在模仿学习任务中对演示格式和演讲者身份进行分类:基于EEG的可解释机器学习
Ivan Gusev1, Ekaterina Karimova1
1Laboratory of Applied Physiology of Human Higher Nervous Activity, Institute of Higher Nervous Activity and Neurophysiology of RAS (IHNA&NPh RAS), 5A Butlerova street, Moscow, 117485, the Russian Federation.
Computers in biology and medicine
|October 19, 2025
概括
电脑电图 (EEG) 信号可以区分现场和视频手势演示,贝塔频段活动是关键. 机器学习模型准确地识别了演示格式,并谨慎地识别了个别演讲者.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 机器学习 机器学习
背景情况:
- 模仿学习对于技能获取至关重要.
- 了解大脑如何处理不同的演示格式 (现场与视频) 是至关重要的.
- 可解释的人工智能提供了对学习神经相关的见解.
研究的目的:
- 为了研究在现场和视频手势演示之间的EEG信号差异.
- 探讨个人示威者之间基于EEG的歧视.
- 应用可解释的机器学习来解释神经模式.
主要方法:
- 在模仿任务中记录了83名参与者的EEG.
- 在α和β频段中提取相对功率.
- 利用随机森林和多层感知子模型,使用贝叶斯优化和SHAP进行解释.
主要成果:
- 贝塔频段活动是分类中最有信息的特征.
- 多层感知器模型在识别演示格式时达到高达77%的准确性.
- 随机森林模型在区分个人示范者方面更有效.
- SHAP分析揭示了现场与视频演示的独特神经模式,与社会感知和认知处理有关.
结论:
- 脑电图信号,特别是贝塔频段活动,可以区分手势示范格式.
- 机器学习模型可以解码这些神经差异.
- 可解释的人工智能从不同来源提供了对模仿学习背后的神经机制的见解.
更多相关视频
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
11.4K
05:48Author Spotlight: Investigating the Impact of Emotional Prosodies on Voice Recognition and Perception
Published on: August 9, 2024
2.0K
