Научная работа в области электротехники и систем > Обработка сигналов [представлена 26 октября 2026 года] Название: MtRENIRS: Модель самообслуживания для трансфертного нейронаскулярного представительства PDF Abstractive: Functional ближнеинфракрасная спектроскопия (ФНИРС) предлагает перспективный подход к мониторингу гемометрических коррелонов нервной активности в натуристической среде. Вместе с тем существующие методы моделирования для FNIRS в значительной степени ограничиваются маломасштабными односессионными данными при низких темпах отбора, обусловленных высокой неоднородностью устройств приобретения и оптодов. Кроме того, сложная структура сигналов FNIRS в фазах времени еще больше ограничивает масштабируемость модели и возможность ее передачи по различным параметрам. В результате остается неясным, может ли единый энкодер FNIRS научиться представлениям, которые могут быть использованы в различных областях, задачах, устройствах и монтажах. Здесь мы показываем, что монтажный автогенкодер в маске, предварительно подготовленный на 12 публичных наборах данных FNIRS с 268 субъектами и 567 часами записи, учится общим нейроваскулярным представлениям, которые передаются через три внешних набора. Наша базовая модель FNIRS, MtRENIRS, совместно кодирует медленный гемодинамический характер fНИРС, хромофорную идентичность и кортикальное расположение путем составления карт разнородных конструкций на общую анатомическую основу. MtRENIRS достигает межобъектных показателей на паритетном…
MtRENIRS: Модель самостоятельного финансирования для трансфертного нейроарускулярного представительства
arXiv:2610.36159v1 Annuales Type: cross Briet: Factorical ближнеинфракрасная спектроскопия (FNIRS) предлагает перспективный подход к мониторингу гемометрических коррелатов нервной активности в натуралистической среде. Вместе с тем существующие методы моделирования для FNIRS в значительной степени ограничиваются маломасштабными односессионными данными при низких темпах отбора, обусловленных высокой неоднородностью устройств приобретения и оптодов. Кроме того, сложная структура сигналов FNIRS в фазах времени еще больше ограничивает масштабируемость модели и возможность ее передачи по различным параметрам. В результате остается неясным, может ли единый энкодер FNIRS научиться представлениям, которые могут быть использованы в различных областях, задачах, устройствах и монтажах. Здесь мы показываем, что монтажный автогенкодер в маске, предварительно подготовленный на 12 публичных наборах данных FNIRS с 268 субъектами и 567 часами записи, учится общим нейроваскулярным представлениям, которые передаются через три внешних набора. Наша базовая модель FNIRS, MtRENARS, кодирует s