简单却行之有效：重新思考 fNIRS 在排除异常输入中的深度学习能力

用非侵入性技术的功能性近红外光谱（fNIRS）监测脑活动。通过使用深度学习解决 fNIRS 数据的分类挑战，研究表明当前 fNIRS 网络在准确预测其训练分布内的数据方面效果显著，但对于识别并排除分布之外的异常数据则表现不佳，影响可靠性。我们提出将度量学习和监督方法融入 fNIRS 研究，以提高网络识别和排除分布之外异常数据的能力。该方法简单而有效，在实验中明显提升了各种 fNIRS 网络的性能，尤其是基于 transformer 的网络，显示出了可靠性的巨大改进。我们将在 GitHub 上提供实验数据。