一个可解释的基于EEG的人类活动识别模型,使用机器学习方法和LIME

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 人与计算机的交互

背景情况:

• 脑电图 (EEG) 是一种非侵入式的功能,可以在任务中监测大脑活动.
• 机器学习 (ML) 显示了人类活动识别 (HAR) 的前景.
• 可解释的人工智能 (XAI) 可以解释机器学习模型,突出显示关键的EEG特征.

研究的目的:

• 评估基于EEG的ML模型用于分类日常活动 (休息,运动,认知) 的可行性.
• 使用XAI来临床解释哪些EEG特征在HAR模型中最具影响力.

主要方法:

• 收集了75名健康个体在休息,行走,工作和阅读任务期间的EEG数据.
• 应用ML模型 (随机森林,梯度提升) 用于活动识别.
• 使用LIME (局部可解释模型-不可知解释) 进行EEG光谱特征的XAI解释.

主要成果:

• 机器学习模型,特别是随机森林和梯度提升,在区分活动方面取得了很高的准确性.
• ML模型的活动识别与已知的EEG频谱带模式保持一致.
• XAI证实了特定的EEG光谱特征对HAR模型预测的影响.

结论:

• 基于EEG的ML模型,用XAI解释,对于HAR来说是可行的.
• 这种方法可以增强患者康复监测,运动图像以及医疗保健元宇宙和临床虚拟现实中的应用.