通过对抗性多个机器学习模型与EEG传感器数据融合对机器人手控的信任和解释性:一个模糊的决策解决方案
A S Albahri1, Rula A Hamid2, M E Alqaysi3
1Technical Engineering College, Imam Ja'afar Al-Sadiq University (IJSU), Baghdad, Iraq; University of Information Technology and Communications (UOITC), Baghdad, Iraq.
Computers in biology and medicine
|August 12, 2025
概括
这项研究开发了机器学习模型,用于使用大脑信号控制机器人手. 随机森林模型显示出最佳性能,通过特征融合技术提高了准确性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 开发可靠的机器学习 (ML) 模型,以使用运动图像 (MI) 脑信号实时控制机器人手,对于脑计算机接口 (BCI) 至关重要.
- 在非对抗条件和对抗条件下评估模型稳定性对于实际的BCI应用至关重要.
研究的目的:
- 开发和评估用于脑电图 (EEG) MI信号数据集的ML模型.
- 在敌对攻击下识别强大的机器人手控机器人机器学习模型.
- 在BCI系统中提高ML模型预测的可解释性.
主要方法:
- 预处理MI-EEG数据集,包括过,细分,时间频率特征提取,规范化和特征融合.
- 开发和评估9个ML模型,使用9个性能指标对抗对抗和非对抗场景.
- 使用模糊的多标准决策 (MCDM) 方法对ML模型进行基准测试,使用模糊的通过意见得分方法 (FDOSM) 和多视角决策矩阵 (MPDM) 进行决策.
主要成果:
- 随机森林 (RF) 模型展示了最好的整体性能,获得了最低的FDOSM分数.
- 特征融合技术在单独的EEG数据集上将射频模型的分类精度从83%提高到86%.
- 使用局部可解释性模型-不可知解释 (LIME) 方法来增强对射频模型预测的理解.
结论:
- 开发的ML模型,特别是Random Forest,显示出可靠的机器人手控制在BCI中的希望.
- 特征融合是提高基于EEG的BCI系统准确性的一个有价值的技术.
- 像LIME这样的模型解释性方法对于理解和信任BCI系统输出非常重要.
