WiMi Hologram Cloud Inc. a annoncé qu'un nouvel algorithme de suppression des artefacts de mouvement et d'optimisation de la morphologie a été développé pour les artefacts de mouvement tels que les pics, les mutations de la ligne de base et les dérives lentes dans le traitement des signaux fNIRS, sur la base de la morphologie mathématique et des méthodes de filtrage médian. L'algorithme utilise pleinement les méthodes de morphologie mathématique pour analyser et optimiser les caractéristiques signalologiques, et combine les avantages des algorithmes de filtrage médian pour l'amélioration, afin de renforcer la capacité d'identification précise et de correction efficace des artefacts de mouvement dans les signaux fNIRS, et de fournir un soutien solide pour l'interprétation précise des activités fonctionnelles cérébrales. Le cœur de l'algorithme est la stratégie de suppression intégrée des artefacts de mouvement et d'optimisation morphologique.

Tout d'abord, en calculant l'écart-type approximatif du gradient de glissement du signal, l'algorithme de suppression des artefacts de mouvement et d'optimisation morphologique de WiMi pour les signaux fNIRS (fNIRS-MASMOA) est capable de détecter la présence d'artefacts de mouvement, puis d'appliquer des méthodes de traitement spécifiques pour différents types d'artefacts, puis d'appliquer des méthodes de traitement spécifiques pour différents types d'artefacts, puis d'appliquer des méthodes de traitement spécifiques pour différents types d'artefacts. Pour les pics, l'algorithme utilise une technique de filtrage médian améliorée pour les supprimer efficacement, et une approche de morphologie mathématique pour optimiser la forme du signal par une manipulation morphologique afin de rendre les mutations de la ligne de base et les dérives lentes plus cohérentes avec les véritables caractéristiques de l'activité cérébrale. Par rapport aux méthodes existantes, fNIRS-MASMO A fait preuve d'excellence en termes d'erreur quadratique moyenne, de rapport signal/bruit, de coefficient de corrélation de Pearson au carré et d'erreur crête à crête.

Cet algorithme représente une étape importante en fournissant aux chercheurs un outil nouveau et efficace pour étudier l'activité cérébrale avec plus de précision. Le MOA fNIRS-MAS comprend principalement la détection des artefacts de mouvement, le traitement par filtre médian directionnel et la correction par optimisation de la morphologie mathématique : Détection des artefacts de mouvement : L'algorithme effectue d'abord des calculs approximatifs de l'écart type du gradient glissant sur le signal fNIRS original pour détecter les artefacts de mouvement dans le signal. Cette étape vise à identifier avec précision les types d'artefacts de mouvement tels que les pics, les mutations de base et les dérives lentes.

Traitement par filtrage médian dirigé : Une fois les artefacts de mouvement identifiés, l'algorithme applique un traitement de filtrage médian dirigé pour le type de pics des artefacts de mouvement. Cette méthode de traitement utilise les informations de gradient et les caractéristiques locales du signal pour effectuer un filtrage directionnel sur les pics, ce qui permet d'éliminer efficacement l'interférence des pics sur l'analyse du signal.Correction de l'optimisation morphologique mathématique : Pour les artefacts de mouvement de type mutations de la ligne de base et dérives lentes, l'algorithme utilise des méthodes d'optimisation de la morphologie mathématique pour la correction. Il s'agit de l'utilisation de la morphologie mathématique pour traiter le signal afin d'éliminer les effets des mutations de la ligne de base et des dérives lentes sur le signal et les caractéristiques, de manière à obtenir une reconstruction et une optimisation précises du signal.

Le cadre technique du fNIRS-MASMA de WiMi intègre l'algorithme de filtrage médian directionnel et l'analyse du gradient dans le traitement du signal pour obtenir une suppression et une optimisation précises des signaux originaux grâce au traitement différentiel des différents types d'artefacts de mouvement dans les signaux fNIRS. L'idée centrale est d'adopter des stratégies de traitement spécifiques pour la correction ciblée de différents types d'artefacts de mouvement afin de garantir la précision et la fiabilité des données du signal fNIRS et de fournir une base de données précise pour l'analyse ultérieure des activités fonctionnelles du cerveau. La combinaison du filtrage médian directionnel et de la correction par morphologie mathématique permet de tirer pleinement parti des avantages des deux méthodes, de construire un cadre de traitement complet et de fournir une solution globale et efficace au problème des artefacts de mouvement dans les signaux fNirS.

En supprimant et en corrigeant efficacement les artefacts de mouvement des signaux fNIRS, l'algorithme est capable d'améliorer la précision et la fiabilité de l'analyse de l'activité fonctionnelle du cerveau, fournissant une base de données plus fiable pour les chercheurs et les professionnels de la santé. Le S-MASMOA fNIR de WiMi fournit non seulement une nouvelle technique pour la recherche en imagerie fonctionnelle cérébrale, mais aussi un espace plus large pour la recherche croisée et l'application dans des domaines connexes. Il devrait favoriser l'expansion de l'application de la technologie d'imagerie fonctionnelle du cerveau dans les neurosciences cognitives, la neuro-ingénierie, la neuro-ingénierie, le neurofeedback et d'autres domaines, et apporter de nouvelles opportunités de développement pour la recherche future en sciences du cerveau et la pratique médicale.