В данном исследовании оценивается, доминирует ли какой-либо один конвейер декодирования среди субъектов в интерфейсах мозг-компьютер на основе моторной визуализации путем тестирования 1056 конфигураций на трех публичных наборах данных с использованием строгих статистических бенчмарков.
- Оценено более 340 000 подгонок моделей на уровне субъектов в наборах данных PhysionetMI, Cho2017 и Zhou2016 в рамках фреймворка MOABB.
- Применены общий тест Фридмана, анализ критической разницы Немени и парный знаковый тест Уилкоксона для сравнения извлекателей признаков, масштабирователей и классификаторов.
- Проекция ковариационного касательного пространства (cov-tgsp) и общие пространственные паттерны (CSP) оказались сильнейшими семействами, но демонстрировали зависящий от набора данных порядок.
- В когорте PhysionetMI лучшие конвейеры статистически неразличимы (p Немени = 0,27; W Кендалла = 0,11).
- Единственный лучший конвейер был оптимальным только для 35% участников, в то время как нелинейные дескрипторы оказались лучшими примерно для трети.
- Подбор конвейера к участнику улучшил точность примерно на семь пунктов по сравнению с лучшим фиксированным выбором.
Результаты указывают на отсутствие универсального декодера даже в благоприятных условиях, предоставляя количественное обоснование выбора модели, учитывающего особенности участника, вместо опоры на средние ранги.