Methodenartikel

P300-gebaseerde Brain-Computer Interface Speller Performance Estimation met Classifier-Based Latency Estimation

DOI:

10.3791/64959

⸱

8 september 2023

 ,  ,  ,  ,  , 
1Brain and Body Sensing Lab, Mike Wiegers Department of Electrical & Computer Engineering, Kansas State University, 2Adaptive Cognitive Assessment Laboratory, Department of Physical Medicine and Rehabilitation, University of Michigan, Ann Arbor, 3Direct Brain Interface Laboratory, Department of Physical Medicine and Rehabilitation, University of Michigan, Ann Arbor, 4Direct Brain Interface Laboratory, Department of Biomedical Engineering, University of Michigan, Ann Arbor

In dit artikel

Samenvatting

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

Dit artikel presenteert een methode voor het schatten van de nauwkeurigheid van de P300-speller Brain-Computer Interface (BCI) op dezelfde dag met behulp van een kleine testdataset.

Samenvatting

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

Prestatieschatting is een noodzakelijke stap in de ontwikkeling en validatie van Brain-Computer Interface (BCI)-systemen. Helaas zijn zelfs moderne BCI-systemen traag, waardoor het verzamelen van voldoende gegevens voor validatie een tijdrovende taak is voor zowel eindgebruikers als experimentatoren. Maar zonder voldoende gegevens kan de willekeurige variatie in prestaties leiden tot valse gevolgtrekkingen over hoe goed een BCI werkt voor een bepaalde gebruiker. P300-spellers werken bijvoorbeeld gewoonlijk rond de 1-5 tekens per minuut. Om de nauwkeurigheid met een resolutie van 5% te schatten, zijn 20 tekens (4-20 min) nodig. Ondanks deze tijdsinvestering kan de betrouwbaarheidsgrens voor nauwkeurigheid vanaf 20 tekens oplopen tot ±23%, afhankelijk van de waargenomen nauwkeurigheid. Een eerder gepubliceerde methode, Classifier-Based Latency Estimation (CBLE), bleek sterk gecorreleerd te zijn met BCI-nauwkeurigheid. Dit werk presenteert een protocol voor het gebruik van CBLE om de P300-spellingnauwkeurigheid van een gebruiker te voorspellen op basis van relatief weinig tekens (~3-8) typegegevens. De resulterende betrouwbaarheidsgrenzen zijn strakker dan die van traditionele methoden. De methode kan dus worden gebruikt om de BCI-prestaties sneller en/of nauwkeuriger in te schatten.

Inleiding

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

Brain-computer interfaces (BCI's) zijn een niet-invasieve technologie waarmee individuen rechtstreeks via machines kunnen communiceren zonder rekening te houden met fysieke beperkingen die door het lichaam worden opgelegd. BCI kan worden gebruikt als een hulpmiddel dat rechtstreeks door de hersenen wordt bediend. BCI gebruikt de hersenactiviteit van een gebruiker om te bepalen of de gebruiker van plan is een bepaalde toets (letter, cijfer of symbool) te kiezen die op het scherm wordt weergegeven1. In een typisch computersysteem drukt een gebruiker fysiek op de beoogde toets op een toetsenbord. In een BCI-systeem met een visuele weergave moet de gebruiker zich echter concentreren op de gewenste toets. Vervolgens selecteert BCI de beoogde sleutel door de gemeten hersensignalente analyseren 1. De activiteit van de hersenen kan worden gemeten met behulp van verschillende technieken. Hoewel er concurrerende BCI-technologieën zijn, wordt elektro-encefalogram (EEG) beschouwd als een toonaangevende techniek vanwege het niet-invasieve karakter, de hoge temporele resolutie, de betrouwbaarheid en de relatief lage kosten.

Toepassingen van BCI zijn onder meer communicatie, apparaatbesturing en ook entertainment 3,4,5,6. Een van de meest actieve BCI-toepassingsgebieden is de P300-speller, die werd geïntroduceerd door Farwell en Donchin7. De P300 is een event-related potential (ERP) dat wordt geproduceerd als reactie op de herkenning van een zeldzame maar relevante stimulus8. Wanneer een persoon zijn doelstimulus herkent, produceert hij automatisch een P300. De P300 is een effectief signaal voor een BCI omdat het de herkenning van de doelgebeurtenis door de deelnemer overbrengt zonder dat een externe reactie nodig is9.

De P300 BCI heeft onderzoekers aangetrokken uit de informatica, elektrotechniek, psychologie, menselijke factoren en verschillende andere disciplines. Er is vooruitgang geboekt op het gebied van signaalverwerking, classificatie-algoritmen, gebruikersinterfaces, stimulatieschema's en vele andere gebieden 10,11,12,13,14,15. Ongeacht het onderzoeksgebied is de rode draad in al dit onderzoek echter de noodzaak om de prestaties van het BCI-systeem te meten. Voor deze taak moet doorgaans een testgegevensset worden gegenereerd. Deze noodzaak beperkt zich niet tot onderzoek; Eventuele klinische toepassing als ondersteunende technologie zal waarschijnlijk individuele validatiesets voor elke eindgebruiker vereisen om ervoor te zorgen dat het systeem betrouwbare communicatie kan genereren.

Ondanks het aanzienlijke onderzoek dat is gedaan naar de P300 BCI, zijn de systemen nog steeds vrij traag. Hoewel de meerderheid van de mensen een P300 BCI16 kan gebruiken, produceren de meeste P300-spellers tekst in de orde van grootte van 1-5 tekens per minuut. Helaas betekent deze lage snelheid dat het genereren van testdatasets veel tijd en moeite kost voor deelnemers, experimentatoren en uiteindelijke eindgebruikers. Het meten van de nauwkeurigheid van het BCI-systeem is een binomiaal parameterschattingsprobleem en er zijn veel tekens met gegevens nodig voor een goede schatting.

Om de aan- of afwezigheid van de P300 ERP te schatten, gebruiken de meeste classificeerders een binair classificatiemodel, waarbij een binair label (bijv. "aanwezigheid" of "afwezigheid") wordt toegekend aan elke proef of elk tijdperk van EEG-gegevens. De algemene vergelijking die door de meeste classificaties wordt gebruikt, kan als volgt worden uitgedrukt:

figure-introduction-1

waar figure-introduction-2 de score van de classifier wordt genoemd, die de waarschijnlijkheid weergeeft dat de P300-respons aanwezig is, x de kenmerkvector is die uit het EEG-signaal wordt geëxtraheerd en b een bias-term17 is. De functie f is een beslissingsfunctie die de invoergegevens toewijst aan het uitvoerlabel en wordt geleerd van een set gelabelde trainingsgegevens met behulp van een algoritme voor begeleid leren17. Tijdens de training wordt de classifier getraind op een gelabelde dataset van EEG-signalen, waarbij elk signaal wordt gelabeld als een P300-respons of niet. De gewichtsvector en biasterm zijn geoptimaliseerd om de fout tussen de voorspelde output van de classifier en het echte label van het EEG-signaal te minimaliseren. Zodra de classifier is getraind, kan deze worden gebruikt om de aanwezigheid van de P300-respons in nieuwe EEG-signalen te voorspellen.

Verschillende classificaties kunnen verschillende beslissingsfuncties gebruiken, zoals lineaire discriminantanalyse (LDA), stapsgewijze lineaire discriminantanalyse (SWLDA), kleinste kwadraten (LS), logistische regressie, ondersteuningsvectormachines (SVM) of neurale netwerken (NN's). De classificatie met de kleinste kwadraten is een lineaire classificatie die de som van de kwadraatfouten tussen de voorspelde klasselabels en de echte klasselabels minimaliseert. Deze classificatie voorspelt het klasselabel van een nieuw testmonster met behulp van de volgende vergelijking:

figure-introduction-3(1)

waarbij de tekenfunctie +1 retourneert als het product positief is en -1 als het negatief is, en de gewichtsvector figure-introduction-4 wordt verkregen uit de functieset van de trainingsgegevens, (x) en klasselabels (y) met behulp van de onderstaande vergelijking:

figure-introduction-5    (2)

In eerder onderzoek hebben we betoogd dat Classifier-Based Latency Estimation (CBLE) kan worden gebruikt om de BCI-nauwkeurigheid 17,18,19 te schatten. CBLE is een strategie voor het evalueren van latentievariatie door gebruik te maken van de temporele gevoeligheid van de classifier18. Terwijl de conventionele benadering van P300-classificatie het gebruik van een enkel tijdvenster omvat dat wordt gesynchroniseerd met elke stimuluspresentatie, omvat de CBLE-methode het maken van meerdere tijdverschoven kopieën van de post-stimulus-tijdperken. Vervolgens detecteert het de tijdverschuiving die resulteert in de maximale score om de latentie van de P300-respons17,18 te schatten. Hier presenteert dit werk een protocol dat de BCI-prestaties schat op basis van een kleine dataset met behulp van CBLE. Als representatieve analyse wordt het aantal tekens gevarieerd om voorspellingen te doen over de algehele prestaties van een individu. Voor beide voorbeelddatasets werden de root mean square error (RMSE) voor vCBLE en de werkelijke BCI-nauwkeurigheid berekend. De resultaten geven aan dat de RMSE van vCBLE-voorspellingen, met behulp van de aangepaste gegevens, consequent lager was dan de nauwkeurigheid die werd afgeleid van 1 tot 7 geteste tekens.

We ontwikkelden een Graphical User Interface (GUI) genaamd "CBLE Performance Estimation" voor de implementatie van de voorgestelde methodologie. De voorbeeldcode wordt ook verstrekt (Supplementary Coding File 1) die werkt op het MATLAB-platform. De voorbeeldcode voert alle stappen uit die in de GUI worden toegepast, maar de stappen zijn bedoeld om de lezer te helpen zich aan te passen aan een nieuwe gegevensset. Deze code maakt gebruik van een openbaar beschikbare dataset "Brain Invaders calibration-less P300-based BCI using dry EEG electrodes Dataset (bi2014a)" om de voorgestelde methodete evalueren 20. Deelnemers speelden maximaal drie spelsessies van Brain Invaders, waarbij elke sessie 9 niveaus van het spel had. De gegevensverzameling ging door totdat alle niveaus waren voltooid of de deelnemer alle controle over het BCI-systeem verloor. De Brain Invaders-interface bevatte 36 symbolen die flitsten in 12 groepen van zes buitenaardse wezens. Volgens het Brain Invaders P300-paradigma werd een herhaling gecreëerd door 12 flitsen, één voor elke groep. Van deze 12 flitsen bevatten er twee het doelsymbool (bekend als doelflitsen), terwijl de overige 10 flitsen niet het doelsymbool bevatten (bekend als niet-doelflitsen). Meer informatie over dit paradigma is te vinden in de oorspronkelijke referentie20.

De CBLE-aanpak werd ook geïmplementeerd op een dataset uit Michigan, die gegevens bevatte van 40 deelnemers18,19. Hier moesten de gegevens van acht deelnemers worden weggegooid omdat hun taken onvolledig waren. Het hele onderzoek vereiste drie bezoeken van elke deelnemer. Op de eerste dag typte elke deelnemer een trainingszin van 19 tekens, gevolgd door drie testzinnen van 23 tekens op dag 1, 2 en 3. In dit voorbeeld bevatte het toetsenbord 36 tekens die waren gegroepeerd in zes rijen en zes kolommen. Elke rij of kolom werd gedurende 31,25 milliseconden geflitst met een interval van 125 milliseconden tussen de flitsen. Tussen de tekens was een pauze van 3,5 s voorzien.

Figuur 1 toont het blokschema van de voorgestelde methode. De gedetailleerde procedure wordt beschreven in het protocolgedeelte.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

De GUI "CBLE Performance Estimation" werd toegepast op twee datasets: de "BrainInvaders"-dataset en de Michigan-dataset. Voor de dataset "BrainInvaders" werd de gegevensverzameling goedgekeurd door de ethische commissie van de Universiteit van Grenoble Alpes20. Michigan-gegevens werden verzameld onder goedkeuring van de University of Michigan Institutional Review Board19. Gegevens werden geanalyseerd onder vrijgesteld protocol 7516 van de Kansas State University. Als u nieuwe gegevens verzamelt, volgt u het door de IRB goedgekeurde proces van de gebruiker voor het verzamelen van geïnformeerde toestemming. Hier wordt het voorgestelde protocol geëvalueerd met behulp van offline analyse van eerder geregistreerde, geanonimiseerde gegevens en was daarom geen aanvullende geïnformeerde toestemming vereist.

De grafische gebruikersinterface (GUI) die in dit artikel is opgenomen, is bedreven in het beheren van twee verschillende gegevenssetindelingen. Het eerste formaat is gekoppeld aan de BCI2000 software, terwijl het tweede formaat de "BrainInvaders"-dataset wordt genoemd. Om het "Brain Invaders"-formaat te kunnen gebruiken, moeten de gegevens worden voorbewerkt zoals beschreven in stap 1 van het protocolgedeelte. Bij het omgaan met het "BCI2000"-formaat van de dataset kan stap 1 echter worden weggelaten.

1. Voorbereiding van de gegevens

  1. Alleen BrainInvaders: Genereer het invoergegevensbestand in ".mat"-bestandsformaat dat kan worden gebruikt met de grafische gebruikersinterface (GUI) "CBLE Performance Estimation". Voor een voorbeeldscript, zie Aanvullend coderingsbestand 2.
    OPMERKING: Elk gegevensbestand bestaat uit een tweedimensionale matrix die bestaat uit rijen die waarnemingen vertegenwoordigen die op verschillende tijdstippen zijn geregistreerd. De matrixkolommen genummerd 2 tot en met 17 zijn opnames die zijn afgeleid van 16 EEG-elektroden. De eerste kolom van de matrix geeft het tijdstempel van elke waarneming aan, terwijl kolom 18 informatie bevat met betrekking tot experimentele gebeurtenissen. In kolom 19 zijn er meestal nullen, maar wanneer een niet-Target (of Target) flash begint, veranderen de getallen in één (of twee) op dat specifieke moment. Een gedetailleerde beschrijving is te vinden in referentie20.

2. Downloaden en installeren van het GUI-pakket

  1. Download en installeer de "CBLE Performance Estimation" GUI.

3. Opslaan van de dataset in een submap van de GUI-locatie

  1. Zorg ervoor dat de map met de gegevensset zich in dezelfde map bevindt als de GUI.
  2. Maak bijvoorbeeld een nieuwe map aan en plaats de GUI "CBLE Performance Estimation" erin. Bewaar alle datasets in een submap binnen "CBLE GUI" met de naam "Dataset".

4. De geïnstalleerde GUI openen

  1. Open MATLAB (zie Materiaaltabel), wijzig de huidige map in de map waar de GUI is geplaatst, klik op het tabblad APPS en selecteer MIJN APPS.
  2. Selecteer op het tabblad "MIJN APPS" de optie CBLE Performance Estimation.

5. Het formaat van de dataset kiezen

  1. Selecteer een gegevenssetindeling in de vervolgkeuzelijst Gegevenssetindeling selecteren.

6. Laden van het EEG-gegevensbestand

  1. Klik op de knop Invoermap selecteren om de map te kiezen waarin de gegevensset zich bevindt.
  2. Let op het aantal gegevensbestanden dat in die geselecteerde map aanwezig is.
    OPMERKING: In het formaat "Brain Invaders" wordt elke deelnemer vertegenwoordigd door een enkel gegevensbestand. Daarom geeft het totale aantal gegevensbestanden het aantal deelnemers aan het onderzoek aan. Dit is echter niet het geval voor het "BCI2000"-formaat, aangezien elke deelnemer meerdere trein- en testbestanden kan hebben.

7. Instellen van de parameters

  1. Typ het aantal deelnemers dat de gebruiker wil gebruiken voor het schattingsproces in het vak 'Nee'. van de deelnemers" tekstvak.
  2. Alleen BrainInvaders: Geef de bemonsteringsfrequentie van de gegevensset op.
    OPMERKING: BCI2000 bestanden bevatten de samplefrequentie.
  3. Kies een decimeringswaarde om de gegevensset te downsamplen tot ongeveer 20 Hz om de classificatieprestaties te verbeteren21. Als de bemonsteringsfrequentie bijvoorbeeld 256 Hz is, selecteert u een decimeringswaarde van 13.
  4. Geef het tijdvenster voor de classificatie op in milliseconden.
    OPMERKING: De aanbevolen initiële venstergrootte is gespecificeerd, waarbij het startpunt kan variëren van 0 tot 100 ms en het eindpunt van 700 tot 800 ms. Het is echter belangrijk om te voorkomen dat de venstergrootte te groot wordt om overlapping met een andere P300-gebeurtenis te voorkomen.
  5. Definieer het schakelvenster voor CBLE in milliseconden.
    OPMERKING: Het 'shift-venster' verwijst naar het uitgebreide tijdsbereik dat de CBLE-methode doorzoekt om de P3-respons te vinden. De classificatie wordt toegepast op de epoch vanaf het eerste element van het shift-venster. De classificatie wordt vervolgens achtereenvolgens toegepast op epochs die één steekproef later beginnen, totdat de epoch zich buiten het shift-venster uitstrekt. Dus, het shiftvenster moet groter zijn dan het oorspronkelijke venster; empirisch presteren waarden van minder dan 100 ms van elke kant goed. In ieder geval moet de marge worden beperkt tot minder dan de helft van de ISI.
  6. Alleen BC2000: Voer de lengte in van de onderwerp-ID die is aangegeven in de gegevenssetbestanden in het veld "ID-lengte".
    OPMERKING: De GUI verwacht dat de eerste sub_len tekens van de bestandsnamen de onderwerp-ID coderen.
  7. Alleen BCI2000: Geef in het veld "Kanaal-ID" het totale aantal kanalen aan of specificeer de specifieke kanaalnummers die voor de analyse moeten worden gebruikt.
  8. Klik op de knop Parameters instellen om alle parameters in te stellen die nodig zijn voor de analyse.

8. Alleen BrainInvaders: de dataset opsplitsen in trainings- en testset

  1. Selecteer een aantal doelen dat de grootte van de trainingsset vertegenwoordigt. Het resterende deel van de dataset wordt beschouwd als de testdataset.
    OPMERKING: Om een goede training van het model te garanderen, is het essentieel om een voldoende groot trainingsmonster te hebben. De aanbevolen minimale grootte van de trainingssteekproef is 20, hoewel dit kan variëren afhankelijk van de totale grootte van de gegevensset. Als er regressiefouten optreden tijdens trainingssessies, is het raadzaam om de omvang van de trainingssteekproef te vergroten.
  2. Druk op de knop "Splits de dataset" om de dataset te verdelen in de trainings- en testsets.
    LET OP: Elke deelnemer heeft een gelijke hoeveelheid trainingsgegevens. Het aantal testgegevens is echter mogelijk niet voor alle deelnemers gelijk vanwege de mogelijkheid van meerdere pogingen tijdens de taak. Bijgevolg kan het totale aantal gepresenteerde doelen of flitsen van persoon tot persoon verschillen.

9. Een model trainen met de trainingsdataset

OPMERKING: Stap 9.1 is van toepassing op het formaat "Brain Invaders" en stap 9.2 is van toepassing op het formaat "BCI2000".

  1. Alleen BrainInvaders: Klik op de knop Een model trainen om lineaire regressie toe te passen op de trainingsgegevensset met behulp van vergelijking 2 voor het trainen van een classificatiemodel.
  2. Alleen BCI2000: Geef trainings- en testbestandsnamen op, samen met hun gegevensindeling (.dat) om de trainings- en testbestanden te onderscheiden van alle bestanden. Klik vervolgens op de knop Een model trainen om lineaire regressie toe te passen op de trainingsgegevensset.

10. Voorspellen van de nauwkeurigheid van de testset

  1. Klik op Nauwkeurigheid voorspellen om het getrainde classificatiemodel toe te passen op de testfunctieset en de nauwkeurigheid te voorspellen met vergelijking 1.

11. X-target accuraat verkrijgen

  1. Selecteer een maximaal doelgetal, X, waarmee u rekening wilt houden in de testset.
  2. Alleen BCI2000: Selecteer een testbestandsnummer als de gebruiker meerdere testbestanden heeft.
  3. Druk op Find X-doelnauwkeurigheid.

12. Berekening van vCBLE

  1. Klik op de knop Zoek vCBLE om de vCBLE voor alle doelen te krijgen.

13. Berekening van de Root mean square error (RMSE) van BCI-nauwkeurigheid en vCBLE

  1. Klik op de knop RMSE berekenen om de RMSE te berekenen tussen beide voorspellingen op basis van vCBLE met BCI-nauwkeurigheid en X-doelnauwkeurigheid met BCI-nauwkeurigheid.

14. Visualisatie van de analyseresultaten

  1. Klik op de knop Nauwkeurigheid versus vCBLE om de relatie tussen totale nauwkeurigheid en totale vCBLE voor alle deelnemers te bekijken.
  2. Druk op de RMSE van BCI & vCBLE knop om de RMSE curve van BCI nauwkeurigheid en vCBLE weer te geven.

15. Voorspellen van de prestaties van een individuele deelnemer

  1. Om de nauwkeurigheid van een individuele deelnemer te voorspellen, plaatst u de onderwerp-ID in Sub-ID.
    OPMERKING: Hier wordt de dataset van alle deelnemers, met uitzondering van de testdeelnemer, gebruikt om een lineair regressiemodel te trainen. De vCBLE-scores van alle andere deelnemers en de bijbehorende testnauwkeurigheden zullen worden gebruikt als respectievelijk voorspellers en labels voor de classificator.
  2. Selecteer een doelnummer, n. De voorspelling wordt gedaan op basis van de nauwkeurigheid van n-testkarakters.
  3. Klik op de knop Voorspellen om de voorspelde nauwkeurigheid van de testdeelnemer te krijgen.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Het voorgestelde protocol is getest op twee verschillende datasets: "BrainInvaders" en de Michigan-dataset. Deze datasets zijn al kort geïntroduceerd in de sectie Inleiding. De parameters die voor deze twee datasets zijn gebruikt, zijn vermeld in tabel 1. Figuren 2-4 tonen de bevindingen die zijn verkregen met behulp van de "BrainInvaders"-dataset, terwijl figuren 5-7 de resultaten laten zien die zijn behaald me...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

Dit artikel schetste een methode voor het schatten van de BCI-nauwkeurigheid met behulp van een kleine P300-dataset. Hier is het huidige protocol ontwikkeld op basis van de "bi2014a"-dataset, hoewel de werkzaamheid van het protocol werd bevestigd op twee verschillende datasets. Om deze techniek met succes te implementeren, is het cruciaal om bepaalde variabelen vast te stellen, zoals het epoch-venster voor de oorspronkelijke gegevens, het venster voor tijdverschuiving, de down-sampling-ratio en de grootte van zowel de tr...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

Alle auteurs verklaren dat ze geen belangenconflicten hebben.

Dankbetuigingen

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

De gegevens die voor representatieve resultaten zijn gebruikt, zijn verzameld uit het werk dat wordt ondersteund door het National Institute of Child Health and Human Development (NICHD), de National Institutes of Health (NIH) onder Grant R21HD054697 en het National Institute on Disability and Rehabilitation Research (NIDRR) in het Department of Education onder Grant H133G090005 en Award Number H133P090008. De rest van het werk werd gedeeltelijk gefinancierd door de National Science Foundation (NSF) onder prijs #1910526. Bevindingen en meningen binnen dit werk weerspiegelen niet noodzakelijkerwijs de standpunten van NICHD, NIH, NIDRR of NSF.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
MATLAB 2021MatlabN/AEr kan elke recente MATLAB-versie worden gebruikt.

Referenties

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Rezeika, A., Benda, M., Stawicki, P., Gembler, F., Saboor, A., Volosyak, I. Brain-Computer Interface spellers: A review. Brain Science. 8 (4), 57(2018).
  2. Gannouni, S., Aledaily, A., Belwafi, K., Aboalsamh, H. Emotion detection using electroencephalography signals and a zero-time windowing-based epoch estimation and relevant electrode identification. Scientific Reports. 11 (1), 7071(2021).
  3. Daly, J. J., Wolpaw, J. R. Brain-computer interfaces in neurological rehabilitation. Lancet Neurology. 7 (11), 1032-1043 (2008).
  4. Birbaumer, N. Breaking the silence: brain-computer interfaces (BCI) for communication and motor control. Psychophysiology. 43 (6), 517-532 (2006).
  5. Riccio, A., Simione, L., Schettini, F., Pizzimenti, A., Inghilleri, M., Belardinelli, M. O. Attention and P300-based BCI performance in people with amyotrophic lateral sclerosis. Frontiers in Human Neuroscience. 7, 732(2013).
  6. Finke, A., Lenhardt, A., Ritter, H. The MindGame: a P300-based brain-computer interface game. Neural Network. 22 (9), 1329-1333 (2009).
  7. Farwell, L. A., Donchin, E. Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials. Electroencephalogr. Clinical Neurophysiology. 70 (6), 510-523 (1988).
  8. Li, Q., Lu, Z., Gao, N., Yang, J. Optimizing the performance of the visual P300-speller through active mental tasks based on color distinction and modulation of task difficulty. Frontiers in Human Neuroscience. 13, 130(2019).
  9. McFarland, D. J., Sarnacki, W. A., Townsend, G., Vaughan, T., Wolpaw, J. R. The P300-based brain-computer interface (BCI): effects of stimulus rate. Clinical Neurophysiology. 122 (4), 731-737 (2011).
  10. Krusienski, D. J., Sellers, E. W., Cabestaing, F., Bayoudh, S., McFarland, D. J., Vaughan, T. M. A comparison of classification techniques for the P300 Speller. Journal of Neural Engineering. 3 (4), 299-305 (2006).
  11. Sellers, E. W., Donchin, E. A P300-based brain-computer interface: initial tests by ALS patients. Clinical Neurophysiology. 117 (3), 538-548 (2006).
  12. Donchin, E., Spencer, K. M., Wijesinghe, R. The mental prosthesis: assessing the speed of a P300-based brain-computer interface. IEEE Transactions on Rehabilitation Engineering. 8 (2), 174-179 (2000).
  13. Höhne, J., Schreuder, M., Blankertz, B., Tangermann, M. A novel 9-class auditory ERP paradigm driving a predictive text entry system. Frontiers in Neuroscience. 5, 99(2011).
  14. Acqualagna, L., Treder, M. S., Blankertz, B. Chroma Speller: Isotropic visual stimuli for truly gaze-independent spelling. 2013 6th International IEEE/EMBS Conference on Neural Engineering (NER), , (2013).
  15. Townsend, G., LaPallo, B. K., Boulay, C. B., Krusienski, D. J., Frye, G. E., Hauser, C. K. A novel P300-based brain-computer interface stimulus presentation paradigm: moving beyond rows and columns. Clinical Neurophysiology. 121 (7), 1109-1120 (2010).
  16. Guger, C., Daban, S., Sellers, E., Holzner, C., Krausz, G., Carabalona, R. How many people are able to control a P300-based brain-computer interface (BCI). Neuroscience Letters. 462 (1), 94-98 (2009).
  17. Mowla, M. R., Gonzalez-Morales, J. D., Rico-Martinez, J., Ulichnie, D. A., Thompson, D. E. A comparison of classification techniques to predict Brain-computer interfaces accuracy using classifier-based latency estimation. Brain Science. 10 (10), 734(2020).
  18. Thompson, D. E., Warschausky, S., Huggins, J. E. Classifier-based latency estimation: a novel way to estimate and predict BCI accuracy. Journal of Neural Engineering. 10 (1), 016006(2012).
  19. Thompson, D. E., Gruis, K. L., Huggins, J. E. A plug-and-play brain-computer interface to operate commercial assistive technology. Disability and Rehabilitation: Assistive Technology. 9 (2), 144-150 (2014).
  20. Korczowski, L., Ostaschenko, E., Andreev, A., Cattan, G., Coelho Rodrigues, P. L., Gautheret, V., Congedo, M. Brain Invaders calibration-less P300-based BCI using dry EEG electrodes Dataset (bi2014a) [Data set]. Zenodo. , (2019).
  21. Krusienski, D. J., Sellers, E. W., Cabestaing, F., Bayoudh, S., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. A comparison of classification techniques for the P300 Speller. Journal of Neural Engineering. 3 (4), 299-305 (2006).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

P300 spellerschatting van BCI prestatiesEEG datasetlineaire regressieaccuratessevoorspellingRMSE berekeningkenmerkextractieBrain Invader gegevens

Gerelateerde artikelen