💻 computer science

AutoML-XAI convolutional neural network for hypnotic susceptibility classification from segmented multichannel EEG

Dieses Paper schlägt ein interpretierbares, durch AutoML gesteuertes CNN-Framework vor, das die Hypnoseschwelligkeit aus segmentierten Multikanal-EEG-Daten klassifiziert, dabei in seinem besten Fold eine perfekte Genauigkeit erreicht und durch XAI-Techniken Alpha- und Gamma-Frequenzbänder als die kritischsten Merkmale identifiziert.

Ursprüngliche Autoren: Ali Walid Daher

Veröffentlicht 2026-06-26

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ali Walid Daher

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen einem Computer beizubringen, zwischen zwei Arten von Menschen zu unterscheiden: solchen, die leicht „hypnotisierbar“ sind (hohe Suszeptibilität), und solchen, die es nicht sind (niedrige Suszeptibilität). Normalerweise schauen sich Wissenschaftler Gehirnwellen (EEG) an, um dies zu tun, aber das ist wie die Suche nach der Nadel im Heuhaufen, da die Daten unordentlich sind, die Gehirnsignale komplex sind und es nicht viel davon gibt.

Dieses Paper präsentiert einen neuen, intelligenten Weg, um dieses Rätsel zu lösen, indem ein Team aus drei digitalen Werkzeugen verwendet wird: AutoML, CNNs und XAI. Hier ist, wie sie zusammenarbeiten, einfach erklärt:

1. Das Setup: Das Zerschneiden der Gehirnwellen in „Schnipsel“

Die Forscher begannen mit Aufzeichnungen von 16 verschiedenen Gehirnsensoren. Anstatt die gesamte Aufzeichnung als einen riesigen Block zu betrachten, behandelten sie sie wie ein langes Brot.

Das Schneiden: Sie schnitten jede Aufzeichnung in 10 kleine, sich nicht überschneidende Stücke, sogenannte „Snippets“.
Das Format: Sie organisierten diese Stücke in einem Gitter (einer Matrix), das wie eine Tabelle aussieht, mit 5 Zeilen (die verschiedene Frequenzbereiche der Gehirnwellen repräsentieren: Delta, Theta, Alpha, Beta und Gamma) und 1.600 Spalten (die die Zeit repräsentieren).
Die goldene Regel: Um sicherzustellen, dass der Computer nicht schummelt, hielten sie alle 10 Schnipsel derselben Person zusammen. Wenn die Schnipsel einer Person in die „Trainingsgruppe“ gingen, ging keiner ihrer Schnipsel in die „Testgruppe“. Dies verhindert, dass der Computer einfach nur den Namen der Person auswendig lernt, anstatt das Muster zu lernen.

2. Das Team aus drei Mitgliedern

Der Architekt (AutoML)

Stellen Sie sich AutoML als einen Super-Roboter-Architekten vor. Den Bau eines neuronalen Netzes (einer Art KI-Gehirn) erfordert normalerweise einen Menschen, der schätzt, wie viele Schichten es braucht, wie groß die Filter sein sollten und wie schnell es lernen muss.

Was es tat: Der Roboter-Architekt probierte tausende verschiedene Bauentwürfe automatisch aus. Er fragte: „Was wäre, wenn ich hier eine Schicht hinzufüge? Was wäre, wenn ich die Lerngeschwindigkeit ändere?“ Er wählte das eine beste Design aus, das bei den Trainingsdaten am besten funktionierte.

Der Detektiv (CNN)

Das Convolutional Neural Network (CNN) ist der eigentliche Detektiv, der das Gehirnwellen-Gitter untersucht.

Was es tat: Sobald der Architekt das beste Design ausgewählt hatte, begann der Detektiv, die 5x1.600-Gitter zu scannen. Er suchte nach Mustern in den Gehirnwellen, die auf „hohe Suszeptibilität“ oder „niedrige Suszeptibilität“ hindeuteten.

Der Übersetzer (XAI)

Dies ist der wichtigste Teil. Normalerweise ist KI eine „Black Box“ – man gibt Daten ein, und sie liefert eine Antwort, aber man weiß nicht, warum. XAI (Explainable AI) ist wie ein Übersetzer, der die Black Box öffnet und die Logik des Detektivs erklärt.

Was es tat: Die Forscher nutzten Werkzeuge namens SHAP und LIME, um den Detektiv zu fragen: „Auf welche Zeilen deiner Tabelle hast du dich konzentriert, um diese Entscheidung zu treffen?“
Die Entdeckung: Der Übersetzer enthüllte, dass der Detektiv einige Zeilen ignorierte und sich statlich stark auf nur zwei konzentrierte: Alpha- und **Gamma-**Wellen.

3. Die Ergebnisse: Zwei verschiedene Geschichten

Das Paper testete dieses System auf zwei Arten, und die Ergebnisse waren interessant:

Der „perfekte“ Moment: In einem spezifischen Testlauf nahmen die Forscher die Erkenntnisse des Detektivs (dass Alpha und Gamma wichtig waren) und gaben diesen spezifischen Zeilen ein höheres Gewicht. In diesem einen glücklichen Szenario erreichte die KI eine perfekte Punktzahl (100 % Genauigkeit). Sie identifizierte jede einzelne Person in dieser Testgruppe korrekt.
Der „realistische“ Durchschnitt: Als sie das System jedoch über viele verschiedene Gruppen hinweg testeten (um sicherzustellen, dass es nicht nur Glück war), verschwand die perfekte Punktzahl. Die durchschnittliche Genauigkeit sank auf etwa 67 %.
- Das Fazit: Die „perfekte“ Punktzahl zeigt, dass die Methode funktionieren kann, aber der niedrigere Durchschnitt zeigt, dass das System noch lernt und mehr Daten benötigt, um zuverlässig zu sein.

4. Was haben sie gelernt?

Die Studie fand heraus, dass, wenn man diesen smarten, automatisierten Ansatz verwendet, die Alpha- und **Gamma-**Frequenzbereiche der Gehirnwellen anscheinend die meisten Hinweise darauf enthalten, ob jemand hypnotisierbar ist.

Zusammenfassende Analogie

Stellen Sie sich vor, Sie versuchen eine bestimmte Vogelart zu identifizieren, indem Sie ein 100-seitiges Fotoalbum ihrer Federn betrachten.

Der alte Weg: Sie wählen manuell die besten Seiten aus und raten die Regeln.
Dieser Weg aus dem Paper:
- AutoML ist ein Roboter, der jede mögliche Art und Weise ausprobiert, das Album zu organisieren, um die beste Sicht zu finden.
- Das CNN ist der Vogelbeobachter, der das Album studiert.
- XAI ist das Notizbuch des Vogelbeobachters, in dem er schreibt: „Ich habe die Seiten 1–50 nicht angeschaut; ich habe nur auf die Seiten 51–60 geschaut, weil dort die einzigartigen Federmuster waren.“
- Das Ergebnis: Der Vogelbeobachter fand die einzigartigen Muster (Alpha und Gamma), aber da es nur wenige Fotoalben zu studieren gibt, ist er sich noch nicht zu 100 % sicher, ob er den Vogel in jedem neuen Album identifizieren kann.

Das Kernfazit: Das Paper beweist, dass die Kombination aus automatisiertem Design (AutoML) und erklärbaren Werkzeugen (XAI) ein vielversprechender Weg ist, um die hypnotische Suszeptibilität mittels Gehirnwellen zu untersuchen, warnt aber gleichzeitig davor, dass wir mehr Daten benötigen, bevor wir dem System voll vertrauen können.

Technisches Resümee: AutoML-XAI CNN zur Klassifizierung der hypnotischen Suszeptibilität

Problemstellung
Die Klassifizierung der hypnotischen Suszeptibilität mittels Elektroenzephalografie (EEG) ist ein im Vergleich zu anderen EEG-Aufgaben wie der Anfallserkennung oder dem Schlafstaging untererforschtes und methodisch inkonsistentes Feld. Bestehende Studien verlassen sich häufig auf klassische Merkmalsextraktion (z. B. differentielle Entropie) oder spezifische maschinelle Lernmodelle, ohne eine automatisierte Architektur-Suche vollständig mit erklärbarer künstlicher Intelligenz (XAI) zu integrieren. Zudem leidet das Feld unter begrenzter Datenverfügbarkeit, was zu Herausforderungen bei der Modellgeneralisierung führt und häufig die Verwendung von synthetischen Datenaugmentationen nach sich zieht, welche neurophysiologische Annahmen einführen können, die nicht zutreffen. Es besteht eine spezifische Lücke in der Kombination von AutoML-gesteuerter Convolutional Neural Network (CNN)-Optimierung mit XAI-geführter Frequenzband-Interpretation zur Erstellung eines interpretierbaren, dateneffizienten Modells für hypnotische Suszeptibilität.

Methodik
Die Studie schlägt ein Framework vor, das den öffentlichen Datensatz nplresearch/hypnotic-state nutzt, welcher 16-Kanal-EEG-Aufzeichnungen von Probanden enthält, die als hoch oder niedrig hypnotisch suszeptibel kategorisiert wurden.

Datendarstellung und Segmentierung:
- Vorverarbeitung: Jede 16-Kanal-Aufzeichnung wird in fünf Standard-Frequenzbänder gefiltert: Delta (1–4 Hz), Theta (4–8 Hz), Alpha (8–13 Hz), Beta (13–30 Hz) und Gamma (30–45 Hz).
- Resampling und Formatierung: Die Signale werden auf 1.000 Zeitpunkte pro Kanal resampelt. Die Daten werden dann in zehn nicht überlappende „Snippets“ pro Proband aufgeteilt.
- Input-Matrix: Jedes Snippet wird als $5 \times 1600$ -Matrix formatiert. Die 5 Zeilen repräsentieren die Frequenzbänder, und die 1.600 Spalten bewahren die geordnete Zeitreihenstruktur (16 Kanäle $\times$ 100 Zeitpunkte pro Kanal).
- Nicht-synthetische Expansion: Im Gegensatz zu vielen Deep-Learning-Ansätzen generiert diese Methode keine synthetischen Daten oder kreuz-subjektbezogene Rekombinationen. Sie stützt sich ausschließlich auf beobachtete EEG-Daten und erhöht die Stichprobengröße durch Segmentierung, während die Signalintegrität gewahrt bleibt.
Validierungsstrategie:
- Um Data Leakage zu verhindern, verwendet die Studie eine Grouped K-Fold Cross-Validation Strategie. Alle zehn aus einem einzelnen Probanden abgeleiteten Snippets werden innerhalb desselben Trainings- oder Testsets für einen gegebenen Fold zusammengehalten. Dies stellt sicher, dass das Modell an ungesehenen Probanden evaluiert wird und nicht an ungesehenen Snippets bereits bekannter Probanden.
AutoML-Optimierung:
- Die CNN-Architektur und die Hyperparameter werden mittels Optuna optimiert. Der Suchraum umfasst die Anzahl der Convolutional Layers, Filteranzahl, Kernel-Dimensionen, Batch Normalization, Dropout-Raten, Dense-Layer-Einheiten, Lernraten und Batch-Größen.
- Die Zielfunktion maximiert die mittlere Validierungs-Balanced-Accuracy über die Grouped Folds hinweg.
Erklärbare KI (XAI) und Modellverfeinerung:
- Nach dem Training des leistungsstärksten Full-Band-CNN werden SHAP (SHapley Additive exPlanations) und LIME (Local Interpretable Model-agnostic Explanations) angewendet, um die relevantesten Frequenzbänder zu identifizieren.
- Basierend auf diesen XAI-Erkenntnissen werden drei Modellvarianten konstruiert und getestet:
  1. Ein CNN, das nur die zwei am höchsten durch XAI gerankten Frequenzbänder verwendet.
  2. Ein Full-Band-CNN mit Zeilengewichten, die aus den XAI-Wichtigkeitswerten abgeleitet wurden.
  3. Eine Stress-Test-Variante, bei der die Top-Zwei-Bänder mit einem Faktor von zehn multipliziert werden.
- Die subjektbezogenen Vorhersagen werden durch Mittelung der Wahrscheinlichkeiten der zehn Snippets für jeden Probanden aggregiert.

Kernergebnisse

Architektur: Die Optuna-Suche wählte ein CNN mit vier Convolutional Layers, Batch Normalization, einer Dropout-Rate von ~0,19, einem Dense Layer mit 256 Einheiten, einer Lernrate von $5,53 \times 10^{-5}$ und einer Batch-Größe von 2.
Leistungskennzahlen:
- Best-Fold-Leistung: Das XAI-Zeilen-gewichtete CNN erreichte eine perfekte Probanden-Genauigkeit, Balanced Accuracy, F1-Score und AUC von 1,00 in einem einzelnen Best-Fold.
- Cross-Fold-Leistung: Das Top-Zwei-Band-XAI-Modell (unter Verwendung der Alpha- und Gamma-Bänder) zeigte die robusteste mittlere Leistung über alle Folds hinweg und erreichte eine mittlere Probanden-Genauigkeit und Balanced Accuracy von 0,667 sowie eine mittlere AUC von 0,689.
Frequenzband-Wichtigkeit: Die kombinierte SHAP- und LIME-Analyse identifizierte die Alpha- und Gamma-Bänder als die zwei kritischsten Merkmale, gefolgt von Beta, Theta und Delta.
- SHAP-Rankings hoben Gamma-Band-Features (speziell um den P3-Kanal herum) als dominant hervor.
- LIME verteilte die Relevanz breiter, unterstützte aber dennoch die hohe Wichtigkeit von Alpha und Gamma.

Bedeutung und Ansprüche
Das Paper behauptet, dass diese Arbeit die erste Integration von AutoML-basierter CNN-Optimierung mit XAI-geführter Frequenzband-Selektion und -Gewichtung speziell für die Klassifizierung der hypnotischen Suszeptibilität darstellt.

Interpretierbarkeit: Die Studie geht über „Black-Box“-Deep-Learning hinaus, indem sie XAI nicht nur für die Post-hoc-Erklärung, sondern aktiv zur Steuerung der Modellverfeinerung (Band-Selektion und -Gewichtung) nutzt.
Dateneffizienz: Durch die Nutzung einer konservativen, nicht-synthetischen Segmentierungsstrategie mit Grouped Validation demonstrieren die Autoren, dass hochwertige Modelle entwickelt werden können, ohne auf potenziell verzerrte Datenaugmentations-Techniken zurückgreifen zu müssen.
Machbarkeit: Die Ergebnisse legen nahe, dass AutoML und XAI effektiv kombiniert werden können, um ein interpretierbares EEG-Modell für Hypnose zu erstellen. Die Identifizierung von Alpha und Gamma als Schlüsseldiskriminatoren stimmt teilweise mit der bestehenden Literatur über hypnotische Tiefe und Suggestibilität überein und bietet eine neue Perspektive durch die Linse der Deep-Learning-Merkmalsextraktion.

Einschränkungen und Ausblick
Die Autoren bewahren einen bescheidenen Ton hinsichtlich der Generalisierbarkeit ihrer Ergebnisse. Sie stellen explizit fest, dass das perfekte Best-Fold-Ergebnis (1,00 Genauigkeit) eher als vielversprechendes exploratives Ergebnis denn als konklusiver Beweis für die Generalisierung betrachtet werden sollte, angesichts der niedrigeren mittleren Performance über die Folds hinweg. Das Paper betont die dringende Notwendigkeit größerer, unabhängiger Validierungsdatensätze, um diese Ergebnisse zu bestätigen, und räumt ein, dass die aktuellen Ergebnisse spezifisch für die verwendete Pipeline und den Datensatz sind.