摘要。使用脑电图 (EEG) 信号进行眼动追踪 (ET) 预测的主要挑战是基准数据和真实世界数据之间的分布模式差异以及来自多个来源的脑信号的意外干扰所导致的噪声。因此,提高机器学习模型在从 EEG 数据预测眼动追踪位置方面的稳健性对于研究和消费者使用都至关重要。在医学研究中,已经探索使用更复杂的数据收集方法来测试更简单的任务以解决这一问题。在本研究中,我们提出了一种用于 EEG-ET 数据收集的细粒度数据方法,以创建更强大的基准测试。我们利用粗粒度和细粒度数据训练机器学习模型,并在对分布模式相似/不同的数据进行测试时比较它们的准确性,以确定 EEG-ET 基准对分布数据差异的敏感性。我们应用协变量分布偏移来测试这种敏感性。结果表明,与基于粗粒度、二分类数据训练的模型相比,基于细粒度、基于向量的数据训练的模型不太容易受到分布变化的影响。
主要关键词
![arXiv:2208.00465v1 [cs.LG] 2022 年 7 月 31 日PDF文件第1页](/bimg/f/f6057d715d8e161681dc6ae22fa509a393d41750.webp)
![arXiv:2208.00465v1 [cs.LG] 2022 年 7 月 31 日PDF文件第2页](/bimg/b/bc9303cc9603118a03f8ed8b51ba87943e642baf.webp)
![arXiv:2208.00465v1 [cs.LG] 2022 年 7 月 31 日PDF文件第3页](/bimg/4/4af14888e9df9b9bef7bc1e65c7adf44e73bc898.webp)
![arXiv:2208.00465v1 [cs.LG] 2022 年 7 月 31 日PDF文件第4页](/bimg/1/1c07f36a10a7dcb9d7912c3bdabd36596efb7098.webp)
![arXiv:2208.00465v1 [cs.LG] 2022 年 7 月 31 日PDF文件第5页](/bimg/c/c57a8f922a12e1ca424d2e08cbbba6cb7e40618e.webp)
