Detail publikace

Multi-Objective Evolutionary Design of Explainable EEG Classifier

HURTA, M.; OVESNÁ, A.; MRÁZEK, V.; SEKANINA, L. Multi-Objective Evolutionary Design of Explainable EEG Classifier. Genetic Programming, 28th European Conference, EuroGP 2025. Lecture Notes in Computer Science. Terst: Springer Nature Switzerland AG, 2025. p. 52-67. ISBN: 978-3-031-89990-4.
Název česky
Vícekriteriální evoluční návrh interpretovatelného EEG klasifikátoru
Typ
článek ve sborníku konference
Jazyk
anglicky
Autoři
Hurta Martin, Ing. (UPSY)
Ovesná Anna, Ing.
Mrázek Vojtěch, Ing., Ph.D. (UPSY)
Sekanina Lukáš, prof. Ing., Ph.D. (UPSY)
URL
Klíčová slova

Vícekriteriální návrh, Klasifikace, Vysvětlitelnost, Koevoluce, Genetický
algoritmus, Kartézské genetické programování, EEG

Abstrakt

Hluboké neuronové sítě (DNN) dosáhly působivých výsledků v mnoha oblastech.
Použití black-box řešení založených na DNN v lékařských aplikacích však
představuje výzvu, protože pro použití ve zdravotnictví je zásadní pochopit
důvody, které stojí za rozhodnutími. Z těchto důvodů navrhujeme novou metodu
evolučního víceobjektivního návrhu (MOD) malých a potenciálně vysvětlitelných
klasifikátorů signálu EEG (elektroencefalografie). Vyhodnocujeme kombinaci
genetického algoritmu (GA) pro výběr příznaků s několika algoritmy pro
automatizovaný návrh klasifikátoru, včetně Support Vector Machine, k-Nearest
Neighbors a Naive Bayes. Pro další zlepšení kvality klasifikace a získání méně
složitých řešení porovnáváme tři různé scénáře MOD zaměřené na přesnost,
specificitu, citlivost a počet použitých příznaků. Kromě toho vyhodnocujeme
použití kartézského genetického programování (CGP) jako způsobu dosažení menších
a lépe interpretovatelných řešení a kombinujeme jej s kompoziční koevolucí
vybraných příznaků s cílem zlepšit výpočetní nároky a nalézt řešení v rozumném
čase. Navržené metody jsou experimentálně hodnoceny na úlohách klasifikace poruch
způsobených užíváním alkoholu a těžké depresivní poruchy. Experimentální výsledky
ukazují, že nově navržené scénáře MOD vedou k výrazně lepšímu kompromisu mezi
přesností a počtem příznaků ve srovnání s nejmodernější metodou využívající
algoritmus NSGA-II. Navržená koevoluce příznaků (vyvinutých pomocí GA)
a klasifikátoru (vyvinutého pomocí CGP) umožnila navrhnout malá a potenciálně
vysvětlitelná řešení a vedla k 20-100krát rychlejší konvergenci než základní
přístup založený na CGP.

Rok
2025
Strany
52–67
Sborník
Genetic Programming, 28th European Conference, EuroGP 2025
Řada
Lecture Notes in Computer Science
Svazek
15609
Konference
28th European Conference on Genetic Programming, Terst, IT
ISBN
978-3-031-89990-4
Vydavatel
Springer Nature Switzerland AG
Místo
Terst
DOI
10.1007/978-3-031-89991-1_4
EID Scopus
2-s2.0-105003908688
BibTeX 
@inproceedings{BUT193309,
  author="Martin {Hurta} and Anna {Ovesná} and Vojtěch {Mrázek} and Lukáš {Sekanina}",
  title="Multi-Objective Evolutionary Design of Explainable EEG Classifier",
  booktitle="Genetic Programming, 28th European Conference, EuroGP 2025",
  year="2025",
  series="Lecture Notes in Computer Science",
  volume="15609",
  pages="52--67",
  publisher="Springer Nature Switzerland AG",
  address="Terst",
  doi="10.1007/978-3-031-89991-1\{_}4",
  isbn="978-3-031-89990-4",
  url="https://link.springer.com/chapter/10.1007/978-3-031-89991-1_4"
}
Nahoru