用卷积神经网络进行深度学习需要多少EEG? 预测额外数据的好处
Marc S Seibel1,2, Jens Haueisen1,3, Thomas Jochmann1
1Institute of Biomedical Engineering and Informatics, Department of Computer Science and Automation, Technische Universität Ilmenau, Ilmenau, Germany.
Journal of neural engineering
|February 25, 2026
概括
通过神经网络准确地分类电脑电图 (EEG) 数据需要大量的数据. 使用学习曲线推断性能需要数百名受试者进行可靠的预测.
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:
- 电脑电图 (EEG) 的分类对于各种神经学应用至关重要.
- 有限的标记数据往往限制了机器学习模型在EEG分析中的性能.
- 了解数据要求对于高效的EEG研究设计至关重要.
研究的目的:
- 用卷积神经网络量化训练数据大小对EEG分类准确性的影响.
- 评估参数模型,以将神经网络性能推断到更大的EEG数据集.
- 提供关于EEG研究数据采集策略的见解.
主要方法:
- 在三个EEG分类任务中评估了三个神经网络架构.
- 系统地改变了每个受试者的受试者数量和EEG数据持续时间.
- 评估了八个参数模型,用于调整和推断学习曲线,分析预测错误和不确定性.
主要成果:
- 学习曲线的特征 (斜率,形状,非对称性性能) 在任务之间有很大差异,但在网络架构中一致.
- 使用缩放定律对性能进行可靠的推断,需要来自数百名受试者的数据.
- 每个受试者增加EEG记录时间的好处在几秒钟后达到高原.
结论:
- 特定任务的学习曲线可以指导EEG研究设计和数据采集.
- 外推的学习曲线有助于进行成本效益分析,以获取标记的EEG数据.
- 调查结果强调了强大的EEG分类所需的大量数据,以及延长记录时间的回报率正在下降.
