Vyhodnocení konvolučních neuronových sítí s využitím rozsáhlého datasetu P300 vln

Hluboké neuronové sítě (DNN) se zkoumají v různých aplikacích strojového učení. Klasifikace evokovaných potenciálů (ERP) je velmi složitý úkol, potenciálně vhodný pro DNN, protože poměr signál-šum je nízký a související prostorové a časové příznaky vykazují výraznou variabilitu. Konvoluční neuronové sítě (CNN) byly srovnány s nejlepšími tradičními modely, tj. s lineární diskriminační analýzou (LDA) a Support Vector Machines (SVM) pro single-trial klasifikaci s využitím rozsáhlého veřejně dostupného P300 datasetu dětí školního věku (138 chlapců a 112 dívek). Úspěšnost klasifikace u všech testovaných klasifikačních modelů se pohybovala mezi 62 % a 64 %. Při nasazení natrénovaných klasifikačních modelů na zprůměrované ERP odpovědi se přesnost zvýšila na 76 – 79 % bez významných rozdílů mezi klasifikačními modely. CNN nevedla k lepším výsledkům než ostatní algoritmy. Diskuze srovnává výsledky s dostupnou literaturou, řeší omezení a budoucí směřování výzkumu.Deep neural networks (DNN) have been studied in various machine learning areas. For example, event-related potential (ERP) signal classification is a highly complex task potentially suitable for DNN as signal-to-noise ratio is low, and underlying spatial and temporal patterns display a large intra- and intersubject variability. Convolutional neural networks (CNN) have been compared with baseline traditional models, i.e. linear discriminant analysis (LDA) and support vector machines (SVM) for single trial classification using a large multi-subject publicly available P300 dataset of school-age children (138 males and 112 females). For single trial classification, classification accuracy stayed between 62% and 64% for all tested classification models. When applying the trained classification models to averaged trials, accuracy increased to 76–79% without significant differences among classification models. CNN did not prove superior to baseline for the tested dataset. Comparison with related literature, limitations and future directions are discussed