WiMi Hologram Cloud Inc. kondigt aan dat er een nieuw algoritme voor het onderdrukken van bewegingsartefacten en morfologieoptimalisatie is ontwikkeld voor bewegingsartefacten zoals pieken, basislijnmutaties en langzame verschuivingen in fNIRS-signaalverwerking op basis van wiskundige morfologie en mediane filtermethoden. Het algoritme maakt volledig gebruik van wiskundige morfologiemethoden om de signaalkenmerken te analyseren en te optimaliseren, en combineert de voordelen van mediaanfilteralgoritmen voor verbetering, om het vermogen van nauwkeurige identificatie en effectieve correctie van bewegingsartefacten in fNIRS-signalen te verbeteren, en om sterke ondersteuning te bieden voor de nauwkeurige interpretatie van functionele hersenactiviteiten. De kern van het algoritme is de strategie van geïntegreerde onderdrukking van bewegingsartefacten en morfologische optimalisatie.

Ten eerste is het WiMi-algoritme voor de onderdrukking van bewegingsartefacten en morfologische optimalisatie voor fNIRS-signalen (fNIRS-MASMOA) in staat om de aanwezigheid van bewegingsartefacten te detecteren door bij benadering de gradiënt glijdende standaardafwijking van het signaal te berekenen, en vervolgens specifieke verwerkingsmethoden toe te passen voor verschillende soorten artefacten en vervolgens specifieke verwerkingsmethoden toe te passen voor verschillende soorten artefacten en vervolgens specifieke verwerkingsmethoden toe te passen voor verschillende soorten artefacten. Voor pieken gebruikt het algoritme een verbeterde mediaanfiltertechniek om ze efficiënt te verwijderen, en een wiskundige morfologiebenadering om de vorm van het signaal te optimaliseren door morfologische manipulatie om basislijnmutaties en langzame afwijkingen meer in overeenstemming te brengen met de werkelijke kenmerken van hersenactiviteit. Vergeleken met bestaande methoden laat fNIRS-MASMO A uitstekende resultaten zien in termen van gemiddelde kwadratische fout, signaal-ruisverhouding, gekwadrateerde Pearson correlatiecoëfficiënt en piek-piekfout.

Dit algoritme is een mijlpaal die onderzoekers een nieuw en efficiënt hulpmiddel biedt om hersenactiviteit nauwkeuriger te bestuderen. De fNIRS-MAS MOA bestaat voornamelijk uit detectie van bewegingsartefacten, verwerking van directionele mediaanfilters en correctie voor wiskundige morfologieoptimalisatie: Detectie van bewegingsartefacten: Het algoritme voert eerst benaderende gradiënt-glijdende standaardafwijkingsberekeningen uit op het originele fNIRS-signaal om bewegingsartefacten in het signaal te detecteren. Deze stap is gericht op het nauwkeurig identificeren van soorten bewegingsartefacten zoals pieken, basismutaties en langzame drifts.

Gerichte mediaanfilterverwerking: Zodra de bewegingsartefacten geïdentificeerd zijn, past het algoritme directed median filtering toe voor de pieken van het type bewegingsartefacten. Deze verwerkingsmethode maakt gebruik van de gradiëntinformatie en lokale kenmerken van het signaal om gericht te filteren op de pieken, waardoor de interferentie van pieken op de signaalanalyse effectief wordt verwijderd.Mathematival morphology optimization correction: Voor bewegingsartefacten van het type basislijnmutaties en langzame drift gebruikt het algoritme wiskundige morfologieoptimalisatiemethoden voor correctie. Dit is het gebruik van wiskundige morfologie om het signaal te verwerken om de effecten van basislijnmutaties en langzame afwijkingen op het signaal en de kenmerken te elimineren, zodat een nauwkeurige reconstructie en optimalisatie van het signaal wordt bereikt.

Het technische kader van WiMi's fNIRS-MASMA integreert het algoritme voor directionele mediaanfiltering en gradiëntanalyse in de signaalverwerking om nauwkeurige onderdrukking en optimalisatie van de originele signalen te bereiken door middel van de differentiële verwerking van verschillende soorten bewegingsartefacten in de fNIRS-signalen. Het kernidee is om specifieke verwerkingsstrategieën te gebruiken voor gerichte correctie van verschillende soorten bewegingsartefacten om de nauwkeurigheid en betrouwbaarheid van de fNIRS-signaalgegevens te garanderen en een nauwkeurige database te leveren voor de daaropvolgende analyse van functionele hersenactiviteiten. De combinatie van directionele mediaanfiltering en mathematische morfologiecorrectie maakt optimaal gebruik van de voordelen van de twee methoden, construeert een uitgebreid verwerkingskader en biedt een uitgebreide en efficiënte oplossing voor het probleem van bewegingsartefacten in fNIRS-signalen.

Door de bewegingsartefacten van fNIRS-signalen effectief te onderdrukken en te corrigeren, kan het algoritme de precisie en betrouwbaarheid van de analyse van de hersenactiviteit verbeteren en een betrouwbaardere database voor onderzoekers en medische professionals bieden. WiMi's fNIR S-MASMOA biedt niet alleen een nieuwe techniek voor onderzoek naar functionele beeldvorming van de hersenen, maar biedt ook een bredere ruimte voor kruisresearch en toepassing op gerelateerde gebieden. Er wordt verwacht dat het de uitbreiding van de toepassing van hersenfunctionele beeldvormingstechnologie in cognitieve neurowetenschappen, neurotechniek, neuroengineering, neurofeedback en andere gebieden zal bevorderen, en nieuwe ontwikkelingsmogelijkheden zal bieden voor toekomstig hersenwetenschappelijk onderzoek en medische praktijk.