利用可解释机器学习,基于脑电图(EEG)的听觉诱发电位对本土歌曲与非本土歌曲、中性音乐以及人类大脑的静息状态进行分类

《Neurocomputing》:Classification of Native and Non-native Songs, Neutral Music, and Resting State of Human Brain from EEG-Based Auditory Evoked Potential using Explainable Machine Learning

【字体: 大 中 小 】 时间:2026年04月21日 来源:Neurocomputing 6.5

编辑推荐:

  本研究提出基于脑电信号的可解释框架,通过时间域和时频域特征(如经验模态分解)分析不同音乐类型及静息状态下的听觉诱发电位(AEPs),随机森林分类器平均准确率达97.5%,揭示了脑电δ波与AEPs的关联,为神经反馈和康复提供新方法。

  
Fozia Rajbdad | Murtaza Aslam | Shoaib Azmat | Faiza Dad | Jian Xu
美国路易斯安那州立大学电气与计算机工程系

摘要

听觉诱发电位(AEPs)是一种无创的研究听觉处理的方法,可用于认知监测和生物医学应用。尽管已有基于音乐的电生理(EEG)研究,但AEP特征与能够区分复杂听觉类别(如熟悉度和语言内容)的神经生理机制之间的明确联系仍缺乏。为填补这一空白,本研究提出了一个基于EEG的可解释框架,利用从脑电图信号中提取的生理学上有意义的特征(包括时域和时间-频域表示)来分类母语歌曲、非母语歌曲、中性音乐和静息状态。该框架的可解释性体现在特征层面上,选定的特征及其重要性直接与已知的大脑节律和皮层功能相关联。这些听觉类别有助于研究熟悉度、新颖性和情感参与如何显著影响听觉诱发电位。研究结果表明,δ脑节律可以作为识别听觉刺激引起的AEP的标志,这是我们首次进行的探索。提取的特征显示,在音乐诱发活动中存在不同的皮层参与模式。利用这些特征,我们使用随机森林分类器可靠地区分了母语歌曲、非母语歌曲、中性音乐和静息状态活动,平均准确率为97.5%。经验模态分解进一步揭示了内在模态函数,能够精确识别听觉诱发电位响应中的P300成分。该框架在与SVM的所有二元LOSO比较中平均准确率为76.36%,在母语歌曲与静息状态的对比中准确率最高,达到84.86%。该框架可以监测音乐聆听期间的δ波段皮层反应,有助于通过追踪听觉参与度和放松状态来辅助冥想、神经反馈和康复。

章节摘录

引言

当声音刺激到达耳朵时,会触发听觉结构中的多种反应,从而产生听觉诱发电位(AEPs)。这些变化的电压与大脑中的神经元活动相关。它们有助于评估听觉神经系统的感觉和神经功能,可以通过脑电图(EEG)方法进行评估[1]。AEP的变化可以作为诊断神经系统疾病和精神疾病(如……)的指标

材料与方法

本节介绍了数据采集过程、数据集构成以及用于分类母语歌曲、非母语歌曲、中性音乐和静息状态的方法。首先描述了受试者和实验方案的详细信息,然后概述了特征提取过程,包括时域特征(空间特征、统计特征和脉冲特征)以及从经验模态分解(EMD)得到的时-频特征。随后使用特征选择方法对这些特征进行排序

结果

本文对由听觉刺激引起的EEG信号进行了分类,区分了母语歌曲、非母语歌曲、大脑的静息状态和中性音乐。研究使用了来自20名受试者的公开数据集,每位受试者在四个任务中提供了1分钟54秒的数据。试验被分割成2秒的间隔,每位受试者共有57次试验,总共1,140次试验。结果部分分析了各种分类器的性能

讨论

利用可解释机器学习的方法分析EEG数据中的AEPs,可以在生物识别、法医学和医疗保健领域带来新的机遇。理解模型决策与高预测准确性同样重要,特别是在脑机接口环境中,临床医生需要透明且基于神经生理学的结果。可解释的机器学习确保提取的特征真实反映了神经认知过程,而不是随机结果

结论

听觉诱发电位(AEPs)是一种无创的研究听觉处理的方法,适用于认知监测和生物医学应用。虽然一些EEG研究采用了基于音乐的模式,但AEP特征与区分复杂听觉类别的神经生理机制之间的明确联系仍然缺失。为了填补这一空白,本研究提出了一个可解释的EEG框架,用于分类母语歌曲、非母语歌曲和中性音乐

资助

本研究得到了合作行动计划(CAP)2024(006604)、SEC教师旅行基金(00016801)和国家科学基金会(NSF)CAREER奖(2046929)的支持。

CRediT作者贡献声明

Jian Xu:撰写 – 审稿与编辑、可视化、验证、监督、软件开发、资源管理、方法论设计、研究实施、资金获取、概念构思。Shoaib Azmat:撰写 – 审稿与编辑、验证、正式分析。Faiza Dad:撰写 – 审稿与编辑、验证。Fozia Rajbdad:撰写 – 初稿撰写、可视化、验证、软件开发、方法论设计、研究实施、正式分析、概念构思。Murtaza Aslam:撰写 – 初稿撰写

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

作者衷心感谢Jerry Trahan教授对语言、清晰度和手稿呈现方面的宝贵意见。

利益冲突

作者没有可能影响本文结果和/或讨论的竞争性或其他利益。
Fozia Rajbdad在韩国京畿道的Kyung Hee大学全球校区获得了生物医学工程硕士学位,在Abbottabad的COMSATS大学获得了计算机工程学士学位。她目前正在路易斯安那州巴吞鲁日的路易斯安那州立大学攻读电气与计算机工程博士学位。她的研究领域包括生物信号和图像处理、机器学习以及人工智能。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号