相关实验视频
Updated: Jul 13, 2026
10:36
fMRI Validation of fNIRS Measurements During a Naturalistic Task
Published on: June 15, 2015
20.8K
通过机器学习释放fNIRS的潜力:细致解剖运动的分类,以赋予未来的大脑-计算机接口的力量
Haroon Khan1, Rabindra Khadka2, Malik Shahid Sultan3
1Department of Mechanical, Electronics and Chemical Engineering, OsloMet - Oslo Metropolitan University, Oslo, Norway.
Frontiers in human neuroscience
|March 4, 2024
概括
功能近红外光谱 (fNIRS) 与机器学习相结合,可以为大脑与计算机接口 (BCI) 分类单个手指运动. 一个新的深度学习模型,Hemo-Net,在使用fNIRS数据的多类分类任务中显示出有希望的结果.
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:
- 大脑-计算机接口 (BCI) 提供了增强人机交互的潜力.
- 功能近红外光谱 (fNIRS) 通过血液动力学反应测量大脑活动.
- 在BCI应用中,用fNIRS对细体解剖运动进行分类是具有挑战性的.
研究的目的:
- 探索fNIRS信号与机器学习 (ML) 的有效性,以对单个手指运动进行多类分类.
- 评估基于fNIRS的BCI各种ML和深度学习 (DL) 模型的性能.
- 引入一个新的DL模型,Hemo-Net,用于从fNIRS数据中增强特征提取.
主要方法:
- 24名参与者进行了个别的手指敲击任务,而fNIRS数据记录在运动皮层上.
- 用氧化 (Δ HbO) 和脱氧 (Δ HbR) 血红蛋白数据作为ML模型的特征.
- 评估的模型包括LDA,QDA,MNLR,随机森林 (RF),XGBoost和拟议的Hemo-Net DL模型.
主要成果:
- 集成方法 (RF,XGBoost) 和Hemo-Net在多类分类方面表现优于传统的ML模型 (LDA,MNLR,QDA).
- 在Hemo-Net模型实现了最高的测试集准确率76%.
- fNIRS数据包含适用于基于ML/DL的多类分类的神经特征.
结论:
- 当使用先进的ML/DL技术分析fNIRS信号时,可以有效地分类微细的解剖运动.
- Hemo-Net 深度学习模型表现出卓越的性能,表明其对基于fNIRS的BCI的潜力.
- 这项研究强调了通过先进的计算方法开发更复杂的fNIRS-BCI应用程序的可行性.
