Sınama grubundaki kişi

Bir el hareketini aynı kişinin başka bir tekrarında tanımakla, daha önce görülmemiş bir kişinin kas sinyalinden tanımak farklı sınamalar. Imperial College London’dan William Raftery ve Dario Farina’nın karşılaştırması, bu ayrımın ön eğitime yüklenen anlamı nasıl değiştirdiğini gösteriyor. Yüzey elektromiyografisi, deriye yerleştirilen elektrotlarla kas etkinliğini ölçüyor. Araştırmacılar TinyMyo, PhysioWave ve NeuroRVQ modellerini üç veri kümesinde karşılaştırıyor. Aynı oturum içindeki kazancın yeni kişilere geçerken küçülmesi, kullanım hedefini veri bölmesinin içine yazmanın neden gerekli olduğunu açıklıyor.[1]

Oturum içi bölmede hem eğitim hem sınama aynı kişi ve ölçüm koşulundan geliyor. Kişiler arası bölmede sınanan kişiler eğitim grubunda bulunmuyor. Elektrot konumu ve anatomi farkı, modelin karşısına farklı sinyaller çıkarabiliyor. Bu nedenle oturum içindeki yüksek doğruluğu yeni kullanıcıya hazır olmanın ölçüsü saymak hatalı bir karar kuralı olur. Benim bu çalışmadan çıkardığım sonuç, doğruluğun yanına kimin sınandığının da yazılması gerektiği: modelin tanıdığı koşulların içinde mi, dışında mı?[1]

Aynı yapı, farklı başlangıç

Deneyin güçlü yanı, ön eğitimli modeli yalnızca başka bir küçük modelle yarıştırmaması. Aynı yapının rastgele ağırlıklarla başlayan sürümü de baştan eğitiliyor. Üçüncü koşulda ön eğitimli gövde donduruluyor, yalnızca doğrusal çıktı katmanı öğreniyor. Böylece daha büyük bir yapının yararıyla önceden öğrenilmiş temsilin yararı ayrıştırılabiliyor. Yeni kişilerde sıfırdan eğitimle aynı sonuca yaklaşmak, ön eğitimden gelen bilginin o görevde ne kadar işe yaradığını sorgulatıyor; yapının bütünüyle yararsız olduğu anlamına gelmiyor.[1]

Burada olası bir açıklama, ön eğitimin kişiye özgü ayrıntıları da başarıyla saklaması. Yeniden kurma hedefi, bu ayrıntıları atmayı zorunlu kılmıyor; az kişiyle yapılan sonraki eğitim de onlara tutunabiliyor. Bu, yazarların tartıştığı mekanizma ve benim için anlamlı bir araştırma yönü. Alternatif açıklama ise küçük grupların, işleme seçimlerinin veya kullanılan çıktı katmanının aktarımı olduğundan zayıf göstermesi. Çalışmanın işleme ve sıfırdan eğitim karşılaştırmaları bu seçenekleri daraltıyor; bütün olası yapı ve eğitim hedeflerini tüketmiyor.[1]

Kişi çeşitliliğini ölçmek

Veri kümelerinin büyüklüğü de aynı sonucun farklı yerlerde ne anlama geldiğini değiştiriyor. NinaPro DB5’te 10, UCI kümesinde 36, EPN612’de 612 katılımcı var. Küçük gruplarda klasik yöntemler temel modellere yetişebiliyor; büyük grupta ön eğitimin yararı daha küçük ölçekte de olsa sürüyor. Buradan belirli bir katılımcı sayısını yeterlilik eşiği diye çıkarmak mümkün değil. Kümelerin hareketleri ve toplama koşulları da farklı. Yine de yeni bir kişiye aktarım iddiasında katılımcı çeşitliliğini ayrı bir deney değişkeni olarak ele almak için güçlü bir gerekçe var.[1]

Bence sonraki karşılaştırmanın işe yarar çıktısı, eğitim grubundaki kişi sayısı değiştirilirken aynı ayrılmış sınama grubunda elde edilen aktarım eğrisi olur. Aynı yapıyı ön eğitimli ve sıfırdan başlayan koşullarda tutmak, kazanımın nereden geldiğini görünür kılar. El hareketi sınıflandırmasında böyle bir ölçüm, model seçimi için doğrudan anlam taşır. Protez kullanıcısına veya hastaya yarar ise ayrıca ölçülmesi gereken bir sonlanım. Bu ön baskı, o klinik adımı tamamlamadan da teknik bir karar öğretiyor: başarıyı, modelin karşılaşması amaçlanan kişileri ayırarak sınamak.[1]