공개 EEG 신호 분류 검산
16명의 자료로 학습한 분류기가 학습에 쓰지 않은 8명의 좌우 주먹 운동 심상 구간 120개 중 71개를 맞혔습니다.
· EEG Motor Movement/Imagery Dataset v1.0.0
| 실제 단서 | 왼 주먹 예측 | 오른 주먹 예측 |
|---|---|---|
| 왼 주먹 | 40 | 22 |
| 오른 주먹 | 27 | 31 |
정확도 59.2%, 균형 정확도 59%입니다. 평가 참여자 8명을 다시 표집해 계산한 95% 구간은 49.8%–68%로, 균형 기준선 50%를 포함합니다.
방법과 한계
S001~S016의 첫 좌우 운동 심상 기록(R04)을 학습에, S017~S024의 다음 반복 기록(R08)을 평가에 사용했습니다. 두 과제 단서는 T1과 T2입니다. 단서가 나온 0.5초 뒤부터 2초 동안 C3와 C4의 8~12 Hz, 13~26 Hz 로그 대역 전력 차이를 구했습니다. 특징 표준화와 분류 기준은 학습 자료에서만 계산했습니다.
이 분할에서는 참여자와 기록 회차가 함께 달라집니다. 평가 표본은 작고 시각 단서에 대한 눈이나 근육 반응도 신호에 섞일 수 있습니다. 이 자료에는 운동 심상 단서만 있고 피드백 오류 레이블과 도파민 측정값은 없습니다. 다음 검산에는 단서·움직임 교란 통제, 더 큰 분리 표본, 피드백 오류 레이블이 있는 별도 자료가 필요합니다.
결과 재실행
아래에 연결된 RECORDS와 파일 24개를 한 폴더에 파일명 그대로 받으세요. 실행 전에 결과 JSON의 SHA-256 값과 대조합니다. 검산에 사용한 NumPy 버전은 2.5.4입니다.
python3 audit-eeg.py ./records검산 스크립트 받기결과와 입력 해시PhysioNet EEGMMIDB
입력 파일
Gerwin Schalk와 공동 연구진의 자료입니다. PhysioNet에서 Open Data Commons Attribution License v1.0으로 배포합니다.