基于自动机模式的可解释特征工程模型:对EEG文物分类的调查
Irem Tasci1, Sengul Dogan2, Turker Tuncer3
1Department of Neurology, Firat University Hospital, Firat University, Elazig, Turkey.
Brain topography
|November 4, 2025
概括
我们开发了用于EEG分析的自动模式 (AutPat),在分类任务中获得了超过88%的准确性. 这种可解释的特征工程管道既提供了高性能,也提供了清晰的符号解释.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 信号处理 信号处理
背景情况:
- 电脑电图 (EEG) 分析需要强大的特征提取方法.
- 现有的方法往往缺乏解释性,阻碍了临床应用.
- 可解释性AI (XAI) 对于理解复杂的生物数据至关重要.
研究的目的:
- 推出自动模式 (AutPat) 作为一种新的EEG特征提取器.
- 开发一个可解释的特征工程 (XFE) 管道用于EEG分析.
- 评估AutPat在各种EEG任务中的性能和可解释性.
主要方法:
- AutPat从原始EEG数据中提取特征.
- 使用累积加权代邻域组件分析 (CWINCA) 进行特征选择.
- 通过基于t算法的k-最近邻居 (tkNN) 分类器进行分类.
- 通过定向叶片 (DLob) 符号和连接组图的解释性.
主要成果:
- 基于AutPat的XFE在工件,压力和精神表现检测任务上实现了>88%的分类准确性.
- CWINCA有效地减少了特征维度,同时保持了分类准确性.
- DLob层生成了符号输出和8x8皮层连接组矩阵以实现可解释性.
结论:
- 与CWINCA和tkNN集成到XFE管道中的AutPat提供了一个紧,准确和可解释的EEG分析解决方案.
- 该管道证明了对EEG分析的实用实用性,该分析需要高性能和固有的象征性解释.
- 基于AutPat的XFE代表了可解释的EEG数据解释的重大进步.
