Конвейеры машинного обучения часто исходят из того, что чем больше измерений, тем лучше результаты, однако в сенсорных системах каждый дополнительный канал ЭЭГ добавляет электроды, потоки сигналов, сложность настройки и стоимость обработки. В этом анализе проверяется, все ли 19 скальповых каналов ЭЭГ в публичном наборе данных по ментальному счету необходимы для классификации между участниками. Монтаж сокращался до 12, 8, 4, 2 и 1 канала при сохранении той же предобработки, спектральных признаков, семейств моделей и оценки на отложенных участниках.
Набор данных EEGMAT из PhysioNet содержит 36 участников, у каждого есть фоновая запись и запись последовательного ментального счета. Целью классификации является условие записи, а не проверенная универсальная мера когнитивной нагрузки. Сигналы фильтровались в диапазоне от 1 до 40 Гц, разбивались на четырехсекундные окна, и для диапазонов тета, альфа, бета и низкой гаммы вычислялась относительная мощность, что дало 76 признаков на окно для 2 134 окон.
Большое сокращение числа каналов привело лишь к небольшим изменениям качества на невиденных участниках. Более показательно то, что несколько электродов почти в каждом обучающем фолде входили в число лидеров по важности, однако на отложенных участниках они не превосходили случайно выбранные подмножества каналов. Поэтому эксперимент сместился от поиска оптимального монтажа ЭЭГ к более общему выводу: стабильная важность признаков не обязательно означает большую полезность вне выборки.
Работа опирается на более ранние результаты, согласно которым метод валидации сильно определяет заявленное качество. Исключение целых участников, а не отдельных окон, дает более реалистичную картину того, как модель поведет себя с людьми, которых она никогда не видела, и это главное требование для практического внедрения.
Источник: Towards Data Science · Сводку подготовил HeadlinesBriefing