EEG मशीन-लर्निंग पाइपलाइन लागू करते समय, यदि एक ही विषय प्रशिक्षण और परीक्षण दोनों सेटों में मौजूद हो, तो डेटा को यादृच्छिक विंडो में विभाजित करने से भ्रामक रूप से आशावादी परिणाम मिल सकते हैं। यह दृष्टिकोण नए विषयों पर वास्तविक सामान्यीकरण की जाँच नहीं करता, क्योंकि मॉडल कार्य-संबंधित संकेतों के बजाय प्रतिभागी-विशिष्ट पैटर्न सीख सकते हैं। यह समस्या केवल EEG तक सीमित नहीं है, बल्कि किसी भी क्षेत्र में लागू होती है जहाँ एक ही स्रोत से बार-बार माप लिए जाते हैं, जैसे पहनने योग्य सेंसर या व्यवहारिक डेटा।
इस अध्ययन में, शोधकर्ताओं ने एक सरल EEG प्रयोग को दोहराया, जिसमें स्पेक्ट्रल विशेषताओं और तीन मानक मशीन लर्निंग एल्गोरिदम का उपयोग करके पृष्ठभूमि और मानसिक अंकगणित कार्य के डेटा की तुलना की गई। उन्होंने यादृच्छिक-विंडो विभाजन की तुलना प्रतिभागी-आधारित होल्ड-आउट मूल्यांकन से की, जिसमें किसी विषय की सभी विंडो केवल प्रशिक्षण या केवल परीक्षण के लिए निर्धारित की गईं। उपयोग किया गया डेटासेट Physio Net का EEG During Mental Arithmetic Tasks (EEGMAT) था, जिसमें 36 रिकॉर्डिंग थीं (18 विषय, प्रत्येक के पृष्ठभूमि और अंकगणित दोनों रिकॉर्ड)। फ़िल्टरिंग और विंडोिंग के बाद, 2,134 चार-सेकंड की विंडो निकाली गईं—1,594 पृष्ठभूमि और 540 अंकगणित—जिनसे 19 EEG चैनलों पर चार आवृत्ति बैंडों में सापेक्ष शक्ति के माध्यम से प्रति विंडो 76 विशेषताएँ प्राप्त हुईं। विश्लेषण का उद्देश्य नए बायोमार्कर विकसित करना नहीं, बल्कि मूल्यांकन पद्धति के प्रभाव को अलग करना था, इसलिए पारंपरिक विशेषताएँ और वर्ग संतुलन व विशेषता विभेदन नियंत्रित किए गए।
परिणामों से पता चला कि प्रतिभागी-जागरूक मूल्यांकन ने प्रदर्शन अनुमानों को उल्लेखनीय रूप से बदल दिया, जिससे स्पष्ट हुआ कि जब विषय-विशिष्ट संरचना मौजूद होती है, तो मानक यादृच्छिक विभाजन मॉडल के सामान्यीकरण को अधिक आंकते हैं।
स्रोत: Towards Data Science · HeadlinesBriefing द्वारा सारांशित