基于SHAP可解释性AI与模拟退火优化的多通道EEG信号癫痫检测框架

为解决癫痫检测模型个体差异大、数据不平衡及可解释性不足的问题，研究人员创新性地将可解释人工智能(XAI)与模拟退火(SA)优化相结合，提出SHAP-RELFR特征选择方法。通过离散小波变换(DWT)提取多频带特征，采用SHAP值筛选特征并优化随机森林(RF)超参数，结合SMOTE处理数据不平衡。在CHB-MIT和Siena数据集上验证显示，非患者特异性模型的平均准确率达96.58%/94.81%，AUC达0.9452/0.9400，为临床决策提供可解释、普适性强的解决方案。

　　

这项研究构建了一个融合可解释人工智能(XAI)与模拟退火(Simulated Annealing, SA)的创新框架，专门用于提升多通道脑电图(EEG)信号的癫痫发作检测能力。科研团队巧妙地将离散小波变换(Discrete Wavelet Transform, DWT)应用于EEG信号分解，从中提取熵特征和统计特征作为基础数据。

为解决模型泛化难题，研究者开发了名为SHAP-RELFR的新方法，通过沙普利加和解释(SHapley Additive exPlanations, SHAP)值实现跨患者的非特异性特征选择。针对数据不平衡问题，采用合成少数类过采样技术(SMOTE)进行数据增强。最精彩的是引入模拟退火算法对随机森林(Random Forest, RF)分类器进行超参数优化，就像给检测系统装上了智能调节器。

在CHB-MIT和Siena两个权威数据集上的测试结果令人振奋：非特异性模型在CHB-MIT数据集上斩获96.58%的准确率和0.9452的AUC值，特异性更高达98.02%；在Siena数据集上同样表现优异，各项指标均超过94%。这项研究不仅提供了高性能的癫痫检测方案，更重要的是通过XAI技术让算法决策过程变得透明可解释，就像给黑箱模型装上了显微镜，为临床医生提供了既可靠又易懂的辅助决策工具。