3D-EEGNet的空间时间解释用于运动图像EEG分类使用变换和突出度.

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 卷积神经网络 (CNN) 模型对使用电脑电图 (EEG) 的运动图像 (MI) 大脑计算机接口 (BCI) 显示出希望.
• 解释基于EEG的BCI分类的CNN模型仍然是一个重大挑战.
• 现有的可解释的人工智能 (XAI) 技术在有效解释这些复杂模型方面存在局限性.

研究的目的:

• 提出3D-EEGNet,3D CNN模型,以提高MI EEG分类的性能和可解释性.
• 将3D-EEGNet的性能与现有的2D CNN模型 (如EEGNet) 的性能进行比较.
• 开发和评估新的XAI方法来解释3D-EEGNet的时空空间.

主要方法:

• 开发3D-EEGNet,一个3D卷积神经网络架构.
• 基于 permutation 的 XAI 方法用于初始模型解释的应用.
• 设计一种新技术,使用正常化折扣累积增益 (NDCG) 来选择高效的基于突出性的XAI方法.
• 评估DeepLIFT作为一种快速的时空解释方法.

主要成果:

• 与二维EEGNet相比,3D-EEGNet在两个数据集上显示出更好的MI分类准确性,平均改善率为1.8%和6.1%.
• 基于换的XAI方法为3D-EEGNet提供了可靠的解释.
• 基于NDCG的选择确定了DeepLIFT作为一种快速有效的XAI方法,显示了类似于基于 permutation的方法的结果.
• 使用DeepLIFT的快速时空解释为分类结果和关键MIEEG属性提供了更深入的见解.

结论:

• 3D-EEGNet在MI EEG分类的性能和可解释性方面取得了显著的进步.
• 开发的基于NDCG的选择和DeepLIFT为BCI中CNN模型的快速和可靠的时空解释提供了实用的方法.
• 这项研究有助于更好地理解MI EEG信号,并提高BCI应用中的深度学习模型的可解释性.