تعتبر دوال التنشيط حيوية لأداء الشبكات العصبية العميقة، خاصة في مجالات مثل الطيف الضوئي القريب من تحت الحمراء الوظيفي (fNIRS)، حيث تمثل عدم الخطية، ونسبة الإشارة إلى الضوضاء المنخفضة (SNR)، وتغير الإشارة تحديات كبيرة لدقة النموذج. ومع ذلك، فإن تأثير دوال التنشيط على أداء التعلم العميق (DL) في مجال fNIRS لا يزال قيد الاستكشاف وتفتقر الأدبيات الحالية إلى تحقيق منهجي. وتقيّم هذه الدراسة مجموعة من دوال التنشيط التقليدية والخاصة بالميدان لمهام تصنيف fNIRS باستخدام هياكل تعلم عميقة متعددة، بما في ذلك شبكة fNIRSNet الخاصة بالميدان، AbsoluteNet، MDNN، وshallowConvNet (كخط أساسي)، وتم اختبارها جميعًا على مجموعة بيانات واحدة تم تسجيلها أثناء مهمة سمعية. لضمان مقارنة عادلة، تم تدريب جميع الشبكات واختبارها باستخدام إعدادات معالجة مسبقة موحدة ومعلمات تدريب متسقة. تظهر النتائج أن دوال التنشيط المتماثلة مثل Tanh ودالة القيمة المطلقة Abs(x) يمكن أن تتفوق على الدوال المستخدمة بشكل شائع مثل وحدة خطية مصححة (ReLU)، اعتمادًا على الهيكل. بالإضافة إلى ذلك، تم إجراء تحليل مركّز لدور التماثل باستخدام دالة مطلقة معدلة (MAF)، مع نتائج تدعم فعالية دوال التنشيط المتماثلة في تحسين الأداء. تؤكد هذه النتائج على أهمية اختيار دوال تنشيط مناسبة تتماشى مع خصائص إشارة بيانات fNIRS.
درس أدلي وآخرون (الثلاثاء) هذا السؤال.