Pipeline machine learning sering berasumsi bahwa semakin banyak pengukuran akan menghasilkan hasil yang lebih baik, tetapi dalam sistem berbasis sensor setiap saluran EEG tambahan menambah elektroda, aliran sinyal, kerumitan pengaturan, dan biaya pemrosesan. Analisis ini menguji apakah seluruh 19 saluran EEG kulit kepala dalam dataset hitung mental publik diperlukan untuk klasifikasi lintas peserta, dengan mereduksi montase menjadi 12, 8, 4, 2, dan 1 saluran sambil mempertahankan praprocessing, fitur spektral, famili model, dan evaluasi peserta yang ditahan yang sama.
Dataset EEGMAT dari PhysioNet berisi 36 peserta, masing-masing dengan rekaman latar belakang dan rekaman hitung mental berurutan. Target klasifikasi adalah kondisi rekaman, bukan ukuran beban kognitif universal yang tervalidasi. Sinyal difilter pada rentang 1 hingga 40 Hz, dibagi menjadi jendela empat detik, dan daya relatif dihitung pada pita theta, alpha, beta, dan gamma rendah, menghasilkan 76 fitur per jendela dari 2.134 jendela.
Pengurangan besar pada jumlah saluran hanya menghasilkan perubahan kecil pada performa terhadap peserta yang belum pernah dilihat. Yang lebih menarik, beberapa elektroda berada di peringkat teratas hampir di setiap lipatan pelatihan, namun tidak mengungguli subset saluran yang dipilih secara acak pada peserta yang ditahan. Karena itu, eksperimen bergeser dari mencari montase EEG yang optimal menuju pelajaran yang lebih luas: kepentingan fitur yang stabil tidak selalu berarti kegunaan yang lebih baik di luar sampel.
Karya ini berangkat dari temuan sebelumnya bahwa metode validasi sangat membentuk performa yang dilaporkan. Menahan seluruh peserta, bukan jendela individual, memberikan gambaran yang lebih realistis tentang bagaimana model akan berperilaku pada orang yang belum pernah dilihatnya, yang merupakan syarat utama untuk penerapan praktis.
Sumber: Towards Data Science · Diringkas oleh HeadlinesBriefing