基于ML的预测的稳定性,使用来自有限道的噪音EEG数据
1Knight Foundation School of Computing and Information Sciences, Florida International University, Miami, FL, USA.
... International Conference on Distributed Computing in Sensor Systems and workshops. DCOSS (Conference)
|March 26, 2025
概括
用于预测的深度学习模型显示出对可穿戴EEG耳机的噪音和流数据的弹性. 然而,随着频道减少和数据集不平衡,性能显著下降,影响现实世界管理.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 影响全球超过5000万,许多人经历了无法控制的发作.
- 深度学习 (DL) 模型在临床EEG数据上显示出高准确性,用于预测发作,但在现实世界应用中遇到了困难.
- 消费级可穿戴EEG耳机由于数据质量降低和频道数量变化而带来挑战.
研究的目的:
- 评估在临床EEG数据上训练的DL预测模型的稳定性,当应用到消费者级可穿戴EEG数据时.
- 评估频道数量减少,数据流和数据不平衡对模型性能的影响.
主要方法:
- 利用SPERTL深度学习模型进行预测.
- 测试了SPERTL在模拟的消费级EEG数据,变化频道数,数据流特征和类不平衡上的性能.
- 将结果与为频道独立配置的基线SPERTL模型进行比较.
主要成果:
- SPERTL模型表现出对噪音和流动EEG数据的弹性,曲线下面面积 (AUC) 降低最小 (2-3%).
- 性能显著降低,频道数量减少 (AUC减少高达16%) 和数据不平衡增加 (AUC减少高达32%).
- 独立于频道的SPERTL模型的基线AUC为98.56%.
结论:
- DL模型对噪音和流媒体等现实世界的数据变化表现出惊人的稳定性,但通道减少和数据不平衡对预测准确性构成重大挑战.
- 这些发现强调了需要进一步研究强大的DL架构和数据预处理技术,以使用消费级可穿戴EEG设备可靠地预测发作.
