形状驱动可解释的AI与模拟化,以使用多通道EEG信号优化发作检测

科学领域:

• 医疗信息学 医疗信息学
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 发作的检测仍然具有挑战性,需要准确和可解释的模型.
• 当前的方法经常与患者的变化和数据不平衡作斗争.
• 可解释性AI (XAI) 为透明和可靠的诊断工具提供了潜力.

研究的目的:

• 通过将可解释AI (XAI) 与先进的优化技术相结合,开发一种用于增强发作检测的新型框架.
• 改善患者特异性和患者非特异性发作检测模型.
• 引入一种新的方法,SHAP-RELFR,用于有效的患者非特异性特征选择.

主要方法:

• 使用离散波波变换 (DWT) 进行多频段EEG特征提取.
• 用于随机森林 (RF) 超参数优化的模拟化 (SA).
• 应用SHAP (SHapley添加式扩展) 值来选择特征,包括新的SHAP-RELFR方法.
• 整合了SMOTE (合成少数人过量采样技术) 来解决不平衡的数据集.

主要成果:

• 拟议的方法大大提高了CHB-MIT和Siena数据集的发作检测性能.
• 在患者非特异性检测方面实现了高平均性能:96.58%的准确性 (CHB-MIT) 和94.81% (Siena).
• 证明了SHAP-RELFR在患者非特异性特征选择方面的有效性,提高了模型的概括性.

结论:

• 结合XAI,SMOTE和元启发式优化,可以提高发作检测效果.
• SHAP-RELFR方法提供了有效的患者非特异性特征选择,增加了临床适用性.
• 该框架提供可解释和多功能性发作检测模型,支持临床决策.