我的网络学习了什么? 评估深度学习对EEG的解释性
Pinar Göktepe-Kavis1,2, Florence M Aellen1,2, Sigurd L Alnes1,2
1Institute of Computer Science, University of Bern, Bern, Switzerland.
Imaging neuroscience (Cambridge, Mass.)
|December 5, 2025
概括
像EEGNet和ResNet这样的深度学习模型显示出对分析电脑电图 (EEG) 数据的前景. 仔细选择网络架构和可视化方法对于解释这些复杂模型至关重要.
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:
- 电生理学研究越来越多地使用多变量模式分析.
- 传统的机器学习方法通常假定一致的响应延迟,限制了它们的应用.
- 深度学习在EEG分析中提供了高性能,但在特征解释性方面面临挑战.
研究的目的:
- 评估预处理,网络架构和特征提取/可视化如何影响深度学习对脑电图 (EEG) 数据的解释性.
- 为了比较EEGNet和ResNet卷积神经网络 (CNN) 对于EEG解码的可解释性.
- 评估基于梯度的可视化技术 (saliency,GradCam) 对特征解释性的影响.
主要方法:
- 训练了两个CNN,EEGNet和ResNet,来解码对视觉和听觉刺激的单次试验EEG反应.
- 使用突出度和梯度加权激活地图 (GradCam) 提取和可视化学习的功能.
- 对比了两种CNN架构和可视化技术的性能和功能可解释性.
主要成果:
- EEGNet和ResNet表现出可比的解码性能.
- 不同的网络架构学习了不同的数据特征;EEGNet特征与原始EEG数据的相似性更高.
- 与突出映射相比,GradCam可视化产生了与EEG数据更一致的特征.
- 可视化技术影响了重要的电极的感知延迟和分布.
结论:
- 网络架构和功能可视化显著影响了EEG深度学习模型的可解释性.
- 由于与EEG数据的特征相似,EEGNet可能比ResNet提供更好的解释性.
- GradCam是一种更有效的可视化技术,用于EEG解释性而不是突出性.
- 对建筑和可视化的进一步研究对于在EEG研究中推进深度学习至关重要.
