电机肌电 EEG 分类中的可解释性与性能平衡：ANFIS-FBCSP-PSO 与 EEGNet 比较研究
机器学习
2026-03-10 v2 人工智能
神经与进化计算
摘要
在脑机接口（BCI）研究中，实现电机肌电 EEG 的准确且可解释的分类仍是关键挑战。本文比较了透明的模糊推理方法（ANFIS-FBCSP-PSO）与众所周知的深度学习基准（EEGNet），使用公开的 BCI Competition IV-2a 数据集。ANFIS 流程结合了滤波器组常用空间模式特征提取与通过粒子群优化调整的模糊 IF-THEN 规则，而 EEGNet 则直接从原始 EEG 数据中学习层次空间-时间表示。在室内被试实验中，模糊-神经模型表现更好（准确率为 68.58% +/- 13.76%，kappa = 58.04% +/- 18.43），而在跨被试（LOSO）测试中，深度模型表现出更强的泛化能力（准确率为 68.20% +/- 12.13%，kappa = 57.33% +/- 16.22）。该研究为根据设计目标（可解释性或跨用户鲁棒性）选择 MI-BCI 系统提供了实用指导。对基于转换器和混合神经符号框架的未来研究预期将进一步推动透明的 EEG 解码。
引用
@article{arxiv.2511.00369,
title = {Balancing Interpretability and Performance in Motor Imagery EEG Classification: A Comparative Study of ANFIS-FBCSP-PSO and EEGNet},
author = {Farjana Aktar and Mohd Ruhul Ameen and Akif Islam and Md Ekramul Hamid},
journal= {arXiv preprint arXiv:2511.00369},
year = {2026}
}
备注
Accepted at the 2026 IEEE 2nd International Conference on Quantum Photonics, Artificial Intelligence and Networking (QPAIN 2026)