EEG-modellen: herkenning bij training en testen van dezelfde personen

Samenvatting

EEG-modellen laten bij drie machine-learningmodellen andere prestaties zien zodra dezelfde personen in training en test voorkomen.

EEG-modellen en participant-aware evaluation

Het artikel onderzoekt hoe de evaluatie verandert wanneer EEG-modellen dezelfde deelnemers zien tijdens training en testen. De analyse vergelijkt drie machine-learningmodellen en gebruikt participant-aware evaluation als beoordelingskader.

De keuze van de personen in beide datasets krijgt daarmee een centrale plaats. Een testscore zegt niet alleen iets over het model, maar ook over de scheiding tussen deelnemers in de trainings- en testdata. De studie laat zien dat die keuze de gemeten prestaties beïnvloedt.

De publicatie verscheen in 2026 op Towards Data Science. Het excerpt geeft geen afzonderlijke scores of modelnamen, maar maakt wel duidelijk dat de vergelijking draait om de manier waarop onderzoekers deelnemers meenemen in de evaluatie.

Waarom participant-aware evaluation telt

Bij EEG-data vormt de deelnemer een eigen bron van variatie. Als dezelfde persoon in beide evaluatiefasen voorkomt, meet een test mogelijk iets anders dan wanneer de testpersonen niet in de training zitten. Participant-aware evaluation maakt die keuze expliciet en voorkomt dat één totaalscore de opzet van het experiment verbergt.

Dat raakt ook bredere machine-learningprojecten. BI-teams die modellen beoordelen op gebruikers, apparaten, locaties of andere herkenbare eenheden moeten vastleggen welke eenheid de splitsing bepaalt. Anders blijft onduidelijk of een model een patroon leert dat buiten de trainingsgroep standhoudt.

De vergelijking van drie modellen maakt bovendien duidelijk dat evaluatie niet losstaat van modelkeuze. Een rangorde tussen modellen krijgt pas betekenis wanneer alle modellen onder dezelfde deelnemergerichte voorwaarden worden getest.

Concrete takeaway voor EEG-modellen

Leg bij elke EEG-evaluatie vast welke deelnemers in training en testen zitten en herhaal de vergelijking van modellen onder één vaste participant-aware opzet. Rapporteer daarna niet alleen de prestaties, maar ook de gebruikte deelnemerssplitsing; zonder dat detail blijft de score moeilijk te duiden.