Name: Stima delle prestazioni dellortografo dellinterfaccia cervello-computer basata su P300 con stima della latenza basata sul classificatore (Video) | JoVE Journal
Uploaded: 2023-09-08T12:00:00.000+00:00
Duration: 6 min 9 s
Description: Scopri come stimare l'accuratezza dell'ortografo P300 nelle interfacce cervello-computer utilizzando il metodo CBLE con dataset ridotti. Questa tecnica consente di prevedere le prestazioni con solo tre caratteri.

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

I dati utilizzati per i risultati rappresentativi sono stati raccolti dal lavoro sostenuto dal National Institute of Child Health and Human Development (NICHD), dal National Institutes of Health (NIH) nell'ambito della Grant R21HD054697 e dal National Institute on Disability and Rehabilitation Research (NIDRR) del Dipartimento dell'Istruzione nell'ambito della Grant H133G090005 e del premio numero H133P090008. Il resto del lavoro è stato finanziato in parte dalla National Science Foundation (NSF) nell'ambito del premio #1910526. I risultati e le opinioni all'interno di questo lavoro non riflettono necessariamente le posizioni di NICHD, NIH, NIDRR o NSF.

La GUI "CBLE Performance Estimation" è stata applicata a due set di dati: il set di dati "BrainInvaders" e il set di dati del Michigan. Per il dataset "BrainInvaders", la raccolta dei dati è stata approvata dal Comitato Etico dell'Università di Grenoble Alpes20. I dati del Michigan sono stati raccolti nell'ambito dell'approvazione dell'Institutional Review Board dell'Università del Michigan19. I dati sono stati analizzati secondo il protocollo di esenzione 7516 della Kansas State University. Se raccogli nuovi dati, segui la procedura approvata dall'IRB dell'utente per la raccolta del consenso informato. In questo caso, il protocollo proposto viene valutato utilizzando l'analisi offline di dati precedentemente registrati e anonimizzati e quindi non richiede un ulteriore consenso informato.
L'interfaccia utente grafica (GUI) inclusa in questo articolo è in grado di gestire due formati di set di dati distinti. Il primo formato è associato al software BCI2000, mentre il secondo formato è indicato come set di dati "BrainInvaders". Per utilizzare il formato "Brain Invaders", i dati devono essere pre-elaborati come descritto nel passaggio 1 della sezione del protocollo. Tuttavia, quando si ha a che fare con il formato del set di dati "BCI2000", il passaggio 1 può essere omesso.
1. Preparazione dei dati
<ol><li>Solo BrainInvaders: genera il file di dati di input in formato di file ".mat" che può essere utilizzato con l'interfaccia utente grafica (GUI) "CBLE performance Estimation". Per uno script di esempio, fare riferimento a File di codifica supplementare 2. NOTA: Ogni file di dati è costituito da una matrice bidimensionale composta da righe che rappresentano le osservazioni registrate in campioni temporali distinti. Le colonne della matrice numerate da 2 a 17 sono registrazioni derivate da 16 elettrodi EEG. La prima colonna della matrice indica il timestamp di ogni osservazione, mentre la colonna 18 comprende le informazioni relative agli eventi sperimentali. Nella colonna 19 sono presenti per lo più zeri, ma quando si avvia un flash non Target (o Target), i numeri cambiano in uno (o due) in quel momento specifico. Una descrizione dettagliata è riportata nel riferimento20.</li>
</ol>2. Download e installazione del pacchetto GUI
<ol><li>Scaricare e installare la GUI "CBLE Performance Estimation".</li>
</ol>3. Memorizzazione del set di dati in una sottocartella della posizione della GUI
<ol><li>Assicurarsi che la cartella del set di dati rimanga all'interno della stessa directory della GUI.</li>
	<li>Ad esempio, creare una nuova cartella e inserire la GUI "CBLE Performance Estimation" al suo interno. Conservare tutti i set di dati in una sottocartella all'interno di "CBLE GUI" denominata "Set di dati".</li>
</ol>4. Aprire la GUI installata
<ol><li>Aprire MATLAB (vedere la tabella dei materiali), cambiare la directory corrente nella cartella in cui si trova la GUI, fare clic sulla scheda APPS e selezionare MY APPS.</li>
	<li>Nella scheda "LE MIE APP", seleziona Stima delle prestazioni CBLE.</li>
</ol>5. Scelta del formato del set di dati
<ol><li>Selezionare un formato di set di dati dall'elenco a discesa Selezionare il formato del set di dati.</li>
</ol>6. Caricamento del file di dati EEG
<ol><li>Fare clic sul pulsante Seleziona cartella di input per scegliere la directory in cui si trova il set di dati.</li>
	<li>Osservare il numero di file di dati presenti nella cartella selezionata. NOTA: Nel formato "Brain Invaders", ogni partecipante è rappresentato da un singolo file di dati. Pertanto, il numero totale di file di dati indica il numero di partecipanti allo studio. Tuttavia, questo non è il caso del formato "BCI2000", poiché ogni partecipante può avere più file di training e test.</li>
</ol>7. Impostazione dei parametri
<ol><li>Digitare il numero di partecipanti che l'utente intende utilizzare per il processo di stima nel campo "No. dei partecipanti".</li>
	<li>Solo BrainInvaders: specificare la frequenza di campionamento del set di dati. NOTA: BCI2000 file includono la frequenza di campionamento.</li>
	<li>Scegliere un valore di decimazione per eseguire il downsampling del set di dati a circa 20 Hz per migliorare le prestazioni di classificazione21. Ad esempio, se la frequenza di campionamento è di 256 Hz, selezionare un valore di decimazione pari a 13.</li>
	<li>Specificare l'intervallo di tempo per la classificazione in millisecondi. NOTA: viene specificata la dimensione iniziale consigliata della finestra, che consente al punto iniziale di variare da 0 a 100 ms e al punto finale da 700 a 800 ms. Tuttavia, è importante evitare di rendere le dimensioni della finestra eccessivamente grandi per evitare la sovrapposizione con un altro evento P300.</li>
	<li>Definire la finestra di spostamento per CBLE in millisecondi. NOTA: la "finestra di spostamento" si riferisce all'intervallo di tempo espanso che il metodo CBLE cerca per trovare la risposta P3. Il classificatore verrà applicato all'epoca a partire dal primo elemento della finestra di spostamento. Il classificatore viene quindi applicato in sequenza alle epoche a partire da un campione in un secondo momento, fino a quando l'epoca non si estende all'esterno della finestra di spostamento. Pertanto, La finestra di spostamento deve essere più grande della finestra originale; empiricamente, i valori inferiori a 100 ms da ciascun lato hanno buone prestazioni. In ogni caso, il margine dovrebbe essere mantenuto a meno della metà dell'ISI.</li>
	<li>Solo BC2000: immettere la lunghezza dell'ID soggetto indicato nei file del set di dati all'interno del campo "Lunghezza ID". NOTA: La GUI si aspetta che i primi sub_len caratteri dei nomi dei file codifichino l'ID del soggetto.</li>
	<li>Solo BCI2000: nel campo "ID canale" indicare il numero totale di canali o specificare i numeri di canale specifici da utilizzare per l'analisi.</li>
	<li>Fare clic sul pulsante Imposta parametri per impostare tutti i parametri necessari per l'analisi.</li>
</ol>8. Solo BrainInvaders: suddivisione del set di dati in set di training e test
<ol><li>Selezionare un numero di destinazioni che rappresenti le dimensioni del set di training. La parte rimanente del set di dati verrà considerata come set di dati di test. NOTA: per garantire un addestramento corretto del modello, è essenziale disporre di un campione di addestramento sufficientemente ampio. La dimensione minima consigliata del campione di training è 20, anche se può variare a seconda delle dimensioni complessive del set di dati. Se si verificano errori di regressione durante le sessioni di training, è consigliabile aumentare le dimensioni del campione di training.</li>
	<li>Premere il pulsante "Dividi il set di dati" per dividere il set di dati nei set di training e di test. NOTA: Ogni partecipante avrà la stessa quantità di dati di allenamento. Tuttavia, il numero di dati del test potrebbe non essere uguale per tutti i partecipanti a causa della possibilità di più tentativi durante l'attività. Di conseguenza, il numero totale di bersagli o flash presentati può variare da persona a persona.</li>
</ol>9. Addestramento di un modello con il set di dati di training
NOTA: Il passaggio 9.1 è applicabile al formato "Brain Invaders" e il passaggio 9.2 è applicabile al formato "BCI2000".
<ol><li>Solo BrainInvaders: fare clic sul pulsante Train a model per applicare la regressione lineare al set di dati di training usando l'equazione 2 per il training di un modello di classificazione.</li>
	<li>Solo BCI2000: indicare i nomi dei file di training e test insieme al formato dei dati (.dat) per distinguere i file di training e test da tutti i file. Fare quindi clic sul pulsante Eseguire il training di un modello per applicare la regressione lineare al set di dati di training.</li>
</ol>10. Prevedere l'accuratezza del set di test
<ol><li>Fare clic su Stima accuratezza per applicare il modello di classificazione sottoposto a training al set di funzionalità di test e stimare l'accuratezza usando l'equazione 1.</li>
</ol>11. Ottenere l'accuratezza del bersaglio X
<ol><li>Selezionare un numero di destinazione massimo, X, da considerare nel set di test.</li>
	<li>Solo BCI2000: selezionare un numero di file di test se l'utente dispone di più file di test.</li>
	<li>Premere Trova X precisione del bersaglio.</li>
</ol>12. Calcolo di vCBLE
<ol><li>Fare clic sul pulsante Trova vCBLE per ottenere il vCBLE per tutte le destinazioni.</li>
</ol>13. Calcolo dell'errore quadratico medio (RMSE) dell'accuratezza BCI e vCBLE
<ol><li>Fare clic sul pulsante Calcola RMSE per calcolare l'RMSE tra entrambe le previsioni in base a vCBLE con precisione BCI e precisione X-target con precisione BCI.</li>
</ol>14. Visualizzazione dei risultati dell'analisi
<ol><li>Fare clic sul pulsante Accuratezza vs vCBLE per osservare la relazione tra l'accuratezza totale e vCBLE totale per tutti i partecipanti.</li>
	<li>Premere il pulsante RMSE di BCI e vCBLE per visualizzare la curva RMSE dell'accuratezza BCI e vCBLE.</li>
</ol>15. Prevedere le prestazioni di un singolo partecipante
<ol><li>Per prevedere l'accuratezza di un singolo partecipante, inserire l'ID soggetto in Sub ID. NOTA: in questo caso, il set di dati di tutti i partecipanti, escluso il partecipante al test, verrà utilizzato per eseguire il training di un modello di regressione lineare. I punteggi vCBLE di tutti gli altri partecipanti e le corrispondenti precisioni del test saranno utilizzati rispettivamente come predittori ed etichette per il classificatore.</li>
	<li>Selezionare un numero di destinazione, n. La previsione verrà effettuata in base all'accuratezza dei caratteri di n-testing.</li>
	<li>Fare clic sul pulsante Prevedi per ottenere l'accuratezza prevista del partecipante al 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>

Tutti gli autori dichiarano di non avere conflitti di interesse.

Questo articolo ha delineato un metodo per stimare l'accuratezza BCI utilizzando un piccolo set di dati P300. In questo caso, l'attuale protocollo è stato sviluppato sulla base del set di dati "bi2014a", anche se l'efficacia del protocollo è stata confermata su due diversi set di dati. Per implementare correttamente questa tecnica, è fondamentale stabilire alcune variabili, come la finestra dell'epoca per i dati originali, la finestra per lo spostamento temporale, il rapporto di downsampling e le dimensioni dei set di da...

Le interfacce cervello-computer (BCI) sono una tecnologia non invasiva che consente agli individui di comunicare direttamente attraverso le macchine senza riguardo per le limitazioni fisiche imposte dal corpo. Il BCI può essere utilizzato come dispositivo di assistenza azionato direttamente dal cervello. BCI utilizza l'attività cerebrale di un utente per determinare se l'utente intende scegliere un determinato tasto (lettera, numero o simbolo) visualizzato sullo schermo1. In un tipico sistema informatico, un utente preme fisicamente il tasto desiderato su una tastiera. Tuttavia, in un sistema BCI con un display visivo, l'utente deve concentrarsi sulla chiave desiderata. Quindi, BCI selezionerà la chiave desiderata analizzando i segnali cerebrali misurati1. L'attività del cervello può essere misurata utilizzando varie tecniche. Sebbene esistano tecnologie BCI concorrenti, l'elettroencefalogramma (EEG) è considerato una tecnica leader grazie alla sua natura non invasiva, all'elevata risoluzione temporale, all'affidabilità e al costo relativamente basso2.
Le applicazioni di BCI includono la comunicazione, il controllo dei dispositivi e anche l'intrattenimento 3,4,5,6. Una delle aree di applicazione BCI più attive è lo speller P300, che è stato introdotto da Farwell e Donchin7. Il P300 è un potenziale correlato all'evento (ERP) prodotto in risposta al riconoscimento di uno stimolo raro ma rilevante8. Quando una persona riconosce il suo stimolo target, produce automaticamente un P300. Il P300 è un segnale efficace per una BCI perché trasmette il riconoscimento dell'evento target da parte del partecipante senza richiedere una risposta esterna9.
Il P300 BCI ha attratto ricercatori provenienti da informatica, ingegneria elettrica, psicologia, fattori umani e varie altre discipline. Sono stati fatti progressi nell'elaborazione del segnale, negli algoritmi di classificazione, nelle interfacce utente, negli schemi di stimolazione e in molte altre aree 10,11,12,13,14,15. Tuttavia, indipendentemente dall'area di ricerca, il filo conduttore di tutte queste ricerche è la necessità di misurare le prestazioni del sistema BCI. Questa attività richiede in genere la generazione di un set di dati di test. Questa necessità non si limita alla ricerca; L'eventuale applicazione clinica come tecnologia assistiva richiederà probabilmente set di convalida individuali per ciascun utente finale per garantire che il sistema possa generare una comunicazione affidabile.
Nonostante la considerevole ricerca applicata al P300 BCI, i sistemi sono ancora piuttosto lenti. Mentre la maggior parte delle persone è in grado di utilizzare un P300 BCI16, la maggior parte degli ortografi P300 produce testo dell'ordine di 1-5 caratteri al minuto. Sfortunatamente, questa bassa velocità significa che la generazione di set di dati di test richiede tempo e sforzi sostanziali per i partecipanti, gli sperimentatori e gli eventuali utenti finali. La misurazione dell'accuratezza del sistema BCI è un problema di stima dei parametri binomiali e molti caratteri di dati sono necessari per una buona stima.
Per stimare la presenza o l'assenza dell'ERP P300, la maggior parte dei classificatori utilizza un modello di classificazione binaria, che prevede l'assegnazione di un'etichetta binaria (ad esempio, "presenza" o "assenza") a ogni prova o epoca di dati EEG. L'equazione generale utilizzata dalla maggior parte dei classificatori può essere espressa come:
<img alt="Equation 1" src="/files/ftp_upload/64959/64959eq01.jpg" style="margin: auto;">
dove <img alt="Equation 2" src="/files/ftp_upload/64959/64959eq02.jpg" style="margin: auto;"> è chiamato il punteggio del classificatore, che rappresenta la probabilità che la risposta P300 sia presente, x è il vettore caratteristica estratto dal segnale EEG e b è un termine di bias17. La funzione f è una funzione decisionale che mappa i dati di input all'etichetta di output e viene appresa da un set di dati di addestramento etichettati utilizzando un algoritmo di apprendimento supervisionato17. Durante l'addestramento, il classificatore viene addestrato su un set di dati etichettato di segnali EEG, in cui ogni segnale è etichettato come avente o meno una risposta P300. Il vettore di peso e il termine di polarizzazione sono ottimizzati per ridurre al minimo l'errore tra l'output previsto del classificatore e l'etichetta reale del segnale EEG. Una volta addestrato, il classificatore può essere utilizzato per prevedere la presenza della risposta P300 nei nuovi segnali EEG.
Classificatori diversi possono utilizzare funzioni decisionali diverse, ad esempio l'analisi discriminante lineare (LDA), l'analisi discriminante lineare graduale (SWLDA), i minimi quadrati (LS), la regressione logistica, le macchine a vettori di supporto (SVM) o le reti neurali (NN). Il classificatore dei minimi quadrati è un classificatore lineare che riduce al minimo la somma degli errori quadratici tra le etichette di classe stimate e le etichette di classe reali. Questo classificatore consente di stimare l'etichetta di classe di un nuovo campione di test utilizzando l'equazione seguente:
<img alt="Equation 3" src="/files/ftp_upload/64959/64959eq03.jpg" style="margin: auto;">(1)
dove la funzione segno restituisce +1 se il prodotto è positivo e -1 se è negativo e il vettore <img alt="Equation 4" src="/files/ftp_upload/64959/64959eq04.jpg" style="margin: auto;"> peso è ottenuto dal set di funzionalità dei dati di addestramento, (x) e le etichette di classe (y) usando l'equazione seguente:
<img alt="Equation 5" src="/files/ftp_upload/64959/64959eq05.jpg" style="margin: auto;">    (2)
In una ricerca precedente, abbiamo sostenuto che la stima della latenza basata sul classificatore (CBLE) può essere utilizzata per stimare l'accuratezza BCI 17,18,19. CBLE è una strategia per valutare la variazione di latenza sfruttando la sensibilità temporale del classificatore18. Mentre l'approccio convenzionale alla classificazione P300 prevede l'utilizzo di una singola finestra temporale sincronizzata con ogni presentazione dello stimolo, il metodo CBLE prevede la creazione di più copie spostate nel tempo delle epoche post-stimolo. Quindi rileva lo spostamento temporale che si traduce nel punteggio massimo per stimare la latenza della risposta P30017,18. Qui, questo lavoro presenta un protocollo che stima le prestazioni BCI da un piccolo set di dati utilizzando CBLE. Come analisi rappresentativa, il numero di caratteri viene variato per fare previsioni sulle prestazioni complessive di un individuo. Per entrambi i set di dati di esempio, sono stati calcolati l'errore quadratico medio (RMSE) per vCBLE e l'accuratezza BCI effettiva. I risultati indicano che l'RMSE delle previsioni di vCBLE, utilizzando i dati adattati, era costantemente inferiore all'accuratezza derivata da 1 a 7 caratteri testati.
Abbiamo sviluppato un'interfaccia grafica utente (GUI) chiamata "CBLE Performance Estimation" per l'implementazione della metodologia proposta. Viene fornito anche il codice di esempio (Supplementary Coding File 1) che opera sulla piattaforma MATLAB. Il codice di esempio esegue tutti i passaggi applicati nella GUI, ma i passaggi vengono forniti per aiutare il lettore ad adattarsi a un nuovo set di dati. Questo codice utilizza un set di dati pubblicamente disponibile "Brain Invaders calibration-less P300-based BCI using dry EEG electrodes Dataset (bi2014a)" per valutare il metodo proposto20. I partecipanti hanno giocato fino a tre sessioni di gioco di Brain Invaders, ogni sessione aveva 9 livelli di gioco. La raccolta dei dati è continuata fino a quando tutti i livelli non sono stati completati o il partecipante ha perso tutto il controllo sul sistema BCI. L'interfaccia di Brain Invaders includeva 36 simboli che lampeggiavano in 12 gruppi di sei alieni. Secondo il paradigma di Brain Invaders P300, una ripetizione è stata creata da 12 flash, uno per ogni gruppo. Di questi 12 lampeggi, due contenevano il simbolo Target (noti come lampeggi Target), mentre i restanti 10 lampeggi non contenevano il simbolo Target (noti come lampeggi non Target). Maggiori informazioni su questo paradigma sono disponibili nel riferimento originale20.
L'approccio CBLE è stato implementato anche su un set di dati del Michigan, che conteneva i dati di 40 partecipanti18,19. In questo caso, i dati di otto partecipanti hanno dovuto essere scartati perché i loro compiti erano incompleti. L'intero studio ha richiesto tre visite da parte di ciascun partecipante. Il primo giorno, ogni partecipante ha digitato una frase di addestramento di 19 caratteri, seguita da tre frasi di prova di 23 caratteri nei giorni 1, 2 e 3. In questo esempio, la tastiera includeva 36 caratteri raggruppati in sei righe e sei colonne. Ogni riga o colonna è stata lampeggiata per 31,25 millisecondi con un intervallo di 125 millisecondi tra un lampeggio e l'altro. Tra un carattere e l'altro, è stata prevista una pausa di 3,5 secondi.
La Figura 1 mostra il diagramma a blocchi del metodo proposto. La procedura dettagliata è descritta nella sezione relativa al protocollo.

<table><tbody><tr><td>MATLAB 2021</td><td>Matlab</td><td>N/A È</td><td>possibile utilizzare qualsiasi versione recente di MATLAB.</td></tr></tbody></table>

stima delle prestazioni dell'ortografo dell'interfaccia cervello-computer basata su p300 con stima della latenza basata sul classificatore

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

La stima delle prestazioni è un passo necessario nello sviluppo e nella convalida dei sistemi di interfaccia cervello-computer (BCI). Sfortunatamente, anche i moderni sistemi BCI sono lenti, il che rende la raccolta di dati sufficienti per la convalida un'attività che richiede molto tempo sia per gli utenti finali che per gli sperimentatori. Tuttavia, senza dati sufficienti, la variazione casuale delle prestazioni può portare a false inferenze sul funzionamento di una BCI per un particolare utente. Ad esempio, gli speller P300 operano comunemente da 1 a 5 caratteri al minuto. Per stimare l'accuratezza con una risoluzione del 5% sono necessari 20 caratteri (4-20 min). Nonostante questo investimento di tempo, i limiti di confidenza per l'accuratezza di 20 caratteri possono arrivare fino al ±23% a seconda dell'accuratezza osservata. Un metodo pubblicato in precedenza, Classifier-Based Latency Estimation (CBLE), ha dimostrato di essere altamente correlato con l'accuratezza BCI. Questo lavoro presenta un protocollo per l'utilizzo di CBLE per prevedere l'accuratezza del correttore ortografico P300 di un utente da relativamente pochi caratteri (~3-8) di dati di digitazione. I limiti di confidenza risultanti sono più stretti di quelli prodotti dai metodi tradizionali. Il metodo può quindi essere utilizzato per stimare le prestazioni BCI in modo più rapido e/o più accurato.

Il protocollo proposto è stato testato su due diversi set di dati: "BrainInvaders" e il set di dati del Michigan. Questi set di dati sono già stati introdotti brevemente nella sezione Introduzione. I parametri utilizzati per questi due set di dati sono menzionati nella Tabella 1. Le figure 2-4 illustrano i risultati ottenuti utilizzando il set di dati "BrainInvaders", mentre le figure 5-7<strong...

Questo articolo presenta un metodo per stimare l'accuratezza dell'interfaccia cervello-computer (BCI) dell'ortografia P300 in giornata utilizzando un piccolo set di dati di test.

Stima delle prestazioni dell'ortografo dell'interfaccia cervello-computer basata su P300 con stima della latenza basata sul classificatore

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

La misurazione delle prestazioni è fondamentale per qualsiasi ricerca o applicazione clinica che coinvolga le interfacce cervello-computer. CBLE aiuta a valutare l'efficacia di un sistema per un particolare utente. CBLE può essere utilizzato per prevedere la precisione del correttore ortografico P300 dell'utente da soli tre a otto caratteri di dati.Per iniziare, installare l'interfaccia utente grafica per la stima delle prestazioni CBLE. Aprire MATLAB e modificare la directory corrente nella cartella dell'interfaccia utente grafica. Fare clic sulla scheda App, selezionare Le mie app e scegliere Stima delle prestazioni CBLE.Nel menu a discesa, fare clic su Seleziona formato set di dati e scegliere l'opzione desiderata. Quindi, fare clic sul pulsante Seleziona cartella di input per scegliere la directory per il set di dati EEG. Nella casella di testo numero di partecipanti, immettere il numero di partecipanti per la stima.Se si utilizzano i dati di Brain Invader, specificare la frequenza di campionamento del set di dati. Scegliere un valore di decimazione per eseguire il downcampionare il set di dati a circa 20 hertz. Specificare l'intervallo di tempo per la classificazione in millisecondi.Definire quindi la finestra di spostamento per CBLE in millisecondi. Al termine, fare clic sul pulsante Imposta parametri per impostare i parametri di analisi. Per suddividere il set di dati, selezionare il numero di destinazioni per le dimensioni del set di training.Fare clic sul pulsante Dividi il set di dati per dividere il set di dati in set di training e set di test. Per Braininvaders, fare clic sul pulsante Esegui il training di un modello per applicare la regressione lineare usando l'equazione due sul set di dati di addestramento. Fare quindi clic su Stima accuratezza per applicare il modello di classificazione sottoposto a training al set di funzionalità di test e stimare le precisioni utilizzando l'equazione uno.Selezionare il numero di destinazione massimo X per la considerazione del set di test e premere Trova precisione di destinazione X. Quindi fare clic sul pulsante trova vCBLE per ottenere il vCBLE per tutte le destinazioni. Fare clic sul pulsante Calcola RMSE per calcolare l'RMSE tra le due previsioni in base a vCBLE con precisione BCI e precisione del target X con precisione BCI.A questo punto, fare clic su accuratezza rispetto a vCBLE per osservare la relazione tra l'accuratezza totale e vCBLE totale per tutti i partecipanti. Fare clic su RMSE di BCI e vCBLE per visualizzare la curva RMSE dell'accuratezza BCI e vCBLE. Per prevedere l'accuratezza di un singolo partecipante in Sub ID, immettere l'ID del soggetto.Quindi selezionare un numero di destinazione N e fare clic su Prevedi per ottenere l'accuratezza prevista del partecipante al test.Aprire l'interfaccia utente grafica CBLE Performance Estimation. Nel menu a discesa, fai clic su Seleziona formato set di dati e scegli l'opzione BCI2000. Fare clic sul pulsante Seleziona cartella di input per scegliere la directory per il set di dati EEG.Immettere il numero di partecipanti per la stima. Scegliere un valore di decimazione e specificare l'originale nella finestra CBLE. Quindi scegli il numero di carattere X.Successivamente, nel campo Lunghezza ID, inserisci la lunghezza ID soggetto dai file del set di dati.Nel campo ID canale, indicare il numero totale di canali o numeri di canale specifici per l'analisi. Dopo aver controllato il formato dei dati, specificare i nomi dei file di training e test. Dal set di dati BCI2000, controllare il file di test.Quindi, nei campi del numero del file di test, immettere il numero del file di test. Ora fai clic su Esegui e attendi che tutti i parametri dell'elenco di controllo siano spuntati. Quindi fare clic su Accuratezza rispetto a vCBLE per osservare la relazione tra l'accuratezza totale e vCBLE totale per tutti i partecipanti.Infine, fare clic su RMSE di BCI e vCBLE per visualizzare la curva RMSE dell'accuratezza BCI e vCBLE. È stata osservata una forte correlazione negativa tra l'accuratezza del BCI tracciata rispetto a vCBLE per il set di dati braininvaders. L'RMSE di vCBLE tracciato rispetto a diverse dimensioni del set di dati di test ha mostrato che vCBLE ha prestazioni migliori rispetto all'accuratezza BCI.vCBLE è in grado di prevedere l'accuratezza BCI utilizzando solo sette caratteri. I modelli di previsione di vCBLE hanno indicato che sono stati necessari 10 individui per costruire il modello di regressione per la relazione tra vCBLE e accuratezza per un particolare paradigma sperimentale. Il modello vCBLE ha mostrato prestazioni migliori per il set di dati del Michigan con set di dati di addestramento e test in giornata.L'RMSE medio calcolato su tre giorni per i modelli vCBLE e di accuratezza utilizzando i dati del Michigan ha mostrato che l'adattamento di vCBLE aveva un RMSE inferiore quando il test includeva meno di sei caratteri. L'RMSE dell'accuratezza di vCBLE scende di soli 0,025 da tre caratteri al numero ottimale, suggerendo un guadagno minimo oltre i tre caratteri per il set di test di piccole dimensioni. In questo lavoro, usiamo la regressione lineare semplice, ma CBLE può essere calcolato con qualsiasi combinazione dipendente dal tempo di estrazione delle caratteristiche, selezione delle caratteristiche e classificatore.Abbiamo utilizzato CBLE per ridurre i dati richiesti per i nostri set di test. Altri laboratori lo hanno utilizzato per studiare la latenza variabile tra gli stimoli e le relative risposte cerebrali.

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

Research

Ricerca

JoVE Journal

Neuroscience

Neuroscienze

Questo protocollo presenta una nuova metodologia per la decodifica neurale dell'intento di bambini che si comportano liberamente durante l'interazione sociale senza copione con un attore. L'attività neurale viene acquisita utilizzando l'elettroencefalografia attiva del cuoio capelluto (EEG) non invasiva ad alta densità. I dati cinematici vengono raccolti con unità di misura inerziali e integrati con la registrazione video sincronizzata.

Un nuovo approccio sperimentale e analitico al multimodale neurale decodifica di intenti durante l&#39;interazione sociale in Liberamente-comportarsi neonati umani

Con questo esperimento, si potrebbe essere in grado di rilevare la coscienza in persone con disturbi della coscienza. Inoltre, l'approccio può creare un semplice canale di comunicazione che consente alle persone di dare semplici risposte SÌ/NO alle domande.

Valutazione e comunicazione per le persone con disturbi della coscienza

Questo documento discute come costruire un'interfaccia cervello-computer facendo affidamento su apparecchiature di livello consumer e potenziali evocati visivamente in stato stazionario. Per questo, un elettroencefalografo a canale singolo che sfrutta elettrodi secchi è stato integrato con occhiali a realtà aumentata per la presentazione degli stimoli e la visualizzazione dei dati di output. Il sistema finale era non invasivo, indossabile e portatile.

Un'interfaccia cervello-computer indossabile a canale singolo e non invasiva per l'industria e la sanità

Lo scopo di questo studio è fornire un importante riferimento per il funzionamento clinico standard dell'interfaccia cervello-computer (MI-BCI) per la disfunzione motoria degli arti superiori dopo l'ictus.

Interfaccia cervello-computer nella riabilitazione della disfunzione motoria dell'arto superiore dopo l'ictus

L'immaginazione motoria in un ambiente di realtà virtuale ha ampie applicazioni nei sistemi di interfaccia cervello-computer. Questo manoscritto delinea l'uso di avatar digitali personalizzati che assomigliano ai partecipanti che eseguono movimenti immaginati dal partecipante in un ambiente di realtà virtuale per migliorare l'immersione e il senso di proprietà del corpo.

Prestazioni delle immagini motorie attraverso gemelli digitali incorporati in un ambiente di interfaccia cervello-computer abilitato alla realtà virtuale

Questo studio introduce un sistema di interfaccia cervello-computer (BCI) per i pazienti con ictus, che combina i segnali dell'elettroencefalografia e dell'elettrooculografia per controllare una mano robotica dell'arto superiore, migliorando le attività quotidiane. La valutazione ha utilizzato il Berlin Bimanual Test for Stroke (BeBiTS).

Sistema robotico dell'arto superiore controllato dall'interfaccia cervello-computer per migliorare le attività quotidiane nei pazienti con ictus

Questo studio presenta un protocollo standardizzato e riproducibile per implementare lo strumento di analisi EEG Space-Temporal-Frequency (STFEEG) per la decodifica EEG con immagini motorie, incorporando segmentazione configurabile spazio-temporale-frequenza, estrazione di caratteristiche basata su Common Spatial Patterns (CSP), algoritmi di classificazione multipla e capacità di visualizzazione.

STFEEG-Tool: Uno strumento di analisi EEG per immagini motorie e interfacce cervello-computer

Usiamo un circuito chiuso volare-macchina per studiare i principi generali di controllo neuronale.

Una piattaforma sperimentale per studiare il ciclo chiuso delle prestazioni di interfacce cervello-macchina

L'effetto di leggerezza e hypergravity su entrambi i processi di emodinamica ed elettrofisiologia nel cervello sta per essere seguita durante il volo parabolico con tecniche EEG e NIRS. Uno studio di fattibilità di un esperimento più complesso, che si prevede di effettuare durante il volo spaziale a medio e lungo termine.

Coerenza tra funzione cerebrale corticale e prestazioni neurocognitive durante condizioni di gravità Cambiato

La procedura è descritta per manipolare l'attività dei neuroni cerebrali corticali piramidali optogenetically mentre l'elettroencefalogramma, elettromiogramma, e cerebrale concentrazione di lattato sono monitorati. Registrazioni sperimentali vengono eseguite su cavo-frenati topi, mentre subiscono spontanee sonno / veglia cicli. Optogenetic apparecchiatura è assemblata nel nostro laboratorio, apparecchi registrazione è commercialmente disponibile.

Elettroencefalografia simultanea, in tempo reale misura della concentrazione di lattato e la manipolazione Optogenetic di attività neuronale nella corteccia cerebrale Rodentia

Scopri come stimare l'accuratezza dell'ortografo P300 nelle interfacce cervello-computer utilizzando il metodo CBLE con dataset ridotti. Questa tecnica consente di prevedere le prestazioni con solo tre caratteri.

Stima delle prestazioni dellortografo dellinterfaccia cervello-computer basata su P300 con stima della latenza basata sul classificatore (Video) | JoVE Journal

Stima delle prestazioni dell'ortografo dell'interfaccia cervello-computer basata su P300 con stima della latenza basata sul classificatore

Esplora altri video