简单却行之有效：重新思考 fNIRS 在排除异常输入中的深度学习能力
我们提出将校准整合到功能性近红外光谱（fNIRS）领域，并评估现有模型的可靠性，结果表明许多模型在校准性能方面表现不佳。通过本文，我们总结了三个实用的技巧，以强调校准在 fNIRS 研究中的重要作用，并提出加强 fNIRS 分类任务中基于深度学习的预测的可靠性的观点。
Feb, 2024
通过合成数据和应用机器学习模型，本研究提出了一种整合方法，用于推进功能性近红外光谱（fNIRS）神经影像学。通过解决高质量神经影像数据的匮乏问题，该研究利用蒙特卡洛模拟和参数头部模型生成了一个全面的合成数据集，反映了各种条件。我们开发了一个采用 Docker 和 Xarray 的容器化环境，用于标准化和可重复的数据分析，便于在不同的信号处理模式之间进行有意义的比较。此外，建立了一个基于云的基础设施，用于可扩展的数据生成和处理，提高了神经影像数据的可访问性和质量。合成数据生成与机器学习技术的结合有望提高 fNIRS 断层扫描的准确性、效率和适用性，潜在地革新神经疾病的诊断和治疗策略。本文中开发的方法和基础设施为数据模拟和分析设立了新的标准，并为神经影像学和更广泛的生物医学工程领域的未来研究铺平了道路。
May, 2024
通过提出一种名为 CABA-DA 的有效方法，我们最小化了来自同一受试者同一会话的不同块的不一致性，从而在非接触式的功能近红外光谱（fNIRS）数据中减少了内部会话方差，并通过最大化内部类别和外部类别的领域差异来解决来自这些数据的认知负荷分类问题。实验结果显示，所提出的模型在三个公开数据集上的认知负荷分类任务中表现比三个不同基线模型更好，并且我们的对比学习方法也能改善与之比较的基线模型。
Apr, 2024
本研究的主要目标是为 fNIRS 数据开发隐私保护的机器学习模型训练技术。该项目将在集中设置中构建一个具有差分隐私和认证鲁棒性的本地模型。还将探索协作联合学习，以在多个客户之间训练共享模型，而无需共享本地 fNIRS 数据集。为了防止这些客户的私有数据集意外泄露私人信息，我们还将在联合学习环境中实施差分隐私。
Jan, 2024
通过训练图像重建模型，我们证明了从 fNIRS 脑活动中重建图像的可能性，并开始构建一个符合要求的原型。我们发现厘米级空间分辨率足以生成图像，通过下采样的 fMRI 数据，我们获得了 1 厘米分辨率的 71％检索准确率，而全分辨率的 fMRI 为 93％，2 厘米分辨率下为 20％。我们的模拟和高密度层析成像结果表明，时间域 fNIRS 可以达到 1 厘米分辨率，而连续波 fNIRS 为 2 厘米分辨率。最后，我们分享了一个原型时间域 fNIRS 设备的设计，包括激光驱动器，单光子探测器和时间数字转换器系统。
Jun, 2024
本文首次尝试深度近红外 (NIR) 面部表情识别，提出了一种名为近红外面部表情转换器 (NFER-Former) 的新方法。通过引入自注意力正交分解机制和超图引导特征嵌入方法，可以在缺失可见光信息的情况下提取表情特征，并构建大型 NIR-VIS 面部表情数据集来验证 NFER-Former 的效率。通过广泛的实验和剔除研究，证明 NFER-Former 明显改善了 NIR 面部表情识别性能，并在 Oulu-CASIA 和 Large-HFE 这两个唯一可用的 NIR 面部表情识别数据集上取得了最新的成果。
Dec, 2023
使用近红外光谱技术可以通过脑部血氧变化来测量神经活动，越来越多的可穿戴设备也使得该技术在研究中得以应用。本研究中，通过机器学习和跨个体的迁移学习，提出了一种新的方法来解决高分辨率近红外光谱数据的分类问题，实现了前沿性的脑机接口解码效果。
Dec, 2023
通过实施一个正弦表示网络 (SIREN) 学习来自多通道脑电图 (EEG) 中的频率信息，并将其用作后续的编码器 - 解码器，以有效地重构特定脑区的功能磁共振成像 (fMRI) 信号，我们提出了一种能够直接从多通道 EEG 中预测 fMRI 信号的新型架构。我们在一个包含 8 个受试者的同时进行 EEG-fMRI 数据集上评估了我们的模型，并研究了其预测皮质下 fMRI 信号的潜力。结果表明，我们的模型优于最近的一种先进模型，并显示出利用深度神经网络中的周期激活函数来建模功能性神经影像数据的潜力。
Nov, 2023
本文提出一种基于深度学习和功能连接网络分析的认知障碍疾病分类方法，通过自注意力模型和潜空间项目 - 响应交互网络模型解释分类结果，发现与其他疾病不同的显著功能连接模式。
Jul, 2022