基于EEG的深度学习模型在监督跨学科分析中的数据分区的作用:初步研究
Federico Del Pup1, Andrea Zanola2, Louis Fabrice Tshimanga2
1Department of Information Engineering, University of Padua, Padua, 35131, Italy; Department of Neuroscience, University of Padua, Padua, 35121, Italy; Padova Neuroscience Center, University of Padua, Padua, 35129, Italy.
Computers in biology and medicine
|July 2, 2025
概括
适当的数据分区对于使用电脑电图 (EEG) 数据评估深度学习模型至关重要. 基于主体和嵌套的交叉验证策略提高了准确性和可靠性,防止了EEG研究中高估的性能要求.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 深度学习在分析电脑电图 (EEG) 数据中的非线性模式方面表现出色.
- 目前的数据分区和交叉验证方法缺乏标准化,导致无法比较的研究和性能高估.
- 在EEG深度学习中,对数据处理技术的指导方针和定量评估至关重要.
研究的目的:
- 调查数据分区和交叉验证对EEG深度学习模型评估的影响.
- 在各种任务和架构中提供不同交叉验证策略的定量比较.
- 为最佳实验设计提供指导方针,以确保可靠和可概括的EEG深度学习模型.
主要方法:
- 在三个监督分类任务 (BCI,帕金森病,阿尔茨海默病) 中比较了五个交叉验证设置.
- 评估了四个深度学习架构 (ShallowConvNet,EEGNet,DeepConvNet,基于时间的ResNet).
- 分析了超过10万个训练有素的模型,以评估准确性,可靠性和通用性.
主要成果:
- 基于主体的交叉验证对于大多数EEG深度学习评估至关重要,除了BCI等主体内部分析外.
- 嵌套交叉验证方法 (例如N-LNSO) 显示出比非嵌套方法更高的可靠性.
- 非嵌套方法容易泄露数据,并且倾向于在复杂的模型中偏好过拟合.
结论:
- 标准化的基于主题和嵌套的交叉验证对于强大的EEG深度学习研究至关重要.
- 实施这些策略可以减轻数据泄露,防止夸张的绩效要求.
- 这项研究为研究人员提供了关键的见解和指导方针,以提高EEG深度学习模型的有效性.
