Machine-Learning-Pipelines gehen oft davon aus, dass mehr Messungen bessere Ergebnisse liefern. In sensorbasierten Systemen erhöht jeder zusätzliche EEG-Kanal jedoch die Zahl der Elektroden und Signalströme, verkompliziert den Aufbau und verursacht höhere Verarbeitungskosten. Diese Analyse prüft, ob alle 19 Kopfhaut-EEG-Kanäle eines öffentlichen Datensatzes zum Kopfrechnen für die Klassifikation über Teilnehmende hinweg benötigt werden. Dazu wurde die Elektrodenanordnung auf 12, 8, 4, 2 und 1 Kanäle reduziert, wobei dieselbe Vorverarbeitung, dieselben spektralen Merkmale, dieselben Modellfamilien und eine Bewertung mit zurückgehaltenen Teilnehmenden beibehalten wurden.
Der EEGMAT-Datensatz von PhysioNet umfasst 36 Teilnehmende, von denen jede bzw. jeder eine Ruheaufnahme und eine Aufnahme beim fortlaufenden Kopfrechnen hat. Das Klassifikationsziel ist der Aufnahmezustand und kein validiertes, universelles Maß für kognitive Belastung. Die Signale wurden von 1 bis 40 Hz gefiltert, in vierSekunden-Fenster unterteilt und die relative Leistung in den Bändern Theta, Alpha, Beta und niedriges Gamma berechnet. So entstanden 76 Merkmale pro Fenster bei insgesamt 2.134 Fenstern.
Starke Reduktionen der Kanalzahl führten nur zu kleinen Veränderungen der Leistung bei unbekannten Teilnehmenden. Aufschlussreicher war, dass mehrere Elektroden in fast jeder Trainingsfalte zu den obersten Rängen gehörten, bei den zurückgehaltenen Teilnehmenden jedoch nicht besser abschnitten als zufällig gewählte Kanalteilmengen. Das Experiment verlagerte sich daher vom Finden einer optimalen EEG-Anordnung hin zu einer allgemeineren Erkenntnis: Stabile Merkmalsbedeutung bedeutet nicht zwingend bessere Nutzbarkeit außerhalb der Stichprobe.
Die Arbeit baut auf früheren Befunden auf, wonach die Validierungsmethode die berichtete Leistung stark prägt. Das Zurückhalten ganzer Teilnehmender statt einzelner Fenster ergibt ein realistischeres Bild davon, wie ein Modell mit Menschen umgeht, die es nie gesehen hat. Genau das ist die zentrale Anforderung für einen praktischen Einsatz.
Quelle: Towards Data Science · Zusammengefasst von HeadlinesBriefing