基于高通道 NIRS 数据的 n-Back 任务执行期间工作记忆负荷解码

近红外光谱(NIRS)能够以可穿戴形式通过大脑血氧变化测量神经活动，为实验室内外的研究提供了独特的应用。NIRS 已被证明能够测量认知状态，例如心理负荷，通常使用基于机器学习(ML)的脑机接口(BCIs)。迄今为止，NIRS 研究主要依赖于通道数在十几个到数百个以下的探头，尽管最近出现了一类具有数千通道的可穿戴 NIRS 设备。这给 ML 分类带来了独特挑战，因为 NIRS 通常受限于极少的训练试次，导致严重欠定的估计问题。目前，对于如何在实际 BCI 中最好地利用此类高分辨率数据，以及能否达到现有技术(SotA)或更优性能，尚不清楚。为了解决这些问题，我们提出了一种 ML 策略来对工作记忆负荷进行分类，该策略依赖于时空正则化和来自其他受试者的迁移学习，这种组合在以往的 NIRS BCI 中未曾使用过。该方法可以解释为端到端广义线性模型，并允许使用通道级或皮层成像方法实现高度可解释性。我们表明，使用所提出的方法，能够利用高分辨率 NIRS 数据实现 SotA 解码性能。我们还在包含 43 名受试者的数据集上复现了多种 SotA 方法，受试者在执行 n-Back 任务期间佩戴 3198 通道双模 NIRS 设备。结果表明，这些现有方法在高通道场景下表现困难，且在很大程度上被本文提出的方法所超越。我们的方法有助于将高通道 NIRS 设备确立为 SotA BCI 的可行平台，并开启了使用此类头戴设备的新应用，同时实现了高分辨率模型成像与解释。