机构名称：
¥ 1.0
摘要 机器学习对脑电图 (EEG) 数据进行分类的研究为各种神经和精神疾病的诊断和预后提供了重要视角，但此类系统的临床应用率仍然很低。我们在此提出，将 EEG 机器学习研究转化为临床应用的大部分困难源于其技术报告中的一致不准确性，这严重损害了其通常很高的性能要求的可解释性。以 EEG 研究中使用的一类主要机器学习算法——支持向量机 (SVM) 为例，我们重点介绍了模型开发的三个重要方面（规范化、超参数优化和交叉验证），并表明，虽然这 3 个方面可以成就或破坏系统的性能，但令人震惊的是，绝大多数研究文献中都没有记录它们。对模型开发的这些方面进行更系统的描述构成了三个简单的步骤，以提高 EEG-SVM 研究的可解释性，并最终提高其临床应用。
提高 EEG 可解释性的三个简单步骤...
主要关键词
相关文件推荐
