在使用EEG进行心理工作负载分类的可复制机器学习研究
Güliz Demirezen1, Tuğba Taşkaya Temizel2, Anne-Marie Brouwer3,4
1Department of Information Systems, Graduate School of Informatics, Middle East Technical University, Ankara, Türkiye.
Frontiers in neuroergonomics
|April 25, 2024
概括
这项研究为可复制电脑图 (EEG) 和机器学习研究提供了指导方针. 目前使用EEG进行的心理工作量预测研究显示,数据共享,代码可用性和绩效报告存在局限性.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 数据科学数据科学数据科学
背景情况:
- 复制性是科学研究中的一个关键问题,特别是在复杂的领域,如机器学习和电脑学图 (EEG).
- 使用EEG和机器学习 (ML) 估计心理工作量是一个有潜在应用的增长领域,但在一致的方法和验证方面面临挑战.
- 关于ML和EEG可重现性的现有努力为制定标准化指南提供了基础.
研究的目的:
- 为利用EEG数据进行可复制机器学习研究制定全面的指导方针.
- 评估研究中的可重现现状,研究重点是用EEG预测心理工作负载.
- 确定具体的挑战和需要改进的领域在报告和这种研究的方法.
主要方法:
- 进行了关于ML和EEG研究中的可重现性的系统文献审查.
- 根据数据挖掘跨行业标准流程 (CRISP-DM) 框架制定了可重复性准则.
- 进行了第二次系统性文献审查,以评估基于EEG的心理工作负载预测研究的可重现性,使用既定的指南.
主要成果:
- 确定了在审查的研究中对未见测试数据的性能指标报告的重大局限性.
- 在许多使用EEG的机器学习研究中发现,数据集和源代码缺乏开放共享.
- 突出了模型训练和推理所需的计算资源的报告不足.
结论:
- 制定的指导方针加强了EEG和ML研究中的透明度,协作和知识共享.
- 遵守这些准则可以提高EEG和ML技术的可靠性,可用性和整体意义.
- 解决报告和数据共享的当前挑战对于推进可重复的心理工作量估计至关重要.
