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

Het meten van prestaties is cruciaal voor elk onderzoek of klinische toepassing waarbij hersencomputerinterfaces betrokken zijn. CBLE helpt bij het evalueren van de effectiviteit van een systeem voor een bepaalde gebruiker. CBLE kan worden gebruikt om de nauwkeurigheid van de P300 Speller van de gebruiker te voorspellen op basis van slechts drie tot acht tekens aan gegevens.

Installeer om te beginnen de grafische gebruikersinterface voor het schatten van CBLE-prestaties. Open MATLAB en wijzig de huidige map in de map met de grafische gebruikersinterface. Klik op het tabblad Apps, selecteer Mijn apps en kies CBLE Performance Estimation.

Klik in het vervolgkeuzemenu op Gegevenssetindeling selecteren en kies de gewenste optie. Klik vervolgens op de Selecteer invoermap knop om de map voor de EEG-dataset te kiezen. Voer in het tekstvak Aantal deelnemers het aantal deelnemers voor de schatting in.

Als u Brain Invader-gegevens gebruikt, specificeert u de steekproeffrequentie van de gegevensset. Kies een decimeringswaarde om de gegevensset te verlagen tot ongeveer 20 hertz. Geef het tijdvenster voor de classificatie op in milliseconden.

Definieer vervolgens het schakelvenster voor CBLE in milliseconden. Als u klaar bent, klikt u op de knop Parameters instellen om analyseparameters in te stellen. Als u de gegevensset wilt splitsen, selecteert u het aantal doelen voor de grootte van de trainingsset.

Klik op de knop De gegevensset splitsen om de gegevensset op te splitsen in trainings- en testsets. Voor Braininvaders klikt u op de knop Een model trainen om lineaire regressie toe te passen met behulp van vergelijking twee op de trainingsgegevensset. Klik vervolgens op Nauwkeurigheid voorspellen om het getrainde classificatiemodel toe te passen op de testfunctieset en de nauwkeurigheid te voorspellen met behulp van vergelijking één.

Selecteer het maximale doelgetal X dat u wilt gebruiken om de testset te overwegen en druk op zoek naar X-doelnauwkeurigheid. Klik vervolgens op de knop vCBLE zoeken om de vCBLE voor alle doelen te krijgen. Klik op de knop RMSE berekenen om de RMSE tussen beide voorspellingen te berekenen op basis van vCBLE met BCI-nauwkeurigheid en X-doelnauwkeurigheid met BCI-nauwkeurigheid.

Klik nu op nauwkeurigheid versus vCBLE om de relatie tussen totale nauwkeurigheid en totale vCBLE voor alle deelnemers te observeren. Klik op RMSE van BCI en vCBLE om de RMSE-curve van BCI-nauwkeurigheid en vCBLE weer te geven. Voor het voorspellen van de nauwkeurigheid van een individuele deelnemer in Sub ID, voert u de onderwerp-ID in. Selecteer vervolgens een doelgetal N en klik op Voorspellen om de voorspelde nauwkeurigheid van de testdeelnemer te krijgen.

Open de grafische gebruikersinterface van CBLE Performance Estimation. Klik in het vervolgkeuzemenu op Gegevenssetindeling selecteren en kies de optie BCI2000. Klik op de knop Invoermap selecteren om de map voor de EEG-gegevensset te kiezen.

Voer het aantal deelnemers in voor de schatting. Kies een decimeringswaarde en geef het origineel op in het CBLE-venster. Kies vervolgens tekennummer X.Voer vervolgens in het veld ID-lengte de ID-lengte van het onderwerp in de gegevenssetbestanden in.

Geef in het veld Kanaal-ID het totale aantal kanalen of specifieke kanaalnummers voor analyse op. Nadat u de gegevensindeling hebt gecontroleerd, geeft u de namen van de trainings- en testbestanden op. Controleer het testbestand in de BCI2000 gegevensset.

Voer vervolgens in de velden voor het testbestandsnummer het testbestandsnummer in. Klik nu op Uitvoeren en wacht tot alle parameters uit de checklist zijn aangevinkt. Klik vervolgens op Nauwkeurigheid versus vCBLE om de relatie tussen totale nauwkeurigheid en totale vCBLE voor alle deelnemers te bekijken.

Klik ten slotte op RMSE van BCI en vCBLE om de RMSE-curve van BCI-nauwkeurigheid en vCBLE weer te geven. Er werd een sterke negatieve correlatie waargenomen tussen de BCI-nauwkeurigheid uitgezet tegen vCBLE voor de braininvaders-dataset. De RMSE van vCBLE uitgezet tegen verschillende testdatasetgroottes toonde aan dat vCBLE beter presteert dan BCI-nauwkeurigheid.

vCBLE is in staat om de nauwkeurigheid van BCI te voorspellen met behulp van slechts zeven tekens. vCBLE-voorspellingsmodellen gaven aan dat 10 individuen nodig waren om het regressiemodel te bouwen voor de relatie tussen vCBLE en nauwkeurigheid voor een bepaald experimenteel paradigma. Het vCBLE-model liet betere prestaties zien voor de Michigan-dataset met datasets voor training en testen op dezelfde dag.

De gemiddelde RMSE berekend over drie dagen voor vCBLE- en nauwkeurigheidsmodellen met behulp van Michigan-gegevens toonde aan dat de vCBLE-pasvorm een lagere RMSE had wanneer de test minder dan zes tekens bevatte. De RMSE van vCBLE-nauwkeurigheid daalt met slechts 0,025 van drie tekens naar het optimale getal, wat suggereert dat er weinig winst is boven drie tekens voor de kleine testset. In dit werk gebruiken we eenvoudige lineaire regressie, maar CBLE kan worden berekend met elke tijdsafhankelijke combinatie van functie-extractie, functieselectie en classificatie.

We hebben CBLE gebruikt om de gegevens die nodig zijn voor onze testsets te verminderen. Andere laboratoria hebben het gebruikt om de variabele latentie tussen stimuli en de gerelateerde hersenreacties te onderzoeken.