شحال من الداتا ديال شخص جديد محتاج model؟
البحث · العصبي الاصطناعي والأشخاصبدءا من model لي عمرو ماشافك، شحال من essais ديالك خاصها باش يبدا يقرب score ديالك؟ تجربة صغيرة ديال courbe de calibration على داتا حقيقية ديال EEG ديال motor-imagery.
فهاد المقال
المقال لي فات سالا بـ écart inter-sujets ضعيف ولكن حقيقي: model مدرب على 9 ناس ومجرب على عاشر عمرو ماشافو عطا score أقل بوضوح من واحد مدرب ومجرب على الكل مجموعين.
هادشي كيخلي سؤال جاي واضح. الـ model عمرو ماشاف هاد العاشر. وإلا شاف شوية منو أول؟
الإعداد
نفس الداتا ديال المرة لي فاتت: 10 sujets، dataset ديال PhysioNet ديال motor-imagery، قبضة يسرى ضد يمنى متخيلة، features ديال band-power (log power عبر 4 bandes، 32 channel)، régression logistique.
لكل واحد من 10 sujets بالدور، استبعدتو كاملا: درّبت غير على 9 لخرين. من بعد، قبل ما نجرب، خليت الـ model يشوف عدد صغير من essais ديال هاد الـ sujet المستبعد نفسو — مزيدين فـ training set، ماشي بدالو — وعاودت الاختبار. استعملت calibration sizes ديال 0، 2، 5، 10 و 20 essai.
باش نخلي المقارنة عادلة، ثبّت 20 essai من كل sujet كـ ensemble ديال évaluation لي عمرها ماتستعمل للـ calibration، بغض النظر شحال من essais ديال calibration تزادو. essais ديال calibration مأخوذين من الباقي ديال الـ pool. هادشي هو نفس discipline ديال subject-wise ديال المقال لي فات، غير مع fuite مراقبة ديال شوية essais راجعين عمدا — وهادشي هو كامل هدف الـ calibration.
النتيجة
| Essais ديال calibration | Balanced accuracy موسطة | Écart-type |
|---|---|---|
| 0 | 0.559 | ±0.106 |
| 2 | 0.554 | ±0.121 |
| 5 | 0.577 | ±0.122 |
| 10 | 0.597 | ±0.127 |
| 20 | 0.634 | ±0.069 |
جوج essais ديال calibration مادارو والو — إلا كان شي حاجة، الموسط هبط شوية، لي كنقراها كـ noise نظرا لـ étalement ديال ±0.121، ماشي effet حقيقي. من 5 essais لـ فوق، التريند كيبدا يطلع وكيكمل: مع 20 essai، balanced accuracy الموسطة هي 0.634، تقريبا 7.5 نقطة فوق baseline بلا calibration.
الـ écart-type كيفكذلك كينقص ملي essais ديال calibration كيزيدو — من 0.106 بلا calibration لـ 0.069 مع 20. هادشي effet ثاني يستاهل يتسمى بوحدو من الموسط لي طالع: الـ calibration ماشي غير كتزيد الموسط، كتخلي performance ديال model أكثر ثبات من شخص لآخر. شي حاجة من شنو كيغلط فيه model بـ leave-subject-out هي خاصة بالشخص بالصح، وقبضة من essais ديال هاد الشخص كتصلح بالضبط الجزء لي training مجموع ماقدرش يصلحو.
فين هادشي خلا الـ thread
جوج مقالات، boucle حقيقية وحدة: جمع الجميع وكتزيد score ديالك بـ reconnaissance ديال الشخص؛ استبعد شخص كاملا والـ score كيهبط لشي حاجة أقرب للحقيقة؛ خلي model يشوف شوية من هاد الشخص وجزء، ماشي الكل، ديال الهبوط كيتقرب. هاديك هي boucle « حس، فهم، تأقلم، عاود قيس » لي كامل هاد المشروع كيرجع ليها، دارت مرة وحدة، بصح، على EEG حقيقي.
المصادر و المقالات لي استعملت باش نتعلم هادشي
-
A review of classification algorithms for EEG-based brain-computer interfaces: a 10-year update
Calibration لكل sujet هو sujet راسخ فـ littérature ديال BCI، ماشي حاجة جديدة هنا — من هاد الـ review تعلمت vocabulaire و compromis عاديين.
Read paper -
BCI2000: A General-Purpose Brain-Computer Interface (BCI) System
الـ acquisition system لي موراء dataset ديال PhysioNet EEG Motor Movement/Imagery لي استعملتو لهاد التجربة.
Read paper -
MOABB: trustworthy algorithm benchmarking for BCIs
كيوري نفس الـ pipeline كيتصرف بشكل مختلف بزاف حسب datasets مختلفين ديال motor-imagery — تذكير باش ما نعممش بزاف courbe de calibration ديال dataset واحد.
Read paper