从分散光学氧度计时间序列进行深度学习:对最近的进展和未来方向进行fNIRS专注的审查
IEEE reviews in biomedical engineering
|November 6, 2025
概括
本综述探讨了将深度学习 (DL) 与功能近红外光谱学 (fNIRS) 整合在一起,以在自然环境中监测大脑. 它提供了在fNIRS研究中推进DL方法的指导方针.
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
- 计算机科学 计算机科学
背景情况:
- 人类神经科学研究正在向自然主义环境转移.
- 功能近红外光谱 (fNIRS) 和高密度扩散光学断层扫描 (HD-DOT) 是关键的非侵入性脑成像技术.
- 将fNIRS数据与深度学习 (DL) 集成,为强大的大脑监测提供了潜力.
研究的目的:
- 审查功能近红外光谱学 (fNIRS) 中当前的深度学习 (DL) 应用.
- 为应用DL对fNIRS数据提供方法指南.
- 解决fNIRS和更广泛的DL应用之间的研究差距.
主要方法:
- 一个以方法为重点的对DL架构,应用程序和fNIRS.学习策略的100篇论文的方法重点审查.
- 提供关于预处理,模型复杂性,概括性和可解释性的指导方针的教程研究.
- 讨论重要的社区问题和先进的DL解决方案.
主要成果:
- 确定了在fNIRS研究中使用的关键DL架构和学习策略.
- 突出了数据可用性和模型复杂性之间的权衡.
- 强调了模型可概括性和可解释性对未见数据的重要性.
结论:
- 深度学习 (DL) 对推进功能近红外光谱学 (fNIRS) 研究具有重大前景.
- 标准化的预处理和仔细的模型选择对于fNIRS中的强大的DL应用至关重要.
- 需要进一步的研究来提高模型的概括性和可解释性在现实世界的神经科学环境.
