Исследование процесса обучения декодирующей компактной нейронной сети на несбалансированных данных

Основная цель данного исследования — доказать, что затачивание сети на определенные источники, в случае несбалансированных данных, является реальной проблемой и пространством для возможностей улучшения производительности. В результате проведенных исследований и экспериментов в рамках данной работы, гипотеза действительно проявилась на упрощенном моделируем случае и была статистически подтверждена. Более того, те же результаты были получены и для сбалансированных данных: если оба источника одинаково заметны, сеть все равно будет настраиваться, чтобы слушать только один в определенных случаях. Было проведено исследование параметров, влияющих на настройку сети, чтобы выяснить, как это можно предотвратить. Оказалось, что подсказки для пространственного фильтра, позволяющие с самого начала подсветить больше требуемых источников, имеют определённый эффект. В частности, эта проверенная подсказка представляла собой очень простое предположение о начальных весах фильтра, которое должно немного разделять источники по разным ветвям сети, учитывая, что мы знали топографию источников, так как смоделировали тренировочные данные. В реальном случае, таком как 4-й набор данных BCI Competition IV, информация о положениях электродов может быть неизвестна, и начальные веса для пространственного фильтра становится проблематично спроектировать. Таким образом, основной идеей для подсвечивания источников становится увеличение количества выходных несмешанных сигналов самого фильтра, предполагая, что в этом случае ему понадобится больше информации с разных источников, а также разделение входных данных датчиков на непересекающиеся группы и их проекция на раздельные ветви, чтобы разные группы с большей вероятности вынули информацию о разных источниках. Основным результатом является увеличение среднего коэффициента корреляции с 0.45 до 0.48. Требуется дальнейшее исследование полученных результатов для подтверждения или опровержения, что разделение входных данных привело к улучшению корреляции, так как в реальности, изменением архитектуры является просто модификация одной и той же операции, и настоящая причина улучшения производительности может быть совершенно иной.