提高 fNIRS 分类性能：深度神经网络中激活函数的研究
机器学习
2025-07-16 v1 人工智能
摘要
激活函数对深度神经网络的性能至关重要，尤其是在功能近红外光谱 (fNIRS) 领域，由于非线性、低信噪比 (SNR) 和信号变异性，为模型准确性带来了显著挑战。然而，激活函数对深度学习 (DL) 在 fNIRS 领域中的影响仍未得到充分关注，也缺乏系统性的研究。本研究评估了常规和领域特定激活函数在 fNIRS 分类任务中的应用，使用多个深度学习架构，包括领域特定 fNIRSNet、AbsoluteNet、MDNN 和浅层 ConvNet (作为基线)，所有模型都在一次听觉任务中记录的数据上进行测试。为确保公平比较，所有网络使用标准化的预处理和一致的训练参数进行训练和测试。结果表明，某些对称激活函数如 Tanh 和绝对值函数 Abs(x) 在特定网络结构下 can outperform 常用函数如修正线性单元 (ReLU)。此外，我们针对对称性角色进行了 focused analysis，使用修改绝对函数 (MAF)，结果进一步支持对称激活函数在性能提升方面的有效性。这些发现凸显了选择与 fNIRS 数据信号特性相匹配的恰当激活函数的重要性。
引用
@article{arxiv.2507.11436,
title = {Toward Improving fNIRS Classification: A Study on Activation Functions in Deep Neural Architectures},
author = {Behtom Adeli and John McLinden and Pankaj Pandey and Ming Shao and Yalda Shahriari},
journal= {arXiv preprint arXiv:2507.11436},
year = {2025}
}