EEG-GPT: Exploring Capabilities of Large Language Models for EEG Classification and Interpretation

📄 arXiv: 2401.18006v2 📥 PDF

作者: Jonathan W. Kim, Ahmed Alaa, Danilo Bernardo

分类: q-bio.QM, cs.LG, eess.SP

发布日期: 2024-01-31 (更新: 2024-02-03)

💡 一句话要点

提出EEG-GPT以解决EEG分类与解释的局限性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑电图 机器学习 可解释性 少量学习 大型语言模型 临床应用 电生理理解

📋 核心要点

  1. 现有EEG机器学习方法往往局限于特定脑活动，缺乏多尺度的电生理理解与分类能力。
  2. EEG-GPT通过大型语言模型的优势，提供了一种统一的EEG分类方法，增强了模型的可解释性。
  3. 在实验中，EEG-GPT仅使用2%的训练数据，分类性能与最先进的深度学习方法相当，且提供透明的推理过程。

📝 摘要（中文）

在传统的脑电图（EEG）机器学习方法中，通常只关注特定的脑活动，导致多尺度电生理理解和分类能力的不足。此外，现有方法多为黑箱模型，缺乏可解释性和可信度。为此，本文提出EEG-GPT，这是一种利用大型语言模型（LLM）进行EEG分类的统一方法。EEG-GPT在少量学习范式下，仅使用2%的训练数据，便能在正常与异常EEG分类中达到与当前最先进深度学习方法相当的性能。同时，它提供了中间推理步骤，并在多个尺度上协调专业EEG工具，增强了临床环境中的透明性和可解释性。

🔬 方法详解

问题定义：本文旨在解决传统EEG机器学习方法的局限性，尤其是其对多尺度电生理活动的理解不足和缺乏可解释性的问题。现有方法往往采用黑箱模型，导致在临床应用中的信任度降低。

核心思路：EEG-GPT的核心思路是利用大型语言模型的能力，进行EEG信号的分类与解释。通过这种方式，EEG-GPT能够在少量数据下实现高效分类，并提供中间推理步骤，增强模型的透明性。

技术框架：EEG-GPT的整体架构包括数据预处理、特征提取、模型训练和推理四个主要模块。数据预处理阶段负责清洗和标准化EEG信号，特征提取模块则利用LLM提取多尺度特征，模型训练阶段采用少量学习策略，最后在推理阶段提供可解释的分类结果。

关键创新：EEG-GPT的主要创新在于将大型语言模型应用于EEG分类任务，突破了传统方法的局限，提供了多尺度的电生理理解和透明的推理过程。这种方法与现有黑箱模型的本质区别在于其可解释性和信任度的提升。

关键设计：在模型设计上，EEG-GPT采用了少量学习策略，仅使用2%的训练数据进行训练。损失函数设计上，结合了分类损失与推理损失，以确保模型在分类准确性的同时，能够提供合理的推理过程。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，EEG-GPT在仅使用2%的训练数据的情况下，成功实现了正常与异常EEG的分类，其性能与当前最先进的深度学习方法相当。这一结果展示了EEG-GPT在少量学习范式下的强大能力，同时提供了透明的推理过程，增强了临床应用的信任度。

🎯 应用场景

EEG-GPT的研究成果在临床神经科学、精神健康监测和脑电图分析等领域具有广泛的应用潜力。通过提高EEG信号分类的准确性和可解释性，该方法能够帮助医生更好地理解患者的脑电活动，从而做出更有效的诊断和治疗决策。未来，EEG-GPT有望推动个性化医疗和智能监测系统的发展。

📄 摘要（原文）

In conventional machine learning (ML) approaches applied to electroencephalography (EEG), this is often a limited focus, isolating specific brain activities occurring across disparate temporal scales (from transient spikes in milliseconds to seizures lasting minutes) and spatial scales (from localized high-frequency oscillations to global sleep activity). This siloed approach limits the development EEG ML models that exhibit multi-scale electrophysiological understanding and classification capabilities. Moreover, typical ML EEG approaches utilize black-box approaches, limiting their interpretability and trustworthiness in clinical contexts. Thus, we propose EEG-GPT, a unifying approach to EEG classification that leverages advances in large language models (LLM). EEG-GPT achieves excellent performance comparable to current state-of-the-art deep learning methods in classifying normal from abnormal EEG in a few-shot learning paradigm utilizing only 2% of training data. Furthermore, it offers the distinct advantages of providing intermediate reasoning steps and coordinating specialist EEG tools across multiple scales in its operation, offering transparent and interpretable step-by-step verification, thereby promoting trustworthiness in clinical contexts.