使用基于Shapley值的可解释的人工智能解开运动图像和大脑模式.
Sergio Pérez-Velasco1, Diego Marcos-Martínez1, Eduardo Santamaría-Vázquez1
1Biomedical Engineering Group, E.T.S Ingenieros de Telecomunicación, University of Valladolid, Paseo de Belén 15, Valladolid, 47011, Spain; Centro de Investigación Biomédica en Red en Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN), Spain.
Computer methods and programs in biomedicine
|February 3, 2024
概括
这项研究使用深度学习和可解释的AI来理解运动图像 (MI) 期间的大脑活动. 研究结果显示,肌痛性心脏病涉及比以前想象的更广泛的大脑网络,提高了脑计算机界面 (BCI) 的准确性.
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:
- 运动成像 (MI) 脑电脑接口 (BCI) 对于康复至关重要,利用MI和运动执行之间的联系.
- 目前的MI-BCI主要关注来自M1和S1的感觉运动节奏,可能会忽视更广泛的神经网络.
- 了解MI所涉及的整个大脑网络对于推进BCI技术至关重要.
研究的目的:
- 通过深度学习 (DL) 和可解释的人工智能 (XAI) 来研究底层运动图像 (MI) 的大脑机制.
- 通过分析更广泛的大脑活动,确定DL模型是否能达到更高的MI分类准确度.
- 使用XAI来识别特定的大脑区域,这些区域有助于MI解码EEG信号.
主要方法:
- 在EEGSym深度学习网络中应用了适应的Shapley增量解释 (SHAP) 方法.
- 利用两个公共数据集,有171名参与者执行左手和右手运动图像任务.
- 分析了SHAP值,以了解在跨学科MI分类中的特征重要性.
主要成果:
- 深度学习模型主要利用正面电极信号 (F7,F8) 和早期想象周期 (第一个1500毫秒).
- 运动图像涉及一个分布式网络,包括前额叶皮层 (PFC) 和后壁皮层 (PPC),超出M1和S1.
- 一个优化的8电极配置实现了MI分类的高跨主体准确度 (86.5%88.7%).
结论:
- 结合DL和基于SHAP的XAI,可以有效地阐明MI期间参与的大脑网络.
- 这些发现突出了优化BCI系统的潜力,用于现实世界,实验室外的应用.
- 这种方法增强了我们对MI的理解,并改善了BCI用于康复和超越的设计.
