迈向 fNIRS 基础模型：一个包含 MNI 空间通道位置的 67 个公开数据集的精选语料库
Towards fNIRS foundation models: A curated corpus of 67 public datasets with channel positions in MNI space
预印本 · 尚未经过同行评审
功能近红外光谱（fNIRS）的公开数据分散在不同平台，采集协议、设备和传感器配置各异，规模也远小于功能磁共振、脑电和脑磁图的数据集，限制了基础模型的预训练。作者从 67 个公开数据集整理出 1,955 小时数据，覆盖 2,798 名被试，包含氧合与脱氧血红蛋白信号，并给出每个通道在 MNI 标准空间的三维位置以便跨数据集比较。随数据发布的还有自动处理各数据集的数据加载器和所用的最小预处理流程。
作者整理 67 个公开数据集共 1,955 小时功能近红外数据，覆盖 2,798 名被试，并给出每个通道在 MNI 标准空间的三维坐标和自动读取的数据加载器。
脑基础模型通过大规模预训练减少了对任务特定数据的依赖，从而改变了医学人工智能和计算神经科学。虽然它们在非侵入性神经影像数据上取得了成功，但由于公共数据集的规模有限且异质性高——这些数据集是在不同的实验方案、设备和传感器配置下采集的——其在功能性近红外光谱（fNIRS）中的应用一直滞后。此外，没有任何一个 fNIRS 数据集在规模上能与功能性磁共振成像（fMRI）、脑电图（EEG）或脑磁图（MEG）中最大的数据集相媲美。fNIRS 数据集还分散在不同的平台上，往往信息不足，或缺乏使其更易于使用的实验方案。鉴于 EEG 基础模型的进展使得跨多种 EEG 导联组合的灵活建模成为可能，我们整理了来自 67 个公共数据集的 1,955 小时 fNIRS 数据，涵盖 2,798 名参与者，代表了迄今为止规模最大的 fNIRS 数据整理工作。整理后的数据包括含氧（HbO）和脱氧（HbR）血红蛋白信号，以及每个通道在蒙特利尔神经学研究所（MNI）标准空间中的三维位置，这使得不同数据集之间的位置具有可比性。我们在 https://github.com/sposso/fnirs-datasets 发布了可自动处理每个数据集的数据加载器，以及用于准备数据的最小预处理流程。这项工作旨在促进 fNIRS 基础模型的未来发展。
中文由 AI 翻译，仅供参考，以原文为准。
来源：arXiv · Human-Computer Interaction · arxiv.org