Name: P300-basierte Brain-Computer-Schnittstelle Rechtschreiber-Leistungsschätzung mit klassifikatorbasierter Latenzschätzung (Video) | JoVE Journal
Uploaded: 2023-09-08T12:00:00.000+00:00
Duration: 6 min 9 s
Description: Lernen Sie die CBLE-Methode zur Leistungsschätzung von P300-Brain-Computer-Schnittstellen mit minimalem Datensatz. Diese Technik ermöglicht präzise Vorhersagen der Nutzergenauigkeit für Echtzeitanwendungen.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Die Daten, die für repräsentative Ergebnisse verwendet wurden, wurden aus der Arbeit gesammelt, die vom National Institute of Child Health and Human Development (NICHD), den National Institutes of Health (NIH) unter Grant R21HD054697 und dem National Institute on Disability and Rehabilitation Research (NIDRR) im Bildungsministerium unter Grant H133G090005 und Award Number H133P090008 unterstützt wurde. Der Rest der Arbeit wurde teilweise von der National Science Foundation (NSF) unter dem Preis #1910526 finanziert. Die Ergebnisse und Meinungen in dieser Arbeit spiegeln nicht unbedingt die Positionen von NICHD, NIH, NIDRR oder NSF wider.

Die GUI "CBLE Performance Estimation" wurde auf zwei Datensätze angewendet: den Datensatz "BrainInvaders" und den Datensatz Michigan. Für den Datensatz "BrainInvaders" wurde die Datenerhebung von der Ethikkommission der Universität Grenoble Alpesgenehmigt 20. Michigan-Daten wurden mit Genehmigung des University of Michigan Institutional Review Board gesammelt19. Die Daten wurden gemäß dem Ausnahmeprotokoll 7516 der Kansas State University analysiert. Wenn Sie neue Daten sammeln, befolgen Sie das vom IRB genehmigte Verfahren des Benutzers zur Einholung der Einwilligungserklärung. Hier wird das vorgeschlagene Protokoll anhand einer Offline-Analyse zuvor aufgezeichneter, anonymisierter Daten bewertet und erfordert daher keine zusätzliche Einwilligung.
Die in diesem Artikel enthaltene grafische Benutzeroberfläche (GUI) beherrscht die Verwaltung von zwei unterschiedlichen Datensatzformaten. Das erste Format ist mit der BCI2000-Software verknüpft, während das zweite Format als "BrainInvaders"-Datensatz bezeichnet wird. Um das Format "Brain Invaders" nutzen zu können, müssen die Daten wie in Schritt 1 des Protokollabschnitts beschrieben vorverarbeitet werden. Beim Umgang mit dem Datensatzformat "BCI2000" kann jedoch Schritt 1 weggelassen werden.
1. Datenaufbereitung
<ol><li>Nur BrainInvaders: Generieren Sie die Eingabedatendatei im Dateiformat ".mat", die mit der grafischen Benutzeroberfläche (GUI) "CBLE Performance Estimation" verwendet werden kann. Ein Beispielskript finden Sie unter Ergänzende Codierungsdatei 2. HINWEIS: Jede Datendatei besteht aus einer zweidimensionalen Matrix, die aus Zeilen besteht, die Beobachtungen darstellen, die zu unterschiedlichen Zeitpunktproben aufgezeichnet wurden. Die Matrixspalten mit den Nummern 2 bis 17 sind Aufzeichnungen, die von 16 EEG-Elektroden abgeleitet wurden. Die erste Spalte der Matrix gibt den Zeitstempel jeder Beobachtung an, während Spalte 18 Informationen zu experimentellen Ereignissen enthält. In Spalte 19 gibt es meistens Nullen, aber wenn ein Nicht-Ziel- (oder Ziel-) Blitz beginnt, ändern sich die Zahlen zu diesem bestimmten Zeitpunkt auf eins (oder zwei). Eine ausführliche Beschreibung findet sich in der Referenz20.</li>
</ol>2. Herunterladen und Installieren des GUI-Pakets
<ol><li>Laden Sie die GUI "CBLE Performance Estimation" herunter und installieren Sie sie.</li>
</ol>3. Speichern des Datensatzes in einem Unterordner des GUI-Speicherorts
<ol><li>Stellen Sie sicher, dass sich der Datensatzordner im selben Verzeichnis wie die GUI befindet.</li>
	<li>Erstellen Sie beispielsweise einen neuen Ordner und platzieren Sie die GUI "CBLE Performance Estimation" darin. Bewahren Sie alle Datensätze in einem Unterordner innerhalb der "CBLE-GUI" mit dem Namen "Datensatz" auf.</li>
</ol>4. Öffnen der installierten GUI
<ol><li>Öffnen Sie MATLAB (siehe Materialtabelle), ändern Sie das aktuelle Verzeichnis in den Ordner, in dem sich die GUI befindet, klicken Sie auf die Registerkarte APPS und wählen Sie MEINE APPS.</li>
	<li>Wählen Sie auf der Registerkarte "MEINE APPS" die Option CBLE-Leistungsschätzung aus.</li>
</ol>5. Auswählen des Datensatzformats
<ol><li>Wählen Sie ein Datensatzformat aus der Dropdownliste Datensatzformat auswählen aus.</li>
</ol>6. Laden der EEG-Datei
<ol><li>Klicken Sie auf die Schaltfläche Eingabeordner auswählen , um das Verzeichnis auszuwählen, in dem sich der Datensatz befindet.</li>
	<li>Beobachten Sie die Anzahl der Datendateien, die in diesem ausgewählten Ordner vorhanden sind. HINWEIS: Im Format "Brain Invaders" wird jeder Teilnehmer durch eine einzelne Datendatei repräsentiert. Daher gibt die Gesamtzahl der Datendateien die Anzahl der Teilnehmer an der Studie an. Dies ist jedoch beim "BCI2000"-Format nicht der Fall, da jeder Teilnehmer mehrere Trainings- und Testdateien haben kann.</li>
</ol>7. Einstellen der Parameter
<ol><li>Geben Sie die Anzahl der Teilnehmer, die der Benutzer für den Schätzprozess verwenden möchte, in das Feld "Nein. der Teilnehmer" zu verwenden.</li>
	<li>Nur BrainInvaders: Geben Sie die Abtastrate des Datensatzes an. HINWEIS: BCI2000 Dateien enthalten die Abtastrate.</li>
	<li>Wählen Sie einen Dezimierungswert aus, um das Dataset auf ca. 20 Hz herunterzurechnen, um die Klassifizierungsleistungzu verbessern 21. Wenn die Abtastfrequenz beispielsweise 256 Hz beträgt, wählen Sie einen Dezimierungswert von 13 aus.</li>
	<li>Geben Sie das Zeitfenster für die Klassifizierung in Millisekunden an. HINWEIS: Die empfohlene anfängliche Fenstergröße wird angegeben, sodass der Startpunkt von 0 bis 100 ms und der Endpunkt von 700 bis 800 ms variieren kann. Es ist jedoch wichtig, die Fenstergröße nicht zu groß zu machen, um eine Überlappung mit einem anderen P300-Ereignis zu vermeiden.</li>
	<li>Definieren Sie das Schichtfenster für CBLE in Millisekunden. HINWEIS: Das "Shift-Fenster" bezieht sich auf den erweiterten Zeitbereich, den die CBLE-Methode durchsucht, um die P3-Antwort zu finden. Der Klassifikator wird auf die Epoche angewendet, beginnend mit dem ersten Element des Shift-Fensters. Der Klassifikator wird dann sequenziell auf Epochen angewendet, die eine Stichprobe später beginnen, bis sich die Epoche über das Shift-Fenster hinaus erstreckt. Das Shift-Fenster muss größer als das ursprüngliche Fenster sein. empirisch schneiden Werte unter 100 ms von jeder Seite gut ab. In jedem Fall sollte die Marge auf weniger als die Hälfte des ISI gehalten werden.</li>
	<li>Nur BC2000: Geben Sie die Länge der in den Datensatzdateien angegebenen Betreff-ID in das Feld "ID-Länge" ein. HINWEIS: Die GUI erwartet, dass die ersten sub_len Zeichen der Dateinamen die Betreff-ID codieren.</li>
	<li>Nur BCI2000: Geben Sie im Feld "Kanal-ID" entweder die Gesamtzahl der Kanäle an oder geben Sie die spezifischen Kanalnummern an, die für die Analyse verwendet werden sollen.</li>
	<li>Klicken Sie auf die Schaltfläche Parameter festlegen , um alle für die Analyse erforderlichen Parameter einzustellen.</li>
</ol>8. Nur BrainInvaders: Aufteilen des Datensatzes in Trainings- und Testsatz
<ol><li>Wählen Sie eine Anzahl von Zielen aus, die die Größe des Trainingssatzes darstellt. Der verbleibende Teil des Datensatzes wird als Testdatensatz betrachtet. HINWEIS: Um ein ordnungsgemäßes Training des Modells zu gewährleisten, ist es wichtig, über eine ausreichend große Trainingsstichprobe zu verfügen. Die empfohlene Mindestgröße für Trainingsstichproben beträgt 20, kann jedoch je nach Gesamtgröße des Datasets variieren. Wenn während der Trainingseinheiten Regressionsfehler auftreten, ist es ratsam, die Trainingsstichprobengröße zu erhöhen.</li>
	<li>Klicken Sie auf die Schaltfläche "Datensatz teilen", um den Datensatz in die Trainings- und Testsätze aufzuteilen. HINWEIS: Jeder Teilnehmer verfügt über die gleiche Menge an Trainingsdaten. Die Anzahl der Testdaten ist jedoch möglicherweise nicht für alle Teilnehmer gleich, da während der Aufgabe mehrere Versuche möglich sind. Folglich kann die Gesamtzahl der präsentierten Ziele oder Blitze von Person zu Person variieren.</li>
</ol>9. Trainieren eines Modells mit dem Trainingsdatensatz
HINWEIS: Schritt 9.1 gilt für das Format "Brain Invaders" und Schritt 9.2 für das Format "BCI2000".
<ol><li>Nur BrainInvaders: Klicken Sie auf die Schaltfläche Modell trainieren , um die lineare Regression auf den Trainingsdatensatz anzuwenden, indem Sie Gleichung 2 zum Trainieren eines Klassifikatormodells verwenden.</li>
	<li>Nur BCI2000: Geben Sie die Namen der Trainings- und Testdateien zusammen mit ihrem Datenformat (.dat) an, um die Trainings- und Testdateien von allen Dateien zu unterscheiden. Klicken Sie dann auf die Schaltfläche Modell trainieren , um die lineare Regression auf das Trainingsdataset anzuwenden.</li>
</ol>10. Vorhersage der Genauigkeit des Testsatzes
<ol><li>Klicken Sie auf Genauigkeit vorhersagen , um das trainierte Klassifikatormodell auf den Test-Feature-Satz anzuwenden und die Genauigkeit mithilfe von Gleichung 1 vorherzusagen.</li>
</ol>11. X-Target-Genauigkeiten erhalten
<ol><li>Wählen Sie eine maximale Zielzahl, X, aus, die im Testsatz berücksichtigt werden soll.</li>
	<li>Nur BCI2000: Wählen Sie eine Testdateinummer aus, wenn der Benutzer mehrere Testdateien hat.</li>
	<li>Drücken Sie auf X-Zielgenauigkeit suchen.</li>
</ol>12. Berechnung des vCBLE
<ol><li>Klicken Sie auf die Schaltfläche vCBLE suchen , um die vCBLE für alle Ziele zu erhalten.</li>
</ol>13. Berechnung des mittleren quadratischen Fehlers (RMSE) von BCI-Genauigkeit und vCBLE
<ol><li>Klicken Sie auf die Schaltfläche RMSE berechnen , um den RMSE zwischen beiden Vorhersagen basierend auf vCBLE mit BCI-Genauigkeit und X-Zielgenauigkeit mit BCI-Genauigkeit zu berechnen.</li>
</ol>14. Visualisierung der Analyseergebnisse
<ol><li>Klicken Sie auf die Schaltfläche Genauigkeit vs. vCBLE , um das Verhältnis zwischen Gesamtgenauigkeit und Gesamt-vCBLE für alle Teilnehmer zu beobachten.</li>
	<li>Drücken Sie auf die RMSE-Taste von BCI & vCBLE , um die RMSE-Kurve der BCI-Genauigkeit und vCBLE anzuzeigen.</li>
</ol>15. Vorhersage der Leistung eines einzelnen Teilnehmers
<ol><li>Um die Genauigkeit eines einzelnen Teilnehmers vorherzusagen, geben Sie die Betreff-ID in Unter-ID ein. HINWEIS: Hier wird der Datensatz aller Teilnehmer, mit Ausnahme des Testteilnehmers, verwendet, um ein lineares Regressionsmodell zu trainieren. Die vCBLE-Ergebnisse aller anderen Teilnehmer und ihre entsprechenden Testgenauigkeiten werden als Prädiktoren bzw. Labels für den Klassifikator verwendet.</li>
	<li>Wählen Sie eine Zielnummer aus, n. Die Vorhersage basiert auf der Genauigkeit der n-Testzeichen.</li>
	<li>Klicken Sie auf die Schaltfläche Vorhersagen , um die vorhergesagte Genauigkeit des Testteilnehmers zu erhalten.</li>
</ol>

<ol><li>Rezeika, A., Benda, M., Stawicki, P., Gembler, F., Saboor, A., Volosyak, I. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain-Computer+Interface+spellers%3A+A+review%5BTitle%5D)+AND+%22Brain+Science%22%5BJournal%5D)">Brain-Computer Interface spellers: A review.</a> Brain Science. 8 (4), 57(2018).</li>
<li>Gannouni, S., Aledaily, A., Belwafi, K., Aboalsamh, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Emotion+detection+using+electroencephalography+signals+and+a+zero-time+windowing-based+epoch+estimation+and+relevant+electrode+identification%5BTitle%5D)+AND+%22Scientific+Reports%22%5BJournal%5D)">Emotion detection using electroencephalography signals and a zero-time windowing-based epoch estimation and relevant electrode identification.</a> Scientific Reports. 11 (1), 7071(2021).</li>
<li>Daly, J. J., Wolpaw, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain-computer+interfaces+in+neurological+rehabilitation%5BTitle%5D)+AND+%22Lancet+Neurology%22%5BJournal%5D)">Brain-computer interfaces in neurological rehabilitation.</a> Lancet Neurology. 7 (11), 1032-1043 (2008).</li>
<li>Birbaumer, N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Breaking+the+silence%3A+brain-computer+interfaces+%28BCI%29+for+communication+and+motor+control%5BTitle%5D)+AND+%22Psychophysiology%22%5BJournal%5D)">Breaking the silence: brain-computer interfaces (BCI) for communication and motor control.</a> Psychophysiology. 43 (6), 517-532 (2006).</li>
<li>Riccio, A., Simione, L., Schettini, F., Pizzimenti, A., Inghilleri, M., Belardinelli, M. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Attention+and+P300-based+BCI+performance+in+people+with+amyotrophic+lateral+sclerosis%5BTitle%5D)+AND+%22Frontiers+in+Human+Neuroscience%22%5BJournal%5D)">Attention and P300-based BCI performance in people with amyotrophic lateral sclerosis.</a> Frontiers in Human Neuroscience. 7, 732(2013).</li>
<li>Finke, A., Lenhardt, A., Ritter, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+MindGame%3A+a+P300-based+brain-computer+interface+game%5BTitle%5D)+AND+%22Neural+Network%22%5BJournal%5D)">The MindGame: a P300-based brain-computer interface game.</a> Neural Network. 22 (9), 1329-1333 (2009).</li>
<li>Farwell, L. A., Donchin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Talking+off+the+top+of+your+head%3A+toward+a+mental+prosthesis+utilizing+event-related+brain+potentials.+Electroencephalogr%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials. Electroencephalogr.</a> Clinical Neurophysiology. 70 (6), 510-523 (1988).</li>
<li>Li, Q., Lu, Z., Gao, N., Yang, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimizing+the+performance+of+the+visual+P300-speller+through+active+mental+tasks+based+on+color+distinction+and+modulation+of+task+difficulty%5BTitle%5D)+AND+%22Frontiers+in+Human+Neuroscience%22%5BJournal%5D)">Optimizing the performance of the visual P300-speller through active mental tasks based on color distinction and modulation of task difficulty.</a> Frontiers in Human Neuroscience. 13, 130(2019).</li>
<li>McFarland, D. J., Sarnacki, W. A., Townsend, G., Vaughan, T., Wolpaw, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+P300-based+brain-computer+interface+%28BCI%29%3A+effects+of+stimulus+rate%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">The P300-based brain-computer interface (BCI): effects of stimulus rate.</a> Clinical Neurophysiology. 122 (4), 731-737 (2011).</li>
<li>Krusienski, D. J., Sellers, E. W., Cabestaing, F., Bayoudh, S., McFarland, D. J., Vaughan, T. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparison+of+classification+techniques+for+the+P300+Speller%5BTitle%5D)+AND+%22Journal+of+Neural+Engineering%22%5BJournal%5D)">A comparison of classification techniques for the P300 Speller.</a> Journal of Neural Engineering. 3 (4), 299-305 (2006).</li>
<li>Sellers, E. W., Donchin, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+P300-based+brain-computer+interface%3A+initial+tests+by+ALS+patients%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">A P300-based brain-computer interface: initial tests by ALS patients.</a> Clinical Neurophysiology. 117 (3), 538-548 (2006).</li>
<li>Donchin, E., Spencer, K. M., Wijesinghe, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+mental+prosthesis%3A+assessing+the+speed+of+a+P300-based+brain-computer+interface%5BTitle%5D)+AND+%22IEEE+Transactions+on+Rehabilitation+Engineering%22%5BJournal%5D)">The mental prosthesis: assessing the speed of a P300-based brain-computer interface.</a> IEEE Transactions on Rehabilitation Engineering. 8 (2), 174-179 (2000).</li>
<li>Höhne, J., Schreuder, M., Blankertz, B., Tangermann, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+novel+9-class+auditory+ERP+paradigm+driving+a+predictive+text+entry+system%5BTitle%5D)+AND+%22Frontiers+in+Neuroscience%22%5BJournal%5D)">A novel 9-class auditory ERP paradigm driving a predictive text entry system.</a> Frontiers in Neuroscience. 5, 99(2011).</li>
<li>Acqualagna, L., Treder, M. S., Blankertz, B. Chroma Speller: Isotropic visual stimuli for truly gaze-independent spelling. 2013 6th International IEEE/EMBS Conference on Neural Engineering (NER), , (2013).</li>
<li>Townsend, G., LaPallo, B. K., Boulay, C. B., Krusienski, D. J., Frye, G. E., Hauser, C. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+novel+P300-based+brain-computer+interface+stimulus+presentation+paradigm%3A+moving+beyond+rows+and+columns%5BTitle%5D)+AND+%22Clinical+Neurophysiology%22%5BJournal%5D)">A novel P300-based brain-computer interface stimulus presentation paradigm: moving beyond rows and columns.</a> Clinical Neurophysiology. 121 (7), 1109-1120 (2010).</li>
<li>Guger, C., Daban, S., Sellers, E., Holzner, C., Krausz, G., Carabalona, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((How+many+people+are+able+to+control+a+P300-based+brain-computer+interface+%28BCI%29%5BTitle%5D)+AND+%22Neuroscience+Letters%22%5BJournal%5D)">How many people are able to control a P300-based brain-computer interface (BCI).</a> Neuroscience Letters. 462 (1), 94-98 (2009).</li>
<li>Mowla, M. R., Gonzalez-Morales, J. D., Rico-Martinez, J., Ulichnie, D. A., Thompson, D. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparison+of+classification+techniques+to+predict+Brain-computer+interfaces+accuracy+using+classifier-based+latency+estimation%5BTitle%5D)+AND+%22Brain+Science%22%5BJournal%5D)">A comparison of classification techniques to predict Brain-computer interfaces accuracy using classifier-based latency estimation.</a> Brain Science. 10 (10), 734(2020).</li>
<li>Thompson, D. E., Warschausky, S., Huggins, J. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Classifier-based+latency+estimation%3A+a+novel+way+to+estimate+and+predict+BCI+accuracy%5BTitle%5D)+AND+%22Journal+of+Neural+Engineering%22%5BJournal%5D)">Classifier-based latency estimation: a novel way to estimate and predict BCI accuracy.</a> Journal of Neural Engineering. 10 (1), 016006(2012).</li>
<li>Thompson, D. E., Gruis, K. L., Huggins, J. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+plug-and-play+brain-computer+interface+to+operate+commercial+assistive+technology%5BTitle%5D)+AND+%22Disability+and+Rehabilitation%3A+Assistive+Technology%22%5BJournal%5D)">A plug-and-play brain-computer interface to operate commercial assistive technology.</a> Disability and Rehabilitation: Assistive Technology. 9 (2), 144-150 (2014).</li>
<li>Korczowski, L., Ostaschenko, E., Andreev, A., Cattan, G., Coelho Rodrigues, P. L., Gautheret, V., Congedo, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain+Invaders+calibration-less+P300-based+BCI+using+dry+EEG+electrodes+Dataset+%28bi2014a%29+%5BData+set%5D%5BTitle%5D)+AND+%22Zenodo%22%5BJournal%5D)">Brain Invaders calibration-less P300-based BCI using dry EEG electrodes Dataset (bi2014a) [Data set].</a> Zenodo. , (2019).</li>
<li>Krusienski, D. J., Sellers, E. W., Cabestaing, F., Bayoudh, S., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+comparison+of+classification+techniques+for+the+P300+Speller%5BTitle%5D)+AND+%22Journal+of+Neural+Engineering%22%5BJournal%5D)">A comparison of classification techniques for the P300 Speller.</a> Journal of Neural Engineering. 3 (4), 299-305 (2006).</li>
</ol>

Alle Autoren erklären, dass sie keine Interessenkonflikte haben.

In diesem Artikel wurde eine Methode zur Schätzung der BCI-Genauigkeit anhand eines kleinen P300-Datensatzes beschrieben. Hier wurde das aktuelle Protokoll auf der Grundlage des Datensatzes "bi2014a" entwickelt, obwohl die Wirksamkeit des Protokolls auf zwei verschiedenen Datensätzen bestätigt wurde. Um diese Technik erfolgreich zu implementieren, ist es entscheidend, bestimmte Variablen festzulegen, wie z. B. das Epochenfenster für die Originaldaten, das Zeitfenster für die Zeitverschiebung, das Downsampling-Verhältnis ...

Gehirn-Computer-Schnittstellen (BCIs) sind eine nicht-invasive Technologie, die es Individuen ermöglicht, direkt über Maschinen zu kommunizieren, ohne Rücksicht auf körperliche Einschränkungen durch den Körper. BCI kann als Hilfsmittel verwendet werden, das direkt vom Gehirn bedient wird. BCI verwendet die Gehirnaktivität eines Benutzers, um festzustellen, ob der Benutzer beabsichtigt, eine bestimmte Taste (Buchstabe, Zahl oder Symbol) zu wählen, die auf dem Bildschirmangezeigt wird 1. In einem typischen Computersystem drückt ein Benutzer physisch die vorgesehene Taste auf einer Tastatur. In einem BCI-System mit visueller Anzeige muss sich der Benutzer jedoch auf die gewünschte Taste konzentrieren. Dann wählt BCI den beabsichtigten Schlüssel aus, indem es die gemessenen Gehirnsignaleanalysiert 1. Die Aktivität des Gehirns kann mit verschiedenen Techniken gemessen werden. Obwohl es konkurrierende BCI-Technologien gibt, gilt das Elektroenzephalogramm (EEG) aufgrund seiner nichtinvasiven Natur, seiner hohen zeitlichen Auflösung, Zuverlässigkeit und relativ geringen Kosten als führende Technik2.
Zu den Anwendungen von BCI gehören Kommunikation, Gerätesteuerung und auch Unterhaltung 3,4,5,6. Einer der aktivsten BCI-Anwendungsbereiche ist der P300-Rechtschreiber, der von Farwell und Donchin7 eingeführt wurde. Das P300 ist ein ereigniskorreliertes Potenzial (ERP), das als Reaktion auf die Erkennung eines seltenen, aber relevanten Stimulus erzeugtwird 8. Wenn eine Person ihren Zielreiz erkennt, produziert sie automatisch einen P300. Der P300 ist ein effektives Signal für einen BCI, da er die Erkennung des Zielereignisses durch den Teilnehmer vermittelt, ohne dass eine Reaktion nach außenerforderlich ist 9.
Das P300 BCI hat Forscher aus der Informatik, Elektrotechnik, Psychologie, Human Factors und verschiedenen anderen Disziplinen angezogen. Fortschritte wurden in der Signalverarbeitung, bei Klassifizierungsalgorithmen, Benutzerschnittstellen, Stimulationsschemata und vielen anderen Bereichen erzielt 10,11,12,13,14,15. Unabhängig vom Forschungsbereich ist der rote Faden in all diesen Forschungen jedoch die Notwendigkeit, die Leistung des BCI-Systems zu messen. Diese Aufgabe erfordert in der Regel die Generierung eines Testdatasets. Diese Notwendigkeit ist nicht auf die Forschung beschränkt; Für die spätere klinische Anwendung als unterstützende Technologie werden wahrscheinlich individuelle Validierungssätze für jeden Endbenutzer erforderlich sein, um sicherzustellen, dass das System eine zuverlässige Kommunikation erzeugen kann.
Trotz der umfangreichen Forschung, die auf das P300 BCI angewendet wurde, sind die Systeme immer noch recht langsam. Während die Mehrheit der Leute in der Lage ist, einen P300 BCI16 zu verwenden, produzieren die meisten P300-Rechtschreiber Text in der Größenordnung von 1-5 Zeichen pro Minute. Leider bedeutet diese langsame Geschwindigkeit, dass die Generierung von Testdatensätzen für Teilnehmer, Experimentatoren und eventuelle Endbenutzer viel Zeit und Mühe erfordert. Die Messung der BCI-Systemgenauigkeit ist ein Problem der binomialen Parameterschätzung, und viele Datenmerkmale sind für eine gute Schätzung erforderlich.
Um das Vorhandensein oder Fehlen des P300 ERP abzuschätzen, verwenden die meisten Klassifikatoren ein binäres Klassifizierungsmodell, bei dem jedem Versuch oder jeder Epoche von EEG-Daten ein binäres Label (z. B. "Vorhandensein" oder "Fehlen") zugewiesen wird. Die allgemeine Gleichung, die von den meisten Klassifikatoren verwendet wird, kann wie folgt ausgedrückt werden:
<img alt="Equation 1" src="/files/ftp_upload/64959/64959eq01.jpg" style="margin: auto;">
wobei <img alt="Equation 2" src="/files/ftp_upload/64959/64959eq02.jpg" style="margin: auto;"> der Score des Klassifikators genannt wird, der die Wahrscheinlichkeit darstellt, dass die P300-Antwort vorhanden ist, x der aus dem EEG-Signal extrahierte Merkmalsvektor ist und b ein Bias-Term17 ist. Die Funktion f ist eine Entscheidungsfunktion, die die Eingabedaten auf die Ausgabebezeichnung abbildet und aus einem Satz beschrifteter Trainingsdaten unter Verwendung eines überwachten Lernalgorithmus17 gelernt wird. Während des Trainings wird der Klassifikator mit einem beschrifteten Datensatz von EEG-Signalen trainiert, wobei jedes Signal entweder als P300-Antwort gekennzeichnet ist oder nicht. Der Gewichtungsvektor und der Bias-Term sind optimiert, um den Fehler zwischen der vorhergesagten Ausgabe des Klassifikators und der wahren Markierung des EEG-Signals zu minimieren. Sobald der Klassifikator trainiert ist, kann er verwendet werden, um das Vorhandensein der P300-Antwort in neuen EEG-Signalen vorherzusagen.
Verschiedene Klassifikatoren können unterschiedliche Entscheidungsfunktionen verwenden, z. B. lineare Diskriminanzanalyse (LDA), schrittweise lineare Diskriminanzanalyse (SWLDA), kleinste Quadrate (LS), logistische Regression, Support Vector Machines (SVM) oder neuronale Netze (NNs). Der Klassifikator der kleinsten Quadrate ist ein linearer Klassifikator, der die Summe der quadrierten Fehler zwischen den vorhergesagten Klassenbezeichnungen und den echten Klassenbezeichnungen minimiert. Dieser Klassifikator sagt die Klassenbezeichnung eines neuen Testbeispiels mithilfe der folgenden Gleichung voraus:
<img alt="Equation 3" src="/files/ftp_upload/64959/64959eq03.jpg" style="margin: auto;">(1)
wobei die Vorzeichenfunktion +1 zurückgibt, wenn das Produkt positiv ist, und -1, wenn es negativ ist, und der Gewichtungsvektor <img alt="Equation 4" src="/files/ftp_upload/64959/64959eq04.jpg" style="margin: auto;"> aus dem Feature-Set der Trainingsdaten (x) und Klassenbezeichnungen (y) mit der folgenden Gleichung abgerufen wird:
<img alt="Equation 5" src="/files/ftp_upload/64959/64959eq05.jpg" style="margin: auto;">    (2)
In früheren Untersuchungen haben wir argumentiert, dass die klassifikatorbasierte Latenzschätzung (CBLE) zur Schätzung der BCI-Genauigkeit verwendet werden kann 17,18,19. CBLE ist eine Strategie zur Bewertung der Latenzvariation unter Ausnutzung der zeitlichen Empfindlichkeit des Klassifikators18. Während der herkömmliche Ansatz zur P300-Klassifizierung die Verwendung eines einzigen Zeitfensters beinhaltet, das mit jeder Stimuluspräsentation synchronisiert wird, beinhaltet die CBLE-Methode die Erstellung mehrerer zeitversetzter Kopien der Post-Stimulus-Epochen. Dann erkennt es die Zeitverschiebung, die zur maximalen Punktzahl führt, um die Latenz der P300-Antwort17,18 abzuschätzen. Hier stellt diese Arbeit ein Protokoll vor, das die BCI-Leistung aus einem kleinen Datensatz mit CBLE schätzt. Als repräsentative Analyse wird die Anzahl der Zeichen variiert, um Vorhersagen über die Gesamtleistung einer Person zu treffen. Für beide Beispieldatensätze wurden der mittlere quadratische Fehler (RMSE) für vCBLE und die tatsächliche BCI-Genauigkeit berechnet. Die Ergebnisse zeigen, dass der RMSE aus vCBLE-Vorhersagen unter Verwendung der angepassten Daten durchweg niedriger war als die Genauigkeit, die aus 1 bis 7 getesteten Zeichen abgeleitet wurde.
Wir haben eine grafische Benutzeroberfläche (GUI) namens "CBLE Performance Estimation" für die Implementierung der vorgeschlagenen Methodik entwickelt. Der Beispielcode wird ebenfalls bereitgestellt (Supplementary Coding File 1), der auf der MATLAB-Plattform ausgeführt wird. Der Beispielcode führt alle in der GUI angewendeten Schritte aus, aber die Schritte werden bereitgestellt, um den Leser bei der Anpassung an ein neues Dataset zu unterstützen. Dieser Code verwendet einen öffentlich zugänglichen Datensatz "Brain Invaders calibration-less P300-based BCI using dry EEG electrodes Dataset (bi2014a)", um die vorgeschlagene Methode20 zu bewerten. Die Teilnehmer spielten bis zu drei Spielsitzungen von Brain Invaders, wobei jede Sitzung 9 Levels des Spiels hatte. Die Datenerfassung wurde fortgesetzt, bis alle Stufen abgeschlossen waren oder der Teilnehmer die Kontrolle über das BCI-System verlor. Die Benutzeroberfläche von Brain Invaders enthielt 36 Symbole, die in 12 Gruppen von sechs Außerirdischen blinkten. Nach dem Brain Invaders P300-Paradigma wurde eine Wiederholung durch 12 Blitze erzeugt, einen für jede Gruppe. Von diesen 12 Blitzen enthielten zwei Blitze das Zielsymbol (bekannt als Zielblitze), während die restlichen 10 Blitze das Zielsymbol nicht enthielten (bekannt als Nicht-Zielblitze). Weitere Informationen zu diesem Paradigma finden Sie in der Originalreferenz20.
Der CBLE-Ansatz wurde auch auf einem Datensatz aus Michigan implementiert, der Daten von 40 Teilnehmern enthielt 18,19. Hier mussten die Daten von acht Teilnehmern verworfen werden, weil ihre Aufgaben unvollständig waren. Die gesamte Studie erforderte drei Besuche von jedem Teilnehmer. Am ersten Tag tippte jeder Teilnehmer einen Trainingssatz mit 19 Zeichen, gefolgt von drei Testsätzen mit 23 Zeichen an den Tagen 1, 2 und 3. In diesem Beispiel enthielt die Tastatur 36 Zeichen, die in sechs Zeilen und sechs Spalten gruppiert waren. Jede Zeile oder Spalte wurde 31,25 Millisekunden lang mit einem Intervall von 125 Millisekunden zwischen den Blitzen geblitzt. Zwischen den Zeichen wurde eine Pause von 3,5 Sekunden vorgesehen.
Abbildung 1 zeigt das Blockdiagramm der vorgeschlagenen Methode. Die detaillierte Vorgehensweise ist im Abschnitt Protokoll beschrieben.

<table><tbody><tr><td>MATLAB 2021</td><td>Matlab</td><td>N/A</td><td>Jede aktuelle MATLAB-Version kann verwendet werden.</td></tr></tbody></table>

p300-basierte brain-computer-schnittstelle rechtschreiber-leistungsschätzung mit klassifikatorbasierter latenzschätzung

P300-Based Brain-Computer Interface Speller Performance Estimation with Classifier-Based Latency Estimation

Die Leistungsschätzung ist ein notwendiger Schritt bei der Entwicklung und Validierung von Brain-Computer-Interface (BCI)-Systemen. Leider sind selbst moderne BCI-Systeme langsam, was das Sammeln ausreichender Daten für die Validierung für Endbenutzer und Experimentatoren gleichermaßen zu einer zeitaufwändigen Aufgabe macht. Ohne ausreichende Daten kann die zufällige Variation der Leistung jedoch zu falschen Rückschlüssen darüber führen, wie gut ein BCI für einen bestimmten Benutzer funktioniert. Zum Beispiel arbeiten P300-Rechtschreibmaschinen in der Regel mit etwa 1-5 Zeichen pro Minute. Um die Genauigkeit mit einer Auflösung von 5 % zu schätzen, sind 20 Zeichen (4-20 Minuten) erforderlich. Trotz dieses Zeitaufwands können die Konfidenzgrenzen für die Genauigkeit von 20 Zeichen je nach beobachteter Genauigkeit bis zu ±23 % betragen. Eine zuvor veröffentlichte Methode, Classifier-Based Latency Estimation (CBLE), hat sich als stark korreliert mit der BCI-Genauigkeit erwiesen. Diese Arbeit stellt ein Protokoll für die Verwendung von CBLE vor, um die P300-Rechtschreibgenauigkeit eines Benutzers aus relativ wenigen Zeichen (~3-8) von Typisierungsdaten vorherzusagen. Die resultierenden Konfidenzgrenzen sind enger als bei herkömmlichen Methoden. Die Methode kann somit verwendet werden, um die BCI-Leistung schneller und/oder genauer abzuschätzen.

Das vorgeschlagene Protokoll wurde an zwei verschiedenen Datensätzen getestet: "BrainInvaders" und dem Michigan-Datensatz. Diese Datensätze werden bereits im Abschnitt Einführung kurz vorgestellt. Die für diese beiden Datensätze verwendeten Parameter sind in Tabelle 1 aufgeführt. Die Abbildungen 2-4 zeigen die Ergebnisse, die mit dem "BrainInvaders"-Datensatz erzielt wurden, während die Abbildungen 5-7</...

In diesem Artikel wird eine Methode zur Schätzung der Genauigkeit der P300-Rechtschreibprüfung Brain-Computer Interface (BCI) am selben Tag anhand eines kleinen Testdatensatzes vorgestellt.

P300-basierte Brain-Computer-Schnittstelle Rechtschreiber-Leistungsschätzung mit klassifikatorbasierter Latenzschätzung

Performance estimation is a necessary step in the development and validation of Brain-Computer Interface (BCI) systems. Unfortunately, even modern BCI ...

Die Messung der Leistung ist für jede Forschung oder klinische Anwendung mit Gehirn-Computer-Schnittstellen von entscheidender Bedeutung. CBLE hilft bei der Bewertung der Effektivität eines Systems für einen bestimmten Benutzer. CBLE kann verwendet werden, um die Genauigkeit der P300-Rechtschreibprüfung des Benutzers anhand von nur drei bis acht Datenzeichen vorherzusagen.Installieren Sie zunächst die grafische Benutzeroberfläche der CBLE-Leistungsschätzung. Öffnen Sie MATLAB und ändern Sie das aktuelle Verzeichnis in den Ordner der grafischen Benutzeroberfläche. Klicken Sie auf die Registerkarte Apps, wählen Sie Meine Apps und dann CBLE Performance Estimation aus.Klicken Sie im Dropdown-Menü auf Datensatzformat auswählen und wählen Sie die gewünschte Option aus. Klicken Sie anschließend auf die Schaltfläche Eingabeordner auswählen, um das Verzeichnis für den EEG-Datensatz auszuwählen. Geben Sie im Textfeld Anzahl der Teilnehmer die Anzahl der Teilnehmer für die Schätzung ein.Wenn Sie Brain Invader-Daten verwenden, geben Sie die Abtastrate des Datensatzes an. Wählen Sie einen Dezimierungswert, um den Datensatz auf ca. 20 Hertz abzutasten. Geben Sie das Zeitfenster für die Klassifizierung in Millisekunden an.Definieren Sie dann das Schaltfenster für CBLE in Millisekunden. Wenn Sie fertig sind, klicken Sie auf die Schaltfläche Parameter festlegen, um die Analyseparameter festzulegen. Um den Datensatz aufzuteilen, wählen Sie die Anzahl der Ziele für die Größe des Trainingssatzes aus.Klicken Sie auf die Schaltfläche Dataset teilen, um das Dataset in Trainings- und Testsätze zu unterteilen. Klicken Sie für Braininvaders auf die Schaltfläche Modell trainieren, um die lineare Regression mithilfe von Gleichung zwei auf das Trainingsdataset anzuwenden. Klicken Sie anschließend auf Genauigkeit vorhersagen, um das trainierte Klassifikatormodell auf den Test-Feature-Satz anzuwenden und die Genauigkeiten mithilfe von Gleichung eins vorherzusagen.Wählen Sie die maximale Zielnummer X für die Berücksichtigung des Testsatzes aus und klicken Sie auf Zielgenauigkeit von X suchen. Klicken Sie dann auf die Schaltfläche vCBLE suchen, um die vCBLE für alle Ziele abzurufen. Klicken Sie auf die Schaltfläche RMSE berechnen, um den RMSE zwischen beiden Vorhersagen basierend auf vCBLE mit BCI-Genauigkeit und X-Zielgenauigkeit mit BCI-Genauigkeit zu berechnen.Klicken Sie nun auf Genauigkeit versus vCBLE, um die Beziehung zwischen Gesamtgenauigkeit und Gesamt-vCBLE für alle Teilnehmer zu beobachten. Klicken Sie auf RMSE von BCI und vCBLE, um die RMSE-Kurve der BCI-Genauigkeit und vCBLE anzuzeigen. Um die Genauigkeit eines einzelnen Teilnehmers in Sub-ID vorherzusagen, geben Sie die Subjekt-ID ein.Wählen Sie dann eine Zielnummer N aus und klicken Sie auf Vorhersagen, um die vorhergesagte Genauigkeit des Testteilnehmers zu erhalten.Öffnen Sie die grafische Benutzeroberfläche von CBLE Performance Estimation. Klicken Sie im Dropdown-Menü auf Datensatzformat auswählen und wählen Sie die Option BCI2000 aus. Klicken Sie auf die Schaltfläche Eingabeordner auswählen, um das Verzeichnis für den EEG-Datensatz auszuwählen.Geben Sie die Anzahl der Teilnehmer für die Schätzung ein. Wählen Sie einen Dezimierungswert und geben Sie das Original im CBLE-Fenster an. Wählen Sie dann die Zeichennummer X aus.Geben Sie als Nächstes im Feld ID-Länge die Betreff-ID-Länge aus den Datensatzdateien ein.Geben Sie im Feld Kanal-ID die Gesamtzahl der Kanäle oder bestimmte Kanalnummern für die Analyse an. Geben Sie nach der Überprüfung des Datenformats die Namen der Trainings- und Testdateien an. Überprüfen Sie im BCI2000 Dataset die Testdatei.Geben Sie dann in den Feldern für die Testdateinummer die Testdateinummer ein. Klicken Sie nun auf Ausführen und warten Sie, bis alle Parameter aus der Checkliste angekreuzt sind. Klicken Sie dann auf Genauigkeit im Vergleich zu vCBLE, um die Beziehung zwischen Gesamtgenauigkeit und Gesamt-vCBLE für alle Teilnehmer zu beobachten.Klicken Sie abschließend auf RMSE von BCI und vCBLE, um die RMSE-Kurve der BCI-Genauigkeit und vCBLE anzuzeigen. Es wurde eine starke negative Korrelation zwischen der BCI-Genauigkeit und der vCBLE für den Braininvaders-Datensatz beobachtet. Der RMSE von vCBLE, der für verschiedene Testdatensatzgrößen aufgetragen wurde, zeigte, dass vCBLE eine bessere Leistung erbringt als die BCI-Genauigkeit.vCBLE ist in der Lage, die BCI-Genauigkeit mit nur sieben Zeichen vorherzusagen. vCBLE-Vorhersagemodelle zeigten, dass 10 Personen erforderlich waren, um das Regressionsmodell für die Beziehung zwischen vCBLE und Genauigkeit für ein bestimmtes experimentelles Paradigma zu erstellen. Das vCBLE-Modell zeigte eine bessere Leistung für den Michigan-Datensatz mit Trainings- und Testdatensätzen am selben Tag.Der über drei Tage berechnete mittlere RMSE für vCBLE- und Genauigkeitsmodelle unter Verwendung von Michigan-Daten zeigte, dass die vCBLE-Anpassung einen niedrigeren RMSE aufwies, wenn der Test weniger als sechs Zeichen enthielt. Der RMSE der vCBLE-Genauigkeit sinkt nur um 0,025 von drei Zeichen auf die optimale Zahl, was auf einen geringen Gewinn über drei Zeichen für den kleinen Testsatz hindeutet. In dieser Arbeit verwenden wir eine einfache lineare Regression, aber CBLE kann mit jeder zeitabhängigen Kombination aus Merkmalsextraktion, Merkmalsauswahl und Klassifikator berechnet werden.Wir haben CBLE verwendet, um die für unsere Testsätze erforderlichen Daten zu reduzieren. Andere Labore haben es verwendet, um die variable Latenz zwischen Reizen und den damit verbundenen Gehirnreaktionen zu untersuchen.

p300-based-brain-computer-interface-speller-performance-estimation

Research

Forschung

JoVE Journal

Neuroscience

Neurowissenschaften

Dieses Protokoll stellt eine neuartige Methode zur neuronalen Dekodierung der Absicht von sich frei verhaltenden Säuglingen während einer ungeschriebenen sozialen Interaktion mit einem Schauspieler dar. Die neuronale Aktivität wird mittels nicht-invasiver aktiver Kopfhaut-Elektroenzephalographie (EEG) mit hoher Dichte erfasst. Kinematische Daten werden mit Inertialmesseinheiten erfasst und durch synchronisierte Videoaufzeichnung ergänzt.

A Novel experimentellen und analytischen Ansatz zur multimodalen Neural Decoding of Intent Während Soziale Interaktion in Frei-verhalten menschliche Säuglinge

Mit diesem Experiment könnte man in der Lage sein, Bewusstsein bei Menschen mit Bewusstseinsstörungen zu erkennen. Darüber hinaus kann durch den Ansatz ein einfacher Kommunikationskanal geschaffen werden, der es den Menschen ermöglicht, einfache Ja/Nein-Antworten auf Fragen zu geben.

Assessment und Kommunikation für Menschen mit Bewusstseinsstörungen

In diesem Artikel wird erörtert, wie eine Gehirn-Computer-Schnittstelle aufgebaut werden kann, indem man sich auf Geräte in Verbraucherqualität und stationäre, visuell evozierte Potenziale stützt. Zu diesem Zweck wurde ein Einkanal-Elektroenzephalograph, der trockene Elektroden nutzt, mit einer Augmented-Reality-Brille zur Reizdarstellung und Visualisierung der Ausgangsdaten integriert. Das endgültige System war nicht-invasiv, tragbar und tragbar.

Eine einkanalige und nicht-invasive tragbare Gehirn-Computer-Schnittstelle für Industrie und Gesundheitswesen

Das Ziel dieser Studie ist es, eine wichtige Referenz für den klinischen Standardbetrieb der motorischen Bildsprache Gehirn-Computer-Schnittstelle (MI-BCI) bei motorischer Dysfunktion der oberen Gliedmaßen nach Schlaganfall zu liefern.

Motorische Vorstellungskraft Gehirn-Computer-Schnittstelle bei der Rehabilitation der motorischen Dysfunktion der oberen Gliedmaßen nach einem Schlaganfall

Motorische Bilder in einer Virtual-Reality-Umgebung haben breite Anwendungen in Gehirn-Computer-Schnittstellensystemen. Dieses Manuskript beschreibt die Verwendung personalisierter digitaler Avatare, die den Teilnehmern ähneln, die Bewegungen ausführen, die sich der Teilnehmer in einer Virtual-Reality-Umgebung vorstellt, um die Immersion und das Gefühl der Körperverantwortung zu verbessern.

Leistung der motorischen Bildgebung durch verkörperte digitale Zwillinge in einer Virtual-Reality-fähigen Gehirn-Computer-Schnittstellenumgebung

In dieser Studie wird ein Gehirn-Computer-Interface (BCI)-System für Schlaganfallpatienten vorgestellt, das Elektroenzephalographie- und Elektrookulographie-Signale kombiniert, um eine Roboterhand der oberen Gliedmaßen zu steuern und so die täglichen Aktivitäten zu verbessern. Bei der Evaluation wurde der Berliner Bimanuelle Test für Schlaganfall (BeBiTS) durchgeführt.

Gehirn-Computer-Schnittstelle-gesteuertes Robotersystem für die oberen Gliedmaßen zur Verbesserung der täglichen Aktivitäten bei Schlaganfallpatienten

Diese Studie präsentiert ein standardisiertes und reproduzierbares Protokoll zur Implementierung des Spatial-Temporal-Frequency EEG Analysis Tool (STFEEG) zur EEG-Dekodierung motorischer Bildgestaltung, das konfigurierbare räumlich-zeitliche Frequenzsegmentierung, auf Basis von Common Spatial Patterns (CSP)-basierter Merkmalextraktion, mehrere Klassifikationsalgorithmen und Visualisierungsfunktionen integriert.

STFEEG-Tool: Ein räumlich-temporal-frequentes EEG-Analysewerkzeug für motorische Bildbildung von Gehirn-Computer-Schnittstellen

Wir verwenden eine Closed-Loop-fly-Maschine-Schnittstelle auf allgemeine Prinzipien der neuronalen Steuerung zu untersuchen.

Eine experimentelle Plattform für die Closed-Loop-Performance von Brain-Machine Interfaces Study

Die Wirkung der Schwerelosigkeit und Hypergravitation auf beiden hämodynamischen und elektrophysiologischen Vorgänge im Gehirn wird sich während der Parabelflug von EEG-und NIRS-Techniken verfolgt werden. Eine Machbarkeitsstudie für eine komplexere Experiment, das geplant durchführen, bei mittel-und langfristige Raumfahrt ist.

Die Kohärenz zwischen Gehirn Kortikale Funktion und neurokognitiven Leistungsfähigkeit während Changed Schwerelosigkeit

Es wird ein Verfahren zur Manipulation der Aktivität der zerebralen kortikalen Pyramidenzellen optogenetically während das Elektroenzephalogramm, Elektromyogramm, und zerebrale Laktatkonzentration überwacht werden beschrieben. Experimentelle Aufnahmen werden auf Kabel-tethered Mäusen durchgeführt, während sie spontane Schlaf / Wach-Zyklen. Optogenetische Ausrüstung wird in unserem Labor zusammengebaut; Kontrollgerät ist kommerziell erhältlich.

Gleichzeitige Elektroenzephalographie, Real-time Messung der Laktat-Konzentration und optogenetische Manipulation der neuronalen Aktivität in der Nagetier Cerebral Cortex

Lernen Sie die CBLE-Methode zur Leistungsschätzung von P300-Brain-Computer-Schnittstellen mit minimalem Datensatz. Diese Technik ermöglicht präzise Vorhersagen der Nutzergenauigkeit für Echtzeitanwendungen.

P300-basierte Brain-Computer-Schnittstelle Rechtschreiber-Leistungsschätzung mit klassifikatorbasierter Latenzschätzung

Weitere Videos entdecken