Los flujos de aprendizaje automático suelen asumir que más mediciones producen mejores resultados, pero en los sistemas basados en sensores cada canal adicional de EEG añade electrodos, flujos de señal, complejidad de configuración y coste de procesamiento. Este análisis evalúa si los 19 canales de EEG de cuero cabelludo de un conjunto de datos público de aritmética mental son necesarios para la clasificación entre participantes, reduciendo el montaje a 12, 8, 4, 2 y 1 canales, manteniendo el mismo preprocesamiento, las mismas características espectrales, las mismas familias de modelos y la misma evaluación con participantes retenidos.
El conjunto de datos EEGMAT de PhysioNet contiene 36 participantes, cada uno con una grabación de referencia y una grabación de aritmética mental en serie. El objetivo de clasificación es la condición de grabación, no una medida universal validada de carga cognitiva. Las señales se filtraron de 1 a 40 Hz, se dividieron en ventanas de cuatro segundos y se calculó la potencia relativa en las bandas theta, alfa, beta y gamma baja, lo que produjo 76 características por ventana en 2.134 ventanas.
Las grandes reducciones en el número de canales produjeron solo pequeños cambios en el rendimiento con participantes no vistos. Más revelador aún, varios electrodos se situaron cerca de la cima en casi todos los pliegues de entrenamiento, pero no superaron a subconjuntos de canales elegidos al azar en los participantes retenidos. Por ello, el experimento pasó de buscar un montaje óptimo de EEG a una lección más amplia: una importancia de características estable no implica necesariamente una mejor utilidad fuera de la muestra.
El trabajo se basa en hallazgos anteriores según los cuales el método de validación determina en gran medida el rendimiento informado. Retener participantes completos, en lugar de ventanas individuales, ofrece una imagen más realista de cómo se comportará un modelo con personas que nunca ha visto, que es el requisito central para un despliegue práctico.
Fuente: Towards Data Science · Resumido por HeadlinesBriefing