为了优化EEG解码,使用后期解释和域知识来优化EEG解码

科学领域:

• 神经科学是一个神经科学.
• 计算机科学 计算机科学
• 生物医学工程 生物医学工程

背景情况:

• 解码电脑电图 (EEG) 信号用于运动图像对于大脑计算机接口 (BCI) 性能至关重要.
• 数据驱动模型的日益复杂性挑战了对BCI系统的解释性和信任.
• 在EEG中,人工物和低信号噪声比需要透明和可靠的BCI模型.

研究的目的:

• 调查BCI绩效评估准确度指标的充分性.
• 为解释BCI模型结果提出并验证后期解释的使用.
• 评估特定领域知识与可解释AI (XAI) 的整合,以进行神经生理学验证.

主要方法:

• 将GradCAM后期解释技术应用于EEG电脑运动/图像数据集.
• 在所有EEG频道和相关频道中训练的模型之间比较模型性能和特征相关性.
• 对模型衍生特征与已确定的神经生理学事实进行验证.

主要成果:

• 使用所有EEG通道的模型达到了72.60%的准确度;使用相关通道的模型显示了统计学上微不足道的1.75%的下降.
• 两种模型之间发现了相关特征的显著差异,尽管准确度相似.
• 神经生理学验证揭示了不一致性,这些不一致性仅仅通过准确度指标来捕捉.

结论:

• 准确度指标不足以确保BCI系统的性能和可接受性.
• 将特定领域的知识与XAI技术相结合,为验证BCI模型的神经生理学基础提供了一个强大的方法.
• 神经生理学验证对于开发可靠和透明的BCI至关重要,减轻与过度依赖绩效指标相关的风险.