基于可解释变换器的 fNIRS 跨程序技能评估基础模型
信号处理
2025-07-01 v1 新兴技术
人机交互
机器学习
神经元与认知
摘要
高风险程序环境中的客观技能评估需要能够解码底层认知和运动过程的模型，并且能够在不同任务、个人和实验情境之间通用。虽然先前工作已证明了功能近红外谱 (fNIRS) 用于评估认知-运动性能的潜力，但现有方法往往是任务特定的，依赖大量预处理，且对新程序或情境缺乏鲁棒性。本文引入了一个基于可解释变换器的 foundation model，用于跨程序技能评估。该模型在手术切創任务和气管插管 (ETI) 数据上进行自监督预训练，所有任务的分类准确率均超过 88%，ETI 的 Matthews Correlation Coefficient 超过 0.91。它能够以少于 30 个标记样本和轻量级（不足 2k 参数）适配器模块，泛化到新的紧急气道操作——裂喉切开术，AUC 超过 87%。通过 novel 信道注意力机制——专为 fNIRS 开发——识别功能连贯的前额亚网络，通过消融研究验证。时间注意力模式与任务关键阶段一致，捕捉焦虑导致的神经可变性变化，为动态认知状态提供了洞察。
引用
@article{arxiv.2506.22476,
title = {An Interpretable Transformer-Based Foundation Model for Cross-Procedural Skill Assessment Using Raw fNIRS Signals},
author = {A. Subedi and S. De and L. Cavuoto and S. Schwaitzberg and M. Hackett and J. Norfleet},
journal= {arXiv preprint arXiv:2506.22476},
year = {2025}
}