利用事后解释与领域知识优化 EEG 解码
人机交互
2025-01-28 v1 新兴技术
摘要
运动想象期间的 EEG 解码对脑机接口（BCI）系统至关重要，显著影响其整体性能。随着端到端数据驱动学习方法的发展，挑战在于如何平衡模型复杂性与人类可解释性及信任的需求。尽管基于 EEG 的 BCI 取得了进展，但伪影和低信噪比等挑战凸显了模型透明度的持续重要性。本工作提出利用事后解释来解释模型结果，并结合领域知识对其进行验证。在运动想象数据集上利用 GradCAM 事后解释技术，本工作表明仅依赖准确率指标可能不足以保证 BCI 的性能和可接受度。使用数据集所有 EEG 通道训练的模型达到了 72.60% 的准确率，而使用与运动想象/运动相关通道数据训练的模型准确率仅有 1.75% 的统计学不显著下降。然而，根据神经生理学事实，两者的相关特征截然不同。本工作表明，将领域特定知识与 XAI 技术相结合，成为验证 BCI 中模型结果神经生理学基础的一种有前景的范式。我们的结果揭示了神经生理学验证在评估 BCI 性能中的重要性，突显了在为可靠且透明的 BCI 选择模型时，仅依赖性能指标的潜在风险。
引用
@article{arxiv.2405.01269,
title = {Towards Optimising EEG Decoding using Post-hoc Explanations and Domain Knowledge},
author = {Param Rajpura and Yogesh Kumar Meena},
journal= {arXiv preprint arXiv:2405.01269},
year = {2025}
}
备注
5 pages, 4 figures, 1 table, accepted draft for IEEE EMBC 2024