脳に触発されたスパイキングニューラルネットワークにおける動的な空間的クラスターとルールとしての説明可能なEEGパターンの深い学習

このペーパーでは、脳に触発されたスパイクニューラルネットワーク（SNN）アーキテクチャにおける深い学習と知識の発見のための新しい方法を提案します。これにより、特定の決定（出力予測）がモデルによって行われた理由を説明するSNNモデルからの時空間ルールが抽出されました。学習プロセス中、SNNはポリゴンとしてキャプチャされた動的なニューラルクラスターを作成し、時間内に進化し、サイズと形状を継続的に変えました。クラスターの動的なパターンを定量的に分析して、最も活性化された脳領域に対応する重要なSTBD機能を特定しました。動的に作成されたクラスターと、特定の空間と時間で一緒に発生するスパイク駆動型のイベントの傾向を研究しました。この研究は、次のことに貢献しています。（1）動的なニューラルクラスタリングによるSNN学習行動の解釈可能性の向上。（2）特徴の選択と分類の精度の向上。（3）モデルの説明可能性をサポートするための時空間ルール。（4）特徴の相互作用の観点から、STBDのダイナミクスをよりよく理解する。クラスタリング法は、認知課題を実行している間に、健康な対照群（n = 21）およびオピエートの使用（n = 18）の被験者から記録された脳波（EEG）データのケーススタディに適用されました。EEGのSNNモデルは、グループ全体で動的なクラスターのさまざまな傾向を示しました。これにより、マーカーEEG機能のグループを選択することが示唆され、All-Feature分類と比較した場合、EEG分類の精度が92％に改善されました。EEGデータの学習中、隣接するクラスター（隣接するEEGチャネルに対応）を形成するSNNモデルのニューロンの領域は、被験者の各グループの脳領域の重複活動を説明するファジー境界として検出されました。

The paper proposes a new method for deep learning and knowledge discovery in a brain-inspired Spiking Neural Networks (SNN) architecture that enhances the model's explainability while learning from streaming spatiotemporal brain data (STBD) in an incremental and on-line mode of operation. This led to the extraction of spatiotemporal rules from SNN models that explain why a certain decision (output prediction) was made by the model. During the learning process, the SNN created dynamic neural clusters, captured as polygons, which evolved in time and continuously changed their size and shape. The dynamic patterns of the clusters were quantitatively analyzed to identify the important STBD features that correspond to the most activated brain regions. We studied the trend of dynamically created clusters and their spike-driven events that occur together in specific space and time. The research contributes to: (1) enhanced interpretability of SNN learning behavior through dynamic neural clustering; (2) feature selection and enhanced accuracy of classification; (3) spatiotemporal rules to support model explainability; and (4) a better understanding of the dynamics in STBD in terms of feature interaction. The clustering method was applied to a case study of Electroencephalogram (EEG) data, recorded from a healthy control group (n = 21) and opiate use (n = 18) subjects while they were performing a cognitive task. The SNN models of EEG demonstrated different trends of dynamic clusters across the groups. This suggested to select a group of marker EEG features and resulted in an improved accuracy of EEG classification to 92%, when compared with all-feature classification. During learning of EEG data, the areas of neurons in the SNN model that form adjacent clusters (corresponding to neighboring EEG channels) were detected as fuzzy boundaries that explain overlapping activity of brain regions for each group of subjects.