Pipelines de aprendizado de máquina costumam presumir que mais medições geram melhores resultados, mas em sistemas baseados em sensores cada canal extra de EEG acrescenta eletrodos, fluxos de sinal, complexidade de configuração e custo de processamento. Esta análise testa se todos os 19 canais de EEG do couro cabeludo de um conjunto público de cálculo mental são necessários para a classificação entre participantes, reduzindo o posicionamento para 12, 8, 4, 2 e 1 canais, mantendo o mesmo pré-processamento, as mesmas características espectrais, as mesmas famílias de modelos e a mesma avaliação com participantes retidos.
O conjunto de dados EEGMAT, do PhysioNet, contém 36 participantes, cada um com uma gravação de base e uma gravação de cálculo mental em sequência. O alvo da classificação é a condição de gravação, e não uma medida universal validada de carga cognitiva. Os sinais foram filtrados de 1 a 40 Hz, divididos em janelas de quatro segundos, e a potência relativa foi calculada nas bandas theta, alfa, beta e gama baixa, resultando em 76 características por janela em 2.134 janelas.
Grandes reduções no número de canais produziram apenas pequenas mudanças no desempenho com participantes não vistos. Mais revelador ainda, vários eletrodos ficaram entre os primeiros em quase todas as dobras de treinamento, mas não superaram subconjuntos de canais escolhidos aleatoriamente nos participantes retidos. Assim, o experimento deixou de buscar um posicionamento ótimo de EEG e passou a uma lição mais ampla: importância estável das características não significa necessariamente maior utilidade fora da amostra.
O trabalho se apoia em achados anteriores de que o método de validação molda fortemente o desempenho relatado. Reter participantes inteiros, em vez de janelas individuais, oferece um quadro mais realista de como um modelo se comportará com pessoas que nunca viu, que é o requisito central para uma implantação prática.
Fonte: Towards Data Science · Resumido por HeadlinesBriefing