Grad-TopoCAM：基于梯度拓扑类激活图的 EEG 脑区可视化解释

基于摘要分析。该研究针对 EEG 深度学习解码中难以解释哪些空间区域影响分类结果的问题，提出 Grad-TopoCAM，将目标类别的梯度归因转化为拓扑类激活图，用于可视化解码依据并辅助通道选择。 核心机制是在指定网络层计算目标类别相对于特征图的梯度，对梯度进行全局平均池化，得到各特征图的权重；随后将权重与特征图线性组合生成类激活图，再映射至不同脑区。作者认为，既有方法对原始信号的利用及向其他深度学习模型扩展的能力有限，Grad-TopoCAM 旨在提供可适配不同 EEG 解码模型的解释方式。摘要未说明目标层选择、拓扑映射规则及不同架构的适配细节，尚不能据此确认其适用于任意模型。 作者报告，在四个公共数据集、八种深度学习模型上进行了验证，结果表明该方法能够识别并可视化对解码结果有显著影响的脑区，并支持不同解码任务的通道选择。摘要未提供数据集名称、任务、被试数、被试内或跨被试划分、解释质量指标、通道选择后的解码性能及对照结果，因此这些结论的适用范围与效应大小尚未验证。 阅读与复现时应重点核对归因图的忠实性与稳定性、目标层变化对结果的影响，以及通道筛选是否在独立评估数据上得到验证。平台推测（待验证）：头皮通道上的类别归因不能直接等同于皮层源定位或脑区的因果贡献，需结合论文实际映射方式判断其解释边界。作者声明代码和数据已开源，但材料未提供具体仓库与运行条件；实验协议、消融及统计信息尚未验证。