분류기 기반 대기 시간 추정을 사용한 P300 기반 뇌-컴퓨터 인터페이스 맞춤법 검사기 성능 추정

성능 측정은 뇌 컴퓨터 인터페이스와 관련된 모든 연구 또는 임상 응용 분야에서 매우 중요합니다. CBLE는 특정 사용자에 대한 시스템의 효율성을 평가하는 데 도움이 됩니다. CBLE는 3자에서 8자까지의 데이터에서 사용자의 P300 맞춤법 검사기 정확도를 예측하는 데 사용할 수 있습니다.

시작하려면 CBLE 성능 추정 그래픽 사용자 인터페이스를 설치합니다. MATLAB을 열고 현재 디렉터리를 그래픽 사용자 인터페이스 폴더로 변경합니다. 앱 탭을 클릭하고, 내 앱을 선택하고, CBLE 성능 예측을 선택합니다.

드롭다운 메뉴에서 데이터 세트 형식 선택을 클릭하고 원하는 옵션을 선택합니다. 그런 다음 입력 폴더 선택 버튼을 클릭하여 EEG 데이터 세트의 디렉터리를 선택합니다. 참가자 수 텍스트 상자에 추정할 참가자 수를 입력합니다.

Brain Invader 데이터를 사용하는 경우 데이터 세트의 샘플링 속도를 지정합니다. 데시메이션 값을 선택하여 데이터 세트를 약 20Hz로 다운 샘플링합니다. 분류에 대한 시간 창을 밀리초 단위로 지정합니다.

그런 다음 CBLE의 시프트 윈도우를 밀리초 단위로 정의합니다. 완료되면 파라미터 설정 버튼을 클릭하여 분석 파라미터를 설정합니다. 데이터 세트를 분할하려면 학습 세트 크기에 대한 목표값 개수를 선택합니다.

데이터 세트 분할 버튼을 클릭하여 데이터 세트를 학습 및 테스트 세트로 나눕니다. Braininvaders의 경우 모델 학습 버튼을 클릭하여 학습 데이터 세트에서 방정식 2를 사용하여 선형 회귀를 적용합니다. 다음으로, 정확도 예측(Predict Accuracy)을 클릭하여 훈련된 분류기 모델을 테스트 특징 세트에 적용하고 수식 1을 사용하여 정확도를 예측합니다.

테스트 세트 고려를 위해 최대 목표 수 X를 선택하고 X 목표 정확도 찾기를 누릅니다. 그런 다음 vCBLE 찾기 버튼을 클릭하여 모든 대상에 대한 vCBLE를 가져옵니다. RMSE 계산 버튼을 클릭하여 BCI 정확도가 있는 vCBLE와 BCI 정확도가 있는 X 목표 정확도를 기반으로 두 예측 간의 RMSE를 계산합니다.

이제 정확도 대 vCBLE를 클릭하여 모든 참가자에 대한 총 정확도와 총 vCBLE 간의 관계를 관찰합니다. BCI 및 vCBLE의 RMSE를 클릭하여 BCI 정확도 및 vCBLE의 RMSE 곡선을 표시합니다. 하위 ID에서 개별 참가자의 정확도를 예측하려면 주체 ID를 입력합니다.그런 다음 대상 번호 N을 선택하고 예측을 클릭하여 테스트 참가자의 예상 정확도를 가져옵니다.

CBLE 성능 추정 그래픽 사용자 인터페이스를 엽니다. 드롭다운 메뉴에서 데이터 세트 형식 선택을 클릭하고 BCI2000 옵션을 선택합니다. 입력 폴더 선택 버튼을 클릭하여 EEG 데이터 세트의 디렉터리를 선택합니다.

추정을 위한 참가자 수를 입력합니다. 데시메이션 값을 선택하고 CBLE 창에서 원본을 지정합니다. 그런 다음 문자 번호 X를 선택합니다.그런 다음 ID 길이 필드에 데이터 세트 파일의 주체 ID 길이를 입력합니다.

채널 ID 필드에 분석을 위한 총 채널 수 또는 특정 채널 번호를 표시합니다. 데이터 형식을 확인한 후 학습 및 테스트 파일 이름을 지정합니다. BCI2000 데이터 세트에서 테스트 파일을 확인합니다.

그런 다음 테스트 파일 번호 필드에 테스트 파일 번호를 입력합니다. 이제 실행을 클릭하고 체크리스트의 모든 매개변수가 선택될 때까지 기다립니다. 그런 다음 정확도 대 vCBLE를 클릭하여 모든 참가자에 대한 총 정확도와 총 vCBLE 간의 관계를 관찰합니다.

마지막으로 BCI 및 vCBLE의 RMSE를 클릭하여 BCI 정확도 및 vCBLE의 RMSE 곡선을 표시합니다. braininvaders 데이터 세트에 대해 vCBLE에 대해 표시된 BCI 정확도 간에 강한 음의 상관 관계가 관찰되었습니다. 다양한 테스트 데이터 세트 크기에 대해 그래프를 작성한 vCBLE의 RMSE는 vCBLE가 BCI 정확도보다 더 나은 성능을 발휘한다는 것을 보여주었습니다.

vCBLE는 단 7개의 문자로 BCI 정확도를 예측할 수 있습니다. vCBLE 예측 모델은 특정 실험 패러다임에 대한 vCBLE와 정확도 간의 관계에 대한 회귀 모델을 구축하는 데 10명의 개인이 필요하다는 것을 나타냈습니다. vCBLE 모델은 당일 훈련 및 테스트 데이터 세트를 통해 미시간 데이터 세트에 대해 더 나은 성능을 보여주었습니다.

미시간 데이터를 사용하여 vCBLE 및 정확도 모델에 대해 3일 동안 계산된 평균 RMSE는 테스트에 6자 미만이 포함된 경우 vCBLE 적합치의 RMSE가 더 낮다는 것을 보여주었습니다. vCBLE 정확도의 RMSE는 3자에서 최적 수까지 0.025만 떨어지며, 이는 작은 테스트 세트에서 3자를 초과하는 이득이 거의 없음을 시사합니다. 이 작업에서는 간단한 선형 회귀를 사용하지만 CBLE는 특징 추출, 특징 선택 및 분류기의 시간 종속 조합으로 계산할 수 있습니다.

CBLE를 사용하여 테스트 세트에 필요한 데이터를 줄였습니다. 다른 실험실에서는 자극과 관련 뇌 반응 사이의 가변 잠복기를 조사하는 데 사용했습니다.