基于单导联脑电图的虚拟现实运动不适检测方法及其可解释的特征选择

《Medical & Biological Engineering & Computing》：Single-Lead EEG-based virtual reality motion sickness detection using interpretable feature selection

　　摘要背景脑电图（EEG）是检测虚拟现实运动病（VRMS）的关键方法，但多导联记录和高分辨特征增加了处理复杂度、设备成本和用户负担。目的本研究提出了一种基于SHapley加性解释（SHAP）的单导联建模与特征筛选框架，以减少脑电导联数量和特征维度，实现轻量化的VRMS检测。方法本研究使用六种经典深度学习方法解码模型，通过SHAP值评估各导联的贡献，并确定最优单导联。随后，提取手工特征，并使用相关—SHAP策略进行筛选，最终采用XGBoost进行分类。结果FT11在所有评估模型中均表现出具有竞争力且相对一致的性能，在综合SHAP导联重要性、单导联分类性能、频带差异和生理学相关性后，被选定为目标导联。在本研究所采用的窗口级十折交叉验证协议下，所提出的模型使用七个筛选特征达到了87.53%±0.73%的准确率，比全导联全特征模型低9.55个百分点，比单导联全特征模型低0.69个百分点。意义这些发现表明，本文提出了一种可解释的框架，用于识别与VRMS相关的脑电特征判别的精简单导联与特征配置。对全局选定配置的附加事后留一被试（LOSO）测试显示，在保留被试上的性能有限。由于导联、分类器和特征配置在LOSO测试之前已全局选定，这些结果不应被解释为跨被试泛化能力的完全独立估计。图形摘要