畳み込みニューラルネットワークを用いた深層学習に必要なEEGの量は？追加データからの利益を予測する

科学分野:

• 神経科学
• 機械学習
• 生物医学工学

背景:

• 脳波（EEG）分類は、様々な神経学的応用にとって重要である。
• 限定されたラベル付きデータは、EEG解析における機械学習モデルの性能をしばしば制約する。
• データ要件の理解は、効率的なEEG研究デザインにとって不可欠である。

研究 の 目的:

• 畳み込みニューラルネットワークを用いたEEG分類精度に対する訓練データサイズの影響を定量化すること。
• EEG大規模データセットに対するニューラルネットワーク性能の外挿のためのパラメトリックモデルを評価すること。
• EEG研究のためのデータ取得戦略に関する洞察を提供すること。

主な方法:

• 3つのEEG分類タスクにわたる3つのニューラルネットワークアーキテクチャを評価した。
• 被験者数と被験者あたりのEEGデータ期間を体系的に変化させた。
• 学習曲線のフィッティングと外挿のために8つのパラメトリックモデルを評価し、予測誤差と不確実性を分析した。

主要な成果:

• タスク間で学習曲線特性（傾斜、形状、漸近性能）は大きく異なったが、ネットワークアーキテクチャ間では一貫していた。
• スケーリング則を用いた信頼性の高い性能の外挿には、数百人の被験者からのデータが必要とされた。
• 被験者あたりのEEG記録時間の増加の利益は、わずか数秒後にプラトーに達した。

結論:

• タスク固有の学習曲線は、EEG研究デザインとデータ取得を導くことができる。
• 外挿された学習曲線は、ラベル付きEEGデータを取得するための費用便益分析に役立つ。
• 調査結果は、堅牢なEEG分類のための実質的なデータ要件と、記録期間延長の収穫逓減を強調している。