简单但有效：重新思考深度学习在fNIRS中排除异常输入的能力
信号处理
2024-11-25 v2 机器学习
摘要
功能性近红外光谱（fNIRS）是一种用于监测脑活动的非侵入性技术。为了更好地理解大脑，研究人员经常使用深度学习来解决fNIRS数据的分类挑战。我们的研究表明，虽然当前fNIRS中的网络在其训练分布内的预测非常准确，但它们在识别和排除分布外的异常数据方面表现不佳，这影响了它们的可靠性。我们建议将度量学习和监督方法集成到fNIRS研究中，以提高网络识别和排除分布外异常值的能力。这种方法简单而有效。在我们的实验中，它显著提升了fNIRS中各种网络的性能，尤其是基于Transformer的网络，其可靠性得到了极大改善。我们将把实验数据发布在GitHub上。
关键词
引用
@article{arxiv.2402.18112,
title = {Simple But Effective: Rethinking the Ability of Deep Learning in fNIRS to Exclude Abnormal Input},
author = {Zhihao Cao},
journal= {arXiv preprint arXiv:2402.18112},
year = {2024}
}