Szacowanie wydajności pisowni interfejsu mózg-komputer oparte na P300 z szacowaniem opóźnień na podstawie klasyfikatora

Pomiar wydajności ma kluczowe znaczenie dla wszelkich badań lub zastosowań klinicznych obejmujących interfejsy mózg-komputer. CBLE pomaga ocenić skuteczność systemu dla każdego konkretnego użytkownika. CBLE może być używany do przewidywania dokładności P300 Speller użytkownika na podstawie zaledwie trzech do ośmiu znaków danych.

Aby rozpocząć, zainstaluj graficzny interfejs użytkownika do szacowania wydajności CBLE. Otwórz MATLAB i zmień bieżący katalog na folder graficznego interfejsu użytkownika. Kliknij kartę Aplikacje, wybierz Moje aplikacje i wybierz Oszacowanie wydajności CBLE.

W menu rozwijanym kliknij opcję Wybierz format zestawu danych i wybierz żądaną opcję. Następnie kliknij przycisk Wybierz folder wejściowy, aby wybrać katalog dla zestawu danych EEG. W polu tekstowym Liczba uczestników wprowadź liczbę uczestników do oszacowania.

Jeśli używasz danych Brain Invader, określ częstotliwość próbkowania zestawu danych. Wybierz wartość zdziesiątkowania, aby zmniejszyć próbkowanie zestawu danych do około 20 herców. Określ przedział czasu dla klasyfikacji w milisekundach.

Następnie zdefiniuj okno przesunięcia dla CBLE w milisekundach. Po zakończeniu kliknij przycisk Ustaw parametry, aby ustawić parametry analizy. Aby podzielić zestaw danych, wybierz liczbę celów dla rozmiaru zestawu treningowego.

Kliknij przycisk Podziel zestaw danych, aby podzielić zestaw danych na zestawy treningowe i testowe. W przypadku narzędzia Braininvaders kliknij przycisk Train a Model (Trenowanie modelu), aby zastosować regresję liniową przy użyciu równania dwa w zestawie danych treningowych. Następnie kliknij pozycję Przewiduj dokładność, aby zastosować wytrenowany model klasyfikatora do zestawu funkcji testowych i przewidzieć dokładności przy użyciu równania pierwszego.

Wybierz maksymalną liczbę docelową X do rozważenia zestawu testowego i naciśnij przycisk znajdź dokładność celu X. Następnie kliknij przycisk znajdź vCBLE, aby uzyskać vCBLE dla wszystkich celów. Kliknij przycisk Oblicz RMSE, aby obliczyć RMSE między oboma przewidywaniami na podstawie vCBLE z dokładnością BCI i dokładności X celu z dokładnością BCI.

Teraz kliknij dokładność w porównaniu z vCBLE, aby zaobserwować związek między całkowitą dokładnością a całkowitą vCBLE dla wszystkich uczestników. Kliknij opcję RMSE BCI i vCBLE, aby wyświetlić krzywą RMSE dokładności BCI i vCBLE. Aby przewidzieć dokładność pojedynczego uczestnika w Sub ID, wprowadź identyfikator podmiotu.Następnie wybierz liczbę docelową N i kliknij Predict, aby uzyskać przewidywaną dokładność uczestnika testu.

Otwórz graficzny interfejs użytkownika CBLE Performance Estimation. W menu rozwijanym kliknij opcję Wybierz format zestawu danych i wybierz opcję BCI2000. Kliknij przycisk Wybierz folder wejściowy, aby wybrać katalog dla zestawu danych EEG.

Wprowadź liczbę uczestników do oszacowania. Wybierz wartość dziesiętną i określ oryginał w oknie CBLE. Następnie wybierz numer znaku X.Następnie w polu Długość identyfikatora wprowadź długość identyfikatora podmiotu z plików zestawu danych.

W polu Identyfikator kanału wskaż łączną liczbę kanałów lub konkretne numery kanałów do analizy. Po sprawdzeniu formatu danych określ nazwy plików treningowych i testowych. W BCI2000 zestawie danych sprawdź plik testowy.

Następnie w polach numeru pliku testowego wprowadź numer pliku testowego. Teraz kliknij Uruchom i poczekaj, aż wszystkie parametry z listy kontrolnej zostaną zaznaczone. Następnie kliknij opcję Dokładność w porównaniu z vCBLE, aby zaobserwować zależność między całkowitą dokładnością a całkowitą vCBLE dla wszystkich uczestników.

Na koniec kliknij RMSE BCI i vCBLE, aby wyświetlić krzywą RMSE dokładności BCI i vCBLE. Zaobserwowano silną ujemną korelację między dokładnością BCI wykreśloną w stosunku do vCBLE dla zestawu danych braininvaders. RMSE vCBLE wykreślone na podstawie różnych rozmiarów zestawów danych testowych wykazało, że vCBLE działa lepiej niż dokładność BCI.

vCBLE jest w stanie przewidzieć dokładność BCI przy użyciu tylko siedmiu znaków. Modele predykcyjne vCBLE wykazały, że 10 osób było potrzebnych do zbudowania modelu regresji dla związku między vCBLE a dokładnością dla określonego paradygmatu eksperymentalnego. Model vCBLE wykazał lepszą wydajność dla zestawu danych Michigan z zestawami danych treningowych i testowych tego samego dnia.

Średnia wartość RMSE obliczona w ciągu trzech dni dla modeli vCBLE i dokładności przy użyciu danych z Michigan wykazała, że dopasowanie vCBLE miało niższy RMSE, gdy test zawierał mniej niż sześć znaków. RMSE dokładności vCBLE spada tylko o 0,025 z trzech znaków do optymalnej liczby, co sugeruje niewielki przyrost powyżej trzech znaków dla małego zestawu testowego. W tej pracy używamy prostej regresji liniowej, ale CBLE można obliczyć z dowolną zależną od czasu kombinacją ekstrakcji cech, wyboru cech i klasyfikatora.

Użyliśmy CBLE w celu zmniejszenia ilości danych wymaganych w naszych zestawach testowych. Inne laboratoria wykorzystały go do zbadania zmiennego opóźnienia między bodźcami a powiązanymi reakcjami mózgu.