Estimation des performances du correcteur orthographique de l’interface cerveau-ordinateur basée sur P300 avec estimation de la latence basée sur le classificateur

La mesure de la performance est cruciale pour toute recherche ou application clinique impliquant des interfaces cerveau-ordinateur. CBLE aide à évaluer l’efficacité d’un système pour un utilisateur particulier. CBLE peut être utilisé pour prédire la précision du correcteur orthographique P300 de l’utilisateur à partir de seulement trois à huit caractères de données.

Pour commencer, installez l’interface utilisateur graphique d’estimation des performances CBLE. Ouvrez MATLAB et remplacez le répertoire actuel par le dossier de l’interface utilisateur graphique. Cliquez sur l’onglet Applications, sélectionnez Mes applications, puis choisissez Estimation des performances CBLE.

Dans le menu déroulant, cliquez sur Sélectionner le format du jeu de données et choisissez l’option souhaitée. Ensuite, cliquez sur le bouton Sélectionner le dossier d’entrée pour choisir le répertoire du jeu de données EEG. Dans la zone de texte Nombre de participants, entrez le nombre de participants pour l’estimation.

Si vous utilisez des données Brain Invader, spécifiez le taux d’échantillonnage du jeu de données. Choisissez une valeur de décimation pour sous-échantillonner l’ensemble de données à environ 20 hertz. Spécifiez la fenêtre de temps pour la classification en millisecondes.

Définissez ensuite la fenêtre de décalage pour CBLE en millisecondes. Une fois cela fait, cliquez sur le bouton Définir les paramètres pour définir les paramètres d’analyse. Pour fractionner l’ensemble de données, sélectionnez le nombre de cibles pour la taille de l’ensemble d’apprentissage.

Cliquez sur le bouton Fractionner le jeu de données pour diviser le jeu de données en jeux d’entraînement et de test. Pour Braininvaders, cliquez sur le bouton Entraîner un modèle pour appliquer une régression linéaire à l’aide de l’équation deux sur le jeu de données d’entraînement. Ensuite, cliquez sur Prédire la précision pour appliquer le modèle de classifieur formé à l’ensemble de fonctionnalités de test et prédire les précisions à l’aide de la première équation.

Sélectionnez le nombre cible maximum X pour la prise en compte de l’ensemble de test et appuyez sur Trouver la précision de la cible X. Cliquez ensuite sur le bouton Trouver vCBLE pour obtenir le vCBLE pour toutes les cibles. Cliquez sur le bouton Calculer l’EQM pour calculer l’EQM entre les deux prédictions basées sur vCBLE avec précision BCI et la précision de la cible X avec précision BCI.

Cliquez maintenant sur précision par rapport à vCBLE pour observer la relation entre la précision totale et la vCBLE totale pour tous les participants. Cliquez sur RMSE de BCI et vCBLE pour afficher la courbe RMSE de la précision BCI et de vCBLE. Pour prédire la précision d’un participant individuel dans Sub ID, saisissez l’ID du sujet.Sélectionnez ensuite un nombre cible N et cliquez sur Prédire pour obtenir la précision prévue du participant au test.

Ouvrez l’interface graphique de CBLE Performance Estimation. Dans le menu déroulant, cliquez sur Sélectionner le format du jeu de données et choisissez l’option BCI2000. Cliquez sur le bouton Sélectionner le dossier d’entrée pour choisir le répertoire du jeu de données EEG.

Entrez le nombre de participants pour l’estimation. Choisissez une valeur de décimation et spécifiez l’original dans la fenêtre CBLE. Choisissez ensuite le numéro de caractère X.Ensuite, dans le champ Longueur de l’ID, entrez la longueur de l’ID de l’objet à partir des fichiers du jeu de données.

Dans le champ ID de canal, indiquez le nombre total de canaux ou des numéros de canal spécifiques à analyser. Après avoir vérifié le format des données, spécifiez les noms des fichiers d’entraînement et de test. À partir du jeu de données BCI2000, vérifiez le fichier de test.

Ensuite, dans les champs du numéro de fichier de test, saisissez le numéro du fichier de test. Cliquez maintenant sur Exécuter et attendez que tous les paramètres de la liste de contrôle soient cochés. Cliquez ensuite sur Précision par rapport à vCBLE pour observer la relation entre la précision totale et la vCBLE totale pour tous les participants.

Enfin, cliquez sur RMSE de BCI et vCBLE pour afficher la courbe RMSE de la précision BCI et de vCBLE. Une forte corrélation négative a été observée entre la précision des BCI tracée par rapport à vCBLE pour l’ensemble de données braininvaders. L’EQM de vCBLE tracée par rapport à différentes tailles d’ensembles de données de test a montré que vCBLE est plus performant que la précision BCI.

vCBLE est capable de prédire la précision de la BCI en utilisant seulement sept caractères. Les modèles de prédiction vCBLE ont indiqué que 10 personnes étaient nécessaires pour construire le modèle de régression pour la relation entre vCBLE et la précision pour un paradigme expérimental particulier. Le modèle vCBLE a montré de meilleures performances pour l’ensemble de données du Michigan avec des ensembles de données d’entraînement et de test le jour même.

L’EQM moyen calculé sur trois jours pour les modèles vCBLE et de précision à l’aide des données du Michigan a montré que l’ajustement de la vCBLE avait un RMSE plus faible lorsque le test comprenait moins de six caractères. L’EQM de la précision vCBLE ne diminue que de 0,025 de trois caractères au nombre optimal, ce qui suggère peu de gain au-delà de trois caractères pour le petit ensemble de tests. Dans ce travail, nous utilisons une régression linéaire simple, mais CBLE peut être calculé avec n’importe quelle combinaison dépendante du temps d’extraction de caractéristiques, de sélection de caractéristiques et de classifieur.

Nous avons utilisé CBLE pour réduire les données requises pour nos ensembles de test. D’autres laboratoires l’ont utilisé pour étudier la latence variable entre les stimuli et les réponses cérébrales associées.