XiaoMi-AI文件搜索系统
World File Search SystemfNIRS
FNIR在评估意识水平
在过去的几十年中，神经影像学技术改变了我们对大脑的理解以及神经系统条件对大脑功能的影响。最近，诸如功能近红外光谱之类的基于光的模式已成为研究床边大脑功能的工具。最近的应用是评估意识障碍患者的残留意识，因为有些患者保留了意识，尽管缺乏对命令的所有行为反应。功能性近红外光谱法可以通过评估命令驱动的大脑活动来识别这些患者。本综述的目的是总结有关该主题的研究，讨论与意识障碍患者合作的技术和道德挑战，并概述该领域中有希望的未来方向。
通过基于 fNIRS 的大脑功能网络指纹识别个体
基于脑功能网络 (BFN) 的个体识别近年来吸引了大量的研究兴趣，因为它为身份验证提供了一种新颖的生物特征识别，同时也提供了一种在个体层面探索大脑的可行方法。先前的研究表明，可以通过从功能性磁共振成像、脑电图或脑磁图数据估计出的 BFN 指纹来识别个体。功能性近红外光谱 (fNIRS) 是一种新兴的成像技术，通过测量血氧浓度的变化来对大脑活动做出反应；在本文中，我们研究基于 fNIRS 的 BFN 是否可以用作识别个体的“指纹”。具体而言，首先使用 Pearson 相关性根据预处理的 fNIRS 信号计算 BFN，然后使用最近邻方案匹配不同个体之间估计的 BFN。通过在开放的 fNIRS 数据集上进行实验，我们有两个主要发现：（1）在交叉任务（即休息、右撇子、左撇子手指敲击和脚敲击）的情况下，BFN 指纹通常可以很好地进行个人识别，更有趣的是，（2）交叉任务下的准确率远高于交叉视图（即氧合血红蛋白和脱氧血红蛋白）下的准确率。这些发现表明，基于 fNIRS 的 BFN 指纹是一种潜在的个人识别生物特征。
基于 fNIRS 的大脑与弹性网络特征选择
摘要：基于功能性近红外光谱的脑机接口 (fNIRS-based BCI) 越来越受到关注。然而，由于固有的血流动力学延迟，我们实际上只能获得大量的 fNIRS 数据。因此，在使用机器学习技术时，可能会遇到由于高维特征向量而导致的问题，例如分类准确率下降。在本研究中，我们采用了一种基于弹性网络的特征选择，这是嵌入式方法之一，并通过分析结果证明了其实用性。使用从 18 名参与者获得的 fNIRS 数据集对心算和空闲状态引起的大脑激活进行分类，我们在改变参数 α（套索权重与岭正则化）的同时进行特征选择后计算了分类准确率。对于 α = 0.001、0.005、0.01、0.05、0.1、0.2 和 0.5 的各个值，分类准确率的平均值分别为 80.0 ± 9.4%、79.3 ± 9.6%、79.0 ± 9.2%、79.7 ± 10.1%、77.6 ± 10.3%、79.2 ± 8.9% 和 80.0 ± 7.8%，与使用所有特征估计的分类准确率的平均值（80.1 ± 9.5%）在统计上没有差异。因此，对于所有考虑的参数 α 值，分类准确率没有差异。特别是对于 α = 0.5，即使使用总特征的 16.4% 的特征，我们也能实现统计上相同的分类准确率水平。由于基于弹性网络的特征选择可以轻松应用于其他情况，而无需复杂的初始化和参数微调，我们可以期待看到基于弹性的特征选择可以积极应用于 fNIRS 数据。
合作行为激发前额叶和颞顶叶皮层的大脑间同步：fNIRS 超扫描研究的系统评价和荟萃分析
单脑神经成像研究表明，人类合作与额叶和颞顶叶区域的神经活动有关。然而，单脑研究是否能为现实生活中的合作提供信息仍不清楚，因为在现实生活中，人们会进行动态互动。这种动态互动已成为脑间研究的焦点。在这方面，一种有利的技术是功能性近红外光谱 (fNIRS)，因为它比 EEG 或 fMRI 等更传统的技术更不容易受到运动伪影的影响。我们基于 13 项研究（涉及 890 名参与者），对 fNIRS 合作超扫描进行了系统评价和首次定量荟萃分析。总体而言，荟萃分析揭示了人们合作时存在统计学上显着的脑间同步性的证据，额叶和颞顶叶区域的整体效应大小都很大。所有 13 项研究都观察到前额叶皮层 (PFC) 中存在显着的脑间同步性，这表明该区域与合作行为特别相关。由于相关研究使用了不同的合作任务，因此这些发现的一致性不太可能归因于与任务相关的激活。总之，本研究结果支持了额叶和颞顶叶区域在人际合作中的大脑间同步的重要性。此外，本文强调了元分析作为辨别大脑间动态模式的工具的实用性。关键词：大脑间同步、人际神经对齐、超扫描、合作、fNIRS
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。
使用功能性近红外光谱 (fNIRS) 进行脑机接口
脑机接口 (BCI) 是一种从大脑获取信号、转换信号并输出到设备以实现所需动作的系统 [1]。BCI 系统由硬件和软件组件组成，一般分为五个步骤，即信号采集、预处理、特征提取、特征转换和设备输出。根据 BCI 系统所连接的功能成像系统，BCI 系统可分为几种类型，例如脑电图 (EEG)-BCI、功能性磁共振成像 (fMRI)-BCI 和功能性近红外光谱 (fNIRS)-BCI。在本综述中，我们详细讨论了基于 fNIRS 的 BCI 及其功能、其实用程序的优缺点、其在有用技术中的应用和实现以及 fNIRS-BCI 的未来。功能性近红外光谱 (fNIRS) 是一种光学成像技术，其中大脑中发射的光由于吸收和散射而衰减。它利用骨骼和皮肤的一般透明特性来进入被监测的组织。当吸收的光进入吸收介质内部时，探测器会测量散射光中未被吸收的部分（图 1）。由于给定刺激引起的血流动力学反应，氧合血红蛋白 (OxyHb) 和脱氧血红蛋白 (de-oxyHb) 分别增加和减少。当光发射时，血流动力学反应的区域变化会导致光吸收和发色团的吸收光谱的区域变化，从而允许利用比尔-朗伯定律以非侵入性方式量化氧合血红蛋白和脱氧血红蛋白 [ 2 ， 3 ]。动脉血流中氧合血红蛋白浓度与静脉血流中脱氧血红蛋白浓度与总血红蛋白浓度之比
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。
研究文章是左撇子的真正原因，这是儿童社会认知赤字的真正原因吗？ FNIRS关于社会互动对左键的影响的研究
由父母迁移造成的左撇子现象已成为一个普遍的社会问题，并可能导致中国农村儿童的长期和潜在风险。重要的是要研究社会互动对中国左撇子儿童前额叶激活的影响，因为父母迁移对孩子的社会认知的可能影响。我们招募了81名52-76个月的农村中国学龄前儿童（平均= 64.98±6.321个月）的学龄前儿童具有三种不同的父母迁移状态（包括非 - 部分，部分，完全左右的儿童）。使用功能性近红外光谱（FNIRS），我们比较了行为和大脑激活，以及在两个不同的社交互动条件（儿童老师和儿童纠缠的情况）下，在三组（非，部分，部分，完全左旋的儿童）中进行了比较。的结果表明，与在前额叶皮层（PFC）中响应联合注意（RJA）相比，联合注意力（IJA）可能引起更高的大脑激活，尤其是在与陌生人引起联合关注的情况下。此外，关节注意的激活与儿童的语言评分，认知灵活性和面部表达识别呈正相关。更重要的是，在IJA条件下，部分左翼儿童诱发了更高的大脑激活，并且与完全/非左撇子儿童相比，语言水平更高。当前的研究提供了对左撇子儿童发育的神经基础的见解，并首次揭示了家庭经济水平和左撇子地位可能导致社会认知较低的人。
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）。
通过沉浸式可视化中的相互作用和fnirs探索感官过程
摘要 - 认知理论在设计人类计算机界面和沉浸式系统时会为我们的决策提供信息，使我们能够研究这些理论。这项工作通过使用经典可视化问题研究内部和外部用户行为来探讨沉浸式环境中的感官过程：视觉比较和聚类任务。我们开发了一个沉浸式系统来执行用户研究，从不同的渠道收集用户行为数据：用于捕获外部用户互动的AR HMD，功能性近红外光谱（FNIRS）用于捕获内部神经序列以及用于参考的视频。为了检查感官，我们评估了界面的布局（平面2D与圆柱3D布局）以及任务的挑战水平（低认知负荷）的挑战水平如何影响用户的交互，这些交互作用如何随时间变化以及如何影响任务绩效。我们还开发了一个可视化系统，以探索所有数据通道之间的关节模式。我们发现，增加的相互作用和脑血液动力学反应与更准确的性能有关，尤其是在认知要求的试验上。布局类型没有可靠地影响交互作用或任务性能。我们讨论了这些发现如何为沉浸式系统的设计和评估提供信息，预测用户绩效和互动，并从体现和分布式认知的角度提供有关感官的理论见解。