Method Article

基于P300的脑机接口拼写器性能估计与基于分类器的延迟估计

DOI:

10.3791/64959

⸱

September 8th, 2023

 ,  ,  ,  ,  , 
1Brain and Body Sensing Lab, Mike Wiegers Department of Electrical & Computer Engineering, Kansas State University, 2Adaptive Cognitive Assessment Laboratory, Department of Physical Medicine and Rehabilitation, University of Michigan, Ann Arbor, 3Direct Brain Interface Laboratory, Department of Physical Medicine and Rehabilitation, University of Michigan, Ann Arbor, 4Direct Brain Interface Laboratory, Department of Biomedical Engineering, University of Michigan, Ann Arbor

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本文介绍了一种使用小型测试数据集估计当天 P300 拼写器脑机接口 （BCI） 准确性的方法。

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

性能评估是脑机接口（BCI）系统开发和验证的必要步骤。不幸的是，即使是现代的 BCI 系统也很慢，这使得收集足够的数据进行验证成为最终用户和实验者的一项耗时的任务。然而，如果没有足够的数据，性能的随机变化可能会导致对 BCI 对特定用户的工作情况的错误推断。例如，P300 拼写器通常每分钟操作大约 1-5 个字符。要以 5% 的分辨率估计准确性需要 20 个字符（4-20 分钟）。尽管投入了大量时间，但 20 个字符的准确度的置信度范围可能高达 ±23%，具体取决于观察到的准确度。先前发表的方法，基于分类器的延迟估计 （CBLE），被证明与 BCI 准确性高度相关。这项工作提出了一种协议，用于使用 CBLE 从相对较少的字符 （~3-8） 打字数据中预测用户的 P300 拼写器准确性。由此产生的置信度范围比传统方法产生的置信度范围更严格。因此，该方法可用于更快和/或更准确地估计 BCI 性能。

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

脑机接口（BCI）是一种非侵入性技术，允许个人直接通过机器进行通信，而不考虑身体施加的物理限制。脑机接口可以用作由大脑直接操作的辅助设备。BCI 使用用户的大脑活动来确定用户是否打算选择屏幕上显示的某个键（字母、数字或符号）1。在典型的计算机系统中，用户在键盘上物理按下预期的键。但是，在具有视觉显示的 BCI 系统中，用户需要专注于所需的密钥。然后，BCI 将通过分析测量的大脑信号1 来选择预期的密钥。可以使用各种技术来测量大脑的活动。尽管有相互竞争的脑机接口技术，但脑电图 （EEG） 因其无创性、高时间分辨率、可靠性和相对较低的成本而被认为是一种领先的技术2。

BCI 的应用包括通信、设备控制以及娱乐 3,4,5,6。最活跃的 BCI 应用领域之一是 P300 拼写器，它由 Farwell 和 Donchin7 推出。P300 是一种事件相关电位 （ERP），用于响应对罕见但相关的刺激8

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

"CBLE Performance Estimation"GUI 应用于两个数据集:"BrainInvaders"数据集和密歇根数据集。对于"BrainInvaders"数据集，数据收集得到了格勒诺布尔阿尔卑斯大学伦理委员会的批准 20.密歇根州的数据是在密歇根大学机构审查委员会批准下收集的 19.根据堪萨斯州立大学豁免协议 7516 对数据进行分析。如果收集新数据，请遵循用户 IRB 批准的收集知情同意书的流程。在这里，拟议的协议使用对先前记录的、去识别化的数据的离线分析进行评估，因此不需要额外的知情同意。

本文中包含的图形用户界面 （GUI） 精通管理两种不同的数据集格式。第一种格式与BCI2000软件相关联，而第二种格式称为"BrainInvaders"数据集。为了使用"Brain Invaders"格式，必须按照协议部分的步骤 1 中所述对数据进行预处理。但是，在处理"BCI2000"数据集格式时，可以省略步骤 1。

1. 数据准备

  1. 仅限 BrainInvaders:以".mat"文件格式生成输入数据文件，该文件可与"CBLE 性能估计"图形用户界面 （GUI） 一起使用。有关示例脚本，请参阅 补充编码文件 2。
    注意:每个数....

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

所提出的协议已经在两个不同的数据集上进行了测试:"BrainInvaders"和密歇根数据集。这些数据集已在"简介"部分简要介绍。表 1 中提到了用于这两个数据集的参数。图 2-4 描述了使用"BrainInvaders"数据集获得的结果，而图 5-7 展示了从密歇根数据集获得的结果。

"BrainInvaders"数据集有 64 名参与者。 图 2 显示了所有 64 名参与者的 BCI 准确性与 vCBLE 之间的关系。它表明 vCBLE 与 BCI 准确性高度负相关，尽管观察到一些异常值。 图 3 说明了 vCBLE 的 RMSE 和基于测试.......

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本文概述了一种使用小型 P300 数据集估计 BCI 准确性的方法。在这里，当前的协议是基于"bi2014a"数据集开发的，尽管该协议的有效性在两个不同的数据集上得到证实。为了成功实现这种技术，建立某些变量至关重要，例如原始数据的纪元窗口、时移窗口、下采样率以及训练和测试数据集的大小。这些变量由所使用的数据集的特征决定，包括目标或字符的数量、序列的数量和参与者的总数。

"bi2014a"数据集的结果表明，在所有测试条件（少于 10 个字符）中，与字符级 BCI 准确性相比，vCBLE 的预测表现出优异的性能，这些条件涉及包含 1 到 10 个字符的测试数据集。但是，当测试数据集包含七个以上的目标时，vCBLE 的性能显示出最小的方差。密歇根州数据的结果表明，如果测试数据集少于 6 个字符，则使用 vCBLE 预测当日性能将优于基于准确性的估计。有趣的是，增加用于构建此模型的数据量仅在数据的前几个字符之后略有改善。总体而言，这意味着没有必要收集大量数据来预测当天的准确性。

根据"bi2014a"数据集的结果，可以建议至少需要 1.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

所有作者声明他们没有任何利益冲突。

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

用于代表性结果的数据是从美国国家儿童健康与人类发展研究所 （NICHD）、美国国立卫生研究院 （NIH） 根据 Grant R21HD054697 和教育部国家残疾与康复研究所 （NIDRR） 根据 Grant H133G090005 和 H133P090008 号奖励支持的工作中收集的。其余的工作部分由美国国家科学基金会（NSF）资助，奖励#1910526。这项工作中的发现和意见并不一定反映 NICHD、NIH、NIDRR 或 NSF 的立场。

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLAB 2021MatlabN/A可以使用任何最新的 MATLAB 版本。

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Rezeika, A., Benda, M., Stawicki, P., Gembler, F., Saboor, A., Volosyak, I. Brain-Computer Interface spellers: A review. Brain Science. 8 (4), 57(2018).
  2. Gannouni, S., Aledaily, A., Belwafi, K., Aboalsamh, H. Emotion detectio....

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

P300 SpellerBrain Computer InterfaceClassifier Based Latency EstimationBCI Performance EstimationEEG DatasetLinear RegressionAccuracy PredictionRMSE CalculationFeature ExtractionBrain Invader Data

Related Articles