MtReNIRS：一个用于可迁移神经血管表征的自监督基础模型
MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
fNIRS 建模长期受限于小规模单次记录和采集设备、光极布局的高度异质性，单一编码器能否跨被试、任务、设备与蒙太奇通用尚不清楚。作者提出蒙太奇感知掩码自编码器 MtReNIRS，把异质蒙太奇映射到共享解剖参考，联合编码缓慢的血流动力学特性、色团身份与皮层位置，在 12 个公开数据集共 268 名被试、567 小时记录上预训练，并在三个外部数据集上检验迁移。结果显示跨被试表现与全监督基线相当或更好，少样本个体内校准优于既往 fNIRS 模型，且对稀疏蒙太奇保持稳健。该预印本投稿至 IEEE OJSP，尚未经同行评审。
在 12 个公开 fNIRS 数据集、268 名被试、567 小时记录上预训练蒙太奇感知掩码自编码器，跨被试表现与全监督基线相当，少样本校准优于既往模型。
arXiv:2610.36159v1 公告类型：新摘要：功能性近红外光谱（fNIRS）为在自然情境中监测神经活动的血流动力学相关物提供了一种有前景的方法。然而，现有的 fNIRS 建模方法在很大程度上局限于小规模、单次采集且采样率低的数据，其原因在于采集设备和光极蒙太奇的高度异质性。此外，fNIRS 信号复杂的时空结构进一步限制了模型的可扩展性以及跨设置的迁移能力。因此，目前尚不清楚单个 fNIRS 编码器能否学习到可跨被试、任务、设备和蒙太奇使用的表征。在此，我们展示了一个蒙太奇感知的掩码自编码器，在涵盖 268 名被试、567 个记录小时的 12 个公开 fNIRS 数据集上预训练，学习到了可泛化的神经血管表征，并能迁移至三个外部数据集。我们的 fNIRS 基础模型 MtReNIRS 通过将异质蒙太奇映射到共享的解剖参考上，联合编码 fNIRS 缓慢的血流动力学特性、发色团身份和皮层位置。MtReNIRS 在跨被试性能上达到与全监督基线相当或更优的水平，并在少样本被试内校准中表现出色，优于先前最先进的 fNIRS 模型，同时对稀疏蒙太奇保持稳健。我们的结果表明，蒙太奇感知的自监督能够产生具有生理基础、可迁移的 fNIRS 表征，为标签高效的大脑-计算机接口提供了可扩展的基础。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Signal Processing · arxiv.org