Search research articles

关于 JoVE

概览领导团队博客 JoVE 帮助中心

作者

出版流程编辑委员会范围与政策同行评审常见问题投稿

图书馆员

用户评价订阅访问资源图书馆顾问委员会常见问题

研究

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments 存档

教育

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual 教师资源中心教师网站

使用条款与条件

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序

Same author

Aggregating XAI-based explanations to identify spectral-spatial patterns in CNN-based resting-state EEG classification.

Scientific reports·2026

Same author

A CNN-based approach for detecting eye blink episodes in EEG signals.

Journal of neural engineering·2025

Same author

Viewer Engagement in Response to Mixed and Uniform Emotional Content in Marketing Videos-An Electroencephalographic Study.

Sensors (Basel, Switzerland)·2024

Same author

Stressors Length and the Habituation Effect-An EEG Study.

Sensors (Basel, Switzerland)·2022

Same author

Eye-Tracker Study of Influence of Affective Disruptive Content on User's Visual Attention and Emotional State.

Sensors (Basel, Switzerland)·2022

Same author

Simultaneous Eye Blink Characterization and Elimination From Low-Channel Prefrontal EEG Signals Enhances Driver Drowsiness Detection.

IEEE journal of biomedical and health informatics·2021

Search research articles

相关实验视频

Updated: Jan 11, 2026

A Method for Tracking the Time Evolution of Steady-State Evoked Potentials

A Method for Tracking the Time Evolution of Steady-State Evoked Potentials

Published on: May 25, 2019

在EEG领域一般解释的平均LIME.

Izabela Rejer¹, Izabela Gago¹

¹West Pomeranian University of Technology in Szczecin, Żołnierska 49, Szczecin, 71-210, Poland.

|November 15, 2025

概括

平均LIME通过平均局部解释来增强对像脑电图 (EEG) 这样的稳定系统中卷积神经网络 (CNN) 决策的理解. 这种方法揭示了隐藏的模式,以提高诊断中的深度学习透明度.

科学领域:

神经科学是一个神经科学.
计算机科学计算机科学
人工智能的人工智能

背景情况:

像卷积神经网络 (CNN) 这样的深度学习模型往往缺乏透明度.
解释CNN决策对于神经信息学和诊断的应用至关重要.
解释CNN的现有方法可能无法提供可概括的见解,特别是对于具有稳定的空间分布的数据.

研究的目的:

引入平均LIME,这是一种用于全球解释CNN决策的新方法.
为了能够更好地理解在具有相对稳定的空间分布的系统中的CNN行为,例如基于事件相关潜力 (ERP) 的系统.
评估平均LIME在电脑电图 (EEG) 数据中的正确性和模式检测能力.

主要方法:

通过从Local Interpretable Model-agnostic Explanations (LIME) 算法中平均局部解释,开发了平均LIME.
通过两项研究评估LIME的平均值:一个是已知的感兴趣区域 (ROI) 和另一个探索性研究.
与SHapley添加式扩展 (SHAP) 和梯度加权类激活映射 (Grad-CAM) 进行了平均LIME的比较.

主要成果:

平均LIME在确定EEG数据中已知的ROI方面表现出可靠性.

关键词:

平均的LIME时间在美国,CNN是CNN.这是一个EEGEEGEEGEEGEEGEEGEEG.可以解释性 (xAI)这是GRAD-CAM.在 LIME 时代,这就是 SHAP SHAP 的意思.

更多相关视频

High-density Electroencephalographic Acquisition in a Rodent Model Using Low-cost and Open-source Resources

High-density Electroencephalographic Acquisition in a Rodent Model Using Low-cost and Open-source Resources

Published on: November 26, 2016

Investigating the Function of Deep Cortical and Subcortical Structures Using Stereotactic Electroencephalography: Lessons from the Anterior Cingulate Cortex

Investigating the Function of Deep Cortical and Subcortical Structures Using Stereotactic Electroencephalography: Lessons from the Anterior Cingulate Cortex

Published on: April 15, 2015

相关实验视频

Last Updated: Jan 11, 2026

A Method for Tracking the Time Evolution of Steady-State Evoked Potentials

A Method for Tracking the Time Evolution of Steady-State Evoked Potentials

Published on: May 25, 2019

High-density Electroencephalographic Acquisition in a Rodent Model Using Low-cost and Open-source Resources

High-density Electroencephalographic Acquisition in a Rodent Model Using Low-cost and Open-source Resources

Published on: November 26, 2016

Investigating the Function of Deep Cortical and Subcortical Structures Using Stereotactic Electroencephalography: Lessons from the Anterior Cingulate Cortex

Investigating the Function of Deep Cortical and Subcortical Structures Using Stereotactic Electroencephalography: Lessons from the Anterior Cingulate Cortex

Published on: April 15, 2015

该方法揭示了在原始数据或单个突出性地图中看不到的医学上可解释的ROI.

平均LIME产生的激活模式比SHAP和Grad-CAM更一致和更容易泛化.

成功地揭示了EEG数据中隐藏的一般模式.

结论:

averagedLIME增强了对具有稳定的空间分布的系统的CNN决策的全球解释.
与现有技术相比,该方法提供了更一致和更可普遍的激活模式.
在神经信息学和诊断应用中,averagedLIME具有显著的潜力,可以提高深度学习模型的透明度.