使用最大概率梯度估计方法对听觉fNIRS信号进行多变量干扰过:使用声音质量指数的可行性研究
So-Hyeon Yoo1, Jiyoung Hong2, Keum-Shik Hong1
1School of Mechanical Engineering, Pusan National University, Republic of Korea.
Computers in biology and medicine
|July 14, 2024
概括
一种新的过方法,最大概率通用扩展随机梯度 (ML-GESG) 估计,通过减少噪音来改善功能近红外光谱 (fNIRS) 脑活动分析. 这种先进的fNIRS技术为大脑皮层状态评估提供了更准确的结果.
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
- 信号处理 信号处理
背景情况:
- 功能近红外光谱 (fNIRS) 对大脑皮层评估有价值,但易受生理和仪器来源的噪声的影响.
- 现有的过方法很难有效地去除心跳,呼吸和等各种干扰.
研究的目的:
- 引入和评估一种新的过算法,最大概率通用扩展随机梯度 (ML-GESG) 估计,以提高fNIRS信号质量.
- 通过将它们视为多变量参数来处理fNIRS数据中的多重干扰,以减少多变量干扰.
主要方法:
- 开发了一种ML-GESG估计算法,用于过 fNIRS信号中的复杂噪声源.
- 对传统的过方法进行了比较分析.
- 在10名志愿者身上使用了听觉刺激 (12个语音源),采用了18通道的fNIRS设置.
- 心理声学因素 (大声,清晰度) 作为生理反应的质量指标.
主要成果:
- ML-GESG方法有效地减少了多种干扰,包括生理和仪器噪声.
- 血液动力学反应,特别是氧化血红蛋白度,与使用拟议的ML-GESG过器的精神声学分析有更好的相关性.
- 与传统方法相比,新的过方法在过非自发信号方面表现出优异的性能.
结论:
- ML-GESG估计是改善基于fNIRS的大脑活动分析的准确性的有希望的替代方案.
- 这种方法通过提供更清洁的信号来提高fNIRS的可靠性,更好地与精神声学刺激相关联.
- 该研究强调了ML-GESG在杂环境中更精确地评估大脑皮质状态的潜力.
