利用 Shapley Sampling Value 对特征树进行剪枝以有效解释 EEG 分类

基于摘要分析。该研究针对 EEG 分类中可解释特征贡献难以量化、归因计算成本较高的问题，提出使用 Shapley sampling value（SSV）量化特征贡献，并通过 EEG 特征树剪枝减少计算。主要研究对象是睡眠状态分类与酒精依赖者筛查中的 EEG 分类解释，而非直接验证 BCI 控制性能。 方法将可解释 EEG 特征组织为传感器（电极）、频带以及幅度—相位等层级。其剪枝依据是：若高层特征的贡献很小，则其下属低层特征的贡献也应较小，因此可减少对相应分支的 SSV 计算。核心贡献在于结合领域特征层级与 Shapley 归因，以降低解释成本；摘要未说明具体分类器、特征提取方式、SSV 采样过程或剪枝阈值。 作者报告，在分别用于睡眠状态分类和酒精依赖者筛查的两个 EEG 数据集上，该方法降低了 SSV 计算复杂度，同时保持较高的 SSV 估计准确性。这里的准确性指归因估计，不应等同于分类 Accuracy 提升。摘要未提供具体数值、数据集名称、被试规模、数据划分或参照计算方式，实验协议、消融及统计信息尚未验证。 复现时需重点核对特征树的构造、剪枝判据、计算成本度量，以及 SSV 估计误差的参照标准。还需检验高层低贡献能否可靠代表其所有低层特征均不重要，尤其是在特征相关、贡献相互抵消或存在交互作用时；这些属于待核验条件，不能据摘要断言方法已经存在相应缺陷。