通过CNN-BiLSTM与SHAP分析增强基于AR-SSVEP的EEG运动意图识别可解释性
机器学习
2025-12-09 v1 计算机视觉与模式识别
摘要
运动功能障碍患者在康复训练中主观参与度较低。传统基于SSVEP的脑机接口（BCI）系统高度依赖外部视觉刺激设备，限制了其在实际场景中的应用。本研究提出一种增强现实稳态视觉诱发电位（AR-SSVEP）系统，以解决患者主动性不足和治疗师工作负荷过高的问题。首先，我们设计了基于HoloLens 2的四类EEG实验范式，并从七名健康受试者处采集EEG数据进行分析。其次，我们在传统CNN-BiLSTM架构基础上集成多头注意力机制（MACNN-BiLSTM）。我们提取十种时频EEG特征并将其输入CNN以学习高层表征，随后利用BiLSTM建模序列依赖关系，并应用多头注意力机制来突出与运动意图相关的模式。最后，应用SHAP（SHapley Additive exPlanations）方法可视化EEG特征对神经网络决策过程的贡献，从而增强模型的可解释性。这些发现提升了实时运动意图识别能力，并为运动障碍患者的康复提供了支持。
引用
@article{arxiv.2512.06730,
title = {Enhancing Interpretability of AR-SSVEP-Based Motor Intention Recognition via CNN-BiLSTM and SHAP Analysis on EEG Data},
author = {Lin Yang and Xiang Li and Xin Ma and Xinxin Zhao},
journal= {arXiv preprint arXiv:2512.06730},
year = {2025}
}