EEG মেশিন-লার্নিং পাইপলাইন বাস্তবায়নের সময়, যদি একই ব্যক্তি প্রশিক্ষণ ও পরীক্ষা উভয় সেটে থাকে, তবে ডেটাকে এলোমেলো উইন্ডোতে ভাগ করলে বিভ্রান্তিকরভাবে আশাবাদী ফলাফল আসতে পারে। এই পদ্ধতি নতুন ব্যক্তিদের উপর প্রকৃত সাধারণীকরণ পরীক্ষা করে না, কারণ মডেল কাজ-সম্পর্কিত সংকেতের পরিবর্তে অংশগ্রহণকারী-নির্দিষ্ট প্যাটার্ন শিখতে পারে। এই সমস্যা শুধু EEG-তে সীমাবদ্ধ নয়; একই উৎস থেকে বারবার পরিমাপ থাকা যেকোনো ক্ষেত্রে, যেমন পরিধেয় সেন্সর বা আচরণগত ডেটায়, এটি প্রযোজ্য।
এই গবেষণায়, গবেষকরা একটি সহজ EEG পরীক্ষার পুনরাবৃত্তি করেন, যেখানে পটভূমি ও মানসিক গাণিতিক কাজের ডেটার তুলনা করা হয়, স্পেকট্রাল বৈশিষ্ট্য এবং তিনটি প্রমিত মেশিন-লার্নিং অ্যালগরিদম ব্যবহার করে। তারা এলোমেলো-উইন্ডো বিভাজনকে অংশগ্রহণকারী-হোল্ড-আউট মূল্যায়নের সঙ্গে তুলনা করেন, যেখানে কোনো ব্যক্তির সব উইন্ডো শুধু প্রশিক্ষণ বা শুধু পরীক্ষার জন্য নির্ধারিত হয়। ব্যবহৃত ডেটাসেট ছিল Physio Net-এর EEG During Mental Arithmetic Tasks (EEGMAT), যাতে ৩৬টি রেকর্ডিং ছিল (১৮ জন ব্যক্তি, প্রত্যেকের পটভূমি ও গাণিতিক দুটি রেকর্ডিং)। ফিল্টারিং ও উইন্ডোিংয়ের পর ২,১৩৪টি চার-সেকেন্ডের উইন্ডো নিষ্কাশন করা হয়—১,৫৯৪টি পটভূমি এবং ৫৪০টি গাণিতিক—যা ১৯টি EEG চ্যানেলে চারটি ফ্রিকোয়েন্সি ব্যান্ডের আপেক্ষিক শক্তির মাধ্যমে প্রতি উইন্ডোতে ৭৬টি বৈশিষ্ট্য দেয়। বিশ্লেষণের লক্ষ্য ছিল নতুন বায়োমার্কার তৈরি নয়, বরং মূল্যায়ন পদ্ধতির প্রভাব আলাদা করা; তাই প্রচলিত বৈশিষ্ট্য ব্যবহার এবং শ্রেণির ভারসাম্য ও বৈশিষ্ট্যের পার্থক্যকারী ক্ষমতা নিয়ন্ত্রণ করা হয়।
ফলাফলে দেখা যায়, অংশগ্রহণকারী-সচেতন মূল্যায়ন কর্মক্ষমতার অনুমানকে উল্লেখযোগ্যভাবে পরিবর্তন করে, এবং প্রকাশ করে যে ব্যক্তি-নির্দিষ্ট কাঠামো থাকলে প্রমিত এলোমেলো বিভাজন মডেলের সাধারণীকরণকে অতিরিক্ত মূল্যায়ন করে।
উৎস: Towards Data Science · সারাংশ: HeadlinesBriefing