Previsioni EEG Instabili con Cambiamenti di Preprocessing, Secondo Studio
Un recente studio su arXiv indica che i modelli di deep learning per la decodifica EEG sono significativamente influenzati dalle scelte effettuate durante il preprocessing. I ricercatori hanno concettualizzato il preprocessing come uno spazio di intervento controfattuale e hanno scoperto che alterare la pipeline di preprocessing può portare a un'inversione fino al 42% delle previsioni a livello di trial su sei dataset provenienti da quattro diversi paradigmi. Questa incoerenza è trascurata dai metodi di incertezza convenzionali. La ricerca presenta tre strumenti innovativi: una decomposizione Walsh-Hadamard dello spazio della pipeline 2^7 che dimostra una sensibilità quasi additiva, una metrica di Incertezza del Preprocessing e una tecnica per migliorare la stabilità. Questi risultati evidenziano un problema importante nelle interfacce cervello-computer basate su EEG e nella neuroscienza clinica, dove i modelli sono spesso sviluppati utilizzando un singolo approccio di preprocessing non riportato.
Fatti principali
- Fino al 42% delle previsioni EEG a livello di trial si inverte con diversi preprocessing.
- Lo studio ha analizzato sei dataset su quattro paradigmi.
- Le scelte di preprocessing sono state formalizzate come spazio di intervento controfattuale.
- Decomposizione Walsh-Hadamard utilizzata per lo spazio della pipeline 2^7.
- I metodi standard di incertezza non quantificano la variabilità del preprocessing.
- Tre strumenti introdotti: decomposizione, metrica di incertezza, metodo di riduzione.
- I modelli di deep learning per EEG tipicamente usano una singola pipeline non riportata.
- I risultati hanno impatto sulle interfacce cervello-computer e sulla neuroscienza clinica.
Entità
Istituzioni
- arXiv