Wie viele EEG-Daten benötigt künstliche Intelligenz eigentlich, um zuverlässig zu lernen?
Diese scheinbar einfache Frage ist in der Praxis entscheidend: Lohnt es sich, weitere Probanden zu rekrutieren? Oder reicht es, von denselben Personen länger aufzuzeichnen?
In einer aktuellen Studie haben wir systematisch untersucht, wie sich die Genauigkeit von KI-Modellen zur EEG-Klassifikation mit zunehmender Datenmenge verändert. Dabei analysierten wir mehrere Fragestellungen (z. B. Unterscheidung zwischen normalem und auffälligem EEG oder zwischen Augen offen und geschlossen) und verglichen unterschiedliche neuronale Netzwerke.
Die wichtigsten Ergebnisse:
- Mehr Teilnehmer bringen deutlich größere Verbesserungen als längere Aufzeichnungen derselben Personen.
- Die Genauigkeit steigt mit wachsender Datenmenge, allerdings mit abnehmendem Zusatznutzen.
- Unterschiedliche Netzwerkarchitekturen zeigten sehr ähnliche Lernverläufe – entscheidend war vor allem die verfügbare Datenmenge.
- Mit geeigneten mathematischen Modellen lassen sich Lernkurven extrapolieren und damit abschätzen, ob sich zusätzliche Datenerhebung lohnt.
Die Ergebnisse liefern eine praktische Grundlage für die Planung zukünftiger EEG-Studien: Statt ausschließlich auf komplexere KI-Modelle zu setzen, ist es häufig sinnvoller, in größere und vielfältigere Stichproben zu investieren.
Die Studie wurde im Fachjournal Journal of Neural Engineering veröffentlicht:
Marc S. Seibel, Jens Haueisen, Thomas Jochmann
How much EEG is needed for deep learning with convolutional neural networks? Predicting the benefit from additional data
Journal of Neural Engineering (2026)
https://doi.org/10.1088/1741-2552/ae453d
Ansprechpartner: Thomas Jochmann
