fNIRS
PulseAugur coverage of fNIRS — every cluster mentioning fNIRS across labs, papers, and developer communities, ranked by signal.
-
无创脑机接口在EEG之外迈向商业化
无创脑机接口（BCI）正朝着商业可行性迈进，超越了传统的脑电图（EEG）方法。Neuracle公司处于这一进步的前沿，特别是在医疗康复和睡眠应用领域。虽然人机交互应用仍在发展中，但该技术有望得到更广泛的应用。
-
基于fNIRS的自闭症分类的时间泛化基准测试
一篇新发表在arXiv上的研究论文探讨了使用功能性近红外光谱（fNIRS）进行自闭症谱系障碍（ASD）分类的挑战。该研究引入了一个跨时间窗口迁移基准，以解决因受试者之间最佳观察窗口变化导致的性能下降问题。研究结果表明，虽然零样本分类准确率较低，但进行最少的受试者特定微调可显著提高结果，突显了受试者间变异性是主要障碍。研究还证明了域对抗和自监督策略在无需目标受试者数据的情况下实现稳健分类的有效性，表明可以从短fNIRS窗口中提取相关信息。
-
新的FRED系统可解码脑电图数据的想象手写
研究人员开发了FRED系统，该系统旨在从脑电图（EEG）和功能性近红外光谱（fNIRS）数据中解码想象手写。该系统利用一个时间网络，处理互补的脑电图频率视图来模拟运动序列。FRED通过采用转导伪标签训练和协议匹配结构化推理等技术，在一个公开数据集上达到了0.8498的显著准确率，在一次竞赛中排名第四。
-
fNIRS脑信号引导机器人强化学习
研究人员开发了一种使用功能性近红外光谱（fNIRS）脑信号引导机器人行为的离线方法。该方法将神经数据集成到强化学习算法中，增强了轨迹优先级和状态-动作值。研究发现，该框架能有效提升机器人学习能力，即使使用离线数据也能实现，为无法进行实时脑机接口的场景提供了实用的解决方案。
-
EEGNet研究揭示fNIRS驱动的认知负荷分类的挑战
一项新近发表在arXiv上的研究评估了EEGNet在利用fNIRS信号进行认知负荷分类方面的有效性。该研究系统地考察了包括时间分割、窗口长度、特征提取方法和学习率在内的各种参数。结果表明，尽管在随机分割实验中，重叠分割和固定学习率取得了高准确率，但在受试者独立评估中性能显著下降，凸显了泛化方面的挑战。
-
新框架利用脑电图和功能性近红外光谱检测抑郁状态
研究人员开发了一个新的框架，利用脑电图（EEG）和功能性近红外光谱（fNIRS）生物信号对抑郁状态进行分类。这项试点研究涉及十一名健康学生，旨在创建一个客观、自动化的诊断工具，以克服传统精神科评估的主观性。这项技术对于识别微妙的抑郁状态以及将其与老年人口的痴呆症区分开来尤为重要。