Name: Estimation des performances du correcteur orthographique de l’interface cerveau-ordinateur basée sur P300 avec estimation de la latence basée sur le classificateur (Vidéo) | JoVE Journal
Uploaded: 2023-09-08T12:00:00.000+00:00
Duration: 6 min 9 s
Description: Découvrez la méthode CBLE pour estimer la précision des interfaces cerveau-ordinateur P300 avec peu de données. Cette approche par régression linéaire prédit la performance utilisateur dès trois caractères, facilitant les applications en temps réel.

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

Les données utilisées pour les résultats représentatifs ont été recueillies à partir des travaux soutenus par le National Institute of Child Health and Human Development (NICHD), les National Institutes of Health (NIH) dans le cadre de la subvention R21HD054697 et le National Institute on Disability and Rehabilitation Research (NIDRR) du ministère de l’Éducation dans le cadre de la subvention H133G090005 et du numéro de subvention H133P090008. Le reste du travail a été financé en partie par la National Science Foundation (NSF) dans le cadre du prix #1910526. Les résultats et les opinions de ce travail ne reflètent pas nécessairement les positions du NICHD, du NIH, du NIDRR ou de la NSF.

L’interface graphique « CBLE Performance Estimation » a été appliquée à deux ensembles de données : l’ensemble de données « BrainInvaders » et l’ensemble de données Michigan. Pour le jeu de données « BrainInvaders », la collecte de données a été approuvée par le Comité d’éthique de l’Université Grenoble Alpes20. Les données du Michigan ont été recueillies avec l’approbation du Conseil d’examen institutionnel de l’Université du Michigan19. Les données ont été analysées selon le protocole d’exemption 7516 de l’Université d’État du Kansas. Si vous recueillez de nouvelles données, suivez le processus approuvé par le CISR pour recueillir le consentement éclairé de l’utilisateur. Ici, le protocole proposé est évalué à l’aide d’une analyse hors ligne de données précédemment enregistrées et anonymisées et ne nécessite donc pas de consentement éclairé supplémentaire.
L’interface utilisateur graphique (GUI) incluse dans cet article est compétente dans la gestion de deux formats de jeux de données distincts. Le premier format est associé au logiciel BCI2000, tandis que le second format est appelé l’ensemble de données « BrainInvaders ». Afin d’utiliser le format « Brain Invaders », les données doivent être prétraitées comme décrit à l’étape 1 de la section protocole. Cependant, lorsqu’il s’agit du format de l’ensemble de données « BCI2000 », l’étape 1 peut être omise.
1. Préparation des données
<ol><li>BrainInvaders uniquement : Génère le fichier de données d’entrée au format de fichier « .mat » qui peut être utilisé avec l’interface utilisateur graphique (GUI) « CBLE performance Estimation ». Pour un exemple de script, reportez-vous au Fichier de codage supplémentaire 2. REMARQUE : Chaque fichier de données est constitué d’une matrice bidimensionnelle composée de lignes qui représentent les observations enregistrées à des échantillons temporels distincts. Les colonnes matricielles numérotées de 2 à 17 sont des enregistrements dérivés de 16 électrodes EEG. La première colonne de la matrice indique l’horodatage de chaque observation, tandis que la colonne 18 comprend des informations relatives aux événements expérimentaux. Dans la colonne 19, il y a principalement des zéros, mais lorsqu’un flash non cible (ou cible) démarre, les nombres passent à un (ou deux) à ce moment précis. Une description détaillée se trouve dans la référence20.</li>
</ol>2. Téléchargement et installation du package GUI
<ol><li>Téléchargez et installez l’interface graphique « CBLE Performance Estimation ».</li>
</ol>3. Stockage de l’ensemble de données dans un sous-dossier de l’emplacement de l’interface graphique
<ol><li>Assurez-vous que le dossier du jeu de données reste dans le même répertoire que l’interface graphique.</li>
	<li>Par exemple, créez un nouveau dossier et placez-y l’interface graphique « CBLE Performance Estimation ». Conservez tous les jeux de données dans un sous-dossier dans « CBLE GUI » nommé « Dataset ».</li>
</ol>4. Ouverture de l’interface graphique installée
<ol><li>Ouvrez MATLAB (voir Table of Materials), changez le répertoire actuel dans le dossier où l’interface graphique est placée, cliquez sur l’onglet APPS et sélectionnez MY APPS.</li>
	<li>Sous l’onglet « MES APPLICATIONS », sélectionnez Estimation des performances CBLE.</li>
</ol>5. Choix du format du jeu de données
<ol><li>Sélectionnez un format de jeu de données dans la liste déroulante Sélectionner le format du jeu de données.</li>
</ol>6. Chargement du fichier de données EEG
<ol><li>Cliquez sur le bouton Sélectionner le dossier d’entrée pour choisir le répertoire où se trouve le jeu de données.</li>
	<li>Observez le nombre de fichiers de données présents dans ce dossier sélectionné. NOTE : Dans le format « Brain Invaders », chaque participant est représenté par un seul fichier de données. Par conséquent, le nombre total de fichiers de données indique le nombre de participants à l’étude. Cependant, ce n’est pas le cas pour le format « BCI2000 », car chaque participant peut avoir plusieurs fichiers d’entraînement et de test.</li>
</ol>7. Réglage des paramètres
<ol><li>Tapez le nombre de participants que l’utilisateur a l’intention d’utiliser pour le processus d’estimation dans la section « Non. des participants ».</li>
	<li>BrainInvaders uniquement : spécifiez le taux d’échantillonnage du jeu de données. REMARQUE : BCI2000 fichiers incluent la fréquence d’échantillonnage.</li>
	<li>Choisissez une valeur de décimation pour sous-échantillonner le jeu de données à environ 20 Hz afin d’améliorer les performances de classification21. Par exemple, si la fréquence d’échantillonnage est de 256 Hz, sélectionnez une valeur de décimation de 13.</li>
	<li>Spécifiez la fenêtre de temps pour la classification en millisecondes. REMARQUE : La taille de fenêtre initiale recommandée est spécifiée, ce qui permet au point de départ de varier de 0 à 100 ms et au point d’arrivée de 700 à 800 ms. Cependant, il est important d’éviter de rendre la taille de la fenêtre trop grande pour éviter tout chevauchement avec un autre événement P300.</li>
	<li>Définissez la fenêtre de décalage pour CBLE en millisecondes. NOTA : La « fenêtre de décalage » fait référence à la plage de temps étendue que la méthode CBLE recherche pour trouver la réponse P3. Le classificateur sera appliqué à l’époque à partir du premier élément de la fenêtre de décalage. Le classificateur est ensuite appliqué séquentiellement aux époques commençant un échantillon plus tard, jusqu’à ce que l’époque s’étende en dehors de la fenêtre de décalage. Ainsi, la fenêtre de décalage doit être plus grande que la fenêtre d’origine ; empiriquement, les valeurs inférieures à 100 ms de chaque côté donnent de bons résultats. Dans tous les cas, la marge doit être maintenue à moins de la moitié de l’ISI.</li>
	<li>BC2000 seulement : Entrez la longueur de l’ID du sujet indiqué dans les fichiers de l’ensemble de données dans le champ « Longueur de l’ID ». REMARQUE : L’interface graphique s’attend à ce que les sub_len premiers caractères des noms de fichiers encodent l’ID de sujet.</li>
	<li>BCI2000 uniquement : Dans le champ « ID de canal », indiquez le nombre total de canaux ou spécifiez les numéros de canal spécifiques à utiliser pour l’analyse.</li>
	<li>Cliquez sur le bouton Définir les paramètres pour définir tous les paramètres requis pour l’analyse.</li>
</ol>8. BrainInvaders uniquement : Division de l’ensemble de données en ensemble d’entraînement et de test
<ol><li>Sélectionnez un nombre de cibles qui représente la taille de l’ensemble d’apprentissage. La partie restante de l’ensemble de données sera considérée comme l’ensemble de données de test. REMARQUE : Pour assurer un bon entraînement du modèle, il est essentiel de disposer d’un échantillon d’apprentissage suffisamment grand. La taille minimale recommandée de l’échantillon d’entraînement est de 20, bien que cela puisse varier en fonction de la taille globale de l’ensemble de données. Si des erreurs de régression se produisent pendant les sessions d’entraînement, il est conseillé d’augmenter la taille de l’échantillon d’entraînement.</li>
	<li>Appuyez sur le bouton « Diviser le jeu de données » pour diviser le jeu de données en ensembles d’entraînement et de test. REMARQUE : Chaque participant aura une quantité égale de données d’entraînement. Cependant, le nombre de données de test peut ne pas être le même pour tous les participants en raison de la possibilité de plusieurs tentatives au cours de la tâche. Par conséquent, le nombre total de cibles ou de flashs présentés peut varier d’une personne à l’autre.</li>
</ol>9. Entraînement d’un modèle avec le jeu de données d’entraînement
REMARQUE : L’étape 9.1 s’applique au format « Brain Invaders » et l’étape 9.2 s’applique au format « BCI2000 ».
<ol><li>BrainInvaders uniquement : cliquez sur le bouton Entraîner un modèle pour appliquer une régression linéaire sur le jeu de données d’entraînement à l’aide de l’équation 2 pour entraîner un modèle de classifieur.</li>
	<li>BCI2000 uniquement : indiquez les noms des fichiers d’entraînement et de test ainsi que leur format de données (.dat) pour distinguer les fichiers d’entraînement et de test de tous les fichiers. Ensuite, cliquez sur le bouton Entraîner un modèle pour appliquer une régression linéaire sur le jeu de données d’entraînement.</li>
</ol>10. Prédire la précision de l’ensemble de test
<ol><li>Cliquez sur Prédire la précision pour appliquer le modèle de classificateur entraîné à l’ensemble de caractéristiques de test et prédire la précision à l’aide de l’équation 1.</li>
</ol>11. Obtenir des précisions de cible X
<ol><li>Sélectionnez un nombre cible maximal, X, à prendre en compte dans l’ensemble de test.</li>
	<li>BCI2000 uniquement : sélectionnez un numéro de fichier de test si l’utilisateur dispose de plusieurs fichiers de test.</li>
	<li>Appuyez sur Trouver la précision de la cible X.</li>
</ol>12. Calcul de vCBLE
<ol><li>Cliquez sur le bouton Trouver vCBLE pour obtenir le vCBLE pour toutes les cibles.</li>
</ol>13. Calcul de l’erreur quadratique moyenne (RMSE) de la précision BCI et de la vCBLE
<ol><li>Cliquez sur le bouton Calculer l’EQM pour calculer l’EQM entre les deux prédictions basées sur vCBLE avec la précision BCI et la précision de la cible X avec la précision BCI.</li>
</ol>14. Visualiser les résultats de l’analyse
<ol><li>Cliquez sur le bouton Précision vs vCBLE pour observer la relation entre la précision totale et la vCBLE totale pour tous les participants.</li>
	<li>Appuyez sur le bouton RMSE de BCI et vCBLE pour afficher la courbe RMSE de la précision BCI et de vCBLE.</li>
</ol>15. Prédire la performance d’un participant individuel
<ol><li>Pour prédire la précision d’un participant individuel, placez l’ID du sujet dans Sub ID. REMARQUE : Ici, l’ensemble de données de tous les participants, à l’exception du participant au test, sera utilisé pour entraîner un modèle de régression linéaire. Les scores vCBLE de tous les autres participants et leurs précisions de test correspondantes seront utilisés comme prédicteurs et étiquettes, respectivement, pour le classifieur.</li>
	<li>Sélectionnez un nombre cible, n. La prédiction sera faite en fonction de la précision des caractères n-testing.</li>
	<li>Cliquez sur le bouton Prédire pour obtenir la précision prévue du participant au test.</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>

Tous les auteurs déclarent ne pas avoir de conflits d’intérêts.

Cet article décrit une méthode d’estimation de la précision des BCI à l’aide d’un petit ensemble de données P300. Ici, le protocole actuel a été développé sur la base de l’ensemble de données « bi2014a », bien que l’efficacité du protocole ait été confirmée sur deux ensembles de données différents. Pour mettre en œuvre cette technique avec succès, il est crucial d’établir certaines variables, telles que la fenêtre d’époque pour les données d’origine, la fenêtre de décalage temporel, le taux de sous-échantillonnage et la ...

Les interfaces cerveau-ordinateur (BCI) sont une technologie non invasive qui permet aux individus de communiquer directement par le biais de machines sans tenir compte des limitations physiques imposées par le corps. BCI peut être utilisé comme un dispositif d’assistance actionné directement par le cerveau. BCI utilise l’activité cérébrale d’un utilisateur pour déterminer si l’utilisateur a l’intention de choisir une certaine touche (lettre, chiffre ou symbole) affichée à l’écran1. Dans un système informatique typique, un utilisateur appuie physiquement sur la touche prévue d’un clavier. Cependant, dans un système BCI avec un affichage visuel, l’utilisateur doit se concentrer sur la touche souhaitée. Ensuite, BCI sélectionnera la clé prévue en analysant les signaux cérébraux mesurés1. L’activité du cerveau peut être mesurée à l’aide de différentes techniques. Bien qu’il existe des technologies BCI concurrentes, l’électroencéphalogramme (EEG) est considéré comme une technique de pointe en raison de sa nature non invasive, de sa haute résolution temporelle, de sa fiabilité et de son coût relativement faible2.
Les applications de BCI comprennent la communication, le contrôle des appareils et le divertissement 3,4,5,6. L’un des domaines d’application les plus actifs de la BCI est l’orthographe P300, qui a été introduit par Farwell et Donchin7. Le P300 est un potentiel lié à l’événement (ERP) produit en réponse à la reconnaissance d’un stimulus rare mais pertinent8. Lorsqu’une personne reconnaît son stimulus cible, elle produit automatiquement un P300. Le P300 est un signal efficace pour une BCI car il transmet la reconnaissance par le participant de l’événement cible sans nécessiter de réponse extérieure9.
Le P300 BCI a attiré des chercheurs en informatique, en génie électrique, en psychologie, en facteurs humains et dans diverses autres disciplines. Des progrès ont été réalisés dans le traitement du signal, les algorithmes de classification, les interfaces utilisateur, les schémas de stimulation et bien d’autres domaines 10,11,12,13,14,15. Cependant, quel que soit le domaine de recherche, le fil conducteur de toutes ces recherches est la nécessité de mesurer les performances du système BCI. Cette tâche nécessite généralement la génération d’un jeu de données de test. Cette nécessité ne se limite pas à la recherche ; Une éventuelle application clinique en tant que technologie d’assistance nécessitera probablement des ensembles de validation individuels pour chaque utilisateur final afin de garantir que le système peut générer une communication fiable.
Malgré les recherches considérables appliquées au P300 BCI, les systèmes sont encore assez lents. Alors que la majorité des gens sont capables d’utiliser un P300 BCI16, la plupart des orthographes P300 produisent du texte de l’ordre de 1 à 5 caractères par minute. Malheureusement, cette vitesse lente signifie que la génération d’ensembles de données de test nécessite beaucoup de temps et d’efforts pour les participants, les expérimentateurs et les utilisateurs finaux éventuels. La mesure de la précision du système BCI est un problème d’estimation des paramètres binomiaux, et de nombreux caractères de données sont nécessaires pour une bonne estimation.
Pour estimer la présence ou l’absence de l’ERP P300, la plupart des classificateurs utilisent un modèle de classification binaire, qui consiste à attribuer une étiquette binaire (par exemple, « présence » ou « absence ») à chaque essai ou époque de données EEG. L’équation générale utilisée par la plupart des classificateurs peut être exprimée comme suit :
<img alt="Equation 1" src="/files/ftp_upload/64959/64959eq01.jpg" style="margin: auto;">
où <img alt="Equation 2" src="/files/ftp_upload/64959/64959eq02.jpg" style="margin: auto;"> est appelé le score du classificateur, qui représente la probabilité que la réponse P300 soit présente, x est le vecteur caractéristique extrait du signal EEG, et b est un terme de biais17. La fonction f est une fonction de décision qui mappe les données d’entrée à l’étiquette de sortie et est apprise à partir d’un ensemble de données d’entraînement étiquetées à l’aide d’un algorithme d’apprentissage supervisé17. Pendant l’entraînement, le classificateur est entraîné sur un ensemble de données étiquetées de signaux EEG, où chaque signal est étiqueté comme ayant une réponse P300 ou non. Le vecteur de poids et le terme de biais sont optimisés pour minimiser l’erreur entre la sortie prédite du classificateur et l’étiquette réelle du signal EEG. Une fois le classificateur entraîné, il peut être utilisé pour prédire la présence de la réponse P300 dans de nouveaux signaux EEG.
Différents classificateurs peuvent utiliser différentes fonctions de décision, telles que l’analyse discriminante linéaire (LDA), l’analyse discriminante linéaire par étapes (SWLDA), les moindres carrés (LS), la régression logistique, les machines à vecteurs de support (SVM) ou les réseaux neuronaux (NN). Le classificateur des moindres carrés est un classificateur linéaire qui minimise la somme des erreurs quadratiques entre les étiquettes de classe prédites et les étiquettes de classe réelles. Ce classificateur prédit l’étiquette de classe d’un nouvel échantillon de test à l’aide de l’équation suivante :
<img alt="Equation 3" src="/files/ftp_upload/64959/64959eq03.jpg" style="margin: auto;">(1)
où la fonction signe renvoie +1 si le produit est positif et -1 s’il est négatif, et le vecteur <img alt="Equation 4" src="/files/ftp_upload/64959/64959eq04.jpg" style="margin: auto;"> de poids est obtenu à partir de l’ensemble des caractéristiques des données d’entraînement, (x) et des étiquettes de classe (y) à l’aide de l’équation ci-dessous :
<img alt="Equation 5" src="/files/ftp_upload/64959/64959eq05.jpg" style="margin: auto;">    (2)
Dans des recherches antérieures, nous avons soutenu que l’estimation de la latence basée sur le classificateur (CBLE) peut être utilisée pour estimer la précision de la BCI 17,18,19. CBLE est une stratégie d’évaluation de la variation de latence en exploitant la sensibilité temporelle du classificateur18. Alors que l’approche conventionnelle de la classification P300 implique l’utilisation d’une seule fenêtre temporelle synchronisée avec chaque présentation de stimulus, la méthode CBLE implique la création de plusieurs copies décalées dans le temps des époques post-stimulus. Ensuite, il détecte le décalage temporel qui aboutit au score maximum afin d’estimer la latence de la réponse P30017,18. Ici, ce travail présente un protocole qui estime les performances BCI à partir d’un petit ensemble de données à l’aide de CBLE. En tant qu’analyse représentative, le nombre de caractères est varié pour faire des prédictions sur la performance globale d’un individu. Pour les deux exemples de jeux de données, l’erreur quadratique moyenne (RMSE) pour vCBLE et la précision réelle de la BCI ont été calculées. Les résultats indiquent que l’EQM des prédictions vCBLE, en utilisant ses données ajustées, était systématiquement inférieure à la précision dérivée de 1 à 7 caractères testés.
Nous avons développé une interface utilisateur graphique (GUI) appelée « CBLE Performance Estimation » pour la mise en œuvre de la méthodologie proposée. L’exemple de code est également fourni (Supplementary Coding File 1) qui fonctionne sur la plate-forme MATLAB. L’exemple de code effectue toutes les étapes appliquées dans l’interface graphique, mais les étapes sont fournies pour aider le lecteur à s’adapter à un nouveau jeu de données. Ce code utilise un ensemble de données accessible au public « Brain Invaders calibration-less P300-based BCI using dry EEG electrodes Dataset (bi2014a) » pour évaluer la méthode proposée20. Les participants ont joué jusqu’à trois sessions de jeu de Brain Invaders, chaque session ayant 9 niveaux de jeu. La collecte de données s’est poursuivie jusqu’à ce que tous les niveaux soient terminés ou que le participant perde tout contrôle sur le système BCI. L’interface de Brain Invaders comprenait 36 symboles qui clignotaient en 12 groupes de six extraterrestres. Selon le paradigme Brain Invaders P300, une répétition a été créée par 12 flashs, un pour chaque groupe. Sur ces 12 flashs, deux flashs contenaient le symbole de la cible (appelés flashs de cible), tandis que les 10 autres ne contenaient pas le symbole de la cible (appelés flashs non cibles). Plus d’informations sur ce paradigme peuvent être trouvées dans la référence originale20.
L’approche CBLE a également été mise en œuvre sur un ensemble de données du Michigan, qui contenait des données provenant de 40 participants18,19. Ici, les données de huit participants ont dû être éliminées parce que leurs tâches étaient incomplètes. L’ensemble de l’étude a nécessité trois visites de chaque participant. Le premier jour, chaque participant a tapé une phrase d’entraînement de 19 caractères, suivie de trois phrases de test de 23 caractères les jours 1, 2 et 3. Dans cet exemple, le clavier comprenait 36 caractères qui étaient regroupés en six lignes et six colonnes. Chaque ligne ou colonne a été flashée pendant 31,25 millisecondes avec un intervalle de 125 millisecondes entre les clignotements. Entre les personnages, une pause de 3,5 s a été prévue.
La figure 1 montre le schéma fonctionnel de la méthode proposée. La procédure détaillée est décrite dans la section protocole.

<table><tbody><tr><td>MATLAB 2021</td><td>Matlab</td><td>N/A N/A N’importe</td><td>quelle version récente de MATLAB peut être utilisée.</td></tr></tbody></table>

estimation des performances du correcteur orthographique de l’interface cerveau-ordinateur basée sur p300 avec estimation de la latence basée sur le classificateur

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

L’estimation des performances est une étape nécessaire dans le développement et la validation des systèmes d’interface cerveau-ordinateur (BCI). Malheureusement, même les systèmes BCI modernes sont lents, ce qui rend la collecte de données suffisantes pour la validation une tâche fastidieuse pour les utilisateurs finaux et les expérimentateurs. Pourtant, sans données suffisantes, la variation aléatoire des performances peut conduire à de fausses inférences sur le fonctionnement d’une BCI pour un utilisateur particulier. Par exemple, les orthographes P300 fonctionnent généralement autour de 1 à 5 caractères par minute. Pour estimer la précision avec une résolution de 5 %, il faut 20 caractères (4 à 20 min). Malgré cet investissement en temps, les limites de confiance pour la précision à partir de 20 caractères peuvent atteindre ±23 % selon la précision observée. Une méthode publiée précédemment, l’estimation de la latence basée sur le classificateur (CBLE), s’est avérée fortement corrélée à la précision des BCI. Ce travail présente un protocole d’utilisation de CBLE pour prédire la précision de l’orthographe P300 d’un utilisateur à partir de relativement peu de caractères (~3-8) de données de frappe. Les limites de confiance qui en résultent sont plus étroites que celles produites par les méthodes traditionnelles. La méthode peut ainsi être utilisée pour estimer les performances des BCI plus rapidement et/ou plus précisément.

Le protocole proposé a été testé sur deux ensembles de données différents : « BrainInvaders » et l’ensemble de données du Michigan. Ces jeux de données sont déjà présentés brièvement dans la section Introduction. Les paramètres utilisés pour ces deux ensembles de données sont mentionnés dans le tableau 1. Les figures 2 à 4 illustrent les résultats obtenus à l’aide de l’ensemble de données « BrainInvaders », tandis que les <strong class="xfig...

Cet article présente une méthode d’estimation de la précision de l’interface cerveau-ordinateur (BCI) du correcteur orthographe P300 le jour même à l’aide d’un petit ensemble de données de test.

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

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

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.

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

Research

Recherche

JoVE Journal

Neuroscience

Neurosciences

Ce protocole présente une nouvelle méthodologie pour le décodage neuronal de l’intention de nourrissons se comportant librement lors d’une interaction sociale non scénarisée avec un acteur. L’activité neuronale est acquise à l’aide d’une électroencéphalographie active du cuir chevelu (EEG) non invasive et à haute densité. Les données cinématiques sont collectées à l’aide d’unités de mesure inertielle et complétées par un enregistrement vidéo synchronisé.

Une nouvelle approche expérimentale et analytique à l&#39;multimodal Neural Décodage d&#39;intention lors de l&#39;interaction sociale dans Librement-comporter nourrissons humains

Avec cette expérience, on pourrait être capable de détecter la conscience chez les personnes atteintes de troubles de la conscience. De plus, l’approche peut créer un canal de communication simple qui permet aux gens de donner des réponses simples OUI/NON à des questions.

Évaluation et communication pour les personnes atteintes de troubles de la conscience

Cet article explique comment construire une interface cerveau-ordinateur en s’appuyant sur un équipement de qualité grand public et des potentiels évoqués visuellement à l’état stable. Pour cela, un électroencéphalographe monocanal exploitant des électrodes sèches a été intégré à des lunettes de réalité augmentée pour la présentation des stimuli et la visualisation des données de sortie. Le système final était non invasif, portable et portable.

Une interface cerveau-ordinateur portable à canal unique et non invasive pour l’industrie et les soins de santé

Le but de cette étude est de fournir une référence importante pour le fonctionnement clinique standard de l’interface cerveau-ordinateur par imagerie motrice (MI-BCI) pour la dysfonction motrice des membres supérieurs après un AVC.

Imagerie motrice Interface cerveau-ordinateur dans la rééducation de la dysfonction motrice des membres supérieurs après un AVC

L’imagerie motrice dans un environnement de réalité virtuelle a de nombreuses applications dans les systèmes d’interface cerveau-ordinateur. Ce manuscrit décrit l’utilisation d’avatars numériques personnalisés qui ressemblent aux participants exécutant des mouvements imaginés par le participant dans un environnement de réalité virtuelle afin de renforcer l’immersion et le sentiment d’appartenance corporelle.

Performance d’imagerie motrice à travers des jumeaux numériques incarnés dans un environnement d’interface cerveau-ordinateur basé sur la réalité virtuelle

Cette étude présente un système d’interface cerveau-ordinateur (BCI) pour les patients victimes d’un AVC, qui combine des signaux d’électroencéphalographie et d’électrooculographie pour contrôler une main robotique d’un membre supérieur, améliorant ainsi les activités quotidiennes. L’évaluation a été effectuée à l’aide du test bimanuel de Berlin pour l’AVC (BeBiTS).

Système robotique de membre supérieur contrôlé par interface cerveau-ordinateur pour améliorer les activités quotidiennes chez les patients victimes d’un AVC

Cette étude présente un protocole standardisé et reproductible pour mettre en œuvre l’outil d’analyse EEG Spatial-Temporel-Fréquence (STFEEG) pour le décodage EEG par imagerie motrice, intégrant une segmentation spatial-temporelle-fréquence configurable, l’extraction de caractéristiques basée sur les Common Spatial Patterns (CSP), des algorithmes de classification multiples et des capacités de visualisation.

STFEEG-Tool : Un outil d’analyse EEG spatio-temporel-fréquence pour l’imagerie motrice Interfaces cerveau-ordinateur

Nous utilisons une boucle fermée fly-machine interface pour enquêter sur les principes généraux de contrôle neuronal.

Une plate-forme expérimentale pour étudier les performances en boucle fermée des interfaces cerveau-machine

L'effet de l'apesanteur et hypergravité sur les deux processus hémodynamiques et électrophysiologiques dans le cerveau va être suivi pendant un vol parabolique par des techniques EEG et SPIR. Une étude de faisabilité d'une expérience de plus complexe, ce qui est prévu de réaliser pendant un vol spatial à moyen et long terme.

Cohérence entre la fonction cérébrale corticale et la performance neurocognitifs dans des conditions de gravité Changé

Une procédure est décrite pour la manipulation de l'activité du cortex cérébral neurones pyramidaux optogenetically tandis que l'électroencéphalogramme, électromyogramme, et la concentration de lactate cérébral sont surveillés. Enregistrements expérimentaux sont effectués sur les câbles attachés-souris tandis qu'ils subissent spontanément veille / sommeil cycles. Optogenetic matériel est assemblé dans notre laboratoire, le matériel d'enregistrement est disponible dans le commerce.

Électroencéphalographie simultanée, en temps réel Mesure de la concentration de lactate et manipulation optogenetic de l&#39;activité neuronale dans le cortex cérébral des rongeurs

Découvrez la méthode CBLE pour estimer la précision des interfaces cerveau-ordinateur P300 avec peu de données. Cette approche par régression linéaire prédit la performance utilisateur dès trois caractères, facilitant les applications en temps réel.

Estimation des performances du correcteur orthographique de l’interface cerveau-ordinateur basée sur P300 avec estimation de la latence basée sur le classificateur (Vidéo) | JoVE Journal

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

Explorer plus de vidéos