《International Journal of Engineering Business Management》：Explainable AI for EEG-based classification of inner, pronounced, and visualized tasks
编辑推荐：
脑电图（electroencephalography, EEG）是一种广泛使用的非侵入性神经活动监测技术，但其在临床和辅助场景中的实际影响受限于需要专家解读。这种对人工分析的依赖导致神经学评估显著延迟，限制公共医疗系统的可扩展性，并阻碍神经认知评估的及时获取。
脑电图（electroencephalography, EEG）是一种广泛使用的非侵入性神经活动监测技术，但其在临床和辅助场景中的实际影响受限于需要专家解读。这种对人工分析的依赖导致神经学评估显著延迟，限制公共医疗系统的可扩展性，并阻碍神经认知评估的及时获取。尽管基于人工智能（artificial intelligence, AI）的方法能够自动化EEG解读的部分环节，但多数现有解决方案缺乏可解释性且跨被试泛化有限——这两项限制削弱信任、临床采纳和公平的大规模部署。在适当预处理、加窗和特征选择策略支持下，可解释AI模型能够辅助初步EEG解读，同时保持神经生理可解释性并改善跨被试性能。研究人员使用来自10名参与者的高密度EEG数据集，评估五种经典机器学习分类器——随机森林（Random Forest, RF）、朴素贝叶斯（Naive Bayes, NB）、梯度提升（Gradient Boosting, GB）、多层感知机（Multi-Layer Perceptron, MLP）和支持向量机（Support Vector Machine, SVM）——以区分内隐言语、出声言语和视觉化认知想象。研究人员系统分析加窗策略、归一化程序和特征选择方法如何影响分类性能。使用SHAP（SHapley Additive exPlanations）和LIME（Local Interpretable Model-agnostic Explanations）检查模型可解释性，以识别任务相关特征和皮层模式。归一化显著改善跨被试性能，而被试内模型达到更高准确率，表明被试间变异性仍是可扩展EEG系统面临的核心挑战。SHAP和LIME分析揭示的特征分布与各任务的理论预期一致，证实模型捕获了具有神经生理意义的区分。本研究为可解释AI驱动的EEG系统提供概念验证，该系统能够支持以公民为中心的应用，如神经康复、辅助沟通和公共医疗中的早期分诊。通过增强透明性和泛化能力，研究结果推进了可扩展神经辅助技术的发展，旨在减少诊断瓶颈、扩大可及性并增强公民福祉。
Alberto San Segundo-Gonzalo与Laura Cornejo-Bueno的论文围绕内隐言语、出声言语与视觉想象三类高级认知活动的EEG（electroencephalography，脑电图）分类展开。研究背景在于，EEG虽能非侵入性记录脑活动，并为脑机接口（brain–computer interface, BCI）与辅助沟通提供窗口，但其临床和辅助应用受制于专家人工解读：神经学评估延迟、公共医疗系统可扩展性受限、神经认知评估难以及时获取。人工智能（artificial intelligence, AI）与机器学习（machine learning, ML）虽可自动化EEG分类，但现有方案多缺乏可解释性，且跨被试泛化有限，削弱临床信任与公平部署。EEG信号高维、含噪且个体差异大，许多BCI仍需个体校准，难以适用于运动或认知障碍终端用户。为此，研究人员使用10名参与者的高密度EEG数据，系统比较窗宽、归一化与特征选择对分类的影响，采用SHAP和LIME识别任务相关特征与皮层模式，并以跨被试性能作为可扩展应用的主要基准、被试内性能作为参考上限。研究结论表明，归一化显著改善跨被试性能，被试内模型准确率更高，被试间变异仍是核心挑战；可解释性分析显示模型特征分布与神经生理预期一致。其意义在于为可解释AI驱动的EEG系统提供概念验证，支持神经康复、辅助沟通和公共医疗早期分诊等以公民为中心的应用。
关键技术方法（≤250字）：数据来自OpenNeuro数据集ds003626，包含10名右利手参与者的BioSemi 128通道EEG记录，三任务共5,640试次。研究人员对每个通道按Delta、Theta、Alpha、Beta、Gamma频段及宽带滤波，提取均值、标准差、峰度、方差和频带功率，得到每试次3,840个特征；比较2.5 s（1.0–3.5 s）、2 s（1.5–3.5 s）和1 s/75%重叠三种窗宽。采用被试内4折交叉验证和留一被试10折交叉验证，使用z-score归一化和模拟退火特征选择，比较RF、HGB、GNB、MLP、SVM，并以Accuracy、F1、Recall、Precision及Almost Stochastic Order（ASO）检验评价；用SHAP和LIME进行解释性分析。
研究结果如下。跨被试分类（Cross-Subject Classification）：通过无归一化/无特征选择、仅特征选择、仅归一化、归一化+特征选择四类配置比较及统计检验发现，无归一化时HGB最高（0.486），GNB最低（0.391）；仅特征选择对RF和MLP有小幅提升，但未改善总体泛化，提示特征冗余不是主要瓶颈；归一化显著提升所有模型，RF由0.431升至0.503，HGB由0.486升至0.548；归一化+特征选择取得最佳跨被试性能，RF为0.562、HGB为0.537，统计上RF与HGB显著优于其余模型；跨模型平均特征重要性显示，内隐言语最信息丰富的区域为IFG（inferior frontal gyrus，额下回）和颞上区，视觉任务以枕叶和顶叶为主，特征选择进一步强调颞叶和额叶电极。被试内分类（Within-Subject Classification）：通过每名被试4折交叉验证发现，HGB最高（96.0%），RF为90.2%，MLP与SVM约73–78%，GNB为66.0%，统计上HGB最佳，说明去除个体变异后性能大幅提高。内隐vs视觉比较（Inner vs Visualized comparison）：通过二分类评估发现，HGB最佳（95.6%），RF约85%，MLP约79%，SVM为73.8%，GNB为64.1%，统计上树模型更优；特征重要性显示内隐言语在IFG和颞上区强激活，视觉任务在PPC（posterior parietal cortex，后顶叶皮层）、枕叶和额区出现峰值，出声言语主要因这些区域特征缺失而与内隐言语区分，且无特定频段主导。词类型分类（word-type classification）：跨被试结果与随机不可区分；被试内RF的F1为0.29、HGB为0.28，虽略高于随机且统计上RF/HGB优于GNB/MLP/SVM，但距实用仍远，表明非侵入EEG词级解码仍极具挑战。
讨论部分指出，被试级归一化一致改善跨被试性能，证实EEG存在强个体差异，通用BCI需归一化或适应策略；特征选择在跨被试有增益、在被试内无益，反映公民导向BCI与个性化BCI需求不同。跨被试结果提示归一化和可解释性是EEG模型用于公民导向场景的关键，特征重要性与神经生理证据高度一致可增强临床与辅助应用信任。与同数据集既往研究一致，词级解码仍困难，而内隐与视觉想象等高层状态更可分。解释性分析显示内隐/出声言语涉及额颞区、视觉任务涉及顶枕区，但gamma频段重要性偏高，提示部分性能可能由残余眼动或肌肉伪迹驱动，需要更严格伪迹处理。总体而言，非侵入EEG可可靠区分广泛认知状态，但细粒度词级解码仍超出当前能力；未来应整合可直接从原始EEG学习时空特征的深度学习架构、实施更严格伪迹处理，并在更大且含临床人群的队列中验证可解释模型。结论部分翻译：本研究考察经典机器学习从高密度EEG解码高级认知活动（内隐言语、出声言语与视觉想象）的方法，通过系统评估预处理、加窗、归一化和特征选择，识别影响分类性能的关键条件。被试级归一化对缓解被试间变异十分必要，并显著改善被试独立应用中的跨被试泛化；特征选择在跨被试场景提供额外收益，但在被试内无改善，因模型已捕获高度个体化神经模式。RF与HGB在两种评估范式中均表现最强。解释性分析显示模型决策依赖的脑区与言语和视觉想象文献大体一致，但gamma频段贡献可能反映残余伪迹。结果说明非侵入EEG可可靠区分广泛认知状态，如区分内隐言语与视觉任务，但细粒度词级解码在当前数据集和方法下仍极具挑战。未来研究应聚焦三方向：整合可直接从原始EEG学习时空特征的深度学习架构、实施更严格伪迹处理以分离高频神经源、在包括临床人群的更大队列中验证可解释模型。
