机器学习流程通常假定测量越多，结果越好，但在基于传感器的系统中，每增加一个脑电通道，都会增加电极、信号流、设置复杂度和处理成本。本分析测试了公开心算数据集中全部19个头皮脑电通道是否都是跨受试者分类所必需的，在保持相同预处理、频谱特征、模型类型和留出受试者评估的前提下，将导联减至12、8、4、2和1个通道。
来自PhysioNet的EEGMAT数据集包含36名受试者，每人都有一段背景记录和一段连续心算记录。分类目标是记录条件，而不是经过验证的通用认知负荷指标。信号经过1至40 Hz滤波，切分为四秒窗口，并计算theta、alpha、beta和低伽马频段的相对功率，共2,134个窗口，每个窗口得到76个特征。
通道数量大幅减少，但对未见受试者的表现只产生了很小的变化。更具启发性的是，几个电极在几乎每一折训练中都排名靠前，但在留出受试者上，它们的表现并不优于随机选取的通道子集。因此，实验的重点从寻找最优脑电导联转向了一个更广泛的结论：特征重要性稳定，并不一定意味着样本外更有用。
这项工作建立在早期研究的发现之上，即验证方法在很大程度上决定了所报告的性能。以整个受试者而非单个窗口作为留出对象，能更真实地反映模型在从未见过的人身上的表现，而这正是实际部署的核心要求。
来源: Towards Data Science · 由HeadlinesBriefing整理摘要