MtReNIRS: A Self-Supervised Foundation Model for Transferable Neurovascular Representations
本文介绍了 MtReNIRS，这是一个在 12 个多样化 fNIRS 数据集上进行预训练的自监督基础模型，它通过将异构的光谱配置映射到共享的解剖学参考坐标系中，学习具有泛化能力的神经血管表征，从而在跨受试者性能和少样本校准方面优于现有方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人类大脑是一个复杂的引擎，科学家们长期以来一直试图寻找在不打开颅骨的情况下倾听其思想的方法。功能性近红外光谱技术（fNIRS）是其中一种极具前景的工具。与医院中使用的笨重、固定的机器不同，fNIRS 使用的是一种配备了光传感器的可穿戴头帽。这些传感器将近红外光照射穿过头皮，并测量血液流经此处时被吸收的量。由于活跃的大脑细胞需要更多氧气，当一个人在思考、移动或产生某种感觉时，血流量会发生特定的变化。通过追踪这些变化，研究人员可以观察到大脑哪些部分正在工作。然而，将这些光信号读数转化为清晰的大脑活动图像一直是一个难题。每个研究实验室都使用不同的头帽，传感器放置在不同的位置，而且它们捕捉到的信号往往是杂乱且具有个人特性的。这使得开发一个能够理解来自任何人、任何地方、使用任何设备的脑电信号的统一计算机程序变得非常困难。
一支研究团队现在通过开发一种名为 MtReNIRS 的新型人工智能模型，在解决这一问题上迈出了重要一步。该模型并非仅仅通过一个人的特定实验来教计算机识别大脑活动，而是基于从十二项不同研究中收集的海量数据进行训练。该数据集包含了来自 268 个不同人的记录，总计超过 567 小时的大脑活动时长。这些数据涵盖了广泛的任务，从解决数学问题到聆听语音以及移动双手。挑战在于这些记录并不统一：有些使用的是拥有许多传感器的头帽，有些则传感器较少，且传感器的排列模式各异。为了理清这种混乱，研究人员开发了一种方法，将每种独特的传感器排列方式转化为一张通用的脑图。他们将大脑视为一个标准的网格，将每个不同头帽中的传感器匹配到这个共享地图上相应的相同位置。这使得计算机能够理解，无论是由哪种特定的头帽或设备捕捉到的，来自大脑“前端”的信号所代表的含义都是相同的。
该模型的工作原理是通过学习如何“填补空白”。研究人员向计算机展示了数千段大脑活动的短片，但故意隐藏了其中的一小块数据，要求模型根据周围的信息来猜测缺失的部分。这种被称为“自监督学习”的过程，迫使计算机去理解大脑血液流动的底层规律，而不仅仅是死记硬背特定的答案。由于该模型是在如此多样化的人群和任务上进行训练的，它学习到了对大脑运作方式的通用理解。当研究人员将该模型应用于从未见过的新人时，它的表现与那些需要针对每个个体进行大量训练的传统方法一样出色，甚至更好。当只有极少量新数据可用时，该模型的表现尤为强大。在用户只能提供少量自身大脑活动样本的情况下，该模型能够快速且准确地进行适应，性能超越了以往最先进的系统。
研究还表明，将传感器映射到大脑的方式至关重要。当研究人员测试了一个将传感器位置打乱后的模型版本时，其理解新人的能力显著下降。这证实了该模型不仅仅是在学习波形的形状，而是在学习传感器物理位置与其监测的大脑区域之间的关系。此外，即使减少传感器的数量，该模型依然保持有效，这表明未来它可以在更简单、更舒适的可穿戴设备上运行。尽管研究人员指出，该模型在面对个体间的自然差异（如颅骨厚度或血管模式的差异）时仍面临挑战，但他们的工作证明了一个单一且灵活的系统确实可以学习跨越不同人群和设备的“大脑语言”。这种方法为实现更易于获取的脑机接口提供了一条可扩展的路径，即让技术去适应用户，而不是强迫用户去适应技术。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。