[论文解读] Polynomial Neural Networks Learnt to Classify EEG Signals

Vitaly Schetinin|ArXiv.org|Apr 13, 2005

Neural Networks and Applications参考文献 8被引用 11

一句话总结

本文提出了一种基于改进分组数据处理法（GMDH）训练的多项式神经网络（PNN），从标记的脑电图（EEG）信号中提取可解释的多项式分类规则。该方法在分类正常与伪影EEG片段时达到96.5%的准确率，在分类阿尔茨海默病风险患者时达到72%的准确率，优于标准前馈网络，同时提供解析规则表示。

ABSTRACT

A neural network based technique is presented, which is able to successfully extract polynomial classification rules from labeled electroencephalogram (EEG) signals. To represent the classification rules in an analytical form, we use the polynomial neural networks trained by a modified Group Method of Data Handling (GMDH). The classification rules were extracted from clinical EEG data that were recorded from an Alzheimer patient and the sudden death risk patients. The third data is EEG recordings that include the normal and artifact segments. These EEG data were visually identified by medical experts. The extracted polynomial rules verified on the testing EEG data allow to correctly classify 72% of the risk group patients and 96.5% of the segments. These rules performs slightly better than standard feedforward neural networks.

研究动机与目标

• 开发一种从临床EEG数据中提取可解释多项式分类规则的方法。
• 解决EEG基医疗诊断中对透明、解析模型的需求。
• 在保持可解释性的前提下，提升分类性能，超越标准前馈神经网络。
• 在包含阿尔茨海默病及猝死风险患者的真实EEG数据上验证该方法。
• 利用改进的GMDH训练框架，从EEG信号中提取规则。

提出的方法

• 采用多项式神经网络（PNN）对EEG信号中的非线性关系进行建模。
• 使用改进的分组数据处理法（GMDH）训练PNN，实现模型结构与参数的自动选择。
• PNN生成表示分类规则的解析多项式表达式。
• 该方法直接从标记的EEG数据中提取规则，包括正常、伪影及病理段。
• 训练过程通过优先选择低阶多项式项，强调模型的可解释性。
• 最终模型在独立测试数据上进行验证，以评估分类准确率。

实验结果

研究问题

• RQ1 通过改进GMDH训练的多项式神经网络能否从EEG信号中提取可解释的分类规则？
• RQ2 PNN在EEG数据分类中的性能与标准前馈神经网络相比如何？
• RQ3 PNN在多大程度上能准确分类正常、伪影及病理EEG段？
• RQ4 提取的多项式规则能否为EEG信号模式提供有意义的临床洞察？
• RQ5 使用改进的GMDH算法是否能同时提升EEG分类的准确率与可解释性？

主要发现

• PNN模型正确分类了96.5%的EEG段为正常或伪影，表明在段级分类中具有高准确率。
• 该模型在分类猝死高风险患者群体时达到72%的准确率，表明在患者级分类中表现优异。
• 提取的多项式规则比标准前馈网络的规则更具可解释性，提升了临床可用性。
• PNN在分类准确率上优于标准前馈神经网络，尤其在正常/伪影段分类任务中表现更优。
• 改进的GMDH训练方法成功平衡了模型复杂度与泛化能力，在EEG数据集上有效避免了过拟合。
• 结果证实，多项式神经网络可作为黑箱模型在EEG信号分类中的可行替代方案，且具备额外的可解释性。