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

Technische Samenvatting: AutoML-XAI CNN voor Classificatie van Hypnotische Susceptibiliteit

Probleemstelling
De classificatie van hypnotische susceptibiliteit met behulp van elektro-encefalografie (EEG) blijft een onderbelicht en methodologisch inconsistent veld vergeleken met andere EEG-taken zoals epileptische insultdetectie of slaapstadia-classificatie. Bestaande studies vertrouwen vaak op klassieke feature extractie (bijv. differentiële entropie) of specifieke machine learning-modellen zonder automatische architectuurzoektocht volledig te integreren met uitlegbare kunstmatige intelligentie (XAI). Bovendien lijdt het vakgebied aan beperkte beschikbaarheid van data, wat leidt tot uitdagingen in de generalisatie van modellen en het frequente gebruik van synthetische data-augmentatie, wat neurofysiologische aannames kan introduceren die niet standhouden. Er is een specifieke kloof in het combineren van AutoML-gestuurde Convolutional Neural Network (CNN) optimalisatie met XAI-gestuurde frequentieband-interpretatie om een interpreteerbaar, data-efficiënt model voor hypnotische susceptibiliteit te creëren.

Methodologie
De studie stelt een framework voor dat gebruikmaakt van de publieke nplresearch/hypnotic-state dataset, die 16-kanaals EEG-opnames bevat van proefpersonen die gecategoriseerd zijn als hoog of laag in hypnotische susceptibiliteit.

1. Data-representatie en Segmentatie:

   • Preprocessing: Elke 16-kanaals opname wordt gefilterd in vijf standaard frequentiebanden: Delta (1–4 Hz), Theta (4–8 Hz), Alpha (8–13 Hz), Beta (13–30 Hz) en Gamma (30–45 Hz).
   • Resampling en Formattering: Signalen worden geresampled naar 1.000 tijdspunten per kanaal. De data wordt vervolgens opgesplitst in tien niet-overlappende "snippets" per proefpersoon.
   • Input Matrix: Elke snippet wordt geformatteerd als een $5 \times 1600$ matrix. De 5 rijen vertegenwoordigen de frequentiebanden, en de 1.600 kolommen behouden de geordende tijdreeksstructuur (16 kanalen $\times$ 100 tijdspunten per kanaal).
   • Niet-synthetische Expansie: In tegenstelling tot veel deep learning-benaderingen genereert deze methode geen synthetische data of gebruikt het geen cross-subject recombinatie. Het vertrouwt uitsluitend op geobserveerde EEG-data, waarbij de steekproefomvang wordt vergroot door segmentatie terwijl de signaalintegriteit behouden blijft.

2. Validatiestrategie:

   • Om datalekken te voorkomen, hanteert de studie een grouped K-fold cross-validatie strategie. Alle tien snippets afgeleid van een enkele proefpersoon worden binnen zowel de trainings- als de testset van een gegeven fold gehouden. Dit zorgt ervoor dat het model wordt geëvalueerd op ongeziene proefpersonen in plaats van ongeziene snippets van bekende proefpersonen.

3. AutoML Optimalisatie:

   • De CNN-architectuur en hyperparameters worden geoptimaliseerd met behulp van Optuna. De zoekruimte omvat het aantal convolutionele lagen, filteraantallen, kerneldimensies, batch normalisatie, dropout rates, dense layer units, leersnelheden en batch groottes.
   • De objectieve functie maximaliseert de gemiddelde validatie gebalanceerde accuratesse over de grouped folds.

4. Explainable AI (XAI) en Model Verfijning:

   • Na het trainen van de best presterende full-band CNN worden SHAP (SHapley Additive exPlanations) en LIME (Local Interpretable Model-agnostic Explanations) toegepast om de meest relevante frequentiebanden te identificeren.
   • Op basis van deze XAI-inzichten worden drie modelvarianten geconstrueerd en getest:
     1. Een CNN die alleen de top twee door XAI gerangschikte frequentiebanden gebruikt.
     2. Een full-band CNN met rijgewichten afgeleid van de XAI-belangrijkheidsscores.
     3. Een stress-test variant waarbij de top twee banden met een factor tien worden vermenigvuldigd.
   • Proefpersoon-niveau voorspellingen worden geaggregeerd door de waarschijnlijkheden van de tien snippets voor elke proefpersoon te middelen.

Belangrijkste Resultaten

• Architectuur: De Optuna-zoektocht selecteerde een CNN met vier convolutionele lagen, batch normalisatie, een dropout rate van ~0,19, een dense layer van 256 units, een leersnelheid van $5,53 \times 10^{-5}$ en een batch size van 2.
• Prestatie-metrieken:
  • Best-Fold Prestatie: De XAI-row-weighted CNN bereikte een perfecte proefpersoon-niveau accuratesse, gebalanceerde accuratesse, F1-score en AUC van 1,00 in een enkele beste fold.
  • Cross-Fold Prestatie: De Top-Two-Band XAI model (gebruikmakend van enkel de Alpha en Gamma banden) vertoonde de meest robuuste gemiddelde prestatie over alle folds, met een gemiddelde proefpersoon-niveau accuratesse en gebalanceerde accuratesse van 0,667, en een gemiddelde AUC van 0,689.
• Frequentieband Belangrijkheid: De gecombineerde SHAP en LIME analyse identificeerde Alpha en Gamma banden als de twee meest kritieke kenmerken, gevolgd door Beta, Theta en Delta.
  • SHAP-rangschikking benadrukte Gamma-band kenmerken (specifiek rond het P3 kanaal) als dominant.
  • LIME verdeelde de relevantie breder maar ondersteunde nog steeds de hoge belangrijkheid van Alpha en Gamma.

Significantie en Claims
Het onderzoek claimt dat dit werk de eerste integratie is van AutoML-gebaseerde CNN-optimalisatie met XAI-gestuurde frequentieband selectie en herweging specifiek voor de classificatie van hypnotische susceptibiliteit.

• Interpreteerbaarheid: De studie gaat verder dan "black-box" deep learning door XAI niet alleen te gebruiken voor post-hoc verklaring, maar ook om actief de modelverfijning (bandselectie en herweging) te sturen.
• Data-efficiëntie: Door een conservatieve, niet-synthetische segmentatiestrategie met grouped validatie te gebruiken, demonstreren de auteurs dat hoogwaardige modellen kunnen worden ontwikkend zonder te vertrouwen op potentieel vertekende data-augmentatietechnieken.
• Haalbaarheid: De resultaten suggereren dat AutoML en XAI effectief gecombineerd kunnen worden om een interpreteerbaar EEG-model voor hypnose te produceren. De identificatie van Alpha en Gamma als sleuteldiscriminatoren komt gedeeltelijk overeen met bestaande literatuur over hypnotische diepte en suggestibiliteit, wat een nieuw perspectief biedt via de lens van deep learning feature extractie.

Beperkingen en Toekomstperspectief
De auteurs hanteren een bescheiden toon met betrekking tot de generaliseerbaarheid van hun bevindingen. Ze stellen expliciet dat de perfecte best-fold resultaat (1,00 accuratesse) moet worden beschouwd als een veelbelovende exploratieve uitkomst in plaats van conclusief bewijs voor generalisatie, gezien de lagere gemiddelde prestatie over de folds. Het paper benadrukt de kritieke noodzaak voor grotere, onafhankelijke validatiedatasets om deze bevindingen te bevestigen en erkent dat de huidige resultaten specif kind aan de gebruikte pipeline en dataset.