一个可解释的3D深度学习模型用于脑电图解码在脑电脑接口应用程序
Muhammad Suffian1, Cosimo Ieracitano2, Francesco C Morabito3
1DIIES, University Mediterranea of Reggio Calabria, Via Zehender, Loc. Feo di Vito, Reggio Calabria 89122, Italy.
International journal of neural systems
|October 19, 2025
概括
本研究介绍了EEGCubeNet,这是一个深度学习框架,用于在脑计算机接口 (BCI) 系统中实现更快,更易于解释的电脑脑图解码 (EEG). 它通过使用全球对受试者特定的微调来显著减少校准时间.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 解码脑电图 (EEG) 信号对于大脑与计算机接口 (BCI) 的发展至关重要.
- 脑电图的高主体间变异性需要耗时的用户特定校准,限制了深度学习应用.
- 现有的方法通常需要大量的数据集来进行有效的模型训练.
研究的目的:
- 为快速和可解释的EEG解码提出一个多维和可解释的深度学习框架.
- 为了应对学科间变化的挑战,并减少BCI系统的适应时间.
- 引入一个新的深度学习模型,EEGCubeNet,用于增强EEG信号处理.
主要方法:
- 脑电图信号被投射到空间-光谱-时间域.
- 开发了一个定制的三维 (3D) 卷积神经网络 (EEGCubeNet).
- 采用全球对特定主题的微调方法,将人口层面的培训与个人用户微调相结合.
- 引入了一种基于3D封闭灵敏度分析的可解释性方法 (3D xAI-OSA).
主要成果:
- EEGCubeNet在从静止状态区分运动图像任务 (手打开/关闭) 中实现了最先进的性能.
- 该模型表现出高精度 ([公式:见文本]和[公式:见文本]分别为HC与RE和HO与RE).
- 与现有方法相比,观察到框架复杂性和培训时间减少.
- 3D xAI-OSA方法提供了相关性地图,以提高预测透明度.
结论:
- 拟议的EEGCubeNet框架为BCI应用程序的快速和可解释的EEG解码提供了重大进展.
- 全球对特定主题的微调策略有效地减少了适应时间,并提高了模型效率.
- 整合可解释性特征提高了深度学习模型的透明度和可信度.
- 开发的框架显示了深度学习在BCI研发中的更广泛采用.
