arXiv q-bio.NC· Tony Chae, Kleanthis Avramidis, Dimitra Emmanouilidou, Ivan J. Tashev·· 4 小时前精选AI 评分62
MtReNIRS：基于 12 个公开数据集的自监督 fNIRS 基础模型
MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
AI 导读
作者提出 fNIRS 基础模型 MtReNIRS，用蒙太奇感知的掩码自编码器在 12 个公开 fNIRS 数据集上预训练，覆盖 268 名受试者和 567 小时记录。该模型把不同蒙太奇映射到共享解剖参考，联合编码血流动力学特性、色团身份与皮层位置，在三个外部数据集上实现跨受试者迁移，性能与全监督基线相当或更好，并在少样本受试者内校准上优于此前 fNIRS 模型。
推荐理由
作者用 12 个公开 fNIRS 数据集预训练一个编码器，并说明它在跨受试者与少样本校准上的表现，可供判断 fNIRS 基础模型的迁移能力。
正文 · AI 翻译
摘要：功能性近红外光谱（fNIRS）为在自然情境下监测神经活动的血流动力学相关指标提供了一种有前景的方法。然而，现有的 fNIRS 建模方法大多局限于小规模、单次采集且采样率低的数据，原因在于采集设备和光极布局的高度异质性。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在不同设置之间的可迁移性。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、设备和布局使用的表征。在此，我们展示了一个布局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 通过将异构布局映射到共享的解剖参考上，联合编码了 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或优于全监督基线，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，同时对稀疏布局保持稳健。我们的结果表明，布局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。
| 评论： | 提交至 IEEE OJSP |
| 主题： | 信号处理（eess.SP）；神经元与认知（q-bio.NC） |
| 引用为： | arXiv:2610.36159 [eess.SP] |
| （或 arXiv:2610.36159v1 [eess.SP] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36159 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Dimitra Emmanouilidou 博士 [查看邮箱]
[v1]
2026年10月26日星期一 18:59:54 UTC（1,308 KB）
来源：arXiv q-bio.NC · arxiv.org