AbsoluteNet：用于分类听觉处理脑血流动力学响应的深度学习神经网络
机器学习
2025-10-09 v2 声音
音频与语音处理
摘要
近年来，深度学习（DL）方法在解码由功能近红外光谱（fNIRS）捕获的血流动力学响应方面展现出了有前景的结果，特别是在脑机接口（BCI）应用的背景下。本工作引入了 AbsoluteNet，一种用于分类使用 fNIRS 记录的听觉事件相关响应的新型深度学习架构。所提出的网络建立在时空卷积和定制激活函数的原理之上。我们的模型与多个模型进行了比较，即 fNIRSNET、MDNN、DeepConvNet 和 ShallowConvNet。结果表明 AbsoluteNet 优于现有模型，在二分类中达到了 87.0% 的准确率、84.8% 的灵敏度和 89.2% 的特异度，在准确率上超过第二好的模型 fNIRSNET 3.8%。这些发现突出了我们提出的深度学习模型在解码与听觉处理相关的血流动力学响应方面的有效性，并强调了时空特征聚合和定制激活函数对于更好地拟合 fNIRS 动力学的重要性。
引用
@article{arxiv.2506.00039,
title = {AbsoluteNet: A Deep Learning Neural Network to Classify Cerebral Hemodynamic Responses of Auditory Processing},
author = {Behtom Adeli and John Mclinden and Pankaj Pandey and Ming Shao and Yalda Shahriari},
journal= {arXiv preprint arXiv:2506.00039},
year = {2025}
}