.png){kind=icon}
返回
Evaluating Explainable Artificial Intelligence in EEG-Based Deception Detection
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15174041.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑电图（EEG）为客观测谎检测提供了有前景的基础，因为它能够捕捉可能无法通过行为或自我报告获取的隐蔽神经反应。在此背景下，可解释人工智能（XAI）有望通过阐明哪些EEG特征和时-空模式驱动分类决策来同时提高模型性能和增加信任度。本研究对基于EEG的测谎检测进行了系统综述，重点介绍了机器学习和深度学习方法当前的运用方式，以及XAI方法在相关流程中的整合程度。该综述按数据集类型、特征提取方法、分类策略、测谎范式及其实验和分析设计对近期研究进行了组织。其目标是识别方法学局限和研究空白，总结当前挑战和新兴趋势，并为未来可解释的EEG基测谎检测工作提出方向。研究发现表明，对深度学习架构的依赖日益增长，但XAI的使用有限且缺乏系统性，凸显了将可解释性更原则性地整合到测谎检测研究中的必要性。
Keyword:
electroencephalography (EEG)
deception detection
lie detection
explainable artificial intelligence (XAI)
brain–computer interface (BCI)
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
Standardization of Neurotechnology for Brain-Machine Interfacing: State of the Art and Recommendations脑机接口神经技术的标准化：现状与建议
OAAI
OAAI分享收藏LieWaves: dataset for lie detection based on EEG signals and waveletsLieWaves：基于EEG信号和小波的谎言检测数据集
PREAI
分享收藏Explainable Artificial Intelligence Model for Stroke Prediction Using EEG Signal使用EEG信号预测中风的可解释人工智能模型.png)
SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏分享收藏SHAP value-based ERP analysis (SHERPA): Increasing the sensitivity of EEG signals with explainable AI methods基于SHAP值的ERP分析（SHERPA）：利用可解释AI方法提高EEG信号的敏感性OAAI
OAAI分享收藏
查看更多内容