越多越好吗? 更多越好? 评估EEG预处理在深度学习应用中的作用

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 深度学习 (DL) 显示出对脑电图 (EEG) 分析的前景,超过了传统方法.
• 有效的DL模型性能取决于适当的数据预处理,但对EEG的最佳策略尚不清楚.
• 对DL的EEG预处理缺乏共识,导致研究中的不确定性.

研究的目的:

• 综合调查不同EEG预处理水平对深度学习模型性能的影响.
• 为深度学习应用中EEG数据预处理制定指导方针.
• 评估文物移除技术对DL模型通用性的影响.

主要方法:

• 在六个EEG分类任务中评估了各种不同的预处理管道,从原料到复杂的工件去除.
• 在这些任务中评估了四个已建立的深度学习架构.
• 训练并分析了4800个不同的模型来比较预处理管道效应.

主要成果:

• 在原始EEG数据上训练的模型在所有任务中始终表现最差.
• 最小的预处理管道,特别是那些没有自动化工件处理的管道,通常会导致优越的模型结果.
• 基于在任务内部和任务间的预处理策略,观察到业绩的统计差异.

结论:

• 脑电图数据预处理显著影响深度学习模型的性能和通用性.
• 原始EEG数据对于训练深度学习模型来说是不理想的.
• 最小的预处理管道可能更有利于EEG的深度学习,这表明工件会影响网络性能.