Бул изилдөө, мотор элестетүү электроэнцефалография сигналдарынын ар башка адамдар арасында ишенимдүү классификацияланышын geliştirmek amacıyla толкунча мейкиндигинде маалымат көбөйтүү, төрт бутактуу bir конволюциялык нейрон тармагы жана глобалдык-жергиликтүү өз-дистилляцияны birleştiren MGLSDNet модельini баалуулукlendirmiştir. Модель, текстураzar катышуучу içeren BCI Competition IV 2a жана 2b маалымат kümelerinde субъект сыртта калтырылган баалоо менен тест edilmiştir. Ortalama классификация тактыгы төрт класстуу 2a маалымат топтомуnde %58,24, iki класстуу 2b маалымат топтомуnde %76,07 катары билдирилген. Ошентсе да изилдөө рецензиядан өтө элек bir preprinttir; yalnızca iki ачык маалымат топтомуne dayanmakta, чыныгы убакыттагы система, клиникалык бейтап grubu, yeni катышуучуlar же талаа uygulaması üzerinde текшерүү сунбайт.

Изилдөөda önerмененn Çok Ölçekli Küresel-Yerel Öz-Damıtma Ağı (Multi-scale Global-Local Self-Distillation Network, MGLSDNet), маалымат жана модель деңгээлindeki iki sorunu бирге ele almaktadır. Veri деңгээлinde aynı мотор элестетүү классına ait EEG örneklerinin belirli dalgacık деталь коэффициенттери değiştirмененrek yeni окутуу örnekleri oluşturulmuştur. Модель деңгээлinde болсо ар башка zaman ölçeklerini inceleyen dört paralel тор kolu kullanılmış; her kol жана kolların birleştirilmiş kararı, торın daha önce kaydedilmiş tarihsel sürümleri tarafından yönlendirilmiştir.

BCI Competition IV 2a маалымат топтомуnde MGLSDNet’in %58,24 doğruluğu, en yakın салыштыруу модельi olan MSVTNet’in %57,16 doğruluğundan 1,08 yüzde puanı жогоркуtir. Бирок bu iki модель arasındaki fark статистикалык маанилүү değildir; жупташкан t-тестиnde p=0,6507 билдирилген. BCI Competition IV 2b маалымат топтомуnde MGLSDNet %76,07 doğruluğa ulaşmış, en жогорку орточоya sahip салыштыруу ыкмасы TIDNet’in %73,24 sonucunu 2,83 yüzde puanı aşmıştır. Bu салыштырууdaki fark p=0,0308 менен istatistiksel anlamlılık eşiğinin altında билдирилген.

Түркия жагынан баалоо: Изилдөө, Түркияда beyin-bilgisayar аралык бетü, yardımcı технология жана нейрореабилитация изилдөөları yürüten ekipler үчүн субъекттер аралык EEG классификацияsında sınanabмененcek bir ыкма алкакsi сууnmaktadır. Özellikle yeni kullanıcıdan yoğun калибрлөө маалыматsi toplama ihtiyacını azaltma hedefi uygulama bakımından маанилүүdir. Бирок ыкмасыn Түркиядаki катышуучуlarla, ар башка EEG cihazlarıyla, yerel лаборатория koşullarında жана клиникалык hedef gruplarda yeniden doğrulanması gerekir. Bu preprint, бейтапlarda iyмененşme, protez kontrolünde талаа başarısı, калибрлөө süresinde ölçülmüş azalma же клиникалык etkinlik kanıtı сунбайт.

Изилдөөнүн негизги суроосу эмне?

Изилдөөнүн негизги суроосу, yalnızca булак субъекттерден alınan мотор элестетүү EEG маалыматleriyle eğitмененn bir модельin, окутуу sırasında hiç görmediği yeni bir deneğin sinyallerini daha güжанаnilir biçimde классlandırıp классlandıramayacторıdır. Bu hedef изилдөөдө домен жалпылоо (domain generalization) катары adlandırılmıştır. Alan жалпыlemesinde максат субъекттин маалыматleri модель окутууi sırasında kullanılmaz; amaç, birden fazla булак denekte ortak olan görevle ilişkili örüntüleri öğrenerek yeni deneğe түздөн-түз uygulanabмененn bir модель oluşturmaktır.

Motor imgeleme (motor imagery), kişinin чыныгы bir hareket üretmeden el, ayak же dil hareketini zihninde canlandırmasıdır. Изилдөө, bu zihinsel görevler sırasında ortaya çıkan EEG örüntülerini классификацияktadır. BCI Competition IV 2a маалымат топтомуnde dört мотор элестетүү классı, 2b маалымат топтомуnde болсо сол кол жана оң кол olmak üzere iki класс bulunmaktadır.

Изилдөө эмне үчүн маанилүүdir?

Изилдөөda мотор элестетүү EEG классификацияsının üç негизги күчтүүkle karşılaştığı belirtilmektedir: EEG sinyallerinin төмөн сигнал-ызы-чуу катышы, sinyallerin zaman үчүнde өзгөрмө olması жана ар башка kişмененrin beyin sinyalleri arasında belirgin dторılım farkları bulunması. Derin öğrenme модельleri az sayıda катышуучу жана sınırlı örnekle eğitildiğinde, мотор элестетүү görevine ait ortak өзгөчөlikler yerine belirli deneklerin gürültüsünü же kişболсоl örüntülerini öğrenebilir.

Bu durum, yeni bir kullanıcının системаe dâhil edilmesinden önce uzun калибрлөө oturumları жана kişiye өзгөчө модель окутууi gerektirebilir. Изилдөөнүн hedefi калибрлөө ihtiyacını түздөн-түз ölçmek değil, hedef denekten окутуу маалыматы kullanmadan daha iyi классификация yapabмененcek bir модель geliştirmektir.

Literatürde кайсы boşluk hedeflenmiştir?

Изилдөөya göre önceki ыкмалар çoğunlukla маалыматты көбөйтүү менен модель düzenlмененştirmesini өзүнчө өзүнчө ele almaktadır. Zaman alanında gürültü ekleme, zaman kaydırma же амплитуда ölçekleme gibi иштетүүler мотор элестетүү sinyallerinin убакыт-жыштык түзүлүшүн bozabilir. GAN жана VAE gibi генеративдик моделдер болсо окутуу kararsızlığı жана oluşturulan örneklerin fizyolojik anlamının doğrulanması konuсууnda sorunlarla karşılaşabilir.

Çok kollu торlar ар башка zaman же жыштык ölçeklerinden tamamlayıcı өзгөчөlikler çıkarabilse de her kolun bторımsız biçimde optimize edilmesi, ortak kararın yeterince düzenlenmemesine yol açabilir. MGLSDNet bu iki alanı bir araya getirmektedir: önce dalgacık katsayılarını değiştirerek окутуу dторılımını genишканаkte, ardından торın tarihsel durumlarını öğretmen катары kullanan өз-дистилляцияyla көп масштабдуу өзгөчөlikleri düzenlemektedir.

Dalgacık alanındaki маалыматты көбөйтүү кантип изилдөөktadır?

Dalgacık dönüşümü, EEG sinyalini ар башка zaman-жыштык bмененşenlerine ayırmak үчүн колдонулган. Изилдөөda аппроксимация коэффициенттери cA, деталь коэффициенттери болсо cD менен gösterilmiştir. İki aynı класс örneği seçilmekte, örneklerden yalnızca belirli bir өзүнчөntı деңгээлindeki katsayılar karşılıklı катары değiştirilmekte жана değiştirilmiş bмененşenlerden iki yeni EEG örneği yeniden oluşturulmaktadır. Sınıf этикаeti değişmemektedir.

• cD1: Изилдөөda 20–40 Hz aralığıyla ilişkмененndirмененn birinci деңгээл деталь коэффициенттериdır.
• cD2: Изилдөөda 10–20 Hz aralığıyla ilişkмененndirмененn ikinci деңгээл деталь коэффициенттериdır.
• Denekler arası değişim: Aynı классtaki örnekler ар башка булак субъекттерден seçilir.
• Denek içi değişim: Aynı классtaki örnekler aynı булак denekten seçilir.

Şekil 2’de iki sinyalin dalgacık bмененşenlerine өзүнчөldığı, cD1 же cD2 katsayılarının karşılıklı değiştirildiği жана yeni sinyallerin yeniden oluşturulduğu gösterilmektedir. Yaklашып кетүү katsayıları менен değiştirilmeyen өзүнчөntı деңгээлi korunmaktadır. Авторлорın amacı, sinyalin класс anlamını korurken kişмененr arasındaki ritmik амплитуда жана faz ар башкаlıklarını taklit etmektir.

Deneylerde Daubechies 4 (db4) dalgacık tabanı, üç kat маалыматты көбөйтүү çarpanı жана 0,02 деңгээлinde төмөн gürültü колдонулган. Ошентсе да изилдөө, üretмененn örneklerin физиологиялык жарактуулугун bторımsız bir spektral benzerlik ölçütü, uzman текшерүүsi же өзүнчө bir biyolojik текшерүү тестiyle göstermemektedir. “Fizyolojik anlamın korunduğu” багытыndeki ifade, авторлорın ыкмаsel gerekçesi жана классификация натыйжаларыyla dolaylı катары desteklenen bir iddiadır; түздөн-түз kanıtlanmış bir biyolojik натыйжа değildir.

Çok kollu өзгөчөлүк чыгаргыч кантип түзүмlandırılmıştır?

MGLSDNet, aynı üç катмарlı түзүмya sahip dört paralel koldan oluşmaktadır. Kolların негизги farkı ilk убакыттык конволюция çekirdeğinin büжүкlüğüdür. Çekirdek büжүкlükleri үлгүлөө жыштыгы \(F_s\) üzerinden \(F_s/16\), \(F_s/8\), \(F_s/4\) жана \(F_s/2\) катары аныкталган. Büжүк çekirdekler daha узак мөөнөттүү ritmik örüntülere, küçük çekirdekler болсо daha кыска мөөнөттүү değişimlere фокусlanmaktadır.

Her kol üç негизги иштетүү uygular:

1. Zamansal evrişim: \(1 \times L_k\) çekirdeğiyle kola özgü zaman örüntülerini çıkarır.
2. Uzamsal derinlik өзүнчөlabilir evrişim: \(C \times 1\) çekirdeğiyle EEG электродları arasındaki ilişkмененri модельler. Burada \(C\), kullanılan EEG каналı sayısıdır.
3. Ayrılabilir убакыттык конволюция: İlk iki катмарdan gelen өзгөчөlikleri birleştirerek daha karmaşık zaman bторlamlarını çıkarmayı amaçlar.

Kolların ara өзгөчөlikleri erken баскычda birleştirilmemektedir. Her kol kendi классификация çıktısını üretmekte жана nihai karar үчүн bu ham çıktı skorlarının, yani logit маанилерinin элемент bazında орточоsı alınmaktadır. Şekil 1’de окуучу тармактынın dört kolu, окуучу тармактынdan kopyalanan тарыхый мугалим торı, kol деңгээлindeki yerel жоготуу байланыштарı жана iki торın birleştirilmiş kararları arasındaki катып жетилүүesel жоготуу gösterilmektedir.

Küresel-жергиликтүү өз-дистилляция кантип uygulanmaktadır?

Öz-damıtma, haricî жана önceden eğitilmiş bir öğretmen модель kullanmamaktadır. Öğrenci торın parametreleri belirli aralıklarla kopyalanmakta, kopyalanan sürüm dondurulmakta жана тарыхый мугалим катары колдонулат. Изилдөөda öğretmen güncelleme aralığı 10 epoch катары аныкталган. Böylece güncel окуучу модельi hem чыныгы класс энбелгилериnden hem de kendisinin daha önceki sürümünün ürettiği мүмкүнlık dторılımlarından öğrenmektedir.

Yerel өз-дистилляция, her окуучу kolunu kendi тарыхый мугалим koluyla салыштырууktadır. Küresel өз-дистилляция болсо окуучу kollarının birleştirilmiş nihai çıktısını öğretmen kollarının ortak çıktısıyla hizalamaktadır. Bu iki деңгээлin бирге kullanılması, hem her ölçeğin kendi үчүнde düzenlenmesini hem de dört kolun ortak kararının tutarlı hâle gelmesini amaçlamaktadır.

Kayıp fonksиондору neyi эсептөөktadır?

Birinci denklem, \(k\) numaralı окуучу kolunun yumuşatılmış çıktı dторılımı менен karşılık gelen тарыхый мугалим kolunun dторılımı arasındaki Kullback-Leibler ажырашыnı эсептөөktadır:

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

Burada \(z_k\), окуучу kolunun классификация öncesi ham çıktı skorlarını; \(z_k^{\mathrm{teacher}}\), aynı kolun тарыхый мугалим çıktısını; \(\tau\), температура параметриni көрсөтөт. Изилдөөda \(\tau=2{,}0\) колдонулган. Bu büжүкlüklerin физикалык birimi yoktur. Температура, классlar arasındaki мүмкүнlık farklarını yumuşatarak öğretmenin кайсы классları birbirine daha yakın баалуулукlendirdiğine ilişkin bilgiyi aktarmayı amaçlar.

İkinci denklem, чыныгы класс энбелгисиyle hesaplanan sert этикаet kaybını öğretmen çıktısından gelen yumuşak этикаet kaybıyla birleştirmektedir:

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

\(L_{\mathrm{hard}}^{k}\), \(k\) numaralı kolun чыныгы этикаetlerle hesaplanan кайчылаш энтропия жоготуусуdır. \(L_{\mathrm{soft}}^{k}\), өз-дистилляция kaybıdır. \(\альфа\), iki denetim kaynторının торırlığını belirler жана изилдөөдө 0,5 катары колдонулган. Böylece чыныгы этикаet жана тарыхый мугалим eşit салмакla yerel kol kaybına katılmaktadır.

Üçüncü denklem, dört тарыхый мугалим kolunun ham çıktı skorlarını орточоktadır:

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

Burada \(K\), kol sayısıdır жана MGLSDNet үчүн \(K=4\)’tür. Denklem, tek bir kolun kararını değil, dört тарыхый мугалим kolunun ortak kararını temsil eder.

Dördüncü denklem, güncel окуучу тармактын birleştirilmiş çıktısıyla тарыхый мугалим торın ortak çıktısı arasındaki катып жетилүүesel damıtma kaybını эсептөөktadır:

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

\(z_{\mathrm{final}}\), dört окуучу kolunun birleştirilmiş çıktısıdır. \(z_{\mathrm{final}}^{\mathrm{teacher}}\), dört öğretmen kolunun орточо çıktısıdır. Bu жоготуу, güncel модельin ortak kararını торın tarihsel ortak kararıyla uyumlu hâle getirmeyi amaçlar.

Beşinci denklem toplam окутуу hedefini диагнозmlamaktadır:

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

Toplam жоготуу; dört kolun yerel жоготууlarını, глобалдык өз-дистилляция kaybını жана birleştirilmiş nihai kararın чыныгы этикаetlerle hesaplanan кайчылаш энтропия жоготуусуnı бирге içerir. Bu жоготуу terimleri boyutсууzdur. Изилдөө, bu bмененşimin kol деңгээлinde sторlamlığı жана тор деңгээлinde karar tutarlılığını aynı anda artırdığını öne sürmektedir.

Özellik görselleştirmeleri эмнени көрсөтөт?

Şekil 3 жана Şekil 4, BCI Competition IV 2b маалымат топтомуndeki B01 kodlu birinci deneğin dört тор kolundan elde edмененn өзгөчөliklerin эки өлчөмдүү t-SNE izdüşümlerini көрсөтөт. t-SNE eksenleri физикалык EEG büжүкlükleri же жыштыкlar değildir; жогорку boyutlu өзгөчөliklerin görsel текшерүү amacıyla iki boyuta indirgenmiş koordinatlarıdır.

Eğitimden önce iki классa ait noktalar dört kolda da büжүк ölçüde birbirine karışmaktadır. Eğitimden sonra sol жана оң кол классlarının daha belirgin kümeler oluşturduğu görülmektedir. Изилдөөya göre 1. жана 3. kollar daha çok yatay yönde, 2. жана 4. kollar болсо daha çok dikey yönde ажыратуу üretmiştir. Bu görünüm, kolların aynı karar sınırını tekrarlamak yerine tamamlayıcı өзгөчөlikler öğrendiği yorumunu колдойт.

Görselleştirmenin kapsamı sınırlıdır. Yalnızca 2b маалымат топтомуndeki B01 deneği gösterilmiş жана өзүнчөşma nicel bir kümeleme ölçütüyle raporlanmamıştır. Bu эмне үчүнle t-SNE сүрөтleri модельin başarısını tek başına далилдебейт; классификация таблицаlarını destekleyen nitel bir текшерүү катары okunmalıdır.

Изилдөөnın desteklediği натыйжалар nelerdir?

• MGLSDNet, изилдөөda kullanılan салыштыруу düzeninde iki маалымат топтомуnde de en жогорку орточо doğruluğu жанаrmiştir.
• Dalgacık katsayısı değişimine dayalı dört маалыматты көбөйтүү seçeneğinin tamamı, маалыматты көбөйтүүsız sürümden daha жогорку орточо тактык üretmiştir.
• Denekler arası katsayı değişimi, her iki маалымат топтомуnde de en iyi маалыматты көбөйтүү натыйжаларыnı жанаrmiştir.
• Yerel жана глобалдык өз-дистилляция өзүнчө өзүнчө küçük тактык artışları sторlamış, бирге kullanıldığında daha жогорку artış elde edilmiştir.
• 2b маалымат топтомуnde MGLSDNet менен karşılaştırılan бардык ыкмалар arasındaki farklar p<0,05 катары билдирилген.
• 2a маалымат топтомуnde MSVTNet dışındaki салыштыруу ыкмаларiyle farklar p<0,01 катары билдирилген.

Изилдөө эмнени далилдебейт?

• Изилдөө, MGLSDNet’in клиникалык rehabilitasyonda бейтап натыйжаларыnı iyмененştirdiğini göstermemektedir.
• Yeni kullanıcıların калибрлөө süresinde ölçülmüş bir azalma raporlanmamıştır.
• Gerçek zamanlı protez, дөңгөлөктүү sandalye же yardımcı cihaz kontrolü тест edilmemiştir.
• Üretмененn EEG örneklerinin fizyolojik чыныгыliği bторımsız biyolojik ölçütlerle тастыкталган эмес.
• Farklı EEG cihazları, ар башка лабораторияlar же ар башка маалымат kümeleri arasında жалпыleme gösterilmemiştir.
• Aynı kişide ар башка oturumlar arasında oluşan sinyal kaymasına karşı жалпыleme тастыкталган эмес.
• 2a маалымат топтомуnde MGLSDNet’in MSVTNet’e üstünlüğü istatistiksel катары gösterilmemiştir.
• Uzun döным колдонуу, коопсуздук, kullanıcı konforu же ticari uygulanabilirlik баалуулукlendirilmemiştir.

Изилдөөнүн күчтүү жактары кайсылар?

• Veri artırma менен модель düzenlмененştirmesini tek bir ыкмаsel алкакde birleştirmektedir.
• İki ачык жана yaygın салыштыруу маалымат топтому колдонулган.
• Hedef тест deneğinden окутуу маалыматы kullanmayan субъекттер аралык баалоо düzeni uygulanmıştır.
• Veri artırma seçenekleri жана өз-дистилляция bмененşenleri өзүнчө экспериментlerle incelenmiştir.
• Doğruluğa ek катары стандарттык четтөө, Kappa мааниси жана жупташкан t-тести натыйжалары маалыматlmiştir.
• Модель архитектурасы, жоготуу fonksиондору жана негизги окутуу hiperparametreleri ачыкlanmıştır.

Изилдөөnın чектөөлөрү жана булак içi белгисиздикler nelerdir?

Изилдөөnın kendisi üç негизги sınırlılığı kabul etmektedir: dalgacık katsayısı seçimi önceden диагнозmlanmış fizyolojik kabullere bторlıdır, тарыхый мугалимlerin kullanılması окутуу эсептөө жүгүnü artırmaktadır жана oturumlar arası жалпыleme тастыкталган эмес.

Bunlara ek катары баалоо yalnızca текстураzar denek içeren iki маалымат топтомуne dayanmaktadır. Eşleştirilmiş t-тестlerinde etki büжүкlüğü, ишеним аралыгы, normal dторılım kontrolü же көп салыштыруу оңдоосу raporlanmamıştır. Eğitim süresi, çıkarım кечигүүsi, bellek колдонууı, parametre sayısı жана эсептөө чыгымi салыштыруу таблицасуу берилген эмес. Kod depoсуу же иштетүүгө боло турган uygulama байланышsı da metinde belirtilmemiştir.

Kaynakta bazı iç tutarlılık sorunları vardır. Veri artırma sözde kodu örnekleri “eylem классı + denek идентификациясы” менен gruplandırarak aynı субъект ичиндеnden seçim tarif ederken en iyi эксперимент натыйжалары ар башка deneklerden örnek seçen субъекттер аралык değişime aittir. Sözde kod yalnızca cD2 değişimini göstermekte, экспериментlerde болсо cD1 жана cD2 seçenekleri колдонулат. Ana metin kararların eşit орточоyla birleştirildiğini söylerken çıkarım sözde kodu диагнозmlanmayan \(w_k\) салмактарыnı kullanmaktadır. Мындан тышкары 2b маалымат топтомуnin beta ritmi ыкма bölümünde 18–25 Hz, маалыматты көбөйтүү yorumunda 13–30 Hz катары маалыматlmiştir. Бул макалаde söz konuсуу aralıklar birleştirilmemiş же sessizce düzeltilmemiştir.

Geçmiş, bugün жана gelecek açısından öнымi эмне?

Изилдөө geçmişte өзүнчө өзүнчө kullanılan dalgacık tabanlı маалыматты көбөйтүү, çok kollu EEG торları жана өз-дистилляция yaklашып кетүүlarını tek bir субъекттер аралык жалпыleme системаi үчүнde birleştirmektedir. Bugünkü katkısı, маалымат dторılımını genишкана менен торın kendi tarihsel bilgisini kullanarak düzenlenmesini бирге sınayan салыштырууlı жана bмененşen bazlı экспериментler сууnmasıdır.

Gelecekte ыкмасыn dinamik dalgacık katsayısı seçimi, daha hafif öğretmen güncelleme ыкмаларi, ар башка маалымат kümeleri, oturumlar arası sinyal kayması жана чыныгы убакыттагы BCI düzenekleri üzerinde sınanması керек. Изилдөөnın баалуулукi, uygulamaya hazır bir клиникалык система göstermesinden değil, hedef denekten окутуу маалыматы almadan EEG классификацияsını geliştirmeye yönelik sınanabilir bir ыкма теоремаsinden булакlanmaktadır.

Изилдөөнүн ыкмасы жана жыйынтыктары

Kullanılan маалымат kümeleri жана örnek өзгөчөlikleri

Aşторıdaki таблица, iki ачык мотор элестетүү EEG маалымат топтомуnin изилдөөda kullanılan негизги өзгөчөliklerini салыштырууktadır.

Değerlendirme жана окутуу düzeni

Karşılaştırılan модельler

MGLSDNet; EEGNet, DeepConvNet, EEGConformer, TIDNet, FBCNet, MSVTNet жана MTMBCNN менен салыштырылган. Karşılaştırma grubu kompakt evrişimsel торları, derin evrişimsel торları, Transformer tabanlı түзүмları, filtre bankası kullanan çok kollu модельleri жана çok görevli EEG классификация ыкмаларini içermektedir.

Ana классификация натыйжалары

2a маалымат топтомуnde MGLSDNet, текстураz deneğin beşinde karşılaştırılan ыкмалар arasındaki en жогорку doğruluğu жанаrmiştir. En жогорку denek натыйжалары A01’de %62,18, A02’de %48,81, A04’te %50,46, A06’da %54,19 жана A07’de %67,02 катары билдирилген.

2b маалымат топтомуnde модель текстураz deneğin sekizinde en жогорку doğruluğa ulaşmıştır. Tek istisna B04 deneğidir; bu denekte MTMBCNN %82,99, MGLSDNet болсо %78,41 тактык жанаrmiştir. MGLSDNet’in en жогорку denek sonucu B07’de %84,55’tir. Sınıflandırılması zor катары диагнозmlanan B03 deneğinde тактык %62,33 катары билдирилген.

Eşleştirilmiş t-тестi натыйжалары

Aşторıdaki p маанилерi, MGLSDNet менен her салыштыруу ыкмасыnin denek деңгээлindeki тактыкları arasında түзүмlan eşleştirilmiş t-тестlerinden alınmıştır.

2a маалымат топтомуnde MSVTNet салыштырууsı dışındaki бардык p маанилерi 0,01’in altındadır. 2b маалымат топтомуnde бардык салыштырууlar 0,05’in altındadır. Ошентсе да изилдөө көп салыштыруу оңдоосу же etki büжүкlüğü raporlamadığı үчүн p маанилерi tek başına üstünlüğün büжүкlüğünü göstermemektedir.

Dalgacık маалыматты көбөйтүү ыкмаларinin karşılaştırılması

Veri artırma seçeneklerinin hiçbiri маалыматты көбөйтүүsız sürümün altında kalmamıştır. 2a маалымат топтомуnde en жогорку натыйжа субъекттер аралык cD1 değişimiyle elde edilmiş жана маалыматты көбөйтүүsız модельe göre 1,68 yüzde puanı artış sторlanmıştır. 2b маалымат топтомуnde en жогорку натыйжа субъекттер аралык cD2 değişimiyle elde edilmiş жана artış 1,57 yüzde puanı olmuştur.

Denekler arası değişimin daha iyi натыйжа жанаrmesi, ар башка kişмененre ait aynı класс sinyallerinin birleştirilmesinin окутуу dторılımına daha fazla çeşitlilik kattığı багытыndeki изилдөөcı yorumunu колдойт. Бирок изилдөө, üretмененn örneklerin кайсы spektral же морфологияk өзгөчөliklerinin başarı artışından sorumlu болгонуnu өзүнчө bir mekanizma экспериментiyle ölçmemiştir.

Öz-damıtma bмененşenlerinin ablasyon натыйжалары

Yalnızca жергиликтүү өз-дистилляция, damıtmasız модельe göre 2a’da 0,65 жана 2b’de 0,53 yüzde puanı artış sторlamıştır. Yalnızca глобалдык өз-дистилляцияnın artışı sırasıyla 0,58 жана 0,40 yüzde puanıdır. İki bмененşen бирге kullanıldığında artış 2a’da 1,03, 2b’de 0,84 yüzde puanına ulaşmıştır. Sonучlar iki denetim деңгээлinin бирге kullanılmasının tek tek kullanılmalarından daha жогорку орточо тактык жанаrdiğini көрсөтөт.

Bulguların жалпы yorumu

MGLSDNet’in en ачык performans üstünlüğü iki класстуу 2b маалымат топтомуnde görülmektedir. Dört класстуу 2a маалымат топтомуnde en жогорку орточо doğruluğu жанаrmesine rторmen MSVTNet менен arasındaki fark anlamlı değildir. Демек изилдөө, 2a үчүн MGLSDNet’in бардык күчтүү ыкмаларden kesin biçimde üstün болгонуnu göstermemektedir.

Deneyler маалыматты көбөйтүү жана өз-дистилляция bмененşenlerinin орточо doğruluğa өзүнчө өзүнчө katkıda bulunduğunu көрсөтөт. Ошентсе да kazanımlar çoğunlukla birkaç yüzde puanlık же bir yüzde puanından төмөн değişimlerdir. Sonучlar umut маалыматci bir ыкмаsel iyмененştirme катары баалуулукlendirмененbilir; hatasız классификация, клиникалык yeterlilik же чыныгы dünya колдонууına hazır bir BCI системаi anlamına gelmez.

Булак жана ыкма эскертүүсү

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

Авторлор жана doğru sıralama: Xiaoyu Li; Qingshan She; Zhipeng Zhou; Yunyuan Gao; Xugang Xi.

Eş birinci автор: Изилдөөda eş katkı же eş birinci авторlık bilgisi belirtilmemiştir.

Sorumlu автор: Qingshan She. Изилдөөda маалыматlen байланыш adresi: qsshe@hdu.edu.cn.

Kurumlar:

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

DOI:10.2139/ssrn.7201285

Dergi: Изилдөө үчүн hakemli bir dergi bilgisi жок.

Özgün yayınevi: Hakemli dergi yayınevi жок; изилдөө preprint катары yayımlanmıştır.

Yayın platformu: SSRN.

Yayın yılı: 2026.

SSRN’de yayımlanma tarihi: 29 Temmuz 2026.

Kaynak türü: Deneysel эсептөөlı ыкма жана маалымат талдоосу içeren preprint изилдөө makalesi.

Hakemlik durumu: Бул изилдөө bir preprinttir жана рецензиядан өткөн эмес. Sonучları bu чектөө dikkate alınarak okunmalıdır.

Resmî булак байланышsı:https://ssrn.com/abstract=7201285

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

Finansman: Изилдөөda Zhejiang Provincial Natural Science Foundation of China LZ26F010007 numaralı destek менен National Natural Science Foundation of China 62371172 жана 62371171 numaralı destekler белгиленген. Hangzhou Dianzi Üniжанаrsitesi Süper Hesaplama Merkezinin эсептөө kaynторı sторladığı ifade edilmiştir.

Çıkar çatışması: Авторлор yayınla ilgili кызыкчылыктар кагылышы bulunmadığını beyan etmiştir.

Bu түрк тили makale жүкlenen изилдөөнүн metni, formülleri, таблицаları, сүрөтleri, sözde kodu, tartışması жана натыйжа bölümü incelenerek даярдалган. Изилдөөda bulunmayan haricî bilimsel bulgular makaleye eklenmemiş; dış булак kontrolü yalnızca DOI, platform, yayın tarihi жана hakemli sürüm durumu gibi bibliyoграф идентификация bilgмененri үчүн колдонулган.

Temel чектөөlar; iki маалымат топтомуyle sınırlı баалоо, маалымат топтому başına текстураz denek, клиникалык же чыныгы убакыттагы uygulama bulunmaması, oturumlar arası жалпыlemenin doğrulanmaması, dalgacık katsayısı seçiminin önceden belirlenmiş bantlara dayanması жана өз-дистилляцияnın окутуу чыгымinin nicel катары raporlanmamasıdır. Мындан тышкары булакta kırık кайчылаш başvuru, маалыматты көбөйтүү sözde kodu менен субъекттер аралык эксперимент düzeni arasında ачыкlık sorunu, beta жыштык aralıklarında tutarsızlık жана диагнозmlanmayan çıkarım салмактары bulunmaktadır.

Изилдөөnın натыйжалары, MGLSDNet’in incelenen iki ачык маалымат топтомуndeki субъекттер аралык мотор элестетүү EEG классификацияsında салыштырууlı performans artışı sторlayabildiğini көрсөтөт. Изилдөө клиникалык fayda, коопсуз чыныгы убакыттагы колдонуу, өнөр жай ölçek başarısı же yeni kullanıcılarda калибрлөө ihtiyacının ortadan kalktığını далилдебейт.