Die NIDS-Gruppe des INM-4 präsentiert auf der ICLR 2025 einen Durchbruch in der EEG-Analyse
20. April 2025
Wir freuen uns, bekannt geben zu dürfen, dass unsere neueste Arbeit für die Präsentation auf der International Conference on Learning Representations (ICLR) 2025 ausgewählt wurde, einer der führenden Konferenzen im Bereich der künstlichen Intelligenz. Die Konferenz findet vom 24. bis 28. April 2025 in Singapur statt.
In dieser Studie stellen Forscher der Neuro Imaging Data Science (NIDS)-Gruppe am INM-4, Forschungszentrum Jülich, drei neuartige Algorithmen vor, die die Transformer-Architektur für die Verarbeitung von Elektroenzephalographie (EEG)-Signalen erweitern. Unser Ansatz adressiert zentrale Herausforderungen bei der Interpretation neuronaler Signale, indem er erklärbare künstliche Intelligenz (XAI) eng in das Modelldesign integriert.
Im Gegensatz zur herkömmlichen Verwendung von XAI als nachträgliche Interpretationsschicht werden bei dieser Methode XAI-Mechanismen direkt in den Trainingsprozess eingebettet, um das Lernen aktiv zu steuern. Dies führt zu einer deutlich reduzierten Überanpassung an falsche oder irrelevante EEG-Merkmale – ein Problem, das die Anwendung von Standard-Transformer-Modellen auf neuronale Daten seit langem behindert.
Der Referent Hanning Guo erklärte: „Diese Arbeit unterstreicht das Potenzial der Kombination von Deep Learning mit interpretierbarem Modelldesign für die Weiterentwicklung einer robusten, vertrauenswürdigen Analyse von Gehirnsignalen und trägt zum übergeordneten Ziel einer erklärbaren Neuro-KI bei.“
Das obige Diagramm zeigt die Architektur von XAIguiFormer. Der Vorwärtsprozess von XAIguiFormer lässt sich wie folgt beschreiben: (i) Konstruktion von Multifrequenzband-Konnektomen und Generierung einer Sequenz im Frequenzbereich durch einen Konnektom-Tokenizer, (ii) Vorwärtsdurchlauf der Frequenzsequenz durch einen Vanilla-Transformer, (iii) Erhalt verfeinerter Merkmale durch Erklärung des Vanilla-Transformers, (iv) Vorwärtsübertragung der verfeinerten Merkmale und der Frequenzsequenz durch den XAI-gesteuerten Transformer. Anschließend wird das MLP als Klassifizierungskopf verwendet, um die Bezeichnung der Hirnstörung vorherzusagen.
Original-Konferenzabstract – XAIguiFormer: erklärbarer, künstlicher Intelligenz-gesteuerter Transformer zur Identifizierung von Hirnstörungen
Hanning Guo, Farah Abdellatif, Yu Fu, N. Jon Shah, Abigail Morrison, Jürgen Dammers