对EEG情绪识别中的深度学习算法的解释性评估:自闭症病例研究

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 当前可解释的人工智能 (XAI) 模型在评估深度神经生物标记分类器的特征相关性方面缺乏可靠性.
• 解释神经活动的突出性图的成熟度不足以用于实际的临床应用,阻碍了深度学习的发展.
• 这种差距限制了高级人工智能技术在神经科学中的临床转化.

研究的目的:

• 引入和评估Remove-And-Retrain (ROAR) 算法,用于从预先训练的深度神经网络中恢复高度相关的特征.
• 评估ROAR在面部情绪识别 (FER) 中使用脑电图 (EEG) 信号用于自闭症谱系障碍 (ASD) 研究的临床适用性.
• 将ROAR的可靠性与已建立的相关性映射技术进行比较.

主要方法:

• 训练了一个卷积神经网络 (CNN),使用EEG信号进行面部情绪识别 (FER).
• 应用了RemOve-And-Retrain (ROAR) 算法来识别和恢复突出的EEG特征.
• 将ROAR的特征相关性评估与层级相关性传播,模式网,模式归属和平滑度方程进行了比较.
• 在典型发育 (TD) 和ASD个体中评估特征相关性.

主要成果:

• ROAR算法在恢复FER的高度相关的EEG特征方面表现出有效性.
• 与传统方法相比,当应用于EEG数据时,特征相关性的可靠性得到了提高.
• 该研究成功地将神经科学发现与基于EEG的情绪识别的特征相关性计算相结合.
• 确定了在FER任务期间TD和ASD个体之间存在明显的EEG特征相关性模式.

结论:

• 在临床应用中,ROAR算法为深度神经网络中的特征相关性恢复提供了一种可靠的方法.
• 这种方法显著提高了分析神经活动的AI模型的可解释性和可靠性.
• 这些发现支持基于EEG的FER使用ROAR促进ASD诊断和理解的潜力.
• 这项研究开创了先进的XAI技术与神经成像用于ASD情绪识别的整合.