使用卷积神经网络进行实时运动工件抑制,在fNIRS中处罚
Ruisen Huang1, Keum-Shik Hong2,3, Shi-Chun Bao1,4
1Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, Guangdong, China.
Frontiers in neuroscience
|August 21, 2024
概括
这项研究引入了一种新型的神经网络 (1DCNNwP) 来有效地从功能近红外光谱 (fNIRS) 信号中移除运动器件. 该方法显著提高了信号质量,并显示了实时fNIRS数据处理的潜力.
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
- 信号处理 信号处理
背景情况:
- 运动工件 (MA) 是功能近红外光谱 (fNIRS) 数据采集的一个重大挑战.
- 在fNIRS中缺乏用于MA去除的标准化方法,这阻碍了实际应用.
- 人工神经网络在信号处理任务中表现有前途,但在fNIRS中未得到充分利用.
研究的目的:
- 开发和验证一种基于神经网络的创新方法,用于在线处理fNIRS信号.
- 为了应对在fNIRS数据中移除运动工件的挑战.
- 创建一种针对个体受试者量身定制的方法,并且需要最小的先前实验数据.
主要方法:
- 引入一个具有惩罚网络 (1DCNNwP) 的一维卷积神经网络.
- 整合移动窗口和输入数据增强用于信号处理.
- 训练使用来自气球模型的模拟数据和用于验证的半模拟数据.
主要成果:
- 1DCNNwP有效地抑制了fNIRS信号中的运动工件.
- 在信号噪声比率上取得了超过11.08dB的改进,超过了现有的方法.
- 在实验对象实验中,在处理时间最小的情况下,证明了增强的对比度与噪声比率和显著的优异性.
结论:
- 1DCNNwP方法为fNIRS信号处理提供了一种新且有效的单变量方法.
- 这种方法需要最小的先前实验数据,并适应各种实验范式.
- 该方法显示了实时fNIRS数据处理应用程序的巨大潜力.
