一种内在可解释的方法来解码基于卷积神经网络的EEG信号图的P300波形
Brian Ezequiel Ail1, Rodrigo Ramele1, Juliana Gambini2,3
1Instituto Tecnológico de Buenos Aires (ITBA), Buenos Aires C1437, Argentina.
Brain sciences
|August 29, 2024
概括
本研究介绍了一种可解释的方法来解码基于P300的拼写器的脑电图 (EEG) 信号,帮助ALS患者进行沟通. 该方法将EEG数据视觉化为图像,以便更容易解释和检测网络.
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
- 人工智能的人工智能
背景情况:
- 用于脑电图 (EEG) 信号解码的深度学习模型经常充当"黑子",限制了临床解释性.
- P300波形是脑电脑接口 (BCI) 应用程序的关键神经信号,特别是用于通信.
研究的目的:
- 开发一种内在可解释的方法来解码EEG信号中的P300波形.
- 为了使卷积神经网络 (CNN) 能够处理以图像形式可视化的EEG数据,以提高可解释性.
- 实施和验证一个基于P300的拼写器,用于患有肌缩侧面硬化症 (ALS) 的人.
主要方法:
- 脑电图信号被转化为图像表示,用于同时视觉解释和CNN分析.
- 使用基于图像的EEG解码方法开发了一个基于P300的拼写系统.
- 该方法在一个公共数据集上得到了验证,该数据集包括ALS患者的EEG数据.
主要成果:
- 拟议的方法成功地识别了8名ALS患者的EEG数据中的P300签名.
- 基于P300的拼写器实现了与现有的最先进方法相匹配的字母识别率.
- 该方法在EEG信号解码中提供了临床相关的可解释性 (XAI).
结论:
- 开发的方法提供了一种简单且易于解释的方法,用于使用CNN解码P300信号.
- 这种技术增强了BCI拼写器作为ALS患者替代性沟通工具的潜力.
- 视觉解释性与人工智能驱动解码的整合代表了BCI研究的重大进步.
