💻 computer science

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

Cet article propose un cadre de CNN piloté par l'AutoML interprétable qui classifie la susceptibilité hypnotique à partir de données EEG multicanaux segmentées, atteignant une précision parfaite dans son meilleur pli et identifiant les bandes de fréquences alpha et gamma comme les caractéristiques les plus critiques grâce aux techniques d'XAI.

Auteurs originaux : Ali Walid Daher

Publié 2026-06-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Ali Walid Daher

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez d'apprendre à un ordinateur à faire la différence entre deux types de personnes : celles qui sont facilement « hypnotisables » (haute susceptibilité) et celles qui ne le sont pas (basse susceptibilité). Habituellement, les scientifiques observent les ondes cérébrales (EEG) pour faire cela, mais c'est comme chercher une aiguille dans une botte de foin car les données sont désordonnées, les signaux cérébraux sont complexes et il y en a peu.

Ce document présente une nouvelle méthode intelligente pour résoudre ce casse-tête en utilisant une équipe de trois outils numériques : l'AutoML, les CNN et l'XAI. Voici comment ils travaillent ensemble, expliqués simplement :

1. La configuration : Découper les ondes cérébrales en « fragments »

Les chercheurs ont commencé avec des enregistrements de 1го 16 capteurs cérébraux différents. Au lieu de regarder l'enregistrement complet comme un seul bloc géant, ils l'ont traité comme un long pain de mie.

Le découpage : Ils ont découpé chaque enregistrement en 10 petits morceaux non chevauchants appelés « fragments ».
Le format : Ils ont organisé ces tranches dans une grille (une matrice) qui ressemble à un tableur avec 5 lignes (représentant 5 différentes plages de vitesse des ondes cérébrales : Delta, Theta, Alpha, Beta et Gamma) et 1 600 colonnes (représentant le temps).
La règle d'or : Pour s'assurer que l'ordinateur ne triche pas, ils ont gardé toutes les tranches de la même personne ensemble. Si les tranches d'une personne allaient dans le groupe d'« entraînement », aucune d'entre elles ne pouvait aller dans le groupe de « test ». Cela empêche l'ordinateur de simplement mémoriser le nom de la personne au lieu d'apprendre le motif.

2. L'équipe de trois

L'Architecte (AutoML)

Considérez l'AutoML comme un super-robot architecte. Construire un réseau de neurones (un type d'IA cérébrale) nécessite généralement qu'un humain devine le nombre de couches nécessaires, la taille des filtres et la vitesse d'apprentissage.

Ce qu'il a fait : Le robot architecte a essayé des milliers de designs de construction différents automatiquement. Il se demandait : « Et si j'ajoute une couche ici ? Et si je change la vitesse d'apprentissage ? » Il a choisi le design unique le plus performant sur les données d'entraînement.

Le Détective (CNN)

Le Réseau de Neurones Convolutifs (CNN) est le véritable détective qui examine la grille des ondes cérébrales.

Ce qu'il a fait : Une fois que l'architecte a choisi le meilleur design, le détective a commencé à scanner les grilles de 5x1 600. Il a cherché des motifs dans les ondes cérébrales qui signalaient une « Haute Susceptibilité » ou une « Basse Susceptibilité ».

Le Traducteur (XAI)

C'est la partie la plus importante. Habituellement, l'IA est une « boîte noire » — vous insérez des données, elle donne une réponse, mais vous ne savez pas pourquoi. L'XAI (IA explicable) est comme un traducteur qui ouvre la boîte noire et explique le raisonnement du détective.

Ce qu'il a fait : Les chercheurs ont utilisé des outils appelés SHAP et LIME pour demander au détective : « Quelles lignes de votre tableur regardiez-vous pour prendre cette décision ? »
La découverte : Le traducteur a révélé que le détective ignorait certaines lignes et se concentrait intensément sur seulement deux d'entre elles : les ondes Alpha et Gamma.

3. Les Résultats : Deux histoires différentes

Le document a testé ce système de deux manières, et les résultats sont intéressants :

Le moment « Parfait » : Dans un essai spécifique, les chercheurs ont pris les conclusions du détective (que l'Alpha et le Gamma étaient importants) et ont donné un poids supplémentaire à ces lignes spécifiques. Dans ce scénario chanceux, l'IA a obtenu un score parfait (100 % de précision). Elle a correctement identifié chaque personne dans ce groupe de test.
La moyenne « Réaliste » : Cependant, lorsqu'ils ont testé le système à travers de nombreux groupes différents (pour s'assurer qu'il ne s'agissait pas seulement de chance), le score parfait a disparu. La précision moyenne est tombée à environ 67 %.
- À retenir : Le score « parfait » montre que la méthode peut fonctionner, mais le score moyen plus bas montre que le système est encore en phase d'apprentissage et a besoin de plus de données pour être fiable.

4. Qu'ont-ils appris ?

L'étude a révélé que lorsque vous utilisez cette approche automatisée intelligente, les bandes de fréquences Alpha et Gamma des ondes cérébrales semblent détenir les indices les plus importants pour déterminer la susceptibilité hypnotique.

Analogie de synthèse

Imaginez que vous essayiez d'identifier un type d'oiseau spécifique en regardant un album photo de 100 pages de ses plumes.

L'ancienne méthode : Vous choisissez manuellement les meilleures pages et devinez les règles.
La méthode de ce document :
- AutoML est un robot qui essaie toutes les façons possibles d'organiser l'album pour trouver la meilleure vue.
- Le CNN est l'observateur d'oiseaux qui étudie l'album.
- L'XAI est le carnet de notes de l'observateur d'oiseaux où il écrit : « Je n'ai pas regardé les pages 1 à 50 ; je n'ai regardé que les pages 51 à 60 parce que c'est là que se trouvent les motifs de plumes uniques. »
- Le Résultat : L'observateur d'oiseaux a trouvé les motifs uniques (Alpha et Gamma), mais comme il n'y a que quelques albums photos à étudier, il n'est pas encore sûr de pouvoir identifier l'oiseau dans chaque nouvel album.

L'essentiel : Ce document prouve que combiner la conception automatisée (AutoML) avec des outils explicables (XAI) est une voie prometteuse pour étudier la susceptibilité hypnotique à l'aide des ondes cérébrales, mais il avertit que nous avons besoin de plus de données avant de pouvoir lui faire entièrement confiance.

Résumé Technique : CNN AutoML-XAI pour la Classification de la Susceptibilité Hypnotique

Énoncé du Problème
La classification de la susceptibilité hypnotique à l'aide de l'électroencéphalographie (EEG) demeure un domaine sous-exploré et méthodologiquement incohérent par rapport à d'autres tâches de l'EEG telles que la détection des crises ou la stadification du sommeil. Les études existantes reposent souvent sur l'extraction de caractéristiques classiques (par exemple, l'entropie différentielle) ou sur des modèles d'apprentissage automatique spécifiques sans intégrer pleinement la recherche d'architecture automatisée avec l'intelligence artificielle explicable (XAI). De plus, le domaine souffre d'une disponibilité limitée de données, ce qui pose des défis pour la généralisation des modèles et conduit à l'utilisation fréquente de l'augmentation de données synthétiques, laquelle peut introduire des hypothèses neurophysiologiques qui ne sont pas vérifiées. Il existe une lacune spécifique dans la combinaison de l'optimisation de réseaux de neurones convolutifs (CNN) pilotée par l'AutoML avec l'interprétation des bandes de fréquences guidée par l'XAI pour créer un modèle interprétable et efficace en termes de données pour la susceptibilité hypnotique.

Méthodologie
L'étude propose un cadre utilisant le jeu de données public nplresearch/hypnotic-state, qui contient des enregistrements EEG à 16 canaux provenant de sujets classés comme ayant une susceptibilité hypnotique élevée ou faible.

Représentation et Segmentation des Données :
- Prétraitement : Chaque enregistrement à 16 canaux est filtré en cinq bandes de fréquences standards : Delta (1–4 Hz), Theta (4–8 Hz), Alpha (8–13 Hz), Beta (13–30 Hz) et Gamma (30–45 Hz).
- Rééchantillonnage et Formatage : Les signaux sont rééchantillonnés à 1 000 points temporels par canal. Les données sont ensuite divisées en dix « segments » (snippets) non chevauchants par sujet.
- Matrice d'Entrée : Chaque segment est formaté sous la forme d'une matrice $5 \times 1600$ . Les 5 lignes représentent les bandes de fréquences, et les 1 600 colonnes préservent la structure de série temporelle ordonnée (16 canaux $\times$ 100 points temporels par canal).
- Expansion Non-Synthétique : Contrairement à de nombreuses approches de deep learning, cette méthode ne génère pas de données synthétiques et n'utilise pas de recombinaison inter-sujets. Elle repose uniquement sur des données EEG observées, augmentant la taille de l'échantillon par segmentation tout en maintenant l'intégrité du signal.
Stratégie de Validation :
- Pour éviter la fuite de données (data leakage), l'étude emploie une stratégie de validation croisée K-fold groupée. Les dix segments dérivés d'un même sujet sont conservés ensemble soit dans l'ensemble d'entraînement, soit dans l'ensemble de test pour un pli (fold) donné. Cela garantit que le modèle est évalué sur des sujets inédits plutôt que sur des segments inédits de sujets déjà vus.
Optimisation AutoML :
- L'architecture du CNN et ses hyperparamètres sont optimisés à l'aide d'Optuna. L'espace de recherche comprend le nombre de couches convolutives, le nombre de filtres, les dimensions des noyaux (kernels), la normalisation par lots (batch normalization), les taux de dropout, les unités des couches denses, les taux d'apprentissage et les tailles de lots.
- La fonction objectif maximise la moyenne de l'exactitude équilibrée (balanced accuracy) de la validation à travers les plis groupés.
IA Explicable (XAI) et Raffinement du Modèle :
- Après l'entraînement du meilleur CNN à pleine bande, SHAP (SHapley Additive exPlanations) et LIME (Local Interpretable Model-agnostic Explanations) sont appliqués pour identifier les bandes de fréquences les plus pertinentes.
- Sur la base de ces insights XAI, trois variantes de modèles sont construites et testées :
  1. Un CNN utilisant uniquement les deux premières bandes de fréquences classées par l'XAI.
  2. Un CNN à pleine bande avec des poids de lignes dérivés des scores d'importance XAI.
  3. Une variante de test de résistance (stress-test) où les deux premières bandes sont multipliées par un facteur de dix.
- Les prédictions au niveau du sujet sont agrégées en faisant la moyenne des probabilités des dix segments pour chaque sujet.

Résultats Clés

Architecture : La recherche Optuna a sélectionné un CNN avec quatre couches convolutives, une normalisation par lots, un taux de dropout d'environ 0,19, une couche dense de 256 unités, un taux d'apprentissage de $5,53 \times 10^{-5}$ et une taille de lot de 2.
Métriques de Performance :
- Performance du Meilleur Pli : Le CNN pondéré par les lignes XAI a atteint une exactitude parfaite au niveau du sujet, une exactitude équilibrée, un score F1 et un AUC de 1,00 dans un seul meilleur pli.
- Performance Inter-Pli : Le modèle XAI à deux bandes (utilisant uniquement les bandes Alpha et Gamma) a démontré la performance moyenne la plus robuste à travers tous les plis, atteignant une exactitude moyenne au niveau du sujet et une exactitude équilibrée de 0,667, et un AUC moyen de 0,689.
Importance des Bandes de Fréquence : L'analyse combinée SHAP et LIME a identifié les bandes Alpha et Gamma comme les deux caractéristiques les plus critiques pour la classification, suivies par les bandes Beta, Theta et Delta.
- Les classements SHAP ont mis en évidence les caractéristiques de la bande Gamma (spécifiquement autour du canal P3) comme étant dominantes.
- LIME a distribué la pertinence de manière plus large mais a tout de même soutenu l'importance élevée des bandes Alpha et Gamma.

Signification et Revendications
L'article affirme que ce travail représente la première intégration de l'optimisation de CNN basée sur l'AutoML avec la sélection et le repondération des bandes de fréquences guidées par l'XAI spécifiquement pour la classification de la susceptibilité hypnotique.

Interprétabilité : L'étude dépasse le concept de "boîte noire" du deep learning en utilisant l'XAI non seulement pour l'explication post-hoc, mais aussi pour guider activement le raffinement du modèle (sélection et pondération des bandes).
Efficacité des Données : En utilisant une stratégie de segmentation conservatrice et non synthétique avec une validation groupée, les auteurs démontrent que des modèles de haute qualité peuvent être développés sans dépendre de techniques d'augmentation de données potentiellement biaisées.
Faisabilité : Les résultats suggèrent que l'AutoML et l'XAI peuvent être combinés efficacement pour produire un modèle EEG interprétable pour l'hypnose. L'identification de l'Alpha et du Gamma comme discriminateurs clés s'aligne partiellement avec la littérature existante sur la profondeur hypnotique et la suggestibilité, offrant une nouvelle perspective à travers l'extraction de caractéristiques par deep learning.

Limites et Perspectives Futures
Les auteurs maintiennent un ton modeste concernant la généralisabilité de leurs conclusions. Ils déclarent explicitement que le résultat parfait du meilleur pli (exactitude de 1,00) doit être considéré comme un résultat exploratoire prometteur plutôt que comme une preuve concluante de généralisation, compte tenu de la performance moyenne plus faible à travers les plis. L'article souligne la nécessité critique de jeux de données de validation plus larges et indépendants pour confirmer ces résultats et reconnaît que les résultats actuels sont spécifiques au pipeline et au jeu de données utilisés.