机构名称：
¥ 1.0
摘要：脑电图 (EEG) 是一种非侵入性方法，通过监测认知和运动任务期间的神经反应来辨别人类行为。机器学习 (ML) 是一种很有前途的人类活动识别 (HAR) 工具，可解释人工智能 (XAI) 可以阐明 EEG 特征在基于 ML 的 HAR 模型中的作用。本研究的主要目的是调查基于 EEG 的 ML 模型对日常活动（例如休息、运动和认知任务）进行分类的可行性，并通过 XAI 技术对模型进行临床解释，以阐明对不同 HAR 状态贡献最大的 EEG 特征。该研究涉及对 75 名健康个体的检查，这些个体之前没有神经系统疾病的诊断。在静息状态、两种运动控制状态（行走和工作任务）和认知状态（阅读任务）期间获得了 EEG 记录。电极被放置在大脑的特定区域，包括额叶、中央叶、颞叶和枕叶（Fz、C1、C2、T7、T8、Oz）。使用 EEG 数据训练了几种 ML 模型以进行活动识别，并采用 LIME（局部可解释模型不可知解释）对 HAR 模型中最具影响力的 EEG 频谱特征进行临床解释。HAR 模型的分类结果，尤其是随机森林和梯度提升模型，在区分所分析的人类活动方面表现出色。ML 模型在人类活动识别方面表现出与 EEG 频谱带的一致性，这一发现得到了 XAI 解释的支持。总之，将可解释人工智能（XAI）纳入人类活动识别（HAR）研究可能会改善患者康复、运动意象、医疗保健元宇宙和临床虚拟现实设置的活动监测。
使用机器学习方法和 LIME 的可解释 EEG 人类活动识别模型
主要关键词
相关文件推荐
