TriPat-XFE:用于EEG分类的基于三角形图案的可解释特征工程框架
Suheda Kaya1, Irem Tasci2, Prabal Datta Barua3
1Department of Psychiatry, Elazig Fethi Sekin City Hospital, Elazig, Turkey.
Neuroscience
|December 7, 2025
概括
我们开发了一种新的三角形图案 (TriPat) 特征提取方法,用于脑电图 (EEG) 脑活动分析. 这种可解释特征工程 (XFE) 框架达到90%以上的准确性,提供实用和可解释的见解.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 脑电图 (EEG) 信号提供了一种具有成本效益的,非侵入性的脑活动监测方法.
- 从EEG数据中提取有意义的特征对于准确的分析和解释至关重要.
- 当前的方法可能缺乏解释性或需要大量的计算资源.
研究的目的:
- 引入一种新的特征提取方法,三角形模式 (TriPat),用于EEG分析.
- 提出一个新的可解释特征工程 (XFE) 框架,集成TriPat.
- 为了实现高性能分类,为EEG数据提供可解释的输出.
主要方法:
- 开发了三角形图案 (TriPat),用于准确和可解释的EEG特征提取.
- 将TriPat集成到XFE框架中,使用CWINCA进行特征选择和tkNN进行分类.
- 利用定向的Lobish (DLob) 人工智能从选定的特征生成象征性的解释.
主要成果:
- 在人工物,压力和精神病EEG数据集上实现了超过90%的分类准确性.
- 生成连接组图,可视化大脑活动模式.
- 与现有方法相比,证明了更高的准确性和更低的计算成本.
结论:
- 以TriPat为中心的XFE框架为EEG分析提供了一个实用和可解释的解决方案.
- 该框架在标准硬件上有效运行,不需要GPU.
- 为高性能分类和神经科学中可解释的AI提供了统一的方法.
