WiMi Hologram Cloud Inc. gab bekannt, dass ein neuer Algorithmus zur Unterdrückung von Bewegungsartefakten und zur Morphologie-Optimierung für Bewegungsartefakte wie Peaks, Basislinienveränderungen und langsame Drifts bei der fNIRS-Signalverarbeitung entwickelt wurde, der auf Methoden der mathematischen Morphologie und Medianfilterung basiert. Der Algorithmus nutzt die Methoden der mathematischen Morphologie in vollem Umfang, um die signalologischen Merkmale zu analysieren und zu optimieren, und kombiniert die Vorteile der Algorithmen der Medianfilterung zur Verbesserung, um die Fähigkeit zur genauen Identifizierung und effektiven Korrektur von Bewegungsartefakten in fNIRS-Signalen zu verbessern und eine starke Unterstützung für die genaue Interpretation der funktionellen Aktivitäten des Gehirns zu bieten. Der Kern des Algorithmus ist die Strategie der integrierten Unterdrückung von Bewegungsartefakten und der morphologischen Optimierung.

Der Algorithmus zur Unterdrückung von Bewegungsartefakten und zur morphologischen Optimierung von fNIRS-Signalen (fNIRS-MASMOA) ist in der Lage, das Vorhandensein von Bewegungsartefakten zu erkennen, indem er zunächst die ungefähre gleitende Standardabweichung des Signals berechnet und dann spezifische Verarbeitungsmethoden für die verschiedenen Arten von Artefakten anwendet und dann spezifische Verarbeitungsmethoden für die verschiedenen Arten von Artefakten anwendet und dann spezifische Verarbeitungsmethoden für die verschiedenen Arten von Artefakten anwendet. Für Peaks verwendet der Algorithmus eine verbesserte Median-Filtertechnik, um sie effizient zu entfernen, und einen mathematischen Morphologie-Ansatz, um die Form des Signals durch morphologische Manipulationen zu optimieren, damit Basislinienveränderungen und langsame Drifts besser mit den wahren Eigenschaften der Gehirnaktivität übereinstimmen. Im Vergleich zu bestehenden Methoden zeigt fNIRS-MASMO A hervorragende Ergebnisse in Bezug auf den mittleren quadratischen Fehler, das Signal-Rausch-Verhältnis, den quadrierten Pearson-Korrelationskoeffizienten und den Peak-to-Peak-Fehler.

Dieser Algorithmus ist ein Meilenstein auf dem Weg, Forschern ein neues und effizientes Werkzeug zur Verfügung zu stellen, um die Gehirnaktivität genauer zu untersuchen. Der fNIRS-MAS MOA besteht hauptsächlich aus der Erkennung von Bewegungsartefakten, der Verarbeitung von gerichteten Medianfiltern und der Korrektur der mathematischen Morphologieoptimierung: Erkennung von Bewegungsartefakten: Der Algorithmus führt zunächst Berechnungen der ungefähren gleitenden Standardabweichung des fNIRS-Originalsignals durch, um Bewegungsartefakte im Signal zu erkennen. Dieser Schritt zielt darauf ab, Arten von Bewegungsartefakten wie Peaks, Basenmutationen und langsame Drifts genau zu identifizieren.

Gezielte Median-Filterung: Sobald die Bewegungsartefakte identifiziert sind, wendet der Algorithmus eine gerichtete Medianfilterung für die Bewegungsartefakte des Typs Peaks an. Diese Verarbeitungsmethode nutzt die Gradienteninformationen und die lokalen Merkmale des Signals, um eine gerichtete Filterung der Spitzen vorzunehmen und so die Störung der Signalanalyse durch die Spitzen effektiv zu beseitigen.Mathematische Morphologieoptimierungskorrektur: Bei Bewegungsartefakten der Typen Grundlinienveränderungen und langsame Drift verwendet der Algorithmus mathematische Morphologie-Optimierungsmethoden zur Korrektur. Dabei handelt es sich um die Verwendung der mathematischen Morphologie zur Verarbeitung des Signals, um die Auswirkungen von Basislinienmutationen und langsamen Drifts auf das Signal und die Merkmale zu beseitigen, um eine genaue Rekonstruktion und Optimierung des Signals zu erreichen.

Der technische Rahmen des fNIRS-MASMA von WiMi integriert den Algorithmus der gerichteten Medianfilterung und die Gradientenanalyse in die Signalverarbeitung, um eine genaue Unterdrückung und Optimierung der ursprünglichen Signale durch die differenzierte Verarbeitung verschiedener Arten von Bewegungsartefakten in den fNIRS-Signalen zu erreichen. Die Kernidee besteht darin, spezifische Verarbeitungsstrategien zur gezielten Korrektur verschiedener Arten von Bewegungsartefakten anzuwenden, um die Genauigkeit und Zuverlässigkeit der fNIRS-Signaldaten zu gewährleisten und eine genaue Datenbasis für die anschließende Analyse der funktionellen Aktivitäten des Gehirns zu schaffen. Die Kombination aus direktionaler Medianfilterung und mathematischer Morphologiekorrektur bringt die Vorteile der beiden Methoden voll zur Geltung, bildet einen umfassenden Verarbeitungsrahmen und bietet eine umfassende und effiziente Lösung für das Problem der Bewegungsartefakte in fNirS-Signalen.

Durch die effektive Unterdrückung und Korrektur der Bewegungsartefakte von fNIRS-Signalen kann der Algorithmus die Präzision und Zuverlässigkeit der Analyse der funktionellen Gehirnaktivität verbessern und eine zuverlässigere Datenbank für Forscher und Mediziner bereitstellen. WiMi's fNIR S-MASMOA stellt nicht nur eine neue Technik für die Forschung im Bereich der funktionellen Bildgebung des Gehirns zur Verfügung, sondern bietet auch einen breiteren Raum für die übergreifende Forschung und Anwendung in verwandten Bereichen. Es wird erwartet, dass es die Anwendung der Technologie der funktionellen Bildgebung des Gehirns in den kognitiven Neurowissenschaften, dem Neuroengineering, der Neurotechnik, dem Neurofeedback und anderen Bereichen vorantreibt und neue Entwicklungsmöglichkeiten für die künftige hirnwissenschaftliche Forschung und medizinische Praxis bietet.