Artículo de método

Estimación del rendimiento del deletreador de la interfaz cerebro-ordenador basada en P300 con estimación de latencia basada en el clasificador

DOI:

10.3791/64959

⸱

8 de septiembre de 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

En este artículo

Resumen

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

Este artículo presenta un método para estimar la precisión de la interfaz cerebro-computadora (BCI) del deletreador P300 en el mismo día utilizando un pequeño conjunto de datos de prueba.

Resumen

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

La estimación del rendimiento es un paso necesario en el desarrollo y validación de los sistemas de interfaz cerebro-ordenador (BCI). Desafortunadamente, incluso los sistemas BCI modernos son lentos, lo que hace que la recopilación de datos suficientes para la validación sea una tarea que requiere mucho tiempo tanto para los usuarios finales como para los experimentadores. Sin embargo, sin datos suficientes, la variación aleatoria en el rendimiento puede dar lugar a inferencias falsas sobre qué tan bien funciona una BCI para un usuario en particular. Por ejemplo, los deletreadores P300 suelen operar entre 1 y 5 caracteres por minuto. Para estimar la precisión con una resolución del 5% se requieren 20 caracteres (4-20 min). A pesar de esta inversión de tiempo, los límites de confianza para la precisión de 20 caracteres pueden ser de hasta un ±23% dependiendo de la precisión observada. Un método publicado anteriormente, la estimación de latencia basada en clasificadores (CBLE), demostró estar altamente correlacionado con la precisión de BCI. Este trabajo presenta un protocolo para usar CBLE para predecir la precisión del deletreador P300 de un usuario a partir de relativamente pocos caracteres (~3-8) de datos de escritura. Los límites de confianza resultantes son más estrictos que los producidos por los métodos tradicionales. Por lo tanto, el método se puede utilizar para estimar el rendimiento de BCI de manera más rápida y/o precisa.

Introducción

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

Las interfaces cerebro-computadora (BCI, por sus siglas en inglés) son una tecnología no invasiva que permite a las personas comunicarse a través de máquinas directamente sin tener en cuenta las limitaciones físicas impuestas por el cuerpo. BCI se puede utilizar como un dispositivo de asistencia operado directamente por el cerebro. BCI utiliza la actividad cerebral de un usuario para determinar si el usuario tiene la intención de elegir una determinada clave (letra, número o símbolo) que se muestra en la pantalla1. En un sistema informático típico, un usuario presiona físicamente la tecla deseada en un teclado. Sin embargo, en un sistema BCI con una pantalla visual, el usuario debe concentrarse en la tecla deseada. A continuación, BCI seleccionará la clave deseada mediante el análisis de las señales cerebrales medidas1. La actividad del cerebro se puede medir utilizando diversas técnicas. A pesar de que existen tecnologías BCI que compiten entre sí, el electroencefalograma (EEG) se considera una técnica líder debido a su naturaleza no invasiva, alta resolución temporal, confiabilidady costo relativamente bajo.

Las aplicaciones de BCI incluyen la comunicación, el control de dispositivos y también el entretenimiento 3,4,5,6. Una de las áreas de aplicación más activas de BCI es el deletreador P300, que fue introducido por Farwell y Donchin7. El P300 es un potencial relacionado con eventos (ERP) producido en respuesta al reconocimiento de un estímulo raro pero relevante8. Cuando una persona reconoce su estímulo objetivo, automáticamente produce un P300. El P300 es una señal eficaz para un BCI porque transmite el reconocimiento del participante del evento objetivo sin necesidad de una respuesta externa9.

El P300 BCI ha atraído a investigadores de ciencias de la computación, ingeniería eléctrica, psicología, factores humanos y varias otras disciplinas. Se han logrado avances en el procesamiento de señales, algoritmos de clasificación, interfaces de usuario, esquemas de estimulación y muchas otras áreas 10,11,12,13,14,15. Sin embargo, independientemente del área de investigación, el hilo conductor de toda esta investigación es la necesidad de medir el rendimiento del sistema BCI. Esta tarea suele requerir la generación de un conjunto de datos de prueba. Esta necesidad no se limita a la investigación; Es probable que la eventual aplicación clínica como tecnología de asistencia requiera conjuntos de validación individuales para cada usuario final a fin de garantizar que el sistema pueda generar una comunicación confiable.

A pesar de la considerable investigación aplicada al P300 BCI, los sistemas siguen siendo bastante lentos. Si bien la mayoría de las personas pueden usar un P300 BCI16, la mayoría de los deletreadores P300 producen texto del orden de 1 a 5 caracteres por minuto. Desafortunadamente, esta baja velocidad significa que la generación de conjuntos de datos de prueba requiere mucho tiempo y esfuerzo para los participantes, los experimentadores y los usuarios finales. La medición de la precisión del sistema BCI es un problema de estimación de parámetros binomiales, y se necesitan muchos caracteres de datos para una buena estimación.

Para estimar la presencia o ausencia del ERP P300, la mayoría de los clasificadores utilizan un modelo de clasificación binaria, que implica la asignación de una etiqueta binaria (por ejemplo, "presencia" o "ausencia") a cada ensayo o época de datos de EEG. La ecuación general utilizada por la mayoría de los clasificadores se puede expresar como:

figure-introduction-1

donde figure-introduction-2 se denomina puntuación del clasificador, que representa la probabilidad de que la respuesta P300 esté presente, x es el vector de características extraído de la señal de EEG y b es un término de sesgo17. La función f es una función de decisión que asigna los datos de entrada a la etiqueta de salida y se aprende de un conjunto de datos de entrenamiento etiquetados mediante un algoritmo de aprendizaje supervisado17. Durante el entrenamiento, el clasificador se entrena en un conjunto de datos etiquetado de señales de EEG, donde cada señal se etiqueta como si tuviera una respuesta P300 o no. El vector de peso y el término de sesgo se optimizan para minimizar el error entre la salida predicha del clasificador y la etiqueta verdadera de la señal de EEG. Una vez que el clasificador está entrenado, se puede utilizar para predecir la presencia de la respuesta P300 en nuevas señales de EEG.

Los diferentes clasificadores pueden utilizar diferentes funciones de decisión, como el análisis discriminante lineal (LDA), el análisis discriminante lineal por pasos (SWLDA), los mínimos cuadrados (LS), la regresión logística, las máquinas de vectores de soporte (SVM) o las redes neuronales (NN). El clasificador de mínimos cuadrados es un clasificador lineal que minimiza la suma de errores al cuadrado entre las etiquetas de clase predichas y las etiquetas de clase verdaderas. Este clasificador predice la etiqueta de clase de una nueva muestra de prueba mediante la siguiente ecuación:

figure-introduction-3(1)

donde la función sign devuelve +1 si el producto es positivo y -1 si es negativo, y el vector figure-introduction-4 de peso se obtiene a partir del conjunto de características de los datos de entrenamiento, (x) y las etiquetas de clase (y) utilizando la siguiente ecuación:

figure-introduction-5    (2)

En investigaciones anteriores, argumentamos que la estimación de latencia basada en clasificadores (CBLE) se puede utilizar para estimar la precisión de BCI 17,18,19. CBLE es una estrategia para evaluar la variación de la latencia mediante la explotación de la sensibilidad temporal del clasificador18. Mientras que el enfoque convencional de la clasificación P300 implica el uso de una única ventana de tiempo que se sincroniza con cada presentación de estímulo, el método CBLE implica la creación de múltiples copias en diferido de las épocas posteriores al estímulo. A continuación, detecta el desplazamiento de tiempo que da como resultado la puntuación máxima para estimar la latencia de la respuesta P300 17,18. Aquí, este trabajo presenta un protocolo que estima el rendimiento de BCI a partir de un pequeño conjunto de datos utilizando CBLE. Como análisis representativo, se varía el número de caracteres para hacer predicciones del rendimiento general de un individuo. Para ambos conjuntos de datos de ejemplo, se calculó el error cuadrático medio (RMSE) para vCBLE y la precisión real de BCI. Los resultados indican que el RMSE de las predicciones de vCBLE, utilizando sus datos ajustados, fue consistentemente menor que la precisión derivada de 1 a 7 caracteres probados.

Desarrollamos una Interfaz Gráfica de Usuario (GUI) denominada "CBLE Performance Estimation" para la implementación de la metodología propuesta. También se proporciona el código de ejemplo (Supplemental Coding File 1) que funciona en la plataforma MATLAB. El código de ejemplo realiza todos los pasos aplicados en la interfaz gráfica de usuario, pero los pasos se proporcionan para ayudar al lector a adaptarse a un nuevo conjunto de datos. Este código emplea un conjunto de datos disponible públicamente "Brain Invaders-calibration-less-P300-based BCI using dry EEG electrodes Dataset (bi2014a)" para evaluar el método propuesto20. Los participantes jugaron hasta tres sesiones de juego de Brain Invaders, cada sesión con 9 niveles del juego. La recolección de datos continuó hasta que se completaron todos los niveles o el participante perdió todo control sobre el sistema BCI. La interfaz de Brain Invaders incluía 36 símbolos que parpadeaban en 12 grupos de seis alienígenas. De acuerdo con el paradigma Brain Invaders P300, se creó una repetición mediante 12 destellos, uno para cada grupo. De estos 12 destellos, dos contenían el símbolo de objetivo (conocidos como destellos de objetivo), mientras que los 10 destellos restantes no contenían el símbolo de destino (conocidos como destellos sin objetivo). Se puede encontrar más información sobre este paradigma en la referencia original20.

El enfoque CBLE también se implementó en un conjunto de datos de Michigan, que contenía datos de 40 participantes18,19. Aquí, los datos de ocho participantes tuvieron que ser descartados porque sus tareas estaban incompletas. Todo el estudio requirió tres visitas de cada participante. El primer día, cada participante escribió una oración de entrenamiento de 19 caracteres, seguida de tres oraciones de prueba de 23 caracteres en los días 1, 2 y 3. En este ejemplo, el teclado incluía 36 caracteres que se agruparon en seis filas y seis columnas. Cada fila o columna se parpadeó durante 31,25 milisegundos con un intervalo de 125 milisegundos entre parpadeos. Entre los personajes, se proporcionó una pausa de 3,5 s.

En la figura 1 se muestra el diagrama de bloques del método propuesto. El procedimiento detallado se describe en la sección de protocolo.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Protocolo

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

La interfaz gráfica de usuario "CBLE Performance Estimation" se aplicó a dos conjuntos de datos: el conjunto de datos "BrainInvaders" y el conjunto de datos de Michigan. Para el conjunto de datos "BrainInvaders", la recopilación de datos fue aprobada por el Comité de Ética de la Universidad de Grenoble Alpes20. Los datos de Michigan se recopilaron bajo la aprobación de la Junta de Revisión Institucional de la Universidad de Michigan19. Los datos se analizaron bajo el protocolo de exención 7516 de la Universidad Estatal de Kansas. Si recopila datos nuevos, siga el proceso aprobado por el IRB del usuario para obtener el consentimiento informado. En este caso, el protocolo propuesto se evalúa mediante el análisis fuera de línea de datos previamente registrados y no identificados y, por lo tanto, no requirió un consentimiento informado adicional.

La interfaz gráfica de usuario (GUI) incluida en este artículo es competente en la administración de dos formatos de conjuntos de datos distintos. El primer formato está asociado con el software BCI2000, mientras que el segundo formato se conoce como el conjunto de datos "BrainInvaders". Para utilizar el formato "Brain Invaders", los datos deben ser preprocesados como se describe en el paso 1 de la sección de protocolo. Sin embargo, cuando se trata del formato de conjunto de datos "BCI2000", se puede omitir el paso 1.

1. Preparación de los datos

  1. Solo BrainInvaders: Genere el archivo de datos de entrada en formato de archivo ".mat" que se puede utilizar con la interfaz gráfica de usuario (GUI) "CBLE performance Estimation". Para obtener un script de ejemplo, consulte Archivo de codificación suplementario 2.
    NOTA: Cada archivo de datos consta de una matriz bidimensional compuesta por filas que representan observaciones registradas en distintas muestras de tiempo. Las columnas de la matriz numeradas del 2 al 17 son registros derivados de 16 electrodos de EEG. La primera columna de la matriz denota la marca de tiempo de cada observación, mientras que la columna 18 abarca información relacionada con eventos experimentales. En la columna 19, la mayoría de las veces hay ceros, pero cuando se inicia un destello que no es de Target (o Target), los números cambian a uno (o dos) en ese momento específico. Se puede encontrar una descripción detallada en la referencia20.

2. Descargar e instalar el paquete GUI

  1. Descargue e instale la interfaz gráfica de usuario "CBLE Performance Estimation".

3. Almacenar el conjunto de datos en una subcarpeta de la ubicación de la GUI

  1. Asegúrese de que la carpeta del conjunto de datos permanezca dentro del mismo directorio que la GUI.
  2. Por ejemplo, cree una nueva carpeta y coloque la interfaz gráfica de usuario "CBLE Performance Estimation" dentro de ella. Mantenga todos los conjuntos de datos en una subcarpeta dentro de "CBLE GUI" llamada "Conjunto de datos".

4. Abrir la interfaz gráfica de usuario instalada

  1. Abra MATLAB (consulte Tabla de materiales), cambie el directorio actual a la carpeta donde se encuentra la interfaz gráfica de usuario, haga clic en la pestaña APLICACIONES y seleccione MIS aplicaciones.
  2. En la pestaña "MIS APLICACIONES", seleccione Estimación de rendimiento CBLE.

5. Elegir el formato del conjunto de datos

  1. Seleccione un formato de conjunto de datos en el menú desplegable Seleccionar formato de conjunto de datos.

6. Carga del archivo de datos de EEG

  1. Haga clic en el botón Seleccionar carpeta de entrada para elegir el directorio donde se encuentra el conjunto de datos.
  2. Observe el recuento de archivos de datos presentes en la carpeta seleccionada.
    NOTA: En el formato "Brain Invaders", cada participante está representado por un único archivo de datos. Por lo tanto, el número total de archivos de datos indica el número de participantes en el estudio. Sin embargo, este no es el caso del formato "BCI2000", ya que cada participante puede tener varios archivos de entrenamiento y prueba.

7. Ajuste de los parámetros

  1. Escriba el número de participantes que el usuario pretende utilizar para el proceso de estimación en el menú "No. de los participantes".
  2. Solo BrainInvaders: especifique la frecuencia de muestreo del conjunto de datos.
    NOTA: BCI2000 archivos incluyen la frecuencia de muestreo.
  3. Elija un valor de diezmado para reducir la resolución del conjunto de datos a aproximadamente 20 Hz con el fin de mejorar el rendimiento de la clasificación21. Por ejemplo, si la frecuencia de muestreo es de 256 Hz, seleccione un valor de diezmado de 13.
  4. Especifique la ventana de tiempo para la clasificación en milisegundos.
    NOTA: Se especifica el tamaño de ventana inicial recomendado, lo que permite que el punto inicial varíe de 0 a 100 ms y el punto final de 700 a 800 ms. Sin embargo, es importante evitar que el tamaño de la ventana sea excesivamente grande para evitar que se superponga con otro evento P300.
  5. Defina la ventana de cambio para CBLE en milisegundos.
    NOTA: La "ventana de desplazamiento" se refiere al intervalo de tiempo ampliado que busca el método CBLE para encontrar la respuesta P3. El clasificador se aplicará a la época a partir del primer elemento de la ventana de desplazamiento. A continuación, el clasificador se aplica secuencialmente a las épocas que comienzan una muestra más tarde, hasta que la época se extiende fuera de la ventana de desplazamiento. Por lo tanto, la ventana de desplazamiento debe ser más grande que la ventana original; Empíricamente, los valores inferiores a 100 ms de cada lado funcionan bien. En cualquier caso, el margen debe mantenerse por debajo de la mitad del ISI.
  6. Solo BC2000: Introduzca la longitud del ID de sujeto indicado en los archivos del conjunto de datos dentro del campo "Longitud del ID".
    NOTA: La interfaz gráfica de usuario espera que los primeros sub_len caracteres de los nombres de archivo codifiquen el ID del sujeto.
  7. Solo BCI2000: En el campo "ID de canal", indique el número total de canales o especifique los números de canal específicos que se utilizarán para el análisis.
  8. Haga clic en el botón Establecer parámetros para establecer todos los parámetros necesarios para el análisis.

8. Solo BrainInvaders: Dividir el conjunto de datos en conjunto de entrenamiento y prueba

  1. Seleccione un número de destinos que represente el tamaño del conjunto de entrenamiento. La parte restante del conjunto de datos se considerará como el conjunto de datos de prueba.
    NOTA: Para garantizar un entrenamiento adecuado del modelo, es esencial tener una muestra de entrenamiento suficientemente grande. El tamaño mínimo recomendado de la muestra de entrenamiento es 20, aunque esto puede variar en función del tamaño general del conjunto de datos. Si se producen errores de regresión durante las sesiones de entrenamiento, es aconsejable aumentar el tamaño de la muestra de entrenamiento.
  2. Presione el botón "Dividir el conjunto de datos" para dividir el conjunto de datos en los conjuntos de entrenamiento y prueba.
    NOTA: Cada participante tendrá la misma cantidad de datos de entrenamiento. Sin embargo, es posible que el número de datos de prueba no sea igual para todos los participantes debido a la posibilidad de varios intentos durante la tarea. En consecuencia, el número total de objetivos o destellos presentados puede variar de una persona a otra.

9. Entrenamiento de un modelo con el conjunto de datos de entrenamiento

NOTA: El paso 9.1 es aplicable para el formato "Brain Invaders" y el paso 9.2 es aplicable para el formato "BCI2000".

  1. Solo BrainInvaders: haga clic en el botón Entrenar un modelo para aplicar la regresión lineal en el conjunto de datos de entrenamiento utilizando la Ecuación 2 para entrenar un modelo clasificador.
  2. Solo BCI2000: indique los nombres de archivo de entrenamiento y prueba junto con su formato de datos (.dat) para distinguir los archivos de entrenamiento y prueba de todos los archivos. A continuación, haga clic en el botón Entrenar un modelo para aplicar la regresión lineal en el conjunto de datos de entrenamiento.

10. Predicción de la precisión del equipo de prueba

  1. Haga clic en Predecir precisión para aplicar el modelo clasificador entrenado al conjunto de características de prueba y predecir la precisión mediante la Ecuación 1.

11. Obtención de precisiones de objetivos X

  1. Seleccione un número objetivo máximo, X, para tenerlo en cuenta en el conjunto de pruebas.
  2. Solo BCI2000: seleccione un número de archivo de prueba si el usuario tiene varios archivos de prueba.
  3. Presione Buscar precisión de objetivo X.

12. Cálculo de vCBLE

  1. Haga clic en el botón Buscar vCBLE para obtener el vCBLE para todos los objetivos.

13. Cálculo del error cuadrático medio (RMSE) de la precisión BCI y vCBLE

  1. Haga clic en el botón Calcular RMSE para calcular el RMSE entre ambas predicciones basadas en vCBLE con precisión BCI y precisión X-target con precisión BCI.

14. Visualización de los resultados del análisis

  1. Haga clic en el botón Precisión vs vCBLE para observar la relación entre la precisión total y el total de vCBLE para todos los participantes.
  2. Presione el botón RMSE de BCI y vCBLE para mostrar la curva RMSE de precisión BCI y vCBLE.

15. Predicción del rendimiento de un participante individual

  1. Para predecir la precisión de un participante individual, coloque el ID del sujeto en Sub ID.
    NOTA: Aquí, el conjunto de datos de todos los participantes, excluyendo al participante de la prueba, se utilizará para entrenar un modelo de regresión lineal. Las puntuaciones vCBLE de todos los demás participantes y sus correspondientes precisiones de prueba se utilizarán como predictores y etiquetas, respectivamente, para el clasificador.
  2. Seleccione un número de destino, n. La predicción se realizará en función de la precisión de los caracteres de prueba n.
  3. Haga clic en el botón Predecir para obtener la precisión prevista del participante de la prueba.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Resultados

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

El protocolo propuesto se ha probado en dos conjuntos de datos diferentes: "BrainInvaders" y el conjunto de datos de Michigan. Estos conjuntos de datos ya se presentan brevemente en la sección Introducción. Los parámetros utilizados para estos dos conjuntos de datos se mencionan en la Tabla 1. Las Figuras 2-4 muestran los hallazgos obtenidos utilizando el conjunto de datos "BrainInvaders", mientras que las Figuras

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Discusión

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

En este artículo se describe un método para estimar la precisión de BCI utilizando un pequeño conjunto de datos P300. En este caso, el protocolo actual se desarrolló sobre la base del conjunto de datos "bi2014a", aunque la eficacia del protocolo se confirmó en dos conjuntos de datos diferentes. Para implementar con éxito esta técnica, es crucial establecer ciertas variables, como la ventana de época para los datos originales, la ventana para el cambio de tiempo, la proporción de muestreo descendente y el tamaño de los co...

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Divulgaciones

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

Todos los autores declaran no tener ningún conflicto de intereses.

Agradecimientos

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

Los datos utilizados para obtener resultados representativos se recopilaron del trabajo apoyado por el Instituto Nacional de Salud Infantil y Desarrollo Humano (NICHD, por sus siglas en inglés), los Institutos Nacionales de Salud (NIH, por sus siglas en inglés) bajo la Subvención R21HD054697, y el Instituto Nacional de Investigación sobre Discapacidad y Rehabilitación (NIDRR, por sus siglas en inglés) en el Departamento de Educación bajo la Subvención H133G090005 y la Subvención Número H133P090008. El resto del trabajo fue financiado en parte por la Fundación Nacional de Ciencias (NSF, por sus siglas en inglés) bajo el premio #1910526. Los hallazgos y opiniones dentro de este trabajo no reflejan necesariamente las posiciones de NICHD, NIH, NIDRR o NSF.

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Materiales

Lista de materiales utilizados en este artículo
NombreEmpresaNúmero de catálogoComentarios
MATLAB 2021MatlabN/ASe puede utilizar cualquier versión reciente de MATLAB.

Referencias

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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 detection using electroencephalography signals and a zero-time windowing-based epoch estimation and relevant electrode identification. Scientific Reports. 11 (1), 7071(2021).
  3. Daly, J. J., Wolpaw, J. R. Brain-computer interfaces in neurological rehabilitation. Lancet Neurology. 7 (11), 1032-1043 (2008).
  4. Birbaumer, N. Breaking the silence: brain-computer interfaces (BCI) for communication and motor control. Psychophysiology. 43 (6), 517-532 (2006).
  5. Riccio, A., Simione, L., Schettini, F., Pizzimenti, A., Inghilleri, M., Belardinelli, M. O. Attention and P300-based BCI performance in people with amyotrophic lateral sclerosis. Frontiers in Human Neuroscience. 7, 732(2013).
  6. Finke, A., Lenhardt, A., Ritter, H. The MindGame: a P300-based brain-computer interface game. Neural Network. 22 (9), 1329-1333 (2009).
  7. Farwell, L. A., Donchin, E. Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials. Electroencephalogr. Clinical Neurophysiology. 70 (6), 510-523 (1988).
  8. Li, Q., Lu, Z., Gao, N., Yang, J. Optimizing the performance of the visual P300-speller through active mental tasks based on color distinction and modulation of task difficulty. Frontiers in Human Neuroscience. 13, 130(2019).
  9. McFarland, D. J., Sarnacki, W. A., Townsend, G., Vaughan, T., Wolpaw, J. R. The P300-based brain-computer interface (BCI): effects of stimulus rate. Clinical Neurophysiology. 122 (4), 731-737 (2011).
  10. Krusienski, D. J., Sellers, E. W., Cabestaing, F., Bayoudh, S., McFarland, D. J., Vaughan, T. M. A comparison of classification techniques for the P300 Speller. Journal of Neural Engineering. 3 (4), 299-305 (2006).
  11. Sellers, E. W., Donchin, E. A P300-based brain-computer interface: initial tests by ALS patients. Clinical Neurophysiology. 117 (3), 538-548 (2006).
  12. Donchin, E., Spencer, K. M., Wijesinghe, R. The mental prosthesis: assessing the speed of a P300-based brain-computer interface. IEEE Transactions on Rehabilitation Engineering. 8 (2), 174-179 (2000).
  13. Höhne, J., Schreuder, M., Blankertz, B., Tangermann, M. A novel 9-class auditory ERP paradigm driving a predictive text entry system. Frontiers in Neuroscience. 5, 99(2011).
  14. 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).
  15. Townsend, G., LaPallo, B. K., Boulay, C. B., Krusienski, D. J., Frye, G. E., Hauser, C. K. A novel P300-based brain-computer interface stimulus presentation paradigm: moving beyond rows and columns. Clinical Neurophysiology. 121 (7), 1109-1120 (2010).
  16. Guger, C., Daban, S., Sellers, E., Holzner, C., Krausz, G., Carabalona, R. How many people are able to control a P300-based brain-computer interface (BCI). Neuroscience Letters. 462 (1), 94-98 (2009).
  17. Mowla, M. R., Gonzalez-Morales, J. D., Rico-Martinez, J., Ulichnie, D. A., Thompson, D. E. A comparison of classification techniques to predict Brain-computer interfaces accuracy using classifier-based latency estimation. Brain Science. 10 (10), 734(2020).
  18. Thompson, D. E., Warschausky, S., Huggins, J. E. Classifier-based latency estimation: a novel way to estimate and predict BCI accuracy. Journal of Neural Engineering. 10 (1), 016006(2012).
  19. Thompson, D. E., Gruis, K. L., Huggins, J. E. A plug-and-play brain-computer interface to operate commercial assistive technology. Disability and Rehabilitation: Assistive Technology. 9 (2), 144-150 (2014).
  20. Korczowski, L., Ostaschenko, E., Andreev, A., Cattan, G., Coelho Rodrigues, P. L., Gautheret, V., Congedo, M. Brain Invaders calibration-less P300-based BCI using dry EEG electrodes Dataset (bi2014a) [Data set]. Zenodo. , (2019).
  21. Krusienski, D. J., Sellers, E. W., Cabestaing, F., Bayoudh, S., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. A comparison of classification techniques for the P300 Speller. Journal of Neural Engineering. 3 (4), 299-305 (2006).

Acceso restringido. Inicie sesión o comience una prueba gratuita para ver este contenido.

Reimpresiones y permisos

Solicitar permiso para reutilizar el texto o las figuras de este artículo de JoVE

Solicitar permiso

Etiquetas

Ort grafo P300estimaci n del rendimiento de BCIconjunto de datos de EEGregresi n linealpredicci n de la precisi nc lculo del RMSEextracci n de caracter sticasdatos de Brain Invader

Artículos relacionados