KnowEEG: Explainable Knowledge Driven EEG Classification

要約

脳波（EEG）は、疾患の分類から感情の検出、脳コンピューターの界面に至るまで、脳の活動を記録する方法です。
深い学習の最近の進歩により、EEG分類のパフォーマンスが向上しましたが、モデルの説明可能性は依然として問題です。
説明可能性のこの重要な制限に対処するために、Knoweeegを紹介します。
EEG分類のための新しい説明可能な機械学習アプローチ。
Knoweegは、電極ごとの特徴の包括的なセットを抽出し、統計テストを使用してそれらをフィルタリングし、電極間接続統計を統合します。
これらの機能は、森林の木を栽培する際に電極接続性の特徴との間の電極統計のバランスをとる、修正されたランダムフォレストモデル（Fusion Forest）に入力されます。
一般化された時系列とEEG固有のドメインの両方から知識を組み込むことにより、Knoweeegは、5つの異なる分類タスクで最先端の深い学習モデルに匹敵する、またはそれを超えるパフォーマンスを達成します。
高性能に加えて、Knoweegは、理解可能な機能の機能の重要性スコアを通じて、固有の説明可能性を提供します。
目を閉じた/オープン分類タスクの例で、この説明可能性を使用してクラスに関する知識を発見できることを示します。
目のオープン/クローズド分類のためのこの発見された知識は、現在の神経科学の文献によって正しいことが証明されています。
したがって、HealthcareなどのEEGの説明可能性が重要であるドメインにとって、Knoweeegの影響は重要です。

要約(オリジナル)

Electroencephalography (EEG) is a method of recording brain activity that shows significant promise in applications ranging from disease classification to emotion detection and brain-computer interfaces. Recent advances in deep learning have improved EEG classification performance yet model explainability remains an issue. To address this key limitation of explainability we introduce KnowEEG; a novel explainable machine learning approach for EEG classification. KnowEEG extracts a comprehensive set of per-electrode features, filters them using statistical tests, and integrates between-electrode connectivity statistics. These features are then input to our modified Random Forest model (Fusion Forest) that balances per electrode statistics with between electrode connectivity features in growing the trees of the forest. By incorporating knowledge from both the generalized time-series and EEG-specific domains, KnowEEG achieves performance comparable to or exceeding state-of-the-art deep learning models across five different classification tasks: emotion detection, mental workload classification, eyes open/closed detection, abnormal EEG classification, and event detection. In addition to high performance, KnowEEG provides inherent explainability through feature importance scores for understandable features. We demonstrate by example on the eyes closed/open classification task that this explainability can be used to discover knowledge about the classes. This discovered knowledge for eyes open/closed classification was proven to be correct by current neuroscience literature. Therefore, the impact of KnowEEG will be significant for domains where EEG explainability is critical such as healthcare.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google