غلبهٔ ویژگی‌های پایدار در مدل‌های EEG می‌تواند تشخیص حالت‌های مغزی را دشوار کند

پژوهشگران در پیش‌چاپی در arXiv بررسی کرده‌اند که مدل‌های پردازش سیگنال و مدل‌های بنیادین EEG چه اطلاعاتی را در بازنمایی‌های خود ثبت می‌کنند: «ویژگی‌ها»ی نسبتاً پایدار، مانند هویت فرد، سن و جنسیت، یا «حالت‌ها»ی مرتبط با پاسخ به محرک‌های دیداری، شنیداری و حرکتی.

آن‌ها با استفاده از معیار سلسله‌مراتب و خلوص kNN روی آزمون‌های یک مجموعه‌دادهٔ رابط مغز و رایانه دریافتند بیشتر ویژگی‌های بررسی‌شده ساختاری دارند که در آن ابتدا بازنمایی‌ها بر اساس ویژگی‌های پایدار افراد خوشه‌بندی می‌شوند و حالت‌های کوچک‌تر درون این خوشه‌ها قرار می‌گیرند. به‌گفتهٔ نویسندگان، این ساختار تشخیص حالت‌ها را دشوارتر می‌کند و عملکرد مدل‌های بنیادین EEG را در کاربردهای BCI کاهش می‌دهد.

در آزمایش‌های طبقه‌بندی خطی، روش‌های نرمال‌سازی که اطلاعات اختصاصی هر فرد را در بازنمایی‌ها کاهش می‌دهند، دقت متوازن تشخیص حالت را حدود ۱۰ درصد بالا بردند. پژوهش همچنین گزارش می‌کند که با تنظیم دقیق مدل برای رمزگشایی حالت‌های موردنظر، فضای بازنمایی از سلسله‌مراتب مبتنی بر ویژگی‌های پایدار به ساختاری مبتنی بر حالت‌ها تغییر می‌کند؛ تغییری که با تشخیص بهتر حالت‌ها همراه است. این مقاله نسخهٔ پیش‌چاپ است.