在高通道fNIRS数据的n-back任务执行过程中解码工作内存负载
Christian Kothe1, Grant Hanada1, Sean Mullen1
1Intheon, La Jolla, CA, United States of America.
Journal of neural engineering
|August 23, 2024
概括
一个新的机器学习策略使用高通道功能近红外光谱 (fNIRS) 数据来增强脑计算机接口. 这种方法实现了对认知状态 (如工作记忆负载) 的分类最先进的性能.
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) 通过血液氧化变化来测量大脑活动.
- 可穿戴的fNIRS设备可以用于研究和职业应用.
- 基于机器学习 (ML) 的脑计算机接口 (BCI) 可以解码认知状态,但由于有限的训练试验,高通道fNIRS数据存在分类挑战.
研究的目的:
- 开发和评估一种ML策略,使用高分辨率的fNIRS数据对工作内存负载进行分类.
- 为了解决ML分类中的挑战,在高通道fNIRS.中有限的培训数据.
- 为了确定fNIRSBCI的新型ML方法是否可以实现最先进的性能.
主要方法:
- 为fNIRS BCI提出了一个ML策略,结合了时空规范化和转移学习.
- 将这种方法解释为一个端到端的通用线性模型来解释可解释性.
- 在43名参与者执行n-Back任务时使用了3198个双通道NIRS设备.
主要成果:
- 通过高分辨率的fNIRS数据实现了最先进的解码性能.
- 现有的方法难以处理高道数据,并被拟议的管道所超越.
- 证明了ML策略在分类工作内存负载方面的有效性.
结论:
- 拟议的ML方法将高通道fNIRS设备作为先进BCI的可行平台.
- 这项工作使可穿戴fNIRS耳机的新应用成为可能.
- 促进高分辨率模型成像和对fNIRS数据的解释.
