EEG-PRISM：EEG 基础模型预测的生理学解释

目标：基础模型代表了脑电图分析人工智能的下一步进展；然而，当前可解释的人工智能技术在时间通道输入空间中提供归因分数，这与脑电图的临床直觉不匹配。因此，迫切需要一种通用方法，可以将任何基础模型的可解释性扩展到替代和生理相关领域，而无需修改或重新训练基础模型。方法：EEG-PRISM 利用线性变换和建立的反向传播规则将时间通道归因分数映射到替代域。我们通过可逆 DFT 导出到频域的映射，并通过近似可逆 EEG 生成模型导出到源域的映射。我们在模拟和真实数据中评估 EEG-PRISM，通过五个基础模型和四个 AI 解释器评估跨领域 真值 现象的恢复。结果：在模拟中，EEG-PRISM 实现了近乎完美的光谱恢复和 69.2% 的空间精度。对于癫痫症，EEG-PRISM 正确确定 delta-theta 活动最为显着，并以 50% 的准确度正确定位癫痫发作区域。对于自闭症，EEG-PRISM 将预测性 delta-alpha 生物标志物定位于额叶和颞区，与之前的工作一致。结论：EEG-PRISM 是一种有理论依据的事后归因方法，可以准确映射到谱域和空间域。它支持瞬时事件（例如癫痫发作）的窗口级分析和临床相关生物标志物（例如自闭症）的组级识别，从而推进可解释的脑电图基础模型。意义：这项工作能够对脑电图基础模型进行基于生理学的解释，并支持临床相关的见解，例如事件定位和生物标志物识别。