EEG-Xplain：解释脑电基础模型的神经黑箱

摘要

BIOT、LaBraM、EEGMamba等脑电基础模型在神经信号解码表现突出，但黑箱性质限制临床信任和神经科学验证。我们提出跨异构架构的统一归因框架，整合梯度、扰动和激活解释，分析空间、时间与频率行为。空间上识别关键脑电通道并用地形图可视化；时间上用归因热图突出决策相关片段；频域上通过谱扰动量化典型脑电节律贡献。为评估解释可靠性，我们提出结合扰动曲线上方面积AOPC与跨方法一致性的群体级评估。框架还利用大模型将结构归因转为自然语言报告，连接低层神经表示和高层语义推理。在Mumtaz2016、TUAB等基准上，解释与既有神经生理标记一致，支持有意义神经表征，同时暴露对伪影和虚假模式的潜在依赖。框架为评估脑电基础模型的可解释性、可靠性和生理合理性提供标准化方法。

EEG-Xplain：解释脑电基础模型的神经黑箱：论文配图 — 图 1：我们提出的 EEG-Xplain 框架概述。它由四个部分组成：（a）用于各种模型和任务的统一接口，以生成不同类型的模型预测属性，并具有支持的模型和任务的可扩展列表； (b) 将归因结果投射到三个不同的维度：空间、时间和频带； (c) 支持单样本和总体水平分析，以验证归因结果的可靠性； (d) 将多维分析和验证结果整合为联合输入，利用大规模模型的医学知识将归因和分析与生理意义结合起来，最终生成结构化报告供专家审查。