عند تطبيق خطوط معالجة تعلم الآلة لإشارات EEG، قد يؤدي تقسيم البيانات إلى نوافذ عشوائية إلى نتائج متفائلة بشكل مضلل إذا ظهر الشخص نفسه في مجموعتي التدريب والاختبار. لا يختبر هذا النهج التعميم الحقيقي على أشخاص جدد، لأن النماذج قد تتعلم أنماطاً خاصة بكل مشارك بدلاً من الإشارات المرتبطة بالمهمة. ولا تقتصر هذه المشكلة على EEG، بل تمتد إلى أي مجال يتضمن قياسات متكررة من المصدر ذاته، مثل أجهزة الاستشعار القابلة للارتداء أو البيانات السلوكية.
في هذه الدراسة، أعاد الباحثون تكرار تجربة EEG بسيطة تقارن بيانات المهمة الخلفية ومهمة الحساب الذهني، باستخدام السمات الطيفية وثلاث خوارزميات قياسية لتعلم الآلة. وقارنوا بين تقسيم النوافذ العشوائي والتقييم القائم على استبعاد المشاركين، حيث تُخصص جميع نوافذ الشخص إما للتدريب أو للاختبار حصراً. استُخدمت مجموعة البيانات EEG During Mental Arithmetic Tasks (EEGMAT) من Physio Net، وتضم 36 تسجيلاً (18 شخصاً، لكل منهم تسجيل خلفي وتسجيل للحساب). وبعد الترشيح والتقسيم إلى نوافذ، استُخرجت 2,134 نافذة مدتها أربع ثوانٍ، منها 1,594 نافذة خلفية و540 نافذة حسابية، ما أتاح 76 سمة لكل نافذة عبر القدرة النسبية في أربعة نطاقات ترددية وعبر 19 قناة EEG. هدف التحليل إلى عزل تأثير منهجية التقييم لا إلى تطوير مؤشرات حيوية جديدة، لذلك استُخدمت سمات تقليدية مع ضبط توازن الفئات وقدرة السمات على التمييز.
أظهرت النتائج أن التقييم المراعي للمشاركين غيّر تقديرات الأداء بشكل ملحوظ، وكشف أن التقسيمات العشوائية المعيارية تبالغ في تقدير تعميم النموذج عند وجود بنية خاصة بكل شخص.
المصدر: Towards Data Science · لخّصه HeadlinesBriefing