基于改进的脑电图（EEG）的心理工作负荷分类框架的SHAP分析：利用数据增强和可解释人工智能

《Scientific Reports》：SHAP analysis of an improved EEG-based mental workload classification framework: utilizing data augmentation and explainable AI

　　

摘要

利用脑电图（EEG）信号对心理工作负荷（MWL）进行分类对于认知神经科学至关重要，同时也是脑机接口（BCI）领域的一个具有挑战性的研究方向。由于EEG信号在不同会话和个体之间存在较大波动，因此需要一个能够良好泛化到实际应用中的稳健分类模型。在这项研究中，我们使用了公开可用的数据集“用于跨会话心理工作负荷估计的EEG数据集：2021年神经人体工程学会议的被动BCI竞赛”，并采用标准的EEGNet模型将心理工作负荷分为三类（低、中、高）。为了提高模型性能，我们采用了合成少数样本过采样技术（SMOTE）来生成合成EEG样本，并系统地调整了EEGNet的关键超参数（F₁、F₂和D），以确定最佳配置。此外，还进行了Shapley加性解释（SHAP）分析，以确定对模型预测影响最大的EEG通道。所提出的方法在未使用SMOTE和使用SMOTE的情况下分别达到了80.5%和82.7%的最高准确率。对比分析显示，应用SMOTE后平均性能提升了约3%。Wilcoxon符号秩检验确认这种提升具有统计学意义（p?