¿Cuánta electroencefalografía se necesita para el aprendizaje profundo con redes neuronales convolucionales? Predicción del beneficio de datos adicionales | JoVE Visualize

Área de la Ciencia:

Neurociencia
Aprendizaje automático
Ingeniería biomédica

Sus antecedentes:

La clasificación de electroencefalogramas (EEG) es crucial para diversas aplicaciones neurológicas.
La cantidad limitada de datos etiquetados a menudo limita el rendimiento de los modelos de aprendizaje automático en el análisis de EEG.
La comprensión de los requisitos de datos es esencial para un diseño eficiente de estudios de EEG.

Objetivo del estudio:

Cuantificar el impacto del tamaño de los datos de entrenamiento en la precisión de la clasificación de EEG utilizando redes neuronales convolucionales.
Evaluar modelos paramétricos para extrapolar el rendimiento de las redes neuronales a conjuntos de datos de EEG más grandes.
Proporcionar información sobre las estrategias de adquisición de datos para la investigación de EEG.

Principales métodos:

Se evaluaron tres arquitecturas de redes neuronales en tres tareas de clasificación de EEG.
Se varió sistemáticamente el número de sujetos y la duración de los datos de EEG por sujeto.
Se evaluaron ocho modelos paramétricos para ajustar y extrapolar curvas de aprendizaje, analizando el error de predicción y la incertidumbre.

Principales resultados:

Las características de la curva de aprendizaje (pendiente, forma, rendimiento asintótico) variaron significativamente entre las tareas, pero fueron consistentes entre las arquitecturas de red.
La extrapolación fiable del rendimiento utilizando leyes de escalado requirió datos de varios cientos de sujetos.
El beneficio de aumentar la duración de la grabación de EEG por sujeto alcanzó una meseta después de solo unos pocos segundos.

Conclusiones:

Las curvas de aprendizaje específicas de la tarea pueden guiar el diseño de estudios de EEG y la adquisición de datos.
Las curvas de aprendizaje extrapoladas ayudan en los análisis de costo-beneficio para adquirir datos de EEG etiquetados.
Los hallazgos resaltan los sustanciales requisitos de datos para una clasificación robusta de EEG y la disminución de los rendimientos de las duraciones de grabación extendidas.