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