XiaoMi-AI文件搜索系统
World File Search SystemfNIRS
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。
与肌萎缩侧索硬化症相关的额叶功能网络中断：基于 fNIRS 的最小生成树分析
最近有越来越多的证据将脑组织网络中断与多种神经退行性疾病联系起来，包括一种罕见的绝症——肌萎缩侧索硬化症 (ALS)。然而，不同研究中脑网络特征的可比性仍然是传统图论方法面临的挑战。解决此问题的一种建议方法是最小生成树 (MST) 分析，它提供了偏差较小的比较。在这里，我们评估了 MST 网络分析对功能性近红外光谱 (fNIRS) 神经成像模式记录的血流动力学反应的新应用，在基于活动的范式中研究额叶功能性大脑网络拓扑中的假设中断作为执行功能障碍的标志，执行功能障碍是 ALS 研究报告的最常见的认知缺陷之一。我们分析了从九名 ALS 患者和十名年龄匹配的健康对照者记录的数据，首先使用锁相值 (PLV) 分析估计功能连接，然后构建相应的个体和组 MST。我们的结果表明，在多个 MST 拓扑特性方面，组间存在显著差异，包括叶分数、最大度、直径、偏心率和度发散。我们进一步观察到 ALS 组中的全局转向更集中的额叶网络组织，这被解释为该队列中的网络更加随机或失调。此外，相似性分析表明对照组中各个 MST 的重叠略有增加，这意味着健康队列中的参考网络拓扑变化较低。我们的节点分析表明，健康对照组的主要局部枢纽在额叶皮质上分布更均匀，左前额叶皮质 (PFC) 的发生率略高，而在 ALS 组中，最常见的枢纽是不对称的，主要在右前额叶皮质中观察到。此外，还证明了全局 PLV (gPLV) 同步指标与疾病进展有关，一些拓扑特性（包括叶分数和树层次结构）与疾病持续时间有关。这些结果表明，失调、集中化和
验证低成本单通道 fNIRS 设备在分层认知任务中的可重复性
在认知神经科学领域，功能性近红外光谱 (fNIRS) 已成为非侵入性探测伴随神经活动的血流动力学反应的重要工具。该技术使研究人员能够通过头骨观察大脑活动，从而促进认知功能和神经发育过程的研究（Boas 等人，2014）。尽管 fNIRS 具有巨大潜力，但由于商业系统的高成本，它无法融入更广泛的研究实践，只能在资金充足的实验室使用（Pinti 等人，2018）。这种可用性受限给数据的验证和可重复性带来了挑战，阻碍了更广泛人群使用 fNIRS 技术。因此，很难将研究结果扩展到这些人群进行验证。
基于SEMG和FNIRS的力量，肌肉激活和半球平衡指数的上肢运动评估
中风是一种神经疾病，其特征是血管阻塞，对人类健康和生命构成严重威胁。。因此，评估运动功能的合理有效策略对于指导中风患者的康复至关重要。在临床实践中，上肢（FMUL）的FUGL-MEYER评分通常用于评估中风患者的上肢运动功能。但是，该量表的准确性通常取决于医疗保健专业人员的经验和主观评估。可以阐明上肢恢复过程的定量评估模型对于更好地组织康复策略和增强整体恢复是必要的。高级成像技术为诊断和功能预后提供了有价值的信息（2）。
iVR-fNIRS：在完全沉浸式虚拟环境中研究大脑功能
摘要。沉浸式虚拟现实 (iVR) 采用头戴式显示器或类似洞穴的环境来创建感官丰富的虚拟体验，模拟用户在数字空间中的物理存在。该技术在神经科学研究和治疗中具有巨大的前景。特别是，虚拟现实 (VR) 技术促进了各种任务和场景的开发，这些任务和场景与现实生活情况密切相关，以在受控和安全的环境中刺激大脑。当传统刺激方法有限或不可行时，它还提供了一种经济有效的解决方案，为用户提供类似的交互感。虽然由于信号干扰或仪器问题，将 iVR 与传统脑成像技术相结合可能很困难，但最近的研究提出了将功能性近红外光谱 (fNIRS) 与 iVR 结合使用，以实现多功能脑刺激范式和灵活检查脑反应。我们对采用 iVR-fNIRS 设置的当前研究进行了全面回顾，涵盖设备类型、刺激方法、数据分析方法和主要科学发现。文献表明，iVR-fNIRS 在完全沉浸式 VR (iVR) 环境中探索各种认知、行为和运动功能方面具有巨大潜力。此类研究应为自适应 iVR 程序奠定基础，用于培训（例如，在新环境中）和临床治疗（例如，疼痛、运动和感觉障碍以及其他精神疾病）。
功能近红外光谱（FNIRS）对神经退行性疾病的研究的贡献：叙事评论
摘要：功能性近红外光谱（FNIRS）是一种创新的神经影像学方法，比其他常用方式具有多种优势。这项叙述性综述研究了这种方法对神经退行性疾病研究的潜在贡献。涉及患有阿尔茨海默氏病（AD）的患者，轻度认知障碍（MCI），前颞痴呆症（FTD），帕金森氏病（PD）或肌营养性侧面硬化症（ALS）和健康对照组的研究。总的来说，有MCI个体的前额叶皮层可能会涉及补偿机制以支持大脑功能下降。建议向右转移，以弥补认知能力下降过程中左前额叶能力的损失。同时，一些研究报告了MCI和早期AD中补偿机制的失败。缺乏适当的血液动力学反应可能是神经刺激的早期生物标志物。一份评估FTD的文章与AD相比显示出异质的皮质激活模式，表明FNIRS可能有助于这些条件的挑战性区别。关于PD，有证据表明认知资源（尤其是执行功能）被招募以弥补运动障碍。至于ALS，即使在没有可测量的认知障碍的情况下，FNIRS数据也支持在ALS中的运动外网络的参与。
探索fNIRS技术在帕金森病早期检测中的应用与挑战
帕金森病 (PD) 是一种常见的神经退行性疾病，主要以运动功能障碍为特征，表现出静止性震颤、僵硬、运动迟缓和姿势不稳等症状（ Mazzoni 等人，2012；Cheng 和 Su，2020）。作为老年人中第二常见的神经退行性疾病，PD 的早期诊断对于及时干预和改善患者生活质量至关重要（ Aarsland 等人，2021）。然而，PD 的早期症状可能与多系统萎缩、药物引起的帕金森病和血管性帕金森病等其他运动障碍混淆，使得准确的早期诊断成为一项重大挑战（ Tolosa 等人，2021）。目前，帕金森病的诊断严重依赖于临床表现和经验丰富的临床医生的判断，这种方法可能缺乏敏感性和特异性，尤其是在疾病的早期阶段（Pahwa 和 Lyons，2010 年；Postuma 等，2015 年；Adler 等，2021 年）。准确的早期诊断对于及时干预、显著提高患者的生活质量和减缓疾病进展至关重要（Welte 等，2015 年）。
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。
基于 fNIRS 和 ML 的消费者神经科学研究
自柏拉图及其学生亚里士多德以来，人类就被描述为理性动物（Keil and Kreft，2019）。这一假设对于人类自我认知方式至关重要，甚至成为整个法律和经济体系的基础（Blasi and Jost，2006）。18 世纪数学家丹尼尔·伯努利提出的圣彼得堡悖论等决策规范理论规定了决策的最佳方法（Bernoulli，1954）。伯努利的解释主要基于潜在货币收益的客观价值（即预期效用）和主观价值（即预期收益）之间的区别。由于缺乏与人类相关的材料，因此需要进行上述区分，以便充分合理地解释这种悖论。 20 世纪中叶，数学家约翰·冯·诺依曼和经济学家奥斯卡·摩根斯坦建立了预期效用理论（Von Neumann and Morgenstern，1944 年）的基本假设，并断言如果满足某些条件，个人的财务决策可以通过效用函数建模（Peasgood 等，2014 年）。然而，虽然这些理论框架很有价值，但它们在解释人类在假设和现实生活中如何做出决策方面却存在局限性。近两千年后，随着行为科学和认知科学的出现，人类理性的问题开始成为学者们争论的主题。随着前景理论（Kahneman and Tversky，1979 年）的普及，对完全理性行为的前提提出了挑战，通过列举框架、主观参照点、损失规避和孤立效应等人类偏见的例子，对阻碍人类理性行事的机制进行了研究。关于启发式、认知偏差和可能引发非理性行为的情况的实证研究也迅速增加（De Martino 等人，2006 年），科学界对金融决策过程的神经基础的兴趣也随之增加。
基于超低功耗实时机器学习的 fNIRS 运动伪影检测
摘要 — 由于迭代矩阵乘法或梯度计算，机器学习模块通常需要大量的处理能力和内存。因此，它们通常不适用于处理能力和内存有限的可穿戴设备。在本研究中，我们提出了一种用于功能性近红外光谱 (fNIRS) 系统的超低功耗、基于实时机器学习的运动伪影检测模块。我们实现了 97.42% 的高分类准确率、38 354 个查找表和 6024 个触发器的低现场可编程门阵列 (FPGA) 资源利用率以及 0.021 W 的动态功耗。这些结果优于传统的 CPU 支持向量机 (SVM) 方法和其他最先进的 SVM 实现。这项研究表明，可以利用基于 FPGA 的 fNIRS 运动伪影分类器，同时满足低功耗和资源限制，这在嵌入式硬件系统中至关重要，同时保持高分类准确率。