Τεχνικές Βελτίωσης Επεξηγησιμότητας Συστημάτων Τεχνητής Νοημοσύνης σε Δεδομένα Ηλεκτροεγκεφαλογραφήματος

Abstract

Το ηλεκτροεγκεφαλογράφημα (ΗΕΓ) αποτελεί μια νευροφυσιολογική μέθοδο με υψηλή χρονική ανάλυση, κρίσιμη για την κατανόηση της εγκεφαλικής λειτουργίας και την ανάπτυξη διεπαφών εγκεφάλου-υπολογιστή (BCI). Παρά την πλούσια πληροφορία που περιέχουν τα δεδομένα ΗΕΓ, η ανάλυση και ερμηνεία τους παρουσιάζουν σημαντικές προκλήσεις, ιδίως όσον αφορά την εξαγωγή ακριβούς χωρικής πληροφορίας από τους αισθητήρες του κρανίου και την κατανόηση των υποκείμενων νευρωνικών μηχανισμών που οδηγούν σε συγκεκριμένες αποκρίσεις ή συμπεριφορές. Ταυτόχρονα, η αυξανόμενη χρήση μοντέλων βαθιάς μάθησης (DL) για την ταξινόμηση σημάτων ΗΕΓ, ενώ οδηγεί σε εντυπωσιακά επίπεδα απόδοσης, συχνά δημιουργεί "μαύρα κουτιά" που καθιστούν δύσκολη την αιτιολόγηση των προβλέψεων, περιορίζοντας την εμπιστοσύνη και την κλινική τους υιοθέτηση. Η παρούσα διατριβή επιδιώκει να γεφυρώσει το χάσμα μεταξύ της υψηλής απόδοσης των μοντέλων Τεχνητής Νοημοσύνης (ΤΝ) σε δεδομένα ΗΕΓ και της ανάγκης για φυσιολογικώς έγκυρη και ανατομικά πληροφορημένη ερμηνευσιμότητα. Για τον σκοπό αυτό, αναπτύχθηκε ένα ολοκληρωμένο πλαίσιο που συνδυάζει προηγμένες τεχνικές ανάλυσης σήματος, εντοπισμού πηγών και εξηγήσιμης βαθιάς μάθησης. Το έργο διαρθρώθηκε σε τρεις κύριους άξονες. Αρχικά, διερευνήθηκε η αξία της ανάλυσης χρόνου-συχνότητας (Time-Frequency Analysis) ως ισχυρού εργαλείου εξαγωγής χαρακτηριστικών, επιδεικνύοντας την αποτελεσματικότητά της σε συνδυασμό με ένα υπολογιστικά αποδοτικό συνελικτικό νευρωνικό δίκτυο για την ταξινόμηση σημάτων ΗΕΓ σε ένα πλαίσιο ανίχνευσης νοητικής κόπωσης. Αυτό το τμήμα ανέδειξε τη δυνατότητα επίτευξης υψηλής ακρίβειας (97%) με χαμηλό υπολογιστικό κόστος, εντοπίζοντας παράλληλα, μέσω τεχνικών ερμηνευσιμότητας όπως το SHAP, φασματικά πρότυπα (στις ζώνες θήτα και άλφα) συμβατά με τη βιβλιογραφία της κόπωσης, υπογραμμίζοντας τη χρησιμότητα της ανάλυσης TFR και των εξηγήσιμων μοντέλων πέρα από την κεντρική εφαρμογή BCI. Στη συνέχεια, παρουσιάστηκε μια κριτική ανασκόπηση των τρεχουσών μεθόδων εντοπισμού πηγών ΗΕΓ (EEG Source Localization). Αναλύθηκαν οι θεωρητικές βάσεις, οι διάφορες κατηγορίες αλγορίθμων (π.χ. beamformers, αναλύσεις ελάχιστης νόρμας), οι εφαρμογές και οι εγγενείς περιορισμοί τους. Η ανασκόπηση αυτή θεμελίωσε την αναγκαιότητα της μετάβασης από την ανάλυση σε επίπεδο αισθητήρων σε επίπεδο εγκεφαλικών πηγών για την επίτευξη ακριβούς ανατομικής ερμηνείας, δικαιολογώντας την επιλογή μιας προσέγγισης εντοπισμού πηγών (beamformer) για την εκτίμηση φλοιϊκής δραστηριότητας στην κύρια εφαρμογή της διατριβής. Το τρίτο και κεντρικό τμήμα της εργασίας εφάρμοσε τον συνδυασμό των παραπάνω τεχνικών σε ένα σύστημα BCI νοερής κίνησης, ενσωματώνοντας τεχνικές ερμηνευσιμότητας (SHAP, Integrated Gradients). Χρησιμοποιώντας χαρακτηριστικά που εξήχθησαν από πηγαιοτοποθετημένα δεδομένα ΗΕΓ (με χρήση beamformer και παρσελοποίηση Desikan–Killiany) ως είσοδο σε ένα συνελικτικό νευρωνικό δίκτυο, επιτεύχθηκε ανταγωνιστική ακρίβεια στην ταξινόμηση νοερών κινήσεων χεριών, ποδιών και γλώσσας. Το σημαντικότερο εύρημα προέκυψε από την εφαρμογή των τεχνικών ερμηνευσιμότητας: οι σημαντικότερες περιοχές που αναδείχθηκαν για κάθε κλάση νοερής κίνησης έδειξαν ισχυρή συμφωνία με την εδραιωμένη νευροεπιστημονική γνώση και τη σωματοτοπική οργάνωση του κινητικού φλοιού, αναπαράγοντας ουσιαστικά έναν λειτουργικό "homunculus" και τα φαινόμενα πλευρίωσης που παρατηρούνται σε μελέτες fMRI. Αυτή η σύγκλιση επιβεβαίωσε ότι ο ταξινομητής βασίζεται σε γνήσια νευροανατομικά πρότυπα και όχι σε τυχαία χαρακτηριστικά, άροντας την ασάφεια της ανάλυσης σε επίπεδο αισθητήρων και παρέχοντας ανατομικά εξειδικευμένες εξηγήσεις. Τα αποτελέσματα αυτά έχουν σημαντικές συνέπειες τόσο για τις κλινικές εφαρμογές BCI όσο και για τη νευροεπιστήμη. Ενισχύουν την εμπιστοσύνη στη χρήση μοντέλων DL σε κλινικά περιβάλλοντα, επιτρέπουν την παροχή ανατομικά πληροφορημένης νευροανάδρασης και προσφέρουν ένα εργαλείο για την παρακολούθηση νευροπλαστικών αλλαγών. Σε επιστημονικό επίπεδο, το πλαίσιο μπορεί να λειτουργήσει ως εργαλείο επαλήθευσης γνωστών προτύπων αλλά και ανακάλυψης λιγότερο κατανοητών όψεων της εγκεφαλικής λειτουργίας. Παρά τους περιορισμούς (πεπερασμένη ακρίβεια εντοπισμού πηγών, ευαισθησία σε βαθιές πηγές, μέγεθος συνόλου δεδομένων), η διατριβή αποδεικνύει ότι ένα συνδυαστικό πλαίσιο μπορεί να επιτύχει υψηλή απόδοση χωρίς να παραμένει "μαύρο κουτί". Οι μελλοντικές κατευθύνσεις περιλαμβάνουν τη βελτίωση της χωρικής/χρονικής ανάλυσης, την ενσωμάτωση πολυτροπικών δεδομένων, την εφαρμογή προηγμένων τεχνικών ερμηνευσιμότητας (όπως ανάλυση αλληλεπιδράσεων) και την εφαρμογή σε κλινικούς πληθυσμούς και άλλες εργασίες ΗΕΓ. Συνολικά, η εργασία θεμελιώνει μια νέα γενιά διεπαφών εγκεφάλου-υπολογιστή και νευροεπιστημονικών εργαλείων, όπου η διαφάνεια και η κατανόηση των υποκείμενων νευρωνικών μηχανισμών είναι κεντρικής σημασίας.