基于深度学习与 Gramian 角求和场的三元任务分类系统用于 fNIRS 神经成像数据
机器学习
2021-01-18 v1
摘要
功能性近红外光谱（fNIRS）是一种用于研究血流模式的非侵入、经济的方法。这些模式可用于分类受试者正在执行的任务。目前，大多数分类系统使用简单的机器学习方案进行任务分类。这些传统机器学习方法更易实现与解释，但通常精度较低，且在网络训练前需经历复杂的预处理阶段。所提方法利用 Gramian Angular Summation Field 将原始 fNIRS 时间序列数据转换为图像。随后采用基于深度卷积神经网络（CNN）的架构进行任务分类，包括心算、运动想象与静息状态。此外，该方法可省去影响传统分类器性能的特征选择阶段。该系统在数据集上取得了 87.14% 的平均分类准确率，高于任何其他方法。
引用
@article{arxiv.2101.05891,
title = {A Deep Learning Based Ternary Task Classification System Using Gramian Angular Summation Field in fNIRS Neuroimaging Data},
author = {Sajila D. Wickramaratne and Md Shaad Mahmud},
journal= {arXiv preprint arXiv:2101.05891},
year = {2021}
}
备注
4 pages, 4 Figures