Les chaînes de traitement de l'apprentissage automatique supposent souvent que davantage de mesures donnent de meilleurs résultats, mais dans les systèmes à capteurs, chaque canal EEG supplémentaire ajoute des électrodes, des flux de signaux, de la complexité de mise en place et un coût de traitement. Cette analyse vérifie si les 19 canaux EEG du cuir chevelu d'un jeu de données public de calcul mental sont tous nécessaires à la classification entre participants. Le montage est réduit à 12, 8, 4, 2 et 1 canaux, tout en conservant le même prétraitement, les mêmes caractéristiques spectrales, les mêmes familles de modèles et une évaluation fondée sur des participants mis de côté.
Le jeu de données EEGMAT de PhysioNet contient 36 participants, chacun ayant un enregistrement de fond et un enregistrement de calcul mental en série. La cible de classification est la condition d'enregistrement, et non une mesure universelle validée de la charge cognitive. Les signaux ont été filtrés de 1 à 40 Hz, découpés en fenêtres de quatre secondes, et la puissance relative a été calculée dans les bandes thêta, alpha, bêta et gamma basse, ce qui donne 76 caractéristiques par fenêtre sur 2 134 fenêtres.
De fortes réductions du nombre de canaux n'ont produit que de faibles variations des performances sur des participants inconnus. Plus révélateur, plusieurs électrodes figuraient parmi les premières dans presque tous les plis d'entraînement, mais elles n'ont pas surpassé des sous-ensembles de canaux choisis au hasard sur les participants mis de côté. L'expérience a donc glissé de la recherche d'un montage EEG optimal vers une leçon plus large : une importance stable des caractéristiques ne signifie pas nécessairement une meilleure utilité hors échantillon.
Ce travail s'appuie sur des résultats antérieurs selon lesquels la méthode de validation influence fortement les performances rapportées. Exclure des participants entiers, plutôt que des fenêtres individuelles, donne une image plus réaliste du comportement d'un modèle face à des personnes qu'il n'a jamais vues, ce qui constitue l'exigence centrale d'un déploiement pratique.
Source: Towards Data Science · Résumé par HeadlinesBriefing