多模式fNIRS-EEG传感器融合:数据驱动方法的审查和自然主义脑成像的前景

科学领域:

• 神经成像是一种神经成像.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 功能近红外光谱学 (fNIRS),高密度扩散光学断层扫描 (HD-DOT) 和电脑扫描 (EEG) 是非侵入性神经成像技术.
• 整合这些模式有望增强时空分辨率,用于在自然环境中解码大脑活动.
• 在开发强大的机器学习方法来实现多式联通信号融合方面,仍然存在挑战.

研究的目的:

• 进行多式联通fNIRS/DOT-EEG融合技术的系统审查.
• 强调数据驱动的,无监督的对称信号集成方法.
• 用一个新的合成HD-fNIRS-EEG数据集与地面真相来评估融合方法的性能.

主要方法:

• 对fNIRS/DOT-EEG聚变研究进行了以方法为导向的调查,按聚变策略进行分类.
• 识别了常见的物件移除技术和辅助信号集成.
• 创建了一个合成的HD-fNIRS-EEG数据集,模拟指纹敲击任务,用于概念验证分析.

主要成果:

• EEG人工物处理通常是强大的,但fNIRS混纠正是有限的.
• fNIRS辅助信号,如短距离测量,未得到充分利用.
• 目前的核聚变方法倾向于连锁或决策级别的策略,低于源分解技术.

结论:

• 源分解方法显示出发现复杂神经血管合的潜力.
• 开发多式联运数据集和先进的融合技术至关重要.
• 合成数据集和提供的实施方案促进了多式联络神经成像的可重复性研究.