在fNIRS中提高HRF信号的分类准确性,使用半监督学习和过
Cheng-Hsuan Chen1, Kuo-Kai Shyu2, Yi-Chao Wu3
1Department of Electrical Engineering, National Central University, Taoyuan City, Taiwan TOC; Department of Electrical Engineering, Fu Jen Catholic University, New Taipei City, Taiwan ROC.
Progress in brain research
|October 24, 2024
概括
这项研究改进了使用半监督学习 (SSL) 和功能近红外光谱 (fNIRS) 数据的新过技术来对大脑信号进行分类. 在识别血动力学响应函数 (HRF) 信号的提高准确性有助于认知研究.
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) 通过检测血液氧化量的变化来测量大脑活动.
- 血液动力反应功能 (HRF) 信号,反映氧血球蛋白 (oxyHb) 和脱氧血球蛋白 (deoxyHb) 的变化,对于解释fNIRS数据至关重要.
- 对HRF信号的准确分类对于推进认知神经科学和脑计算机接口至关重要.
研究的目的:
- 引入一种新的半监督学习 (SSL) 方法,结合过技术来提高HRF信号分类的准确性.
- 通过fNIRS获得的前额叶皮层的HRF信号进行预处理和分析.
- 为了验证拟议的过方法在提高分类性能方面的有效性.
主要方法:
- 使用半监督学习 (SSL) 框架进行HRF信号分类.
- 实施了一种新的过技术,用于预处理fNIRS获得的HRF数据.
- 从前额叶皮层收集HRF信号,以响应气味刺激和空气状态.
- 从过的HRF信号中提取特征,用于模型训练.
主要成果:
- 当对过和特征提取的HRF信号进行训练时,分类模型的准确性显著提高.
- 提出的过技术在提高SSL算法的性能方面被证明是有效的.
- 对比分析证实了过后算法的优越性.
结论:
- 结合SSL和过方法提供了一个强大的方法来改善fNIRS中的HRF信号分类.
- 这一进步对功能性脑成像,认知研究和理解大脑反应有重大影响.
- 这些发现为更精确,更可靠地分析神经成像数据铺平了道路.
