空间时间神经网络的可解释多分支架构及其在预测预测中的应用

科学领域:

• 计算神经科学是一种神经科学.
• 医疗信号处理 医疗信号处理
• 人工智能在医学中的应用

背景情况:

• 时空卷积神经网络 (CNN) 显示出使用电脑电图 (EEG) 信号进行预测 (SP) 的前景.
• 现有的CNN通常以单个光谱分辨率分析EEG,可能缺少复杂的频率依赖神经振荡.
• 这种局限性可能导致预测模型的表现不佳和缺乏可解释性.

研究的目的:

• 提出一种新的,可解释的多分支架构,MultiSincNet,用于基于EEG的预测中的时空CNN.
• 为了增强从性脑活动中捕获复杂的光谱特性和时空生物标志物.
• 开发一种后期解释技术,以理解多分支CNN学到的特征.

主要方法:

• 开发了MultiSincNet,具有可解释的sinc-convolution层来定义频率边界.
• 在MultiSincNet中实现并行分支,以提取和整合跨多种光谱分辨率的时空特征.
• 使用泰勒扩展构建了一个后期解释技术,用于可视化关键的学习特征.

主要成果:

• 当与EEGWaveNet,ShallowConvNet和DeepConvNet等现有模型集成时,MultiSincNet显著改善了特定主题的性能指标 (准确度,灵敏度,特异性,F1分数,AUC).
• 优化的MultiSincNet配置在关键指标上将EEGWaveNet的平均性能提高了大约7-8%.
• 可视化显示,最佳模型主要利用特定大脑区域局部化的高马波段的光谱能量差异.

结论:

• 拟议的MultiSincNet通过在EEG中捕获多分辨率的光谱-时间特征,为预测提供了一种可解释和有效的方法.
• 开发的解释技术为多分支时空CNN的决策过程提供了洞察力.
• MultiSincNet 显示出在提升自动预测系统的准确性和可靠性方面的巨大潜力.