一个孤立的CNN架构用于使用初始浸泡图像对指触任务的分类:一个功能近红外光谱研究

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 功能近红外光谱 (fNIRS) 是一种非侵入性神经成像技术.
• 分析血液动力学反应 (HR) 对于理解大脑活动至关重要.
• 分类微妙的运动任务需要先进的分析方法.

研究的目的:

• 通过使用 fNIRS 数据,调查手指敲击任务的分类.
• 评估不同卷积神经网络 (CNN) 架构的有效性.
• 为了确定捕获血液动力学反应的最佳持续时间,以便准确分类.

主要方法:

• 使用功能近红外光谱学 (fNIRS) 来捕捉手指敲击任务期间的大脑活动.
• 开发并测试了具有不同层次的孤立卷积神经网络 (CNN) 模型 (16, 19, 22, 25).
• 基于血液动力学反应 (0.5到4秒) 的初始入持续时间构建了功能性t图.

主要成果:

• 22层隔离的CNN模型实现了最高的分类准确率89.2%.
• 使用初始浸泡血液动力学反应进行分类,证明比延迟反应更有效.
• 对于指和小指敲击任务,已经确定了明确的大脑活动模式.

结论:

• 22层的CNN模型提供了一个有效的方法来分类fNIRS数据从运动任务.
• 最初的血液动力学浸泡特征对于区分微妙的大脑活动具有高度的歧视性.
• 基于fNIRS的初始血液动力学反应分析具有诊断大脑氧气交换异常的潜力.