Name: Estimativa de desempenho do corretor ortográfico da interface cérebro-computador baseada em P300 com estimativa de latência baseada em classificador (Vídeo) | JoVE Journal
Uploaded: 2023-09-08T12:00:00.000+00:00
Duration: 6 min 9 s
Description: Aprenda a estimar a precisão de interfaces cérebro-computador baseadas em P300 usando o método CBLE com conjuntos de dados pequenos. Esta abordagem computacional permite prever o desempenho do usuário com apenas três caracteres, facilitando aplicações em tempo real.

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

Os dados utilizados para resultados representativos foram coletados do trabalho apoiado pelo National Institute of Child Health and Human Development (NICHD), pelo National Institutes of Health (NIH) sob Grant R21HD054697 e pelo National Institute on Disability and Rehabilitation Research (NIDRR) no Departamento de Educação sob Grant H133G090005 e Award Number H133P090008. O resto do trabalho foi financiado em parte pela National Science Foundation (NSF) sob o prêmio #1910526. Os achados e opiniões dentro deste trabalho não refletem necessariamente as posições do NICHD, NIH, NIDRR ou NSF.

A GUI "CBLE Performance Estimation" foi aplicada a dois conjuntos de dados: "BrainInvaders" e Michigan. Para o conjunto de dados "BrainInvaders", a coleta de dados foi aprovada pelo Comitê de Ética da Universidade de Grenoble Alpes20. Os dados de Michigan foram coletados sob aprovação do Comitê de Revisão Institucional da Universidade de Michigan19. Os dados foram analisados de acordo com o protocolo isento 7516 da Kansas State University. Se coletar novos dados, siga o processo aprovado pelo IRB do usuário para coletar o consentimento informado. Aqui, o protocolo proposto é avaliado usando a análise off-line de dados previamente registrados e não identificados e, portanto, não requer consentimento informado adicional.
A interface gráfica do usuário (GUI) incluída neste artigo é proficiente no gerenciamento de dois formatos de conjunto de dados distintos. O primeiro formato está associado ao software BCI2000, enquanto o segundo formato é referido como o conjunto de dados "BrainInvaders". Para utilizar o formato "Brain Invaders", os dados devem ser pré-processados conforme descrito na etapa 1 da seção de protocolo. No entanto, ao lidar com o formato de conjunto de dados "BCI2000", a etapa 1 pode ser omitida.
1. Preparação dos dados
<ol><li>Somente BrainInvaders: Gere o arquivo de dados de entrada no formato de arquivo ".mat" que pode ser usado com a interface gráfica do usuário (GUI) "CBLE performance Estimation". Para obter um script de exemplo, consulte Arquivo de codificação suplementar 2. NOTA: Cada arquivo de dados consiste em uma matriz bidimensional composta por linhas que representam observações registradas em amostras de tempo distintas. As colunas matriciais numeradas de 2 a 17 são registros derivados de 16 eletrodos de EEG. A primeira coluna da matriz denota o carimbo de data/hora de cada observação, enquanto a coluna 18 engloba informações relacionadas a eventos experimentais. Na coluna 19, há principalmente zeros, mas quando um flash não Target (ou Target) é iniciado, os números mudam para um (ou dois) naquele momento específico. Uma descrição detalhada pode ser encontrada na referência20.</li>
</ol>2. Baixando e instalando o pacote GUI
<ol><li>Baixe e instale a GUI "CBLE Performance Estimation".</li>
</ol>3. Armazenando o conjunto de dados em uma subpasta do local da GUI
<ol><li>Certifique-se de que a pasta do conjunto de dados permaneça no mesmo diretório que a GUI.</li>
	<li>Por exemplo, crie uma nova pasta e coloque a GUI "CBLE Performance Estimation" dentro dela. Mantenha todos os conjuntos de dados em uma subpasta dentro da "GUI CBLE" chamada "Dataset".</li>
</ol>4. Abrindo a GUI instalada
<ol><li>Abra o MATLAB (consulte Tabela de Materiais), altere o diretório atual para a pasta onde a GUI está colocada, clique na guia APPS e selecione MY APPS.</li>
	<li>Na guia "MEUS APLICATIVOS", selecione Estimativa de desempenho CBLE.</li>
</ol>5. Escolhendo o formato do conjunto de dados
<ol><li>Selecione um formato de conjunto de dados na lista suspensa Selecionar formato de conjunto de dados.</li>
</ol>6. Carregando o arquivo de dados de EEG
<ol><li>Clique no botão Selecionar pasta de entrada para escolher o diretório onde o conjunto de dados está localizado.</li>
	<li>Observe a contagem de arquivos de dados presentes na pasta selecionada. NOTA: No formato "Brain Invaders", cada participante é representado por um único arquivo de dados. Portanto, o número total de arquivos de dados indica o número de participantes do estudo. No entanto, este não é o caso para o formato "BCI2000", pois cada participante pode ter vários arquivos de treinamento e teste.</li>
</ol>7. Definindo os parâmetros
<ol><li>Digite o número de participantes que o usuário pretende usar para o processo de estimativa no "Não. dos participantes" caixa de texto.</li>
	<li>Somente BrainInvaders: especifique a taxa de amostragem do conjunto de dados. Observação : BCI2000 arquivos incluem a taxa de amostragem.</li>
	<li>Escolha um valor de dizimação para reduzir a amostra do conjunto de dados para aproximadamente 20 Hz, a fim de melhorar o desempenho da classificação21. Por exemplo, se a frequência de amostragem for de 256 Hz, selecione um valor de dizimação de 13.</li>
	<li>Especifique a janela de tempo para a classificação em milissegundos. Observação : o tamanho de janela inicial recomendado é especificado, permitindo que o ponto de partida varie de 0 a 100 ms e o ponto final de 700 a 800 ms. No entanto, é importante evitar tornar o tamanho da janela excessivamente grande para evitar a sobreposição com outro evento P300.</li>
	<li>Defina a janela de deslocamento para CBLE em milissegundos. Observação : A 'janela de turno' refere-se ao intervalo de tempo expandido que o método CBLE pesquisa para localizar a resposta P3. O classificador será aplicado à época a partir do primeiro elemento da janela de deslocamento. O classificador é então aplicado sequencialmente a épocas iniciando uma amostra mais tarde, até que a época se estenda para fora da janela de turno. Assim, a janela shift deve ser maior do que a janela original; Empiricamente, valores inferiores a 100 ms de cada lado apresentam bom desempenho. Em qualquer caso, a margem deve ser mantida em menos da metade do ISI.</li>
	<li>BC2000 apenas: insira o comprimento do ID da entidade indicado nos arquivos do conjunto de dados dentro do campo "Comprimento da identificação". Observação : A GUI espera que os primeiros caracteres sub_len dos nomes de arquivos para codificar a ID do assunto.</li>
	<li>BCI2000 apenas: no campo "ID do canal", indique o número total de canais ou especifique os números de canal específicos a serem usados para a análise.</li>
	<li>Clique no botão Definir parâmetros para definir todos os parâmetros necessários para a análise.</li>
</ol>8. Somente BrainInvaders: Dividindo o conjunto de dados em conjunto de treinamento e teste
<ol><li>Selecione um número de destinos que represente o tamanho do conjunto de treinamento. A parte restante do conjunto de dados será considerada como o conjunto de dados de teste. NOTA: Para garantir o treinamento adequado do modelo, é essencial ter uma amostra de treinamento suficientemente grande. O tamanho mínimo recomendado da amostra de treinamento é 20, embora isso possa variar dependendo do tamanho geral do conjunto de dados. Se ocorrerem erros de regressão durante as sessões de treinamento, é aconselhável aumentar o tamanho da amostra de treinamento.</li>
	<li>Pressione o botão "Dividir o conjunto de dados" para dividir o conjunto de dados nos conjuntos de treinamento e teste. NOTA: Cada participante terá uma quantidade igual de dados de treinamento. No entanto, o número de dados do teste pode não ser igual para todos os participantes devido à possibilidade de múltiplas tentativas durante a tarefa. Consequentemente, o número total de alvos ou flashes apresentados pode variar de pessoa para pessoa.</li>
</ol>9. Treinando um modelo com o conjunto de dados de treinamento
NOTA: O passo 9.1 é aplicável para o formato "Brain Invaders" e o passo 9.2 é aplicável para o formato "BCI2000".
<ol><li>Somente BrainInvaders: Clique no botão Treinar um modelo para aplicar regressão linear no conjunto de dados de treinamento usando a Equação 2 para treinar um modelo classificador.</li>
	<li>BCI2000 apenas: indique nomes de arquivos de treinamento e teste junto com seu formato de dados (.dat) para distinguir os arquivos de treinamento e teste de todos os arquivos. Em seguida, clique no botão Treinar um modelo para aplicar regressão linear no conjunto de dados de treinamento.</li>
</ol>10. Prevendo a precisão do conjunto de teste
<ol><li>Clique em Prever precisão para aplicar o modelo de classificador treinado ao conjunto de recursos de teste e prever a precisão usando a Equação 1.</li>
</ol>11. Obtendo precisões do alvo X
<ol><li>Selecione um número de destino máximo, X, a ser considerado no conjunto de testes.</li>
	<li>BCI2000 apenas: selecione um número de arquivo de teste se o usuário tiver vários arquivos de teste.</li>
	<li>Pressione Localizar precisão de destino X.</li>
</ol>12. Cálculo do vCBLE
<ol><li>Clique no botão Find vCBLE para obter o vCBLE para todos os alvos.</li>
</ol>13. Cálculo da raiz quadrática média do erro (RMSE) da acurácia do BCI e do vCBLE
<ol><li>Clique no botão Calcular RMSE para calcular o RMSE entre ambas as previsões com base em vCBLE com precisão BCI e precisão X-target com precisão BCI.</li>
</ol>14. Visualização dos resultados da análise
<ol><li>Clique no botão Acurácia vs BCLEC para observar a relação entre a acurácia total e o total do LEBCC para todos os participantes.</li>
	<li>Pressione o botão RMSE do BCI & vCBLE para mostrar a curva RMSE da precisão do BCI e do vCBLE.</li>
</ol>15. Predizer o desempenho de um participante individual
<ol><li>Para prever a precisão de um participante individual, coloque o ID do assunto no Sub ID. NOTA: Aqui, o conjunto de dados de todos os participantes, excluindo o participante do teste, será usado para treinar um modelo de regressão linear. Os escores do vCBLE de todos os outros participantes e suas respectivas acurácias de teste serão utilizados como preditores e rótulos, respectivamente, para o classificador.</li>
	<li>Selecione um número de destino, n. A previsão será feita com base na precisão dos caracteres de n-teste.</li>
	<li>Clique no botão Prever para obter a precisão prevista do participante do teste.</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>

Todos os autores declaram não haver conflitos de interesse.

Este artigo descreveu um método para estimar a precisão do BCI usando um pequeno conjunto de dados P300. Aqui, o protocolo atual foi desenvolvido com base no conjunto de dados "bi2014a", embora a eficácia do protocolo tenha sido confirmada em dois conjuntos de dados diferentes. Para implementar com sucesso essa técnica, é crucial estabelecer certas variáveis, como a janela de época para os dados originais, a janela para mudança de tempo, a razão de amostragem para baixo e o tamanho dos conjuntos de dados de treinamento e...

As interfaces cérebro-computador (BCIs) são uma tecnologia não invasiva que permite que os indivíduos se comuniquem através de máquinas diretamente, sem levar em conta as limitações físicas impostas pelo corpo. O BCI pode ser utilizado como um dispositivo auxiliar operado diretamente pelo cérebro. O BCI usa a atividade cerebral de um usuário para determinar se o usuário pretende escolher uma determinada chave (letra, número ou símbolo) exibida na tela1. Em um sistema de computador típico, um usuário pressiona fisicamente a tecla pretendida em um teclado. No entanto, em um sistema BCI com uma exibição visual, o usuário precisa se concentrar na chave desejada. Em seguida, o BCI selecionará a chave pretendida analisando os sinais cerebrais medidos1. A atividade do cérebro pode ser medida usando várias técnicas. Embora existam tecnologias concorrentes de BCIs, o eletroencefalograma (EEG) é considerado uma técnica líder devido à sua natureza não invasiva, alta resolução temporal, confiabilidade e custo relativamente baixo2.
As aplicações da BCI incluem comunicação, controle de dispositivos e também entretenimento 3,4,5,6. Uma das áreas de aplicação BCI mais ativas é o corretor ortográfico P300, que foi introduzido por Farwell e Donchin7. O P300 é um potencial relacionado a eventos (PRE) produzido em resposta ao reconhecimento de um estímulo raro, porémrelevante8. Quando uma pessoa reconhece seu estímulo alvo, ela produz automaticamente um P300. O P300 é um sinal eficaz para um BCI, pois transmite o reconhecimento do participante do evento-alvo sem a necessidade de uma resposta externa9.
O P300 BCI atraiu pesquisadores da ciência da computação, engenharia elétrica, psicologia, fatores humanos e várias outras disciplinas. Avanços têm sido feitos no processamento de sinais, algoritmos de classificação, interfaces com o usuário, esquemas de estimulação e muitas outras áreas 10,11,12,13,14,15. No entanto, independentemente da área de pesquisa, o fio condutor de todas essas pesquisas é a necessidade de medir o desempenho do sistema BCI. Essa tarefa normalmente requer a geração de um conjunto de dados de teste. Essa necessidade não se limita à pesquisa; Uma eventual aplicação clínica como tecnologia assistiva provavelmente exigirá conjuntos de validação individuais para cada usuário final para garantir que o sistema possa gerar uma comunicação confiável.
Apesar da considerável pesquisa aplicada ao P300 BCI, os sistemas ainda são bastante lentos. Enquanto a maioria das pessoas é capaz de usar um P300 BCI16, a maioria dos P300 Spellers produzem texto na ordem de 1-5 caracteres por minuto. Infelizmente, essa velocidade lenta significa que a geração de conjuntos de dados de teste requer tempo e esforço substanciais para participantes, experimentadores e eventuais usuários finais. A medição da acurácia do sistema BCI é um problema de estimação de parâmetros binomiais, e muitos caracteres de dados são necessários para uma boa estimativa.
Para estimar a presença ou ausência do ERP P300, a maioria dos classificadores usa um modelo de classificação binária, que envolve a atribuição de um rótulo binário (por exemplo, "presença" ou "ausência") a cada ensaio ou época de dados de EEG. A equação geral usada pela maioria dos classificadores pode ser expressa como:
<img alt="Equation 1" src="/files/ftp_upload/64959/64959eq01.jpg" style="margin: auto;">
onde <img alt="Equation 2" src="/files/ftp_upload/64959/64959eq02.jpg" style="margin: auto;"> é chamado de escore do classificador, que representa a probabilidade da resposta do P300 estar presente, x é o vetor de feição extraído do sinal do EEG e b é um termo de viés17. A função f é uma função de decisão que mapeia os dados de entrada para o rótulo de saída e é aprendida a partir de um conjunto de dados de treinamento rotulados usando um algoritmo de aprendizado supervisionado17. Durante o treinamento, o classificador é treinado em um conjunto de dados rotulados de sinais de EEG, onde cada sinal é rotulado como tendo uma resposta P300 ou não. O vetor de peso e o termo de viés são otimizados para minimizar o erro entre a saída prevista do classificador e a etiqueta verdadeira do sinal de EEG. Uma vez treinado, o classificador pode ser usado para predizer a presença da resposta do P300 em novos sinais de EEG.
Diferentes classificadores podem usar diferentes funções de decisão, como análise discriminante linear (LDA), análise discriminante linear stepwise (SWLDA), mínimos quadrados (LS), regressão logística, máquinas de vetores de suporte (SVM) ou redes neurais (NNs). O classificador de mínimos quadrados é um classificador linear que minimiza a soma de erros quadrados entre os rótulos de classe previstos e os rótulos de classe verdadeiros. Este classificador prevê o rótulo de classe de uma nova amostra de teste usando a seguinte equação:
<img alt="Equation 3" src="/files/ftp_upload/64959/64959eq03.jpg" style="margin: auto;">(1)
onde a função de sinal retorna +1 se o produto for positivo e -1 se for negativo, e o vetor <img alt="Equation 4" src="/files/ftp_upload/64959/64959eq04.jpg" style="margin: auto;"> de peso é obtido a partir do conjunto de características dos dados de treinamento, (x) e rótulos de classe (y) usando a equação abaixo:
<img alt="Equation 5" src="/files/ftp_upload/64959/64959eq05.jpg" style="margin: auto;">    (2)
Em pesquisas anteriores, argumentamos que a Estimativa de Latência Baseada em Classificadores (CBLE) pode ser usada para estimar a acurácia do BCI 17,18,19. O CBLE é uma estratégia para avaliar a variação da latência explorando a sensibilidade temporal do classificador18. Enquanto a abordagem convencional da classificação do P300 envolve o uso de uma única janela de tempo sincronizada com cada apresentação do estímulo, o método CBLE envolve a criação de várias cópias deslocadas no tempo das épocas pós-estímulo. Em seguida, detecta o desvio temporal que resulta no escore máximo para estimar a latência da resposta do P30017,18. Aqui, este trabalho apresenta um protocolo que estima o desempenho do BCI a partir de um pequeno conjunto de dados usando CBLE. Como uma análise representativa, o número de caracteres é variado para fazer previsões do desempenho geral de um indivíduo. Para ambos os conjuntos de dados de exemplo, a raiz do erro quadrático médio (RMSE) para vCBLE e a precisão real do BCI foram calculados. Os resultados indicam que o RMSE das predições da vCBLE, usando seus dados ajustados, foi consistentemente menor do que a precisão derivada de 1 a 7 caracteres testados.
Foi desenvolvida uma Interface Gráfica com o Usuário (GUI) denominada "CBLE Performance Estimation" para a implementação da metodologia proposta. O código de exemplo também é fornecido (Supplementary Coding File 1) que opera na plataforma MATLAB. O código de exemplo executa todas as etapas aplicadas na GUI, mas as etapas são fornecidas para ajudar o leitor a se adaptar a um novo conjunto de dados. Este código emprega um conjunto de dados publicamente disponível "Brain Invaders calibration-less P300-based BCI using dry EEG electrodes Dataset (bi2014a)" para avaliar o método proposto20. Os participantes jogaram até três sessões de jogo de Brain Invaders, cada sessão tendo 9 níveis do jogo. A coleta de dados continuou até que todos os níveis fossem completados ou o participante perdesse todo o controle sobre o sistema BCI. A interface do Brain Invaders incluía 36 símbolos que piscavam em 12 grupos de seis alienígenas. De acordo com o paradigma Brain Invaders P300, uma repetição foi criada por 12 flashes, um para cada grupo. Desses 12 flashes, dois flashes continham o símbolo Target (conhecido como flashes Target), enquanto os 10 flashes restantes não continham o símbolo Target (conhecido como flashes não-Target). Mais informações sobre esse paradigma podem ser encontradas na referência original20.
A abordagem CBLE também foi implementada em um conjunto de dados de Michigan, que continha dados de 40 participantes18,19. Aqui, os dados de oito participantes tiveram que ser descartados porque suas tarefas estavam incompletas. Todo o estudo exigiu três visitas de cada participante. No primeiro dia, cada participante digitou uma sentença de treinamento de 19 caracteres, seguida por três sentenças de teste de 23 caracteres nos Dias 1, 2 e 3. Neste exemplo, o teclado incluía 36 caracteres que foram agrupados em seis linhas e seis colunas. Cada linha ou coluna foi piscada por 31,25 milissegundos com um intervalo de 125 milissegundos entre os flashes. Entre os caracteres, uma pausa de 3,5 s foi fornecida.
A Figura 1 mostra o diagrama de blocos do método proposto. O procedimento detalhado está descrito na seção de protocolo.

<table><tbody><tr><td>MATLAB 2021</td><td>Matlab</td><td>N/A</td><td>Qualquer versão recente do MATLAB pode ser usada.</td></tr></tbody></table>

estimativa de desempenho do corretor ortográfico da interface cérebro-computador baseada em p300 com estimativa de latência baseada em classificador

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

A estimativa de desempenho é uma etapa necessária no desenvolvimento e validação de sistemas de Interface Cérebro-Computador (ICB). Infelizmente, mesmo os sistemas BCI modernos são lentos, tornando a coleta de dados suficientes para validação uma tarefa demorada para usuários finais e experimentadores. No entanto, sem dados suficientes, a variação aleatória no desempenho pode levar a falsas inferências sobre o quão bem um BCI está funcionando para um usuário específico. Por exemplo, os ortógrafos P300 geralmente operam em torno de 1-5 caracteres por minuto. Para estimar a precisão com uma resolução de 5% requer 20 caracteres (4-20 min). Apesar desse investimento de tempo, os limites de confiança para precisão de 20 caracteres podem chegar a ±23%, dependendo da precisão observada. Um método publicado anteriormente, Classifier-Based Latency Estimation (CBLE), mostrou-se altamente correlacionado com a acurácia do BCI. Este trabalho apresenta um protocolo para o uso do CBLE para prever a precisão do digitador P300 de um usuário a partir de relativamente poucos caracteres (~3-8) de dados de digitação. Os limites de confiança resultantes são mais apertados do que aqueles produzidos pelos métodos tradicionais. O método pode, portanto, ser usado para estimar o desempenho do BCI de forma mais rápida e/ou mais precisa.

O protocolo proposto foi testado em dois conjuntos de dados diferentes: "BrainInvaders" e o conjunto de dados de Michigan. Esses conjuntos de dados já são apresentados brevemente na seção Introdução. Os parâmetros utilizados para esses dois conjuntos de dados são mencionados na Tabela 1. As Figuras 2 a 4 ilustram os achados obtidos com o conjunto de dados "BrainInvaders", enquanto as Figuras 5 a...

Este artigo apresenta um método para estimar a precisão da Interface Cérebro-Computador (BCI) do ortógrafo P300 no mesmo dia usando um pequeno conjunto de dados de teste.

Estimativa de desempenho do corretor ortográfico da interface cérebro-computador baseada em P300 com estimativa de latência baseada em classificador

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

A medição do desempenho é crucial para qualquer pesquisa ou aplicação clínica envolvendo interfaces cérebro-computador. O CBLE ajuda a avaliar a eficácia de um sistema para qualquer usuário em particular. O CBLE pode ser usado para prever a precisão do P300 Speller do usuário de apenas três a oito caracteres de dados.Para começar, instale a interface gráfica do usuário de estimativa de desempenho do CBLE. Abra o MATLAB e altere o diretório atual para a pasta da interface gráfica do usuário. Clique na guia Aplicativos, selecione Meus aplicativos e escolha Estimativa de desempenho CBLE.No menu suspenso, clique em Selecionar formato de conjunto de dados e escolha a opção desejada. Em seguida, clique no botão Selecionar pasta de entrada para escolher o diretório para o conjunto de dados EEG. Na caixa de texto número de participantes, insira o número de participantes para a estimativa.Se estiver usando dados do Brain Invader, especifique a taxa de amostragem do conjunto de dados. Escolha um valor de dizimação para reduzir a amostra do conjunto de dados para aproximadamente 20 hertz. Especifique a janela de tempo para a classificação em milissegundos.Em seguida, defina a janela de deslocamento para CBLE em milissegundos. Uma vez feito, clique no botão Definir parâmetros para definir parâmetros de análise. Para dividir o conjunto de dados, selecione o número de destinos para o tamanho do conjunto de treinamento.Clique no botão Dividir o conjunto de dados para dividir o conjunto de dados em conjuntos de treinamento e teste. Para Braininvaders, clique no botão treinar um modelo para aplicar regressão linear usando a equação dois no conjunto de dados de treinamento. Em seguida, clique em Prever Precisão para aplicar o modelo de classificador treinado ao conjunto de recursos de teste e prever as precisões usando a equação um.Selecione o número máximo de destino X para consideração do conjunto de teste e pressione localizar a precisão do alvo X. Em seguida, clique no botão localizar vCBLE para obter o vCBLE para todos os destinos. Clique no botão Calcular RMSE para calcular o RMSE entre ambas as previsões com base em vCBLE com precisão BCI e precisão de alvo X com precisão BCI.Agora clique em precisão versus vCBLE para observar a relação entre acurácia total e total vCBLE para todos os participantes. Clique em RMSE de BCI e vCBLE para exibir a curva RMSE de precisão BCI e vCBLE. Para prever a precisão de um participante individual no Sub ID, insira o ID do assunto.Em seguida, selecione um número de destino N e clique em Prever para obter a precisão prevista do participante do teste.Abra a interface gráfica do usuário do CBLE Performance Estimation. No menu suspenso, clique em Selecionar formato de conjunto de dados e escolha a opção BCI2000. Clique no botão Selecionar pasta de entrada para escolher o diretório para o conjunto de dados EEG.Insira o número de participantes para a estimativa. Escolha um valor de dizimação e especifique o original na janela CBLE. Em seguida, escolha o número do caractere X.Em seguida, no campo Comprimento do ID, insira o comprimento do ID do assunto dos arquivos do conjunto de dados.No campo ID do canal, indique o número total de canais ou números de canal específicos para análise. Depois de verificar o formato de dados, especifique nomes de arquivo de treinamento e teste. No conjunto de dados BCI2000, verifique o arquivo de teste.Em seguida, nos campos número do arquivo de teste, insira o número do arquivo de teste. Agora clique em Executar e aguarde até que todos os parâmetros da lista de verificação sejam marcados. Em seguida, clique em Acurácia versus LEBCv para observar a relação entre a acurácia total e o LEBC total para todos os participantes.Finalmente, clique em RMSE de BCI e vCBLE para exibir a curva RMSE de precisão BCI e vCBLE. Uma forte correlação negativa foi observada entre a acurácia do BCI plotado contra o vCBLE para o conjunto de dados braininvaders. O RMSE do vCBLE plotado contra diferentes tamanhos de conjunto de dados de teste mostrou que o vCBLE tem um desempenho melhor do que a precisão do BCI.O vCBLE é capaz de prever a precisão do BCI usando apenas sete caracteres. Os modelos de predição do LECBv indicaram que 10 indivíduos foram necessários para construir o modelo de regressão para a relação entre o LECBv e a acurácia para um determinado paradigma experimental. O modelo vCBLE mostrou melhor desempenho para o conjunto de dados de Michigan com conjuntos de dados de treinamento e teste no mesmo dia.O RMSE médio calculado ao longo de três dias para os modelos de vCBLE e acurácia usando dados de Michigan mostrou que o ajuste do vCBLE teve um RMSE menor quando o teste incluiu menos de seis caracteres. O RMSE da precisão do vCBLE cai em apenas 0,025 de três caracteres para o número ideal, sugerindo pouco ganho além de três caracteres para o pequeno conjunto de teste. Neste trabalho, usamos regressão linear simples, Mas o CBLE pode ser calculado com qualquer combinação dependente de tempo de extração de característica, seleção de característica, e classificador.Usamos o CBLE para reduzir os dados necessários para nossos conjuntos de teste. Outros laboratórios o usaram para investigar a latência variável entre estímulos e as respostas cerebrais relacionadas.

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

Research

JoVE Journal

Neuroscience

Neurociência

Este protocolo apresenta uma nova metodologia para a decodificação neural da intenção de bebês que se comportam livremente durante a interação social improvisada com um ator. A atividade neural é adquirida usando eletroencefalografia (EEG) ativa de alta densidade não invasiva do couro cabeludo. Os dados cinemáticos são coletados com unidades de medição inercial e complementados com gravação de vídeo sincronizada.

Uma nova abordagem experimental e analítico ao Neural Decodificação de Intenções Multimodal Durante Interação Social no Livremente-comportando bebês humanos

Com este experimento, pode-se ser capaz de detectar a consciência em pessoas com distúrbios da consciência. Além disso, a abordagem pode criar um canal de comunicação simples que permite que as pessoas dêem respostas simples de SIM / NÃO às perguntas.

Avaliação e Comunicação para Pessoas com Distúrbios da Consciência

Este artigo discute como construir uma interface cérebro-computador baseando-se em equipamentos de nível de consumo e potenciais evocados visuais em estado estacionário. Para isso, um eletroencefalógrafo de canal único explorando eletrodos secos foi integrado a óculos de realidade aumentada para apresentação de estímulos e visualização dos dados de saída. O sistema final era não invasivo, vestível e portátil.

Uma interface cérebro-computador vestível de canal único e não invasiva para a indústria e a saúde

O objetivo deste estudo é fornecer uma referência importante para a operação clínica padrão da interface cérebro-computador de imagens motoras (MI-BCI) para disfunção motora do membro superior após acidente vascular cerebral.

Interface cérebro-computador de imagens motoras na reabilitação da disfunção motora do membro superior após acidente vascular cerebral

As imagens motoras em um ambiente de realidade virtual têm amplas aplicações em sistemas de interface cérebro-computador. Este manuscrito descreve o uso de avatares digitais personalizados que se assemelham aos participantes realizando movimentos imaginados pelo participante em um ambiente de realidade virtual para aumentar a imersão e o senso de propriedade do corpo.

Desempenho de imagens motoras por meio de gêmeos digitais incorporados em um ambiente de interface cérebro-computador habilitado para realidade virtual

Este estudo apresenta um sistema de interface cérebro-computador (BCI) para pacientes com AVC, que combina sinais de eletroencefalografia e eletrooculografia para controlar uma mão robótica de membro superior, aprimorando as atividades diárias. A avaliação utilizou o Teste Bimanual de Berlim para AVC (BeBiTS).

Sistema robótico de membro superior controlado por interface cérebro-computador para melhorar as atividades diárias em pacientes com AVC

Este estudo apresenta um protocolo padronizado e reprodutível para implementar a ferramenta de análise de EEG de Frequência Espaço-Temporal (STFEEG) para decodificação de EEG por imagem motora, incorporando segmentação configurável de frequência espaço-temporal, extração de características baseada em Padrões Espaciais Comuns (CSP), múltiplos algoritmos de classificação e capacidades de visualização.

STFEEG-Tool: Uma ferramenta de análise de EEG em frequência espacial-temporal para interfaces cérebro-computador de imagens motoras

Nós usamos um circuito fechado de interface fly-máquina para investigar os princípios gerais no controle neuronal.

Uma Plataforma Experimental para Estudo de Desempenho de circuito fechado de interfaces cérebro-máquina

O efeito de leveza e hipergravidade em ambos os processos hemodinâmicos e eletrofisiológicos no cérebro vai ser seguido durante o vôo parabólico por técnicas de EEG e NIRS. Um estudo de viabilidade de um experimento mais complexo, que está prevista a realização de, durante o vôo espacial de médio e longo prazo.

Coerência entre a função cerebral cortical e Desempenho neurocognitiva durante condições de gravidade mudou

Um procedimento é descrito para manipular a actividade de neurónios piramidais corticais cerebrais optogenetically enquanto o electroencefalograma, electromiograma, e concentração do lactato cerebral são monitorados. Gravações experimentais são realizados em ratinhos de cabo-cativos, enquanto eles sofrem espontâneas do sono / vigília ciclos. Optogenética equipamento é montado no nosso laboratório, o equipamento de gravação encontra-se comercialmente disponível.

Eletroencefalografia simultânea, em tempo real de medição da concentração de lactato e Manipulação optogenética da atividade neuronal do córtex cerebral de roedores

Aprenda a estimar a precisão de interfaces cérebro-computador baseadas em P300 usando o método CBLE com conjuntos de dados pequenos. Esta abordagem computacional permite prever o desempenho do usuário com apenas três caracteres, facilitando aplicações em tempo real.

Estimativa de desempenho do corretor ortográfico da interface cérebro-computador baseada em P300 com estimativa de latência baseada em classificador (Vídeo) | JoVE Journal

Estimativa de desempenho do corretor ortográfico da interface cérebro-computador baseada em P300 com estimativa de latência baseada em classificador

Explorar mais vídeos