Une base de référence ennuyeuse et difficile à battre (CSP + LDA)

Le signal filtré, la prochaine étape est la plus évidente et la moins glamour : construire le pipeline standard, sur un sujet, et voir quel chiffre il produit. Pas pour impressionner — pour avoir un point de référence honnête avant de demander quelque chose de plus difficile aux données.

Le pipeline

Mouvement de poing gauche vs droit imaginé, un sujet, trois runs concaténés (45 essais au total — 23 gauche, 22 droite). Filtré comme dans l’article précédent, puis découpé en époques autour du marqueur d’événement de chaque essai.

La méthode d’extraction de caractéristiques est CSP — Common Spatial Patterns, le filtre spatial standard pour l’EEG d’imagerie motrice. CSP trouve des combinaisons linéaires de canaux qui maximisent la différence de variance entre deux classes ; en pratique, pour l’imagerie main gauche/droite, elle a tendance à trouver des filtres qui accentuent les zones du cortex moteur où les deux mouvements imaginés produisent le contraste le plus net. Au-dessus de ça : LDA, un classificateur linéaire simple. Lotte et al., 2018

Évaluation : validation croisée à 5 plis, CSP ajusté à neuf dans chaque pli d’entraînement — jamais sur les 45 essais complets avant la division. C’est un petit détail, mais ajuster CSP sur tout d’abord laisserait l’information sur les essais de test fuiter dans le filtre spatial lui-même, avant même que le classificateur ne voie les étiquettes.

Le résultat

output

Epochs: 45 (left=23, right=22)
Balanced accuracy: 0.535 +/- 0.145
Fold scores: [0.475, 0.300, 0.525, 0.700, 0.675]

0,535 de précision équilibrée, à peine au-dessus de la ligne de chance à 0,5, avec un écart-type (0,145) presque aussi grand que le signal lui-même. Un pli a obtenu 0,300 — pire que de deviner — et un autre 0,700.

Pourquoi je n’essaie pas de corriger ça maintenant

Il serait facile d’essayer un classificateur différent, plus de composantes CSP, une bande de fréquences différente, et de continuer à ajuster jusqu’à ce que le chiffre ait l’air meilleur. Je fais délibérément le choix de ne pas faire ça ici. Cette base existe pour être un point de référence fixe pour la comparaison, pas une cible à optimiser — et les prochains articles de ce fil ont besoin exactement de ce chiffre, aussi faible soit-il, pour montrer ce qui se passe quand le même pipeline est évalué à travers plusieurs personnes au lieu d’une seule.

Sources & articles utilisés pour apprendre cela

Lotte et al.2018

A review of classification algorithms for EEG-based brain-computer interfaces: a 10-year update

La référence pour CSP, LDA, et pourquoi cette combinaison particulière est la première chose standard à essayer pour l'EEG d'imagerie motrice avant de passer à quelque chose de plus complexe.
Read paper