优化运动图像BCI模型与硬试验删除和模型改进的优化
Vishnupriya R1, MachiReddy Ramasubba Reddy1
1Department of Applied Mechanics and Biomedical Engineering, IIT Madras, Chennai, India.
Biomedical physics & engineering express
|May 23, 2024
概括
这项研究引入了新的方法,通过识别和删除具有挑战性的"艰难试验"来改善脑计算机接口 (BCI) 的深度学习. 量化可解释的人工智能显著提高了运动图像分类的准确性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 深度学习模型在运动图像中实现了高精度的大脑-计算机接口 (BCI) 系统.
- 由于对具有挑战性或"艰难"的试验的敏感性,模型性能下降.
- 现有的方法在识别这些艰难的考验时缺乏透明度.
研究的目的:
- 提出和评估新的方法来识别和减轻硬试验在运动图像BCI中的影响.
- 提高BCI应用中的深度学习模型的稳定性和准确性.
- 将量化可解释AI (XAI) 方法与基于预测得分的硬实验识别方法进行比较.
主要方法:
- 开发了两种用于硬试验识别的方法:一种使用模型预测分数,另一种使用定量XAI.
- 从培训和验证数据集中删除了已识别的艰难试验.
- 在数据集上重新训练深度学习模型,不包括硬试验,并在开放的BMI数据集上评估性能.
主要成果:
- 基于XAI的定量硬试验删除方法显著提高了对象特定的运动图像分类精度,从63.77%提高到68.70% (p值=7.66e-11).
- 对头皮地图上的相关性得分的分析为艰难的试验特征提供了更深入的见解.
- 与基于预测分数的方法相比,定量XAI方法在硬试验识别方面表现优越.
结论:
- 定量XAI是一种有效和可解释的方法,用于识别运动图像BCI中的艰难试验.
- 删除XAI识别的艰难试验显著提高了深度学习模型的性能.
- 这种方法为提高BCI系统的可靠性提供了一个有希望的方向.
