相关实验视频
Updated: Jun 13, 2025
10:36
fMRI Validation of fNIRS Measurements During a Naturalistic Task
Published on: June 15, 2015
20.8K
个人研究实践对fNIRS信号质量和潜在特征的影响
概括
功能近红外光谱 (fNIRS) 数据质量在实验室之间存在差异,影响跨文化神经成像可重现性. 机器学习模型可以使用原始数据区分实验室,但不仅仅是高质量的数据.
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:
- 功能近红外光谱学 (fNIRS) 广泛用于跨文化神经成像.
- fNIRS研究的可复制性和可比性受到不一致的实验实践和缺乏指南的阻碍.
- 评估异质实践对fNIRS结果的影响至关重要.
研究的目的:
- 评估两个不同的研究实验室 (新加坡和意大利) 之间的fNIRS信号质量差异.
- 为了确定机器学习模型是否可以根据fNIRS信号质量特征区分队伍.
- 调查数据质量对不同实验室fNIRS数据区分能力的影响.
主要方法:
- 从两个队列中收集的fNIRS数据 (新加坡N=74,意大利N=84).
- 提取了20s段,并使用深度学习模型生成了1280个深度特征来进行质量分类.
- 在包含所有数据 (ALL) 和只有优质数据 (GOOD) 的数据集上训练和评估支持矢量机 (SVM) 模型,以对队列进行分类.
主要成果:
- 与意大利队伍相比,新加坡队伍在大多数fNIRS频道中显示的信号质量差的情况要多得多.
- SVM模型成功地使用ALL数据集对队列进行了分类,在原始fNIRS数据中显示了不同的特征.
- 仅使用GOOD数据集时,SVM分类性能大幅下降,这表明实验室之间的质量独立差异.
结论:
- fNIRS数据质量和潜伏特征在各研究实验室之间存在显著差异.
- 这些发现强调了对标准化fNIRS实验协议和数据质量透明报告的必要性.
- 建立明确的指导方针对于提高跨文化fNIRS神经成像研究的可复制性和可比性至关重要.
