不确定性下的 fNIRS 数据分类：一种贝叶斯神经网络方法
机器学习
2021-01-19 v1
摘要
功能性近红外光谱（fNIRS）是一种非侵入式的脑机接口（BCI）形式。它用于对脑血流动力学进行成像，并因相对于其他类似技术所具有的某些优点而日益受到欢迎。其整体功能包括脑信号的采集、处理与分类。由于血流动力学响应受到生理噪声污染，既往文献中已实现多种方法来将目标响应与无关响应分类。然而，这些方法迄今未考虑数据或模型参数中的不确定性。在本文中，我们使用贝叶斯神经网络（BNN）在一个公开数据集上进行二分类，该数据集包含单侧手指敲击（左手与右手手指敲击）。BNN 使用贝叶斯统计为网络权重分配概率分布而非点估计。以此方式，它在进行分类时考虑了数据与模型的不确定性。我们使用变分推断（VI）训练模型。我们的模型在 30 名志愿者上取得了 86.44% 的总体分类准确率。我们展示了模型的证据下界（ELBO）函数如何随迭代收敛。我们进一步展示了在采样权重后验分布时固有的不确定性。我们还使用来自单名志愿者的测试数据为 BNN 分类器生成了 ROC 曲线，模型 AUC 得分为 0.855。
引用
@article{arxiv.2101.07128,
title = {Classification of fNIRS Data Under Uncertainty: A Bayesian Neural Network Approach},
author = {Talha Siddique and Md Shaad Mahmud},
journal= {arXiv preprint arXiv:2101.07128},
year = {2021}
}