拉链模式:使用EEG信号对精神病性犯罪侦测的调查

科学领域:

• 神经科学是一个神经科学.
• 法医科学 法医科学 法医科学
• 机器学习 机器学习
• 精神病学是一个精神病学.

背景情况:

• 脑电图 (EEG) 信号分析提供了具有成本效益的信息检索.
• 调查精神病犯罪对象的皮质活动对于理解和检测至关重要.
• 现有的方法在分析复杂的神经数据时可能缺乏可解释性.

研究的目的:

• 开发和评估一种可解释特征工程 (XFE) 模型,用于分析精神病犯罪者的EEG信号.
• 识别与犯罪精神病相关的明显皮质活动模式.
• 提高在法医神经科学中机器学习模型的可解释性.

主要方法:

• 策划了一个新的EEG数据集,包括精神病犯罪和控制组.
• 引入了基于频道的EEG信号特征提取的拉链模式 (ZPat).
• 采用代邻近组件分析 (INCA) 进行特征选择,并使用基于t算法的k-最近邻近 (tkNN) 分类器进行高性能分类.
• 利用了可解释结果和可解释的人工智能 (XAI) 的定向Lobish (DLob) 符号语言.

主要成果:

• 基于ZPat的XFE模型使用Leave-One-Record-Out (LORO) 和10倍交叉验证 (CV) 实现了超过95%的分类准确度.
• 通过基于DLob的XAI生成皮质连接组图,用于通过DLob的XAI检测精神病犯罪.
• 在识别精神病性犯罪个体方面表现出高的分类性能和可解释性.

结论:

• 提出的基于ZPat的XFE模型成功地将高分类性能与模型可解释性相结合.
• 这种方法为特征工程,精神病学,神经科学和法医科学提供了重大贡献.
• 基于ZPat的XFE模型代表了一个开创性的XAI应用程序,用于调查犯罪精神病.