生成对抗网络合成生理精确脑电信号的超参数影响研究：基于正弦样本生成的探索

【编辑推荐】本研究提出XAI-DeepNET框架，将深度学习（DL）与可解释人工智能（XAI）结合，通过改进小波阈值去噪（MWTh）和Grad-CAM可视化技术，在印度手势数据集和20BN Jester数据集上分别实现99.94%和96.21%的动态手势识别（DGR）准确率，为听障人机交互（HCI）提供了透明化决策模型。

　　

亮点

XAI-DeepNET的创新架构

本研究设计了一种融合深度学习与可解释人工智能（XAI）的新型框架XAI-DeepNET，通过改进的小波阈值去噪（MWTh）技术预处理动态手势视频，并利用Grad-CAM热力图直观展示神经网络决策依据，在紧急手势识别和人机交互（HCI）场景中实现高精度分类。

实验验证

在印度手势数据集和20BN Jester数据集上的测试表明，XAI-DeepNET的识别准确率分别达到99.94%和96.21%，显著优于传统模型。Grad-CAM的可视化结果证实，模型能聚焦于手部关键运动轨迹，为动态手势识别（DGR）提供了可靠的时空特征解释。

结论与展望

XAI-DeepNET不仅解决了深度学习"黑箱"的信任难题，还为听障辅助系统开发提供了新思路。未来研究将探索多模态数据融合（如脑电信号EEG）以进一步提升复杂场景下的识别鲁棒性。

作者贡献声明

C. Karthikeyan：概念设计、数据整理、方法论构建及初稿撰写；S. Kannimuthu：项目指导、资源协调、论文修订及软件调试。

资金声明

本研究未接受任何公共或非营利机构资助，所有工作由作者独立完成。

利益冲突声明

作者声明不存在可能影响本研究结果的财务或个人利益冲突。