Quantifying Spatial Domain Explanations in BCI using Earth Mover's Distance

这项工作研究了在基于运动想象的脑-计算机接口（BCI）中，利用脑电图（EEG）的不同深度学习和黎曼几何分类模型的有效性。然后，我们提出了一种基于最优传输理论的方法，使用地球移动距离（EMD）来量化特征相关性图与神经科学领域知识的比较。为此，我们利用可解释的人工智能（XAI）技术在空间域中生成特征相关性，以识别模型结果的重要通道。实施了三种最先进的模型，分别是1）基于黎曼几何的分类器，2）EEGNet和3）EEG Conformer，观察到的模型准确性趋势与所提出的特征相关性指标相一致。在训练与运动想象相关的通道时，具有不同架构的模型表现显著优于数据驱动的通道选择。这项工作强调了解释性的必要性，并突出了结合领域知识和量化模型解释与数据驱动方法的价值，以创建可靠和稳健的脑-计算机接口（BCIs）。

本论文旨在探究深度学习和黎曼几何分类模型在基于脑电图的肢体意象（MI）脑机接口（BCI）中的效能，并提出一种基于最优传输理论的方法，用于量化特征相关性与神经科学领域知识的比较。

论文采用可解释的人工智能（XAI）技术生成空间域中的特征相关性，以识别模型结果的重要通道，并比较不同体系结构的模型在数据集上的准确性。

本文的亮点包括使用XAI技术生成特征相关性，提出基于EMD的最优传输理论方法，证明了基于领域知识的数据驱动通道选择方法比数据驱动通道选择方法更好。

最近的相关研究包括：“A Review of Motor Imagery Classification Methods for Brain–Computer Interface Systems”和“Deep Learning for EEG-Based Motor Imagery Classification: A Comparative Study”。