KnowEEG：可解释的知识驱动 EEG 分类

基于摘要分析。该研究针对 EEG 分类模型的可解释性问题，提出知识驱动的机器学习方法 KnowEEG，将可理解的单电极统计特征与电极间连接统计量结合，用于兼顾分类性能和特征层面的解释。其主要研究对象是多类 EEG 分类任务，而非单一 BCI 控制范式。 核心机制：KnowEEG 首先提取一组单电极特征，通过统计检验筛选特征，再整合电极间连接统计量。这些特征输入改造后的 Random Forest 模型 Fusion Forest，在树的生长过程中平衡单电极统计信息与电极间连接信息。方法融合通用时间序列知识与 EEG 领域知识；具体特征定义、统计检验及多重比较处理、连接度量和平衡机制尚未验证，不能据摘要推定其实现形式。 结果与解释：作者报告，在情绪检测、心理工作负荷分类、睁眼/闭眼检测、异常 EEG 分类和事件检测五类任务上，KnowEEG 的性能与最先进深度学习模型相当或更优。摘要未提供数据集、被试数量、被试内或跨被试划分、指标数值及对照模型细节，因此这一结论目前不能用于定量比较。作者通过睁眼/闭眼分类示例展示特征重要性如何用于发现类别相关知识，并称其发现得到现有神经科学文献支持；这属于作者报告，尚不能据此将特征重要性等同于因果解释或临床有效性。 复现重点：需核对特征筛选是否严格限定在训练数据中、两类特征如何参与树构建，以及特征重要性在相关特征、不同被试和通道配置下的稳定性。上述均是待核对事项，不代表已发现方法缺陷。完整实验协议、消融及统计信息尚未验证；摘要也未提供可确认的实现获取方式。其对医疗场景的价值仍需独立验证，不能由分类表现直接推导临床适用性。