来源：期刊VIP网 时间：
作者：施开波;周爽;周楠;唐琳;
单位：成都大学电子信息与电气工程学院;
摘要：为提升学生的工程实践能力，将“基于时空统计特征的低通道功能性近红外光谱(fNIRS)脑功能分类任务”设计为创新性教学实验。提出融合统计特征与时空信息的FNIRNet深度学习框架，可在无须高密度采集设备的情况下，直接处理原始fNIRS信号并筛选最优通道，显著降低检测成本。该框架时空统计特征模块增强了对信号模式的捕捉能力。实验结果表明，该方法在准确率、F_1值、AUC等指标上均显著优于多种传统与深度学习模型，准确率达92%,F_1值达0.95。该实验结合实际案例与前沿技术，具备轻量化、高准确率、部署简便等优势，具有良好的教学推广价值及心理健康筛查应用前景。
关键词：功能性近红外光谱;;低通道;;深度学习;;脑机接口
基金资助：国家自然科学青年基金项目(12305214);; 四川省研究生教育教学改革项目(YJGXM24-C098);; 四川省2024-2026年高等教育人才培养质量和教学改革项目(JG2024-0922)
