A FMScope diagnosztizálja az azonosítócsapdát az EEG-alapmodellekben

Az agyhullámokat elemző mesterséges intelligenciák (AI) lenyűgöző pontosságot mutatnak a klinikai EEG-adatok elemzésében. Azonban ez a magas teljesítmény félrevezető lehet: nem biztos, hogy valódi biológiai markereket azonosítanak, hanem az alanyok egyedi azonosítóit. Ezt a problémát nevezik azonosítócsapdának (Identity Trap) a kutatók.

Azonosítócsapda diagnosztizálása

Az arXiv-on megjelent tanulmányban a kutatók bemutatták a FMScope nevű protokollt, amely öt diagnosztikai eszközt foglal magában. Ezek közé tartozik a variancia-dekompozíció, az alany-specifikus tengelyek törlése, a 1/f zaj eltávolítása, a rétegzett címke-feltárás és a szubjektum-specifikus iránykonzisztencia. A protokoll segítségével megvizsgálták három előre betanított EEG-modell (LaBraM, CBraMod, REVE) teljesítményét négy különböző adathalmazon.

Kapcsolódó: EEG alapmodellek

Az eredmények: Azonosítócsapda mindenhol jelen van

Az eredmények szerint az azonosítócsapda univerzálisnak tűnik: az alanyok egyedi jellemzői 13-89-szer erősebbek voltak, mint a véletlenszerű null-érték. Ez az arány a finomhangolás után tovább nőtt, 10-63 százalékponttal. A kutatók kimutatták, hogy ez a dominancia eltávolítható lineáris tengely, és törlése javítja a címke-dekódolást, különösen ott, ahol az alanyok között is változik a jel. Az aperiodikus 1/f zaj az egyik hordozója az alany-azonosításnak, eltávolítása 9-19 százalékponttal csökkentette az alany-szondát két modell esetében.

Kapcsolódó: EEG-dekódolás

Jelentőség és jövőbeli irányok

A FMScope protokoll segítségével a kutatók a REVE modell esetében megállapították, hogy az alany-azonosítás nem függ mérhetően az aperiodikus zajtól. A tanulmány a LaBraM, CBraMod és REVE modelleket használta, és az eredmények az arXiv-on érhetők el.

Kapcsolódó: Agi aktivitás szimuláció