Apr, 2024

基于区块如需适应性的脑功能近红外光谱数据负荷预测

PDF
TL;DR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。
functional near-infrared spectroscopycognitive workloadclass-aware-block-aware domain adaptationmlpmixer-based modelcontrastive learning
发现论文，激发创造
  • fNIRS 中深度学习分类模型的校准

    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

  • 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

    用非侵入性技术的功能性近红外光谱（fNIRS）监测脑活动。通过使用深度学习解决 fNIRS 数据的分类挑战，研究表明当前 fNIRS 网络在准确预测其训练分布内的数据方面效果显著，但对于识别并排除分布之外的异常数据则表现不佳，影响可靠性。我们提出将度量学习和监督方法融入 fNIRS 研究，以提高网络识别和排除分布之外异常数据的能力。该方法简单而有效，在实验中明显提升了各种 fNIRS 网络的性能，尤其是基于 transformer 的网络，显示出了可靠性的巨大改进。我们将在 GitHub 上提供实验数据。

    Feb, 2024

  • 使用高通道 NIRS 数据解码 n-Back 任务中的工作记忆负荷

    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

  • 使用隐私保护联邦学习和领域适应的多站点 fMRI 分析：ABIDE 结果

    本研究提出一种联邦学习方法来解决多中心 fMRI 分类任务中的隐私问题，采用分散式的迭代优化算法并在本地模型权重上实现随机化机制，通过两种域自适应方法来解决不同中心 fMRI 分布的系统性差异，实现了对多组医疗数据隐私保护的高质量分析。

    Jan, 2020

  • 基于增强的无监督跨领域功能磁共振成像适应用于重性抑郁症识别

    本文提出了一种基于数据增强的无监督跨领域功能磁共振成像自适应（AUFA）框架，用于自动诊断 MDD（重度抑郁障碍）。实验证明，AUFA 在 MDD 鉴定方面优于几种最先进的方法，不仅减少了不同站点之间的数据异质性，还定位了与疾病相关的功能连接异常，并提供了模型的可解释性。

    May, 2024

  • IDANI: 通过神经元级别的干预实现推理时间域自适应

    本研究提出了一种新的领域适应方法，该方法采用神经元级干预，通过修改特定神经元中每个测试样本的表示，生成来自源域的反事实示例，从而改善模型在未见域上的表现。与大多数其他领域适应方法不同，我们的方法仅应用于推理过程中，从而使其更加高效和实用。实验结果表明，该方法提高了模型在未见域上的性能。

    Jun, 2022

  • 面向主体不可知的情感识别

    本研究聚焦于情感表达的情感识别，旨在基于脑电信号在无主体环境下进行。我们提出了一种新颖的框架，基于元学习的增强型领域自适应方法，通过情感无关的脑机接口，使用迁移学习和元学习的方法来有效解决领域的分布偏移问题，并实验表明该方法可以与最先进的领域自适应方法达到相似的性能水平，同时避免了对额外计算资源的需求。

    Oct, 2023

  • 基于多角度特征丰富的无源协同领域适应用于功能磁共振成像分析

    设计了一种无需源数据的协作域适应框架，应用于静息态功能磁共振成像（rs-fMRI）分析中，以减少多中心研究中的数据异质性，并成功在不同扫描仪和研究任务中进行预测。

    Aug, 2023

  • 通过 fNIRS 解码视觉想象的进展

    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

  • 基于聚类的域自适应深度人脸识别

    本文提出了一种基于聚类的领域自适应方法，通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征，经过广泛的实验，证明了该方法在面部识别任务方面具有先进性能。

    May, 2022