xEEGNet:在EEG痴呆症分类中向可解释的AI发展

科学领域:

• 计算神经科学是一种神经科学.
• 人工智能在医学中的应用
• 生物医学信号处理

背景情况:

• 用于脑电图 (EEG) 分析的深度学习模型经常充当"黑子",限制了临床解释性.
• 现有的模型可能是参数重的,导致过拟合和减少神经疾病分类中的概括性.
• 需要紧,可解释和强大的神经网络来分析EEG数据中的光谱变化.

研究的目的:

• 推出xEEGNet,一个用于EEG数据分析的新,紧且完全可解释的神经网络.
• 为了证明该模型在与对照对痴呆症 (阿尔茨海默氏症和前性痴呆症) 的分类方面的有效性.
• 展示xEEGNet对其他表现为光谱变化的神经疾病的广泛适用性.

主要方法:

• 通过修改ShallowNet架构来开发xEEGNet,以提高透明度和减少参数.
• 采用了一个嵌套-leave-n-subjects的交叉验证策略,以获得公正的绩效估计.
• 分析学习的核心,权重和嵌入式EEG表示,以评估临床意义和解释性能变化.

主要成果:

• xEEGNet仅使用168个参数,与ShallowNet相比减少了200倍,同时保持了可解释性.
• 该模型实现了与ShallowNet相比较的中位数性能,仅有-1.5%的差异,并且表现出较低的性能变化.
• 更高的分类准确度与对照组和阿尔茨海默氏症组之间嵌入式EEG表示的更大的分离性相关.

结论:

• xEEGNet为基于EEG的病理学分类提供了一个比较大的深度学习模型更紧,更易于解释的替代方案.
• 该模型能够过特定的EEG频段并学习频段特定的地形,这强调了其临床可解释性.
• 这项研究验证了较小,透明的神经网络架构在使用EEG数据识别神经疾病时的有效性.