基于可解释轻量化多项式网络的脑电热感觉分类系统

张开发
• 2026/4/20 0:14:25 • 15 分钟阅读

最新文章

推荐文章

相关文章

分享文章

基于可解释轻量化多项式网络的脑电热感觉分类系统
基于可解释轻量化多项式网络的脑电热感觉分类系统摘要本毕设项目开发了一个用于脑电（EEG）热感觉分类的可解释轻量化多项式网络。系统从原始EEG信号中提取α（8-13Hz）和β（13-30Hz）频段的功率特征，采用二阶多项式特征扩展（包含线性项、平方项和交叉项）构建分类模型。模型训练中引入了数据标准化、加权交叉熵损失（处理类别不平衡）、Adam优化器以及早停机制。为了验证所提方法的有效性，对比了CNN、LSTM和GRU三种深度学习模型。实验结果表明，二阶多项式网络在保持较高分类精度的同时，具有参数量少、训练速度快、可解释性强的优势。本文详细阐述了数据预处理、特征提取、模型构建、训练流程、性能评估及可视化分析，并提供了完整的Python代码实现。关键词：脑电信号；热感觉分类；多项式网络；可解释性；频带分析；深度学习对比1. 引言热感觉是人类对外界温度刺激的主观感知，与大脑神经活动密切相关。脑电图（EEG）作为一种非侵入性神经成像技术，能够实时记录大脑皮层电活动，为研究热感觉的神经编码提供了有效手段。传统机器学习方法（如SVM、随机森林）在EEG分类中取得了不错的效果，但往往需要手工设计特征；深度学习方法（如CNN、LSTM、GRU）能够自动提取层次化特征，但其黑箱特性使得模型决策难以解释，且参数量大，对计算资源要求较高。近年来，多项式网络（Polynomial Network）作为一种轻量化可解释模型，通过显式构造高阶特征组合（线性项、平方项、交叉项）来逼近非线性决策边界，其权重可直接解释各原始特征及其交互作用的重要

更多文章