深度学习算法在脑电情绪识别中的可解释性评估：以自闭症为例
信号处理
2023-02-27 v6 机器学习
摘要
当前可解释人工智能（XAI）的模型已显示出，当使用统计纠缠特征训练深度分类器时，在度量特征相关性方面存在明显且可量化的可靠性不足。将深度学习应用于临床试验以预测神经发育障碍（如自闭症谱系障碍（ASD））的早期诊断日益增多。然而，为获得更可信且可解释的指标而引入更可靠的显著图以利用神经活动特征，在临床诊断或临床试验的实际应用中仍不够成熟。此外，在 ASD 研究中，使用神经测量预测所视面部情绪的深度分类器相对较少被探索。因此，本研究提出评估一种卷积神经网络（CNN）用于基于脑电图（EEG）的面部情绪识别解码，并辅以一种新颖的移除并重训练（ROAR）方法来恢复分类器中使用的高相关特征。具体而言，我们比较了知名的关联图方法，如逐层相关性传播（LRP）、PatternNet、Pattern-Attribution 和 Smooth-Grad Squared。本研究首次在典型发育个体与 ASD 个体中，通过被试内训练的 CNN 实现了成功的基于 EEG 的面部情绪识别，并巩固了更透明的特征相关性计算。
引用
@article{arxiv.2111.13208,
title = {Evaluation of Interpretability for Deep Learning algorithms in EEG Emotion Recognition: A case study in Autism},
author = {Juan Manuel Mayor-Torres and Sara Medina-DeVilliers and Tessa Clarkson and Matthew D. Lerner and Giuseppe Riccardi},
journal= {arXiv preprint arXiv:2111.13208},
year = {2023}
}