蒙特帕特:对EEG信号的调查

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
• 生物医学工程 生物医学工程

背景情况:

• 脑电图 (EEG) 是一种具有成本效益的脑活动监测方法.
• 解释复杂的EEG信号往往需要先进的机器学习 (ML) 模型.
• 有效的特征提取对于改善EEG分析中的ML模型性能至关重要.

研究的目的:

• 介绍和评估MountPat,一种新的确定性特征工程转换用于EEG信号.
• 在可解释特征工程 (XFE) 框架内展示MountPat的功能.
• 评估拟议的XFE模型的跨学科概括性和可解释性.

主要方法:

• 使用新的MountPat转换进行特征提取.
• 通过累计加权代邻域组件分析 (CWNCA) 进行特征选择.
• 使用基于t-算法的k-最近邻居 (tkNN) 的分类.
• 使用导向大 (DLob) 可解释的人工智能 (XAI) 方法生成可解释的洞察力.

主要成果:

• 基于MountPat的XFE框架在六个EEG数据集上实现了高精度 (76.36%-98.88%) 在主体独立 (LOSO) 验证下.
• 在所有数据集中,样本智能的十倍交叉验证 (CV) 超过了89%的准确性.
• DLob XAI 方法提供了可解释的结果,说明了框架的有效性.

结论:

• MountPat是一种有效的新型特征提取方法,用于多通道信号处理,特别是对EEG数据.
• 可解释特征工程 (XFE) 框架展示了强大的跨学科概括能力.
• 集成XAI提高了在EEG信号分析中ML模型的可解释性.