Sobre os efeitos da normalização de dados para adaptação de domínio em dados de EEG

Em Aprendizado de Máquina (ML), um problema bem conhecido é o problema de Mudança de Conjunto de Dados, onde os dados nos conjuntos de treinamento e teste podem seguir distribuições de probabilidade diferentes, levando os sistemas de ML a desempenhos de generalização ruins. Esse problema é intensamente sentido em Interfaces Cérebro-Computador (BCIs), onde bio-sinais como Eletroencefalográficos (EEG) são frequentemente utilizados. De fato, os sinais de EEG são altamente não estacionários tanto ao longo do tempo quanto entre diferentes sujeitos. Para superar esse problema, várias soluções são baseadas em abordagens de aprendizado por transferência, como Adaptação de Domínio (DA). Em vários casos, no entanto, as causas reais das melhorias permanecem ambíguas. Este artigo foca no impacto das estratégias de normalização de dados aplicadas juntamente com métodos de DA. Em particular, usando os conjuntos de dados de EEG SEED, DEAP e BCI Competition IV 2a, avaliamos experimentalmente o impacto de diferentes estratégias de normalização aplicadas com e sem vários métodos de DA bem conhecidos. O resultado é que a escolha da estratégia de normalização desempenha um papel fundamental no desempenho dos classificadores em cenários de DA e, muitas vezes, o uso de apenas um esquema de normalização apropriado supera a técnica de DA. Para SEED e BCI Competition IV 2a, uma estratégia de normalização adequada sozinha em um contexto de cruzamento de sujeitos permite alcançar uma precisão de 81,52±7,26% e 68,52±11,35%, respectivamente. Em um contexto de cruzamento de sessões, a precisão de 86,56±8,15% e 67,82±12,48% para SEED e BCI Competition pode ser alcançada, respectivamente. Para DEAP, o melhor desempenho de cruzamento de sujeitos alcançado usando apenas normalização foi de 39,33±14,08%. Todos esses resultados são comparáveis ao desempenho obtido por várias estratégias de DA bem conhecidas.