ChMinMaxPat:使用EEG信号对暴力和压力检测的调查

科学领域:

• 神经科学和计算精神病学
• 机器学习用于生物信号分析
• 在医疗保健中的可解释的人工智能 (XAI)

背景情况:

• 电脑电图 (EEG) 信号为大脑活动提供了具有成本效益的窗口.
• 对EEG数据的准确分类对于理解神经状态至关重要.
• 现有的方法往往缺乏解释性,阻碍了临床应用.

研究的目的:

• 引入和评估用于EEG数据分类的新型可解释特征工程 (XFE) 模型.
• 评估模型从EEG信号中检测暴力和压力的能力.
• 为基于EEG的行为分析产生可解释的发现.

主要方法:

• 使用基于频道的最小和最大模式 (ChMinMaxPat) 功能提取功能.
• 用累积基于重量的邻里组件分析 (CWNCA) 来进行特征选择.
• 应用了一种基于t-算法的代集合k-最近邻居 (tkNN) 分类器,用于信息融合的代多数投票 (IMV) 和可解释性的定向游说 (DLob),形成了一个自我组织的可解释特征工程 (SOXFE) 框架.

主要成果:

• 基于ChMinMaxPat的SOXFE模型通过交叉验证 (CV) 实现了70%以上的准确性.
• 在两个不同的EEG数据集上实现了超过90%的准确性,CV为10倍.
• 每个数据集生成15个定向Lobish (DLob) 字符串,提供符号和可解释的输出.

结论:

• 基于ChMinMaxPat的SOXFE模型显示了基于EEG的暴力和压力检测的显著分类准确性和可解释性.
• 这项研究通过实现可解释的EEG分类,有助于特征工程和神经科学.
• 强调了可解释的EEG分析在临床和法医应用中的潜力.