Съответно, има нужда от по-надеждни и точни механизми за откриване и класифициране на различни модели. Учените са решили да опитат да използват алгоритми за машинно обучение за това - класификатори, базирани на риманова геометрия и конволюционни невронни мрежи, които успешно се използват в активни интерфейси мозък-компютър. Интересно е да се разбера дали те ще бъдат ефективни не само при изпълнение на задачи върху въображаема моторика - когато потребителят само си представя, че движи крайници, но и при задачи за оценка на психически стрес и емоции.

Проведено е сравнително тестване на седем алгоритъма, два от които учените са разработили сами чрез подобряване на римановите класификатори. Първоначално те са били обучени по данни на един потребител и са проверени с негово участие, а след това е направен опит за тяхното тестване в група. Оказало се е обаче, че това е трудна, тъй като електрическата активност на мозъка е различна за всеки индивид. В този случай референтните електроенцефалографски данни са заимствани от предишни експерименти и от базата данни DEAP, която е създадена специално за изследвания в сферата на емоциите.

Дълбоката невронна мрежа показа много по-добри характеристики при оценяване на умственото натоварване, но не се справя с класификацията на емоциите. Римановите алгоритми успешно решават и двата проблема.

В същото време авторите стигат до извода, че като цяло пасивните интерфейси мозък-компютър са по-малко подходящи за анализ на емоционално състояние, отколкото за оценка на психически стрес и че при групово тестване точността на резултатите от всички алгоритми е значително намалена.

Учените ще продължат работата си, използвайки инструменти за дълбоко обучение, които биха позволили да се открият фини промени в моделите на електрическа активност в мозъка и, може би, биха помогнали за осигуряване на гъвкавост при тестване с голям брой участници.