Avant d`exécuter le problème inter-tâches, les auteurs voulaient s`assurer que la méthode BP/CSP/FBCSP + LDA/DAL considérée était une méthode appropriée pour les tâches d`imagerie motrice envisagées. Par conséquent, un problème intra-tâche a été abordé pour la première fois. Dans ce cas, chaque tâche devait être testée avec les données recueillies à partir de la même tâche d`imagerie motrice (par exemple, un modèle formé avec T1 ne pouvait pas être testé avec T2 comme pour le cas inter-tâches car T1 et T1 étaient des jeux de donnees liés à différentes tâches, donc pas adapté pour le cas intra-tâche ). Pour cette raison, chacun des 30 essais a été divisé dans les jeux de données de formation et de test pour le cas intra-tâche. Plus précisément, 24 essais de chaque tâche d`imagerie motrice (p. ex. T1_TR) ainsi que 24 essais de la tâche REST (Rintra_TR) ont été utilisés pour la formation. Les six autres essais de la même tâche d`imagerie motrice (p. ex. T1_TE) ainsi que 6 essais de la tâche REST (Rintra_TE) ont été utilisés pour le test. Le tableau 7 présente le jeu de données de formation et de test pour chaque modèle.

Pour le problème intra-tâche, les modèles ont été générés et testés comme décrit dans le tableau 6. Bien que nous ayons effectué une validation croisée de 5 fois dans la formation, nous avons seulement rapporté la précision des tests pour garder le manuscrit concis. La précision de la classification pour chaque tâche d`imagerie motrice a été calculée sur la moyenne des participants (voir fig. 8). Les valeurs moyennes rapportées dans la dernière colonne du tableau 9 résument la précision moyenne des tests inter-tâches pour les modèles générés à partir des neuf tâches d`imagerie motrice. Cela indique la capacité des modèles à classer les données EEG à partir d`autres tâches d`imagerie motrice. Les valeurs moyennes rapportées dans la dernière rangée du tableau 9 résument la précision moyenne des tests inter-tâches pour les données EEG des neuf tâches d`imagerie motrice, ce qui indique la polyvalence des données EEG pour les neuf tâches d`imagerie motrice. La précision moyenne des tests de modèle varie de 0.543 ± 0.023 à 0.605 ± 0.022. Le modèle généré à partir des données de tâche de pondération a la précision de test inter-tâches moyenne la plus élevée, tandis que le modèle généré à partir des données de tâche de plaque a la précision de test moyenne la plus faible. La précision moyenne des tests de données varie de 0.553 ± 0,025 à 0.620 ± 0.022. Les données de la tâche Elbow ont la précision de test inter-tâches moyenne la plus élevée et les données de la tâche tiroir ont la précision de test inter-tâches moyenne la plus faible.

Le nom de la table DataLink se trouve dans la zone conseils de propriétés de la grille de propriétés lorsque l`en-tête de conception ou de résultats de l`appareil est sélectionné, illustré à la figure 1. La figure 2 montre le nom du champ DataLink affiché dans la zone conseils de propriétés lorsque le champ est sélectionné dans la grille des propriétés. Une liste complète des noms de table et des noms de champs DataLink se trouve dans le fichier d`aide. Cette liste peut être modifiée lorsque de nouveaux appareils, calculs ou fonctionnalités sont ajoutés au programme. Pour les tests, chaque modèle a été testé avec les données collectées pour les autres modèles. Plus précisément, M1 a été testé avec 8 jeux de données de test, le premier étant T2 + RTE, le deuxième étant, T3 + RTE, le troisième T4 + RTE, etc. Le tableau 6 montre l`utilisation des données dans les jeux de résultats de test. La densité est disponible dans la zone fluide DataLink table, mais le volume n`est pas calculé dans PIPE-FLO.

Written by Peregrintuk