arXiv（brain-computer interface）·· 1 天前精选AI 评分62
微软Ivan J. Tashev团队提出fNIRS基础模型MtReNIRS，可跨数据集迁移
MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
AI 导读
微软Ivan J. Tashev团队提出fNIRS基础模型MtReNIRS，这是一种感知光极排布的掩码自编码器，在12个公开fNIRS数据集（268名受试者、567小时记录）上预训练。
AI 要点
团队
第一作者 Tony Chae，末位作者 Ivan J. Tashev，共 4 位作者
主要结果
MtReNIRS 在跨受试者任务上达到与全监督基线相当或更好的表现，在少样本受试者内校准中优于此前最先进的 fNIRS 模型，并对稀疏蒙太奇保持稳健
解决什么问题
fNIRS 建模多局限于小规模、单次采集、低采样率数据，尚不清楚单一编码器能否学到跨受试者、任务、设备和蒙太奇通用的表征
方法
蒙太奇感知掩码自编码器，在 12 个公开 fNIRS 数据集（268 名受试者、567 小时记录）上预训练，将异构蒙太奇映射到共享解剖参考，联合编码慢血流动力学、色团身份与皮层位置
局限
从研究设计看，仅在公开数据集上预训练与外部验证，未报告前瞻性采集或在线脑机接口闭环测试
AI 依据原文整理，未经人工核对。
AI 推荐理由
该预训练模型在12个公开fNIRS数据集上训练，并在三个外部数据集上验证跨受试者与少样本校准的迁移表现。
来源：arXiv（brain-computer interface） · arxiv.org