可解释的基于SincNet的时空神经网络用于预测发作

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 时空卷积神经网络 (CNN) 用于从电脑电图 (EEG) 信号中预测 (SP).
• 现有的CNN在临床应用中面临着挑战,原因是解释能力差,参数众多.

研究的目的:

• 为时空CNN开发基于SincNet的可解释架构,以提高SP性能.
• 为了使时间波器范围和学习的时空特征的直接可视化.

主要方法:

• 为时空CNN (EEGNet-8,2,ShallowConvNet,DeepConvNet,EEGWaveNet) 提出了一个基于SincNet的可解释架构.
• 实施了一种可视化分析方法,以确定关键的时空特征.
• 在CHB-MIT EEG数据集上评估性能.

主要成果:

• 在较少的参数下,ShallowConvNet和EEGWaveNet表现出显著提高的性能.
• 在21名患者中,ShallowConvNet实现了87.2%的准确度,88.3%的灵敏度,87.1%的F1评分和92.7%的AUC.
• 可视化证实了该模型能够在SP的高频EEG频段中提取显著的空间光谱能量差异的能力.

结论:

• 提出的基于SincNet的可解释架构增强了SP的性能和可解释性.
• 视觉化方法有助于理解用于预测的学习特征.
• 这种方法为开发用于管理的临床应用AI工具提供了有希望的方向.