मशीन-लर्निंग पाइपलाइनें अक्सर मान लेती हैं कि जितने अधिक माप होंगे, परिणाम उतने ही बेहतर होंगे, लेकिन सेंसर-आधारित प्रणालियों में हर अतिरिक्त EEG चैनल इलेक्ट्रोड, सिग्नल स्ट्रीम, सेटअप की जटिलता और प्रसंस्करण लागत जोड़ता है। यह विश्लेषण परखता है कि एक सार्वजनिक मानसिक-गणित डेटासेट के सभी 19 स्कैल्प EEG चैनल क्रॉस-प्रतिभागी वर्गीकरण के लिए आवश्यक हैं या नहीं। इसके लिए मॉन्टेज को 12, 8, 4, 2 और 1 चैनल तक घटाया गया, जबकि वही प्रीप्रोसेसिंग, स्पेक्ट्रल फ़ीचर, मॉडल परिवार और प्रतिभागी-रोकी गई मूल्यांकन पद्धति बनाए रखी गई।
PhysioNet का EEGMAT डेटासेट 36 प्रतिभागियों का है, जिनमें से प्रत्येक की एक पृष्ठभूमि रिकॉर्डिंग और एक क्रमिक मानसिक-गणित रिकॉर्डिंग है। वर्गीकरण का लक्ष्य रिकॉर्डिंग की स्थिति है, न कि संज्ञानात्मक भार का कोई मान्य सार्वभौमिक माप। सिग्नलों को 1 से 40 Hz तक फ़िल्टर किया गया, चार-सेकंड की विंडो में बाँटा गया, और थीटा, अल्फा, बीटा और निम्न गामा बैंड में सापेक्ष शक्ति की गणना की गई, जिससे 2,134 विंडो में प्रति विंडो 76 फ़ीचर मिले।
चैनलों की संख्या में बड़ी कमी से अनदेखे प्रतिभागियों के प्रदर्शन में केवल छोटे बदलाव आए। अधिक उल्लेखनीय यह था कि कई इलेक्ट्रोड लगभग हर प्रशिक्षण फ़ोल्ड में शीर्ष के आसपास रहे, फिर भी रोके गए प्रतिभागियों पर वे यादृच्छिक रूप से चुने गए चैनल उपसमूहों से बेहतर प्रदर्शन नहीं कर सके। इसलिए प्रयोग इष्टतम EEG मॉन्टेज खोजने से हटकर एक व्यापक सबक पर केंद्रित हो गया: स्थिर फ़ीचर महत्व का अर्थ यह नहीं कि नमूने से बाहर वह अधिक उपयोगी है।
यह काम उन पूर्व निष्कर्षों पर आधारित है जिनके अनुसार सत्यापन पद्धति रिपोर्ट किए गए प्रदर्शन को गहराई से प्रभावित करती है। व्यक्तिगत विंडो के बजाय पूरे प्रतिभागियों को रोकना यह अधिक यथार्थवादी तस्वीर देता है कि मॉडल उन लोगों पर कैसा व्यवहार करेगा जिन्हें उसने कभी नहीं देखा, और व्यावहारिक उपयोग की यही केंद्रीय आवश्यकता है।
स्रोत: Towards Data Science · HeadlinesBriefing द्वारा सारांशित