Bu tədqiqat, motor təsəvvürü elektroensefaloqrafiya siqnallarının müxtəlif şəxslər arasında etibarlı şəkildə təsnif edilməsini geliştirmek amacıyla dalğacıq sahəsində vəri artırma, dörd qollu bir konvolyusiyalı sinir şəbəkəsi və qlobal-lokal öz-distilləni birleştiren MGLSDNet modelini dəyərlendirmiştir. Model, teksturazar iştirakçı içeren BCI Competition IV 2a və 2b vəri kümelerinde subyekt kənarda saxlanmalı qiymətləndirmə ilə test edilmiştir. Ortalama təsnifat dəqiqliyi dörd sinifli 2a vəri dəstinde %58,24, iki sinifli 2b vəri dəstinde %76,07 olaraq bildirilmişdir. Bununla belə tədqiqat rəyçi qiymətləndirməsindən keçməmiş bir preprinttir; yalnızca iki açıq məlumat dəstine dayanmakta, real vaxtlı sistem, klinik xəstə grubu, yeni iştirakçılar və ya sahə uygulaması üzerinde doğrulama təqdim etmir.

Tədqiqatda önerilən Çok Ölçekli Küresel-Yerel Öz-Damıtma Ağı (Multi-scale Global-Local Self-Distillation Network, MGLSDNet), vəri və model səviyyəindeki iki sorunu birlikdə ele almaktadır. Veri səviyyəinde aynı motor təsəvvürü sinifına ait EEG örneklerinin belirli dalgacık detal əmsalları değiştirilərek yeni təlim örnekleri oluşturulmuştur. Model səviyyəinde isə fərqli zaman ölçeklerini inceleyen dört paralel tor kolu kullanılmış; her kol və kolların birleştirilmiş kararı, torın daha önce kaydedilmiş tarihsel sürümleri tarafından yönlendirilmiştir.

BCI Competition IV 2a vəri dəstinde MGLSDNet’in %58,24 doğruluğu, en yakın müqayisə modeli olan MSVTNet’in %57,16 doğruluğundan 1,08 yüzde puanı yüksəktir. Ancaq bu iki model arasındaki fark statistik olaraq anlamlı değildir; cütləşdirilmiş t-testinde p=0,6507 bildirilmişdir. BCI Competition IV 2b vəri dəstinde MGLSDNet %76,07 doğruluğa ulaşmış, en yüksək ortaya sahip müqayisə üsulu TIDNet’in %73,24 sonucunu 2,83 yüzde puanı aşmıştır. Bu müqayisədaki fark p=0,0308 ilə istatistiksel anlamlılık eşiğinin altında bildirilmişdir.

Türkiyə baxımından qiymətləndirmə: Tədqiqat, Türkiyədə beyin-bilgisayar arayüzü, yardımcı texnologiya və neyroreabilitasiya tədqiqatları yürüten ekipler üçün subyektlərarası EEG təsnifatsında sınanabiləcek bir üsul çərçivəsi sunmaktadır. Özellikle yeni kullanıcıdan yoğun kalibrasiya vərisi toplama ihtiyacını azaltma hedefi uygulama bakımından əhəmiyyətlidir. Ancaq üsulun Türkiyədəki iştirakçılarla, fərqli EEG cihazlarıyla, yerel laboratoriya koşullarında və klinik hedef gruplarda yeniden doğrulanması gerekir. Bu preprint, xəstəlarda iyiləşme, protez kontrolünde sahə başarısı, kalibrasiya süresinde ölçülmüş azalma və ya klinik etkinlik kanıtı təqdim etmir.

Tədqiqatın əsas sualı nədir?

Tədqiqatın əsas sualı, yalnızca mənbə subyektlərdən alınan motor təsəvvürü EEG vəriləriyle eğitilən bir modelin, təlim sırasında hiç görmediği yeni bir deneğin sinyallerini daha güvənilir biçimde siniflandırıp siniflandıramayactorıdır. Bu hedef tədqiqatda sahə ümumiləşdirilməsi (domain generalization) olaraq adlandırılmıştır. Alan ümumiləmesinde hədəf subyektin vəriləri model təlimi sırasında kullanılmaz; amaç, birden fazla mənbə denekte ortak olan görevle ilişkili örüntüleri öğrenerek yeni deneğe birbaşa uygulanabilən bir model oluşturmaktır.

Motor imgeleme (motor imagery), kişinin real bir hareket üretmeden el, ayak və ya dil hareketini zihninde canlandırmasıdır. Tədqiqat, bu zihinsel görevler sırasında ortaya çıkan EEG örüntülerini təsnifatktadır. BCI Competition IV 2a vəri dəstinde dört motor təsəvvürü sinifı, 2b vəri dəstinde isə sol əl və stor əl olmak üzere iki sinif bulunmaktadır.

Tədqiqat niyə əhəmiyyətlidir?

Tədqiqatda motor təsəvvürü EEG təsnifatsının üç əsas güclükle karşılaştığı belirtilmektedir: EEG sinyallerinin aştorı siqnal-küy nisbəti, sinyallerin zaman üçünde dəyişən olması və fərqli kişilərin beyin sinyalleri arasında belirgin dtorılım farkları bulunması. Derin öğrenme modelleri az sayıda iştirakçı və sınırlı örnekle eğitildiğinde, motor təsəvvürü görevine ait ortak xüsusilikler yerine belirli deneklerin gürültüsünü və ya kişisəl örüntülerini öğrenebilir.

Bu durum, yeni bir kullanıcının sisteme dâhil edilmesinden önce uzun kalibrasiya oturumları və kişiye xüsusi model təlimi gerektirebilir. Tədqiqatın hedefi kalibrasiya ihtiyacını birbaşa ölçmek değil, hedef denekten təlim məlumatı kullanmadan daha iyi təsnifat yapabiləcek bir model geliştirmektir.

Literatürde hansı boşluk hedeflenmiştir?

Tədqiqatya göre önceki üsullar çoğunlukla vəri artırma ilə model düzenliləştirmesini ayrı ayrı ele almaktadır. Zaman alanında gürültü ekleme, zaman kaydırma və ya amplituda ölçekleme gibi işləməler motor təsəvvürü sinyallerinin zaman-tezlik quruluşunu bozabilir. GAN və VAE gibi generativ modellər isə təlim kararsızlığı və oluşturulan örneklerin fizyolojik anlamının doğrulanması konusunda sorunlarla karşılaşabilir.

Çok kollu torlar fərqli zaman və ya tezlik ölçeklerinden tamamlayıcı xüsusilikler çıkarabilse de her kolun btorımsız biçimde optimize edilmesi, ortak kararın yeterince düzenlenmemesine yol açabilir. MGLSDNet bu iki alanı bir araya getirmektedir: önce dalgacık katsayılarını değiştirerek təlim dtorılımını genmüəssisəkte, ardından torın tarihsel durumlarını öğretmen olaraq kullanan öz-distilləyla çoxölçəkli xüsusilikleri düzenlemektedir.

Dalgacık alanındaki vəri artırma necə tədqiqatktadır?

Dalgacık dönüşümü, EEG sinyalini fərqli zaman-tezlik biləşenlerine ayırmak üçün istifadə edilmişdir. Tədqiqatda aproksimasiya əmsalları cA, detal əmsalları isə cD ilə gösterilmiştir. İki aynı sinif örneği seçilmekte, örneklerden yalnızca belirli bir ayrıntı səviyyəindeki katsayılar karşılıklı olaraq değiştirilmekte və değiştirilmiş biləşenlerden iki yeni EEG örneği yeniden oluşturulmaktadır. Sınıf etikaeti değişmemektedir.

• cD1: Tədqiqatda 20–40 Hz aralığıyla ilişkiləndirilən birinci səviyyə detal əmsallarıdır.
• cD2: Tədqiqatda 10–20 Hz aralığıyla ilişkiləndirilən ikinci səviyyə detal əmsallarıdır.
• Denekler arası değişim: Aynı siniftaki örnekler fərqli mənbə subyektlərdən seçilir.
• Denek içi değişim: Aynı siniftaki örnekler aynı mənbə denekten seçilir.

Şekil 2’de iki sinyalin dalgacık biləşenlerine ayrıldığı, cD1 və ya cD2 katsayılarının karşılıklı değiştirildiği və yeni sinyallerin yeniden oluşturulduğu gösterilmektedir. Yaklaşma katsayıları ilə değiştirilmeyen ayrıntı səviyyəi korunmaktadır. Müəlliflərın amacı, sinyalin sinif anlamını korurken kişilər arasındaki ritmik amplituda və faz fərqlilıklarını taklit etmektir.

Deneylerde Daubechies 4 (db4) dalgacık tabanı, üç kat vəri artırma çarpanı və 0,02 səviyyəinde aştorı gürültü istifadə edilmişdir. Bununla belə tədqiqat, üretilən örneklerin fizioloji etibarlılığını btorımsız bir spektral benzerlik ölçütü, uzman yoxlamasi və ya ayrı bir biyolojik doğrulama testiyle göstermemektedir. “Fizyolojik anlamın korunduğu” istiqamətindeki ifade, müəlliflərın üsulsel gerekçesi və təsnifat nəticələriyla dolaylı olaraq desteklenen bir iddiadır; birbaşa kanıtlanmış bir biyolojik nəticə değildir.

Çok kollu xüsusiyyət çıxarıcı necə strukturlandırılmıştır?

MGLSDNet, aynı üç qatlı strukturya sahip dört paralel koldan oluşmaktadır. Kolların əsas farkı ilk zaman konvolyusiyası çekirdeğinin büyüklüğüdür. Çekirdek büyüklükleri nümunələmə tezliyi \(F_s\) üzerinden \(F_s/16\), \(F_s/8\), \(F_s/4\) və \(F_s/2\) olaraq müəyyən edilmişdir. Büyük çekirdekler daha uzunmüddətli ritmik örüntülere, küçük çekirdekler isə daha qısamüddətli değişimlere fokuslanmaktadır.

Her kol üç əsas işləmə uygular:

1. Zamansal evrişim: \(1 \times L_k\) çekirdeğiyle kola özgü zaman örüntülerini çıkarır.
2. Uzamsal derinlik ayrılabilir evrişim: \(C \times 1\) çekirdeğiyle EEG elektrodları arasındaki ilişkiləri modeller. Burada \(C\), kullanılan EEG kanalı sayısıdır.
3. Ayrılabilir zaman konvolyusiyası: İlk iki qatdan gelen xüsusilikleri birleştirerek daha karmaşık zaman btorlamlarını çıkarmayı amaçlar.

Kolların ara xüsusilikleri erken mərhələda birleştirilmemektedir. Her kol kendi təsnifat çıktısını üretmekte və nihai karar üçün bu ham çıktı skorlarının, yani logit dəyərlərinin element bazında ortası alınmaktadır. Şekil 1’de tələbə şəbəkəninın dört kolu, tələbə şəbəkənindan kopyalanan tarixi müəllim torı, kol səviyyəindeki yerel təkan btorlantıları və iki torın birleştirilmiş kararları arasındaki küresel təkan gösterilmektedir.

Küresel-lokal öz-distillə necə uygulanmaktadır?

Öz-damıtma, haricî və önceden eğitilmiş bir öğretmen model kullanmamaktadır. Öğrenci torın parametreleri belirli aralıklarla kopyalanmakta, kopyalanan sürüm dondurulmakta və tarixi müəllim olaraq istifadə olunur. Tədqiqatda öğretmen güncelleme aralığı 10 epoch olaraq müəyyən edilmişdir. Böylece güncel şagird modeli hem real sinif etikaetlərinden hem de kendisinin daha önceki sürümünün ürettiği mümkünlık dtorılımlarından öğrenmektedir.

Yerel öz-distillə, her şagird kolunu kendi tarixi müəllim koluyla müqayisəktadır. Küresel öz-distillə isə şagird kollarının birleştirilmiş nihai çıktısını öğretmen kollarının ortak çıktısıyla hizalamaktadır. Bu iki səviyyəin birlikdə kullanılması, hem her ölçeğin kendi üçünde düzenlenmesini hem de dört kolun ortak kararının tutarlı hâle gelmesini amaçlamaktadır.

Kayıp fonksionları neyi hesablamaktadır?

Birinci denklem, \(k\) numaralı şagird kolunun yumuşatılmış çıktı dtorılımı ilə karşılık gelen tarixi müəllim kolunun dtorılımı arasındaki Kullback-Leibler ayrılmasını hesablamaktadır:

\[ L_{\mathrm{soft}}^{k} = \tau^{2} \cdot KL\left(\operatorname{softmax}(z_k/\tau)\,\|\,\operatorname{softmax}(z_k^{\mathrm{teacher}}/\tau)\right) \]

Burada \(z_k\), şagird kolunun təsnifat öncesi ham çıktı skorlarını; \(z_k^{\mathrm{teacher}}\), aynı kolun tarixi müəllim çıktısını; \(\tau\), temperatur parametrini göstərir. Tədqiqatda \(\tau=2{,}0\) istifadə edilmişdir. Bu büyüklüklerin fiziki birimi yoktur. Temperatur, siniflar arasındaki mümkünlık farklarını yumuşatarak öğretmenin hansı sinifları birbirine daha yakın dəyərlendirdiğine ilişkin bilgiyi aktarmayı amaçlar.

İkinci denklem, real sinif etikaetiyle hesaplanan sert etikaet kaybını öğretmen çıktısından gelen yumuşak etikaet kaybıyla birleştirmektedir:

\[ L_{\mathrm{local}}^{k} = \alfa L_{\mathrm{hard}}^{k} + (1-\alfa)L_{\mathrm{soft}}^{k} \]

\(L_{\mathrm{hard}}^{k}\), \(k\) numaralı kolun real etikaetlerle hesaplanan çarpaz entropiyaya təkansidır. \(L_{\mathrm{soft}}^{k}\), öz-distillə kaybıdır. \(\alfa\), iki denetim kayntorının torırlığını belirler və tədqiqatda 0,5 olaraq istifadə edilmişdir. Böylece real etikaet və tarixi müəllim eşit çəkila yerel kol kaybına katılmaktadır.

Üçüncü denklem, dört tarixi müəllim kolunun ham çıktı skorlarını ortaktadır:

\[ z_{\mathrm{final}}^{\mathrm{teacher}} = \frac{1}{K}\sum_{k=1}^{K}z_k^{\mathrm{teacher}} \]

Burada \(K\), kol sayısıdır və MGLSDNet üçün \(K=4\)’tür. Denklem, tek bir kolun kararını değil, dört tarixi müəllim kolunun ortak kararını temsil eder.

Dördüncü denklem, güncel tələbə şəbəkənin birleştirilmiş çıktısıyla tarixi müəllim torın ortak çıktısı arasındaki küresel damıtma kaybını hesablamaktadır:

\[ L_{\mathrm{global}} = \tau^{2} \cdot KL\left(\operatorname{softmax}(z_{\mathrm{final}}/\tau)\,\|\,\operatorname{softmax}(z_{\mathrm{final}}^{\mathrm{teacher}}/\tau)\right) \]

\(z_{\mathrm{final}}\), dört şagird kolunun birleştirilmiş çıktısıdır. \(z_{\mathrm{final}}^{\mathrm{teacher}}\), dört öğretmen kolunun orta çıktısıdır. Bu təkan, güncel modelin ortak kararını torın tarihsel ortak kararıyla uyumlu hâle getirmeyi amaçlar.

Beşinci denklem toplam təlim hedefini diaqnozmlamaktadır:

\[ L_{\mathrm{total}} = \sum_{k=1}^{K}L_{\mathrm{local}}^{k} + L_{\mathrm{global}} + L_{\mathrm{hard}}^{\mathrm{final}} \]

Toplam təkan; dört kolun yerel təkanlarını, qlobal öz-distillə kaybını və birleştirilmiş nihai kararın real etikaetlerle hesaplanan çarpaz entropiyaya təkansinı birlikdə içerir. Bu təkan terimleri boyutsuzdur. Tədqiqat, bu biləşimin kol səviyyəinde storlamlığı və tor səviyyəinde karar tutarlılığını aynı anda artırdığını öne sürmektedir.

Özellik görselleştirmeleri nə göstərir?

Şekil 3 və Şekil 4, BCI Competition IV 2b vəri dəstindeki B01 kodlu birinci deneğin dört tor kolundan elde edilən xüsusiliklerin ikiölçülü t-SNE izdüşümlerini göstərir. t-SNE eksenleri fiziki EEG büyüklükleri və ya tezliklar değildir; yüksək boyutlu xüsusiliklerin görsel yoxlama amacıyla iki boyuta indirgenmiş koordinatlarıdır.

Eğitimden önce iki sinifa ait noktalar dört kolda da büyük ölçüde birbirine karışmaktadır. Eğitimden sonra sol və stor əl siniflarının daha belirgin kümeler oluşturduğu görülmektedir. Tədqiqatya göre 1. və 3. kollar daha çok yatay yönde, 2. və 4. kollar isə daha çok dikey yönde ayırma üretmiştir. Bu görünüm, kolların aynı karar sınırını tekrarlamak yerine tamamlayıcı xüsusilikler öğrendiği yorumunu dəstəkləyir.

Görselleştirmenin kapsamı sınırlıdır. Yalnızca 2b vəri dəstindeki B01 deneği gösterilmiş və ayrışma nicel bir kümeleme ölçütüyle raporlanmamıştır. Bu niyəle t-SNE şəkilleri modelin başarısını tek başına sübut etmir; təsnifat cədvəllarını destekleyen nitel bir yoxlama olaraq okunmalıdır.

Tədqiqatnın desteklediği nəticələr nelerdir?

• MGLSDNet, tədqiqatda kullanılan müqayisə düzeninde iki vəri dəstinde de en yüksək orta doğruluğu vərmiştir.
• Dalgacık katsayısı değişimine dayalı dört vəri artırma seçeneğinin tamamı, vəri artırmasız sürümden daha yüksək orta dəqiqlik üretmiştir.
• Denekler arası katsayı değişimi, her iki vəri dəstinde de en iyi vəri artırma nəticələrinı vərmiştir.
• Yerel və qlobal öz-distillə ayrı ayrı küçük dəqiqlik artışları storlamış, birlikdə kullanıldığında daha yüksək artış elde edilmiştir.
• 2b vəri dəstinde MGLSDNet ilə karşılaştırılan bütün üsullar arasındaki farklar p<0,05 olaraq bildirilmişdir.
• 2a vəri dəstinde MSVTNet dışındaki müqayisə üsullariyle farklar p<0,01 olaraq bildirilmişdir.

Tədqiqat nəyi sübut etmir?

• Tədqiqat, MGLSDNet’in klinik rehabilitasyonda xəstə nəticələrinı iyiləştirdiğini göstermemektedir.
• Yeni kullanıcıların kalibrasiya süresinde ölçülmüş bir azalma raporlanmamıştır.
• Gerçek zamanlı protez, təkərli sandalye və ya yardımcı cihaz kontrolü test edilmemiştir.
• Üretilən EEG örneklerinin fizyolojik realliği btorımsız biyolojik ölçütlerle təsdiqlənməmişdir.
• Farklı EEG cihazları, fərqli laboratoriyalar və ya fərqli vəri kümeleri arasında ümumiləme gösterilmemiştir.
• Aynı kişide fərqli oturumlar arasında oluşan sinyal kaymasına karşı ümumiləme təsdiqlənməmişdir.
• 2a vəri dəstinde MGLSDNet’in MSVTNet’e üstünlüğü istatistiksel olaraq gösterilmemiştir.
• Uzun dörütubət istifadə, təhlükəsizlik, kullanıcı konforu və ya ticari uygulanabilirlik dəyərlendirilmemiştir.

Tədqiqatın güclü tərəfləri nələrdir?

• Veri artırma ilə model düzenliləştirmesini tek bir üsulsel çərçivəde birleştirmektedir.
• İki açıq və yaygın müqayisə vəri dəsti istifadə edilmişdir.
• Hedef test deneğinden təlim məlumatı kullanmayan subyektlərarası qiymətləndirmə düzeni uygulanmıştır.
• Veri artırma seçenekleri və öz-distillə biləşenleri ayrı təcrübəlerle incelenmiştir.
• Doğruluğa ek olaraq standart yaw, Kappa dəyəri və cütləşdirilmiş t-testi nəticələri vərilmiştir.
• Model arxitekturası, təkan fonksionları və əsas təlim hiperparametreleri açıqlanmıştır.

Tədqiqatnın məhdudiyyətləri və mənbə içi qeyri-müəyyənlikler nelerdir?

Tədqiqatnın kendisi üç əsas sınırlılığı kabul etmektedir: dalgacık katsayısı seçimi önceden diaqnozmlanmış fizyolojik kabullere btorlıdır, tarixi müəllimlerin kullanılması təlim hesablama yükünü artırmaktadır və oturumlar arası ümumiləme təsdiqlənməmişdir.

Bunlara ek olaraq qiymətləndirmə yalnızca teksturazar denek içeren iki vəri dəstine dayanmaktadır. Eşleştirilmiş t-testlerinde etki büyüklüğü, etibar intervalı, normal dtorılım kontrolü və ya çoxsaylı müqayisə düzəlişi raporlanmamıştır. Eğitim süresi, çıkarım gecikməsi, bellek istifadəı, parametre sayısı və hesablama xərci müqayisə cədvəlsu vərilməmişdir. Kod deposu və ya işlədilə bilən uygulama btorlantısı da metinde belirtilmemiştir.

Kaynakta bazı iç tutarlılık sorunları vardır. Veri artırma sözde kodu örnekleri “eylem sinifı + denek kimliyi” ilə gruplandırarak aynı subyektdaxilinden seçim tarif ederken en iyi təcrübə nəticələri fərqli deneklerden örnek seçen subyektlərarası değişime aittir. Sözde kod yalnızca cD2 değişimini göstermekte, təcrübəlerde isə cD1 və cD2 seçenekleri istifadə olunur. Ana metin kararların eşit ortayla birleştirildiğini söylerken çıkarım sözde kodu diaqnozmlanmayan \(w_k\) çəkilərinı kullanmaktadır. Bundan əlavə 2b vəri dəstinin beta ritmi üsul bölümünde 18–25 Hz, vəri artırma yorumunda 13–30 Hz olaraq vərilmiştir. Bu məqaləde söz konusu aralıklar birleştirilmemiş və ya sessizce düzeltilmemiştir.

Geçmiş, bugün və gelecek açısından örütubəti nədir?

Tədqiqat geçmişte ayrı ayrı kullanılan dalgacık tabanlı vəri artırma, çok kollu EEG torları və öz-distillə yaklaşmalarını tek bir subyektlərarası ümumiləme sistemi üçünde birleştirmektedir. Bugünkü katkısı, vəri dtorılımını genmüəssisə ilə torın kendi tarihsel bilgisini kullanarak düzenlenmesini birlikdə sınayan müqayisəlı və biləşen bazlı təcrübəler sunmasıdır.

Gelecekte üsulun dinamik dalgacık katsayısı seçimi, daha hafif öğretmen güncelleme üsullari, fərqli vəri kümeleri, oturumlar arası sinyal kayması və real vaxtlı BCI düzenekleri üzerinde sınanması lazımdır. Tədqiqatnın dəyəri, uygulamaya hazır bir klinik sistem göstermesinden değil, hedef denekten təlim məlumatı almadan EEG təsnifatsını geliştirmeye yönelik sınanabilir bir üsul təklifsinden mənbəlanmaktadır.

Tədqiqatın metodu və nəticələri

Kullanılan vəri kümeleri və örnek xüsusilikleri

Aştorıdaki cədvəl, iki açıq motor təsəvvürü EEG vəri dəstinin tədqiqatda kullanılan əsas xüsusiliklerini müqayisəktadır.

Değerlendirme və təlim düzeni

Karşılaştırılan modeller

MGLSDNet; EEGNet, DeepConvNet, EEGConformer, TIDNet, FBCNet, MSVTNet və MTMBCNN ilə müqayisə edilmişdir. Karşılaştırma grubu kompakt evrişimsel torları, derin evrişimsel torları, Transformer tabanlı strukturları, filtre bankası kullanan çok kollu modelleri və çok görevli EEG təsnifat üsullarini içermektedir.

Ana təsnifat nəticələri

2a vəri dəstinde MGLSDNet, teksturaz deneğin beşinde karşılaştırılan üsullar arasındaki en yüksək doğruluğu vərmiştir. En yüksək denek nəticələri A01’de %62,18, A02’de %48,81, A04’te %50,46, A06’da %54,19 və A07’de %67,02 olaraq bildirilmişdir.

2b vəri dəstinde model teksturaz deneğin sekizinde en yüksək doğruluğa ulaşmıştır. Tek istisna B04 deneğidir; bu denekte MTMBCNN %82,99, MGLSDNet isə %78,41 dəqiqlik vərmiştir. MGLSDNet’in en yüksək denek sonucu B07’de %84,55’tir. Sınıflandırılması zor olaraq diaqnozmlanan B03 deneğinde dəqiqlik %62,33 olaraq bildirilmişdir.

Eşleştirilmiş t-testi nəticələri

Aştorıdaki p dəyərləri, MGLSDNet ilə her müqayisə üsulunin denek səviyyəindeki dəqiqlikları arasında strukturlan eşleştirilmiş t-testlerinden alınmıştır.

2a vəri dəstinde MSVTNet müqayisəsı dışındaki bütün p dəyərləri 0,01’in altındadır. 2b vəri dəstinde bütün müqayisəlar 0,05’in altındadır. Bununla belə tədqiqat çoxsaylı müqayisə düzəlişi və ya etki büyüklüğü raporlamadığı üçün p dəyərləri tek başına üstünlüğün büyüklüğünü göstermemektedir.

Dalgacık vəri artırma üsullarinin karşılaştırılması

Veri artırma seçeneklerinin hiçbiri vəri artırmasız sürümün altında kalmamıştır. 2a vəri dəstinde en yüksək nəticə subyektlərarası cD1 değişimiyle elde edilmiş və vəri artırmasız modele göre 1,68 yüzde puanı artış storlanmıştır. 2b vəri dəstinde en yüksək nəticə subyektlərarası cD2 değişimiyle elde edilmiş və artış 1,57 yüzde puanı olmuştur.

Denekler arası değişimin daha iyi nəticə vərmesi, fərqli kişiləre ait aynı sinif sinyallerinin birleştirilmesinin təlim dtorılımına daha fazla çeşitlilik kattığı istiqamətindeki tədqiqatcı yorumunu dəstəkləyir. Ancaq tədqiqat, üretilən örneklerin hansı spektral və ya morfologiyak xüsusiliklerinin başarı artışından sorumlu olduğunu ayrı bir mekanizma təcrübəiyle ölçmemiştir.

Öz-damıtma biləşenlerinin ablasyon nəticələri

Yalnızca lokal öz-distillə, damıtmasız modele göre 2a’da 0,65 və 2b’de 0,53 yüzde puanı artış storlamıştır. Yalnızca qlobal öz-distillənın artışı sırasıyla 0,58 və 0,40 yüzde puanıdır. İki biləşen birlikdə kullanıldığında artış 2a’da 1,03, 2b’de 0,84 yüzde puanına ulaşmıştır. Sonuclar iki denetim səviyyəinin birlikdə kullanılmasının tek tek kullanılmalarından daha yüksək orta dəqiqlik vərdiğini göstərir.

Bulguların ümumi yorumu

MGLSDNet’in en açıq performans üstünlüğü iki sinifli 2b vəri dəstinde görülmektedir. Dört sinifli 2a vəri dəstinde en yüksək orta doğruluğu vərmesine rtormen MSVTNet ilə arasındaki fark anlamlı değildir. Buna görə tədqiqat, 2a üçün MGLSDNet’in bütün güclü üsullarden kesin biçimde üstün olduğunu göstermemektedir.

Deneyler vəri artırma və öz-distillə biləşenlerinin orta doğruluğa ayrı ayrı katkıda bulunduğunu göstərir. Bununla belə kazanımlar çoğunlukla birkaç yüzde puanlık və ya bir yüzde puanından aştorı değişimlerdir. Sonuclar umut vərici bir üsulsel iyiləştirme olaraq dəyərlendiriləbilir; hatasız təsnifat, klinik yeterlilik və ya real dünya istifadəına hazır bir BCI sistemi anlamına gelmez.

Mənbə və metod qeydi

Tədqiqatnın tam özgün adı: Enhancing EEG Domain Generalization via Collaborativə Data Augmentation and Multi-Scale Self-Distillation

Müəlliflər və doğru sıralama: Xiaoyu Li; Qingshan She; Zhipeng Zhou; Yunyuan Gao; Xugang Xi.

Eş birinci müəllif: Tədqiqatda eş katkı və ya eş birinci müəlliflık bilgisi belirtilmemiştir.

Sorumlu müəllif: Qingshan She. Tədqiqatda vərilən rabitə adresi: qsshe@hdu.edu.cn.

Kurumlar:

• School of Automation, Hangzhou Dianzi Univərsity, Hangzhou, Zhejiang 310018, China.
• Zhejiang Provincial Key Laboratory of Brain Computer Collaborativə Intelligence Technology and Applications, Hangzhou, Zhejiang 310018, China.

DOI:10.2139/ssrn.7201285

Dergi: Tədqiqat üçün hakemli bir dergi bilgisi yoxdur.

Özgün yayınevi: Hakemli dergi yayınevi yoxdur; tədqiqat preprint olaraq yayımlanmıştır.

Yayın platformu: SSRN.

Yayın yılı: 2026.

SSRN’de yayımlanma tarihi: 29 Temmuz 2026.

Kaynak türü: Deneysel hesablamalı üsul və vəri analizi içeren preprint tədqiqat makalesi.

Hakemlik durumu: Bu tədqiqat bir preprinttir və resenziyadan keçməmişdir. Sonucları bu məhdudiyyət dikkate alınarak okunmalıdır.

Resmî mənbə btorlantısı:https://ssrn.com/abstract=7201285

Hakemli sürüm durumu: 5 Ağustos 2026 tarihli bibliyoqraf kontrolde aynı başlıkla yayımlanmış hakemli bir dergi sürümü doğrulanamamıştır.

Finansman: Tədqiqatda Zhejiang Provincial Natural Science Foundation of China LZ26F010007 numaralı destek ilə National Natural Science Foundation of China 62371172 və 62371171 numaralı destekler qeyd edilmişdir. Hangzhou Dianzi Ünivərsitesi Süper Hesaplama Merkezinin hesablama kayntorı storladığı ifade edilmiştir.

Çıkar çatışması: Müəlliflər yayınla ilgili maraqlar toqquşması bulunmadığını beyan etmiştir.

Bu türk dili makale yüklenen tədqiqatın metni, formülleri, cədvəlları, şəkilleri, sözde kodu, tartışması və nəticə bölümü incelenerek hazırlanmışdır. Tədqiqatda bulunmayan haricî bilimsel bulgular makaleye eklenmemiş; dış mənbə kontrolü yalnızca DOI, platform, yayın tarihi və hakemli sürüm durumu gibi bibliyoqraf kimlik bilgiləri üçün istifadə edilmişdir.

Temel məhdudiyyətlar; iki vəri dəstiyle sınırlı qiymətləndirmə, vəri dəsti başına teksturaz denek, klinik və ya real vaxtlı uygulama bulunmaması, oturumlar arası ümumiləmenin doğrulanmaması, dalgacık katsayısı seçiminin önceden belirlenmiş bantlara dayanması və öz-distillənın təlim xərcinin nicel olaraq raporlanmamasıdır. Bundan əlavə mənbəta kırık xaç başvuru, vəri artırma sözde kodu ilə subyektlərarası təcrübə düzeni arasında açıqlık sorunu, beta tezlik aralıklarında tutarsızlık və diaqnozmlanmayan çıkarım çəkiləri bulunmaktadır.

Tədqiqatnın nəticələri, MGLSDNet’in incelenen iki açıq məlumat dəstindeki subyektlərarası motor təsəvvürü EEG təsnifatsında müqayisəlı performans artışı storlayabildiğini göstərir. Tədqiqat klinik fayda, təhlükəsiz real vaxtlı istifadə, sənaye ölçek başarısı və ya yeni kullanıcılarda kalibrasiya ihtiyacının ortadan kalktığını sübut etmir.