基于可解释 SincNet 的深度学习方法用于 EEG 脑活动情绪识别
信号处理
2021-07-23 v1 人工智能
人机交互
机器学习
摘要
机器学习方法（如深度学习）在医学领域展现出有前景的结果。然而，这些算法缺乏可解释性可能阻碍其在医疗决策支持系统中的应用。本文研究一种称为 SincNet 的可解释深度学习技术。SincNet 是一种卷积神经网络，通过可训练的 sinc 函数高效学习定制的带通滤波器。在本研究中，我们使用 SincNet 分析自闭症谱系障碍（ASD）个体的神经活动，他们在神经振荡活动中表现出特征性差异。特别地，我们提出一种新颖的基于 SincNet 的神经网络，利用 EEG 信号检测 ASD 患者的情绪。所学滤波器可轻松检视，以检测 EEG 频谱中哪些部分被用于预测情绪。我们发现，我们的系统自动学习了高-（9-13 Hz）和 （13-30 Hz）频带抑制，这常出现在 ASD 个体中。该结果与近期关于情绪识别的神经科学研究一致，后者发现这些频带抑制与 ASD 个体观察到的行为缺陷之间存在关联。SincNet 改善的可解释性是在不牺牲情绪识别性能的情况下实现的。
引用
@article{arxiv.2107.10790,
title = {Interpretable SincNet-based Deep Learning for Emotion Recognition from EEG brain activity},
author = {Juan Manuel Mayor-Torres and Mirco Ravanelli and Sara E. Medina-DeVilliers and Matthew D. Lerner and Giuseppe Riccardi},
journal= {arXiv preprint arXiv:2107.10790},
year = {2021}
}