মেশিন-লার্নিং পাইপলাইন প্রায়ই ধরে নেয় যে যত বেশি পরিমাপ, তত ভালো ফল। কিন্তু সেন্সর-ভিত্তিক সিস্টেমে প্রতিটি অতিরিক্ত EEG চ্যানেল ইলেকট্রোড, সিগন্যাল স্ট্রিম, সেটআপের জটিলতা এবং প্রক্রিয়াকরণ খরচ বাড়ায়। এই বিশ্লেষণে একটি উন্মুক্ত মানসিক-গণনা ডেটাসেটের সব ১৯টি স্ক্যাল্প EEG চ্যানেল অংশগ্রহণকারীদের মধ্যে শ্রেণিবিন্যাসের জন্য প্রয়োজন কি না তা পরীক্ষা করা হয়েছে। মন্তাজকে ১২, ৮, ৪, ২ ও ১ চ্যানেলে নামিয়ে আনা হয়েছে, আর একই প্রিপ্রসেসিং, বর্ণালি বৈশিষ্ট্য, মডেল পরিবার এবং অংশগ্রহণকারী-বাদ-দেওয়া মূল্যায়ন বজায় রাখা হয়েছে।
PhysioNet-এর EEGMAT ডেটাসেটে ৩৬ জন অংশগ্রহণকারী আছেন, প্রত্যেকের একটি পটভূমি রেকর্ডিং ও একটি ধারাবাহিক মানসিক-গণনার রেকর্ডিং রয়েছে। শ্রেণিবিন্যাসের লক্ষ্য হলো রেকর্ডিংয়ের অবস্থা, কোনো যাচাইকৃত সার্বজনীন জ্ঞানীয় চাপের পরিমাপ নয়। সংকেতগুলো ১ থেকে ৪০ Hz পর্যন্ত ফিল্টার করা হয়েছে, চার সেকেন্ডের উইন্ডোতে ভাগ করা হয়েছে, এবং থিটা, আলফা, বিটা ও নিম্ন গামা ব্যান্ডে আপেক্ষিক শক্তি গণনা করা হয়েছে। এতে ২,১৩৪টি উইন্ডো জুড়ে প্রতি উইন্ডোতে ৭৬টি বৈশিষ্ট্য পাওয়া গেছে।
চ্যানেলের সংখ্যা ব্যাপকভাবে কমানোর পরও অদেখা অংশগ্রহণকারীদের ফলাফলে সামান্যই পরিবর্তন হয়েছে। আরও উল্লেখযোগ্য বিষয় হলো, প্রায় প্রতিটি প্রশিক্ষণ ফোল্ডেই কয়েকটি ইলেকট্রোড শীর্ষের কাছাকাছি স্থান পেয়েছে, তবু বাদ-দেওয়া অংশগ্রহণকারীদের উপর তারা এলোমেলোভাবে বাছাই করা চ্যানেল-উপসেটের চেয়ে ভালো করেনি। তাই পরীক্ষাটি একটি সর্বোত্তম EEG মন্তাজ খোঁজা থেকে সরে গিয়ে একটি বৃহত্তর শিক্ষায় পৌঁছেছে: স্থিতিশীল বৈশিষ্ট্য গুরুত্ব মানেই নমুনার বাইরে ভালো উপযোগিতা নয়।
এই কাজটি আগের গবেষণার উপর ভিত্তি করে, যেখানে দেখা গেছে যাচাইয়ের পদ্ধতি প্রতিবেদিত কর্মক্ষমতাকে দারুণভাবে প্রভাবিত করে। আলাদা উইন্ডোর বদলে পুরো অংশগ্রহণকারীকে বাদ রাখলে বোঝা যায়, যারা কখনো দেখেনি তাদের সঙ্গে মডেল কেমন আচরণ করবে, আর এটাই বাস্তব প্রয়োগের মূল শর্ত।
উৎস: Towards Data Science · সারাংশ: HeadlinesBriefing