用于抑郁检测中黑箱 EEG 模型解释后方法的比较研究
机器学习
2026-05-29 v1 人工智能
摘要
近期深度学习进展使基于脑电图（EEG）的抑郁症（MDD）分类准确率不断提升，但高容量模型的决策过程仍难以解释。本研究考察了应用于抑郁症 EEG 分类的 InceptionTime 架构的多种后置解释方法。分析包括基于 Shapley 值的、基于梯度的和基于扰动的归因方法：DeepSHAP、Integrated Gradients、GradCAM、Occlusion 和 Permutation Feature Importance。采用基于主观水平分层 5 折交叉验证框架，聚合 EEG 片段和受试者的全局归因。评估结果显示，所评估的方法呈现部分收敛的归因模式，前额叶、颞叶和后脑区（尤其是右半球）受到反复关注。定量比较表明，梯度方法与扰动方法之间存在显著一致性，而 DeepSHAP 产生的归因分布相对独特。与此同时，解释方法之间的差异性凸显了方法论假设对最终解释的影响。总体而言，结果表明不同的后置解释方法在 EEG 基于深度学习的抑郁检测模型中捕捉到部分重叠的相关性结构。虽然观察到的归因模式与若干前期 EEG 研究 MDD 的结果基本一致，但该分析应被解释为探索性研究，而非确切神经生理生物标志物或临床应用的证据。该研究既凸显了后置解释在精神医学应用中解释黑箱 EEG 分类器的有用性，也揭示了其局限性。
关键词
引用
@article{arxiv.2605.28977,
title = {Comparing Post-Hoc Explainable AI Methods for Interpreting Black-Box EEG Models in Depression Detection},
author = {Antonia Šarčević and Nikolina Frid},
journal= {arXiv preprint arXiv:2605.28977},
year = {2026}
}