线数据集，对所提出的方法进行了验证。结果表明，与从全套特征中获得的特征相比，利用从元启发式优化算法中选择的特征可以显著提高分类准确率。所有上述元启发式算法都提高了分类准确率并减小了特征向量大小。GWO 对 MA、MI 和四类（左手和右手 MI、MA 和基线）任务的平均分类率最高（p < 0.01），分别为 94.83 ± 5.5%、92.57 ± 6.9% 和 85.66 ± 7.3%。所提出的框架可能有助于在训练阶段为基于 fNIRS 的稳健 BCI 应用选择合适的特征。
并发的FNIRS和EEG用于大脑功能研究
摘要：脑电图（EEG）和功能性近红外光谱（FNIRS）作为非侵入性功能神经影像学的最新技术。在单峰基础上，脑电图的空间分辨率很差，同时呈现高时间分辨率。相比之下，FNIRS提供了更好的空间分辨率，尽管它受到其时间分辨率差的限制。EEG和FNIRS具有的一个重要优点是，这两种模式都具有有利的可移植性，并且可以集成到兼容的实验设置中，这为开发多模式FNIRS -EEEG整合分析方法提供了令人信服的基础。尽管近年来使用并发的FNIRS-EEG设计进行了越来越多的研究，但过去研究的方法论参考仍然不清楚。为了填补这一知识差距，这篇综述批判性地总结了当前并发FNIRS – EEG研究中使用的分析方法的状态，为将来的项目提供了最新的概述和指南，以进行并发的FNIRS-EEG研究。在2021年8月31日之前，使用PubMed和Web of Science进行了文献搜索。在筛选和判别评估后，最终方法论综述中包括了92项涉及同时FNIRS -EEG数据记录和分析的研究。特定于同时的FNIRS – EEG数据分析的三个方法论类别，包括EEG信息的FNIRS分析，FNIRS信息的EEG分析和平行的FNIRS-EEG分析，并通过详细说明进行了识别和解释。最后，我们强调了当前的FNIRS -EEG数据分析中的当前挑战和潜在方向。
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
根据 EEG 和 FNIRS 信号进行静息状态脑连接分析
摘要。当代神经科学高度关注机器学习和网络分析的协同使用。事实上，网络神经科学分析大量利用了聚类指标和统计工具。在这种情况下，功能性近红外光谱 (fNIRS) 和脑电图 (EEG) 的综合分析提供了有关大脑电和血流动力学活动的互补信息。证据支持神经血管耦合介导大脑处理的机制。然而，人们对这些技术如何表示特定的神经活动模式还不太了解。在这里，我们使用源空间分析和图论方法，研究了同步 EEG 和 fNIRS 连接组之间、跨频带的静息状态大脑功能网络的拓扑特性。我们观察到，在全局级别分析中，两种模态的小世界拓扑网络特征。边缘分析指出，与 EEG 相比，氧合血红蛋白的半球间连接性增强，且各个频带没有差异。我们的结果表明，从 fNIRS 中提取的图形特征可以反映神经活动的短程和长程组织，并且能够表征静息状态下的大规模网络。需要进一步开发两种模态的综合分析，以充分利用每种模态的附加值。然而，本研究强调，可以采用多模态源空间分析方法来研究健康静息状态下的大脑功能，从而为未来在任务和病理学中的工作奠定基础，并有可能获得神经系统疾病的新型综合生物标志物。
使用卷积神经网络提高四类自愿想象 fNIRS 信号的分类准确率
多类功能性近红外光谱 (fNIRS) 信号分类已成为光学脑机接口的一种便捷方式。当信号由同一肢体的自愿和想象运动产生时，高精度的 fNIRS 信号分类是一项具有挑战性的任务。由于自愿和想象运动在时间和空间上的激活表现出相似的模式，传统浅层分类器的分类精度无法达到可接受的范围。本文提出了一种利用卷积神经网络 (CNN) 提高精度的方法。在这项工作中，几位参与者进行了自愿和想象手部运动（左手和右手）。这些四类信号是利用 fNIRS 设备获取的。根据任务分离信号并进行过滤。通过手动特征提取，使用支持向量机和线性判别分析对信号进行分类。CNN 的自动特征提取和分类机制被应用于 fNIRS 信号。从结果来看，CNN 将分类精度提高到了可接受的范围，这是任何卷积网络都无法实现的。
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）。