对Ictal EEG特征与XAI解释之间的关系的评估

科学领域:

• 神经学 神经学
• 机器学习 机器学习
• 生物医学信号处理

背景情况:

• 是一种常见的神经疾病,需要准确的诊断.
• 电脑电图 (EEG) 对于的诊断至关重要,但手动分析是耗时的.
• 需要自动发作检测方法,但他们的决策过程往往不透明.

研究的目的:

• 通过使用EEG数据评估用于自动化发作检测的深度学习模型.
• 用SHAP和LIME研究深度学习模型的可解释性.
• 评估EEG特征与来自可解释AI技术的特征重要性值之间的相关性.

主要方法:

• 一个最先进的深度学习模型被应用于三个不同的EEG数据集 (CHB-MIT,Siena,TUSZ).
• 模型在不同的数据窗口重叠条件下进行训练和评估.
• 使用SHAP和LIME来确定每个EEG通道的重要性.
• 在EEG特征和重要性值之间计算了斯皮尔曼等级相关系数.

主要成果:

• 在数据集中,分类器的性能各不相同,准确率为0.84 (CHB-MIT),0.73 (Siena) 和0.64 (TUSZ).
• 数据库和培训条件对分类器的性能产生了重大影响.
• 大多数EEG特征与SHAP和LIME产生的重要性值的相关性是微不足道或很低.

结论:

• 自动发作检测模型的性能受数据集和训练参数的影响.
• 可解释的人工智能方法 (SHAP,LIME) 揭示了EEG特征和模型重要性之间缺乏强烈的相关性,即使对于准确的模型.
• 需要进一步的研究来了解EEG信号特征与发作检测中的深度学习模型的决策过程之间的关系.