TopoTempNet:一种高精度和可解释的解码方法,用于基于fNIRS的运动图像
Qiulei Han1,2,3,4, Hongbiao Ye1, Yan Sun1
1College of Computer Science and Technology, Changchun University, Changchun 130022, China.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
TopoTempNet通过提高运动图像 (MI) 解码精度来增强使用功能近红外光谱 (fNIRS) 的脑计算机接口 (BCI) 系统. 这种新型网络解决了fNIRS信号限制,以实现更可靠的脑信号分析.
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) 是一种安全且便携的神经成像技术,适用于脑电脑接口 (BCI) 应用,尤其是运动图像 (MI) 解码.
- 在fNIRS数据分析的挑战包括低采样率和血液动力学延迟,这阻碍了准确的时间建模和动态脑网络分析.
- 现有的方法在静态图形建模和解释融合特征方面扎,限制了BCI系统的性能和可解释性.
研究的目的:
- 提出TopoTempNet,一个创新的拓增强时间网络,旨在克服fNIRS在生物医学信号解码方面的局限性.
- 改进时间动态建模,静态图分析和基于fNIRS的BCI的功能融合解释性.
- 使用fNIRS实现大脑信号的高性能和可解释解码.
主要方法:
- TopoTempNet集成了多级图形功能与时间建模,结合了本地和全球功能连接度量.
- 图形调节的注意力机制,结合变压器和Bi-LSTM,用于动态建模关键的大脑连接.
- 多式联接融合策略将原始fNIRS信号,图形结构和时间表示结合到一个高维空间中,以增强歧视.
主要成果:
- TopoTempNet实现了优异的解码精度,达到高达90.04%±3.53%,并改善了三个公共fNIRS数据集 (MA,WG,UFFT) 的卡帕得分.
- 接收器运行特征 (ROC) 曲线和t分布式静态邻居嵌入 (t-SNE) 可视化显示出出色的特征歧视和结构清晰度.
- 对图形特征的统计分析强调了该模型能够捕捉特定任务的功能连接模式,从而提高解码结果的解释性.
结论:
- TopoTempNet提供了一种新且有效的方法来提高基于fNIRS的BCI系统的性能和可解释性.
- 拓增强的时间网络成功地解决了fNIRS数据带来的挑战,包括时间动态和特征融合.
- 这项工作为开发更强大,更易于理解的BCI应用程序铺平了道路,利用fNIRS技术的优势.
