相关实验视频
Updated: Jun 25, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
CT-Net:一种可解释的CNN-变压器融合网络,用于fNIRS分类
Lingxiang Liao1, Jingqing Lu2, Lutao Wang1
1School of Computer Science, Chengdu University of Information Technology, Chengdu, 610225, China.
Medical & biological engineering & computing
|May 30, 2024
概括
一个新的深度学习模型,CT-Net,使用功能近红外光谱 (fNIRS) 脑数据准确地分类心理算术任务. 这种可解释的方法增强了大脑与计算机接口的能力.
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) 是用于识别大脑活动的关键光学神经成像技术.
- 深度学习模型越来越多地应用于fNIRS数据分类挑战.
研究的目的:
- 引入CT-Net,一种新的深度学习模型,将卷积神经网络和变压器结合起来,用于基于fNIRS的心理算术任务分类.
- 通过探索新的数据表示,特别是原始染色体信号的时间层次组合来增强数据利用和特征学习.
主要方法:
- 开发了CT-Net,集成卷积神经网络和变压器架构.
- 实现了两个原始染色体信号的时间层次组合,以丰富特征学习.
- 在两个开放访问 fNIRS 数据集上评估模型性能.
主要成果:
- 在两个不同的数据集上实现了98.05%和77.61%的高分类准确度.
- 使用梯度加权类激活映射证明模型解释性,显示在心理算术任务中与大脑活动模式的一致性.
结论:
- 使用fNIRS数据,CT-Net显示出重要的可行性和可解释性,用于解码使用fNIRS数据的脑算术任务.
- 拟议的数据表示策略有效地改善了特征学习和模型性能.
