作为一种有效和可解释的特征选择方法,局部可解释模型-不可知解释 (LIME) 算法的可行性:比较的fNIRS研究.

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 功能近红外光谱 (fNIRS) 是一种广泛使用的神经成像技术.
• 对于fNIRS数据存在各种特征选择方法,但局部可解释模型-不可知解释 (LIME) 缺乏验证.
• 越来越需要在fNIRS研究中评估LIME的疗效.

研究的目的:

• 为了评估 LIME 对 fNIRS 数据集的特征选择性能.
• 将LIME与基准,基于过器和基于封装的功能选择方法进行比较.
• 为了确定LIME是否提高了fNIRS数据中的分类准确性.

主要方法:

• 对开放访问 fNIRS 数据集的特征选择技术的比较分析.
• 包括LIME,最小冗余性最大相关性 (mRMR),t测试,顺序前选择 (SFS) 和一个没有特征选择的基准.
• 基于分类准确性的评价.

主要成果:

• 与其他特征选择方法相比,LIME在大多数评估的fNIRS数据集中表现出优异的性能.
• 与基准相比,LIME在分类准确度方面取得了统计学上显著的改进.
• LIME的性能超过了基于过器和基于包装的方法.

结论:

• 对于fNIRS数据集来说,LIME是一种有效的特征选择方法.
• 验证的LIME性能为增强fNIRS数据分析和解释提供了一个有希望的方法.
• LIME提高分类准确性的能力突显了其在使用fNIRS的脑电脑接口和临床应用中的潜力.