循环神经网络的可解释性以增强基于 P300 的脑机接口
机器学习
2026-05-12 v1 人工智能
人机交互
摘要
基于 P300 事件相关电位的脑机接口(BCIs)在健康、教育和辅助技术领域提供了有前景的应用。然而，与受试者间和受试者内变异性以及深度学习(DL)模型可解释性相关的挑战限制了其实际部署。在这项工作中，我们提出了后循环模块(PRM)，这是一个旨在提升性能和透明度的附加层，被整合到用于从脑电图(EEG)数据分类 P300 信号的循环神经网络(RNN)架构中。我们的方法通过全局和局部可解释性技术实现对时空信号的双重分析，使我们不仅能识别参与分类的最相关脑区和关键时间间隔，还能根据与公认的 P300 神经生理学描述相一致的时空脑电模式来解释模型决策。实验结果表明，性能较 SOTA 提升了 9%，同时揭示了受试者间和受试者内变异性的重要性，与既有的神经科学文献相符。通过使模型决策透明且高效，我们提出了一个可解释的基于 EEG 的模型框架。该框架不仅限于更高效的 P300 检测，还可以推广到广泛的基于 EEG 的任务。其识别关键空间和时间特征的能力使其适用于诸如运动想象、稳态视觉诱发电位甚至认知负荷评估等应用。
引用
@article{arxiv.2605.10121,
title = {Explainability of Recurrent Neural Networks for Enhancing P300-based Brain-Computer Interfaces},
author = {Christian Oliva and Vinicio Changoluisa and Francisco B Rodríguez and Luis F Lago-Fernández},
journal= {arXiv preprint arXiv:2605.10121},
year = {2026}
}