基于 Knockoff 小波的可解释细菌拉曼光谱分类

深度神经网络和其他复杂机器学习模型被广泛用于生物医学信号数据，因为它们能检测复杂模式并给出准确预测。然而，此类模型难以解释是一个局限，尤其在涉及高风险决策的应用中，包括细菌感染的识别。本文中，我们考虑快速拉曼光谱数据，并证明带有精心选择特征的逻辑回归模型能达到与神经网络相当的准确率，同时更为简单和透明。我们的分析利用具有直观化学解释的小波特征，并使用 knockoffs 进行受控变量选择以确保预测变量相关且非冗余。尽管我们聚焦于特定数据集，所提方法广泛适用于其他可能重视可解释性的信号数据。