Core Concepts
脳-コンピュータインタフェースにおける深層学習モデルの予測結果の説明を、最適輸送理論に基づく地球移動距離を用いて、神経科学の知見と比較して定量化する。
Abstract
本研究では、脳-コンピュータインタフェース(BCI)における運動イメージ課題の分類モデルの性能と説明可能性を評価しています。
3つの異なるモデル(リーマン幾何に基づくMDMクラシファイア、EEGNet、EEGConformer)を使用し、64チャンネルのEEGデータを用いて分類を行いました。
さらに、XAI手法(GradCAM)を用いて各モデルの特徴重要度マップを生成し、これを最適輸送理論に基づく地球移動距離(EMD)を用いて、運動野に関連する21チャンネルを基準とした空間マップと比較しました。
その結果、リーマン幾何に基づくMDMクラシファイアが最も基準に近い説明を提供し、EEGNetとEEGConformerはそれよりも大きな距離にありました。
また、運動イメージに関連するチャンネルを使用した場合の方が、データ駆動的に選択したチャンネルを使用した場合よりも、全体的な分類精度が高いことが示されました。
これらの結果は、BCIシステムの信頼性と堅牢性を高めるためには、ドメイン知識と定量的な説明の両方を組み合わせることが重要であることを示唆しています。
Stats
運動イメージに関連する21チャンネルを使用した場合のMDMクラシファイアの精度は69.64%であり、全64チャンネルを使用した場合の73.63%から3.99%低下しました。
データ駆動的に選択した21チャンネルを使用した場合の精度は68.56%で、全チャンネルを使用した場合から5.07%低下しました。
Quotes
「BCIシステムの信頼性と堅牢性を高めるためには、ドメイン知識と定量的な説明の両方を組み合わせることが重要である」