脑电图中的与性别相关的模式及其在机器学习分类器中的相关性
Thomas Jochmann1, Marc S Seibel1, Elisabeth Jochmann2
1Department of Computer Science and Automation, Technische Universität Ilmenau, Ilmenau, Germany.
Human brain mapping
|July 18, 2023
概括
深度学习模型可以从脑电图 (EEG) 数据中检测性别,但可能会在疾病检测中引入性别偏见. 这项研究在EEG中确定了性别特异性的模式,揭示了心脏器件影响分类器,但性别仍然可以从大脑活动模式中检测到.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 使用脑电图 (EEG) 数据进行疾病检测的深度学习模型可能无意中包含与性别有关的偏见.
- 深度学习从EEG中检测性别的能力表明疾病检测算法可能存在偏差,特别是在基于性别的流行差异的疾病中.
研究的目的:
- 通过卷积神经网络用于性别检测的EEG数据中识别男性和女性典型的模式.
- 调查EEG中性别差异的来源,包括神经,解剖和非神经文物.
- 评估文物对性别检测的影响以及分类器对数据清理的稳定性.
主要方法:
- 利用卷积神经网络从1140名患者的临床EEG数据中检测性别.
- 分析神经源,解剖学差异和非神经元器件 (例如心电) 作为与性别有关的EEG变异的潜在来源.
- 执行了文物排斥,包括与心脏有关的文物,并评估了EEG地形,波形和频率对于性别检测的重要性.
主要成果:
- 发现心电器器件会影响基于EEG的性别检测分类器.
- 即使在删除心脏和其他文物后,EEG数据仍然可以检测到性别.
- 电脑脑电图拓对于性别检测至关重要,而波形和频率,包括传统的频段,并不重要.
- 从EEG数据中可以确定性别,混时间点,表明超出时间波形特征的稳定性.
结论:
- 脑电图数据中的性别差异可以来自神经和非神经来源,包括文物.
- 严格的文物拒绝是必不可少的,即使是大型数据集,以确保深度学习模型的有效性.
- 研究人员必须测试他们的基于EEG的分类器,以检测潜在的性别偏见,以确保跨性别的公平表现.
