利用 fNIRS 进行跨会话与跨被试鲁棒工作负荷水平对齐的域适应
计算机视觉与模式识别
2023-04-03 v2 机器学习
神经元与认知
摘要
意义：我们展示了在功能性近红外光谱（fNIRS）数据上使用域适应来分类涉及工作记忆的不同水平 n-back 任务的潜力。目的：fNIRS 数据中的域偏移是跨不同实验会话和被试的工作负荷水平对齐中的一项挑战。为解决这个问题，使用了两种域适应方法——Gromov-Wasserstein（G-W）和 Fused Gromov-Wasserstein（FG-W）。方法：具体而言，我们使用来自一个会话或一个被试的带标签数据来分类另一会话（同一被试内）或另一被试中的试次。我们将 G-W 用于会话间对齐，将 FG-W 用于被试间对齐到在不同 n-back 任务水平下获取的 fNIRS 数据。我们将这些方法与三种监督方法比较：多类支持向量机（SVM）、卷积神经网络（CNN）和循环神经网络（RNN）。结果：在六名被试的样本中，G-W 的会话间对齐准确率为 68 4 %（加权均值 标准误），FG-W 的被试间对齐准确率为 55 2 %。在每种情况下，25 % 准确率代表随机水平。G-W 和 FG-W 的对齐准确率均显著优于 SVM、CNN 和 RNN。我们还表明从 fNIRS 数据中去除运动伪迹对提升对齐性能具有重要作用。结论：域适应有潜力利用 fNIRS 数据实现心理工作负荷的会话间和被试间对齐。
引用
@article{arxiv.2007.06706,
title = {Domain Adaptation for Robust Workload Level Alignment Between Sessions and Subjects using fNIRS},
author = {Boyang Lyu and Thao Pham and Giles Blaney and Zachary Haga and Angelo Sassaroli and Sergio Fantini and Shuchin Aeron},
journal= {arXiv preprint arXiv:2007.06706},
year = {2023}
}