Method Article

P300 Tabanlı Beyin-Bilgisayar Arayüzü Yazım Denetleyicisi Performans Tahmini ile Sınıflandırıcı Tabanlı Gecikme Tahmini

DOI:

10.3791/64959

⸱

September 8th, 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 This Article

Summary

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

Bu makale, küçük bir test veri kümesi kullanarak aynı gün P300 heceleyici Beyin-Bilgisayar Arayüzü (BCI) doğruluğunu tahmin etmek için bir yöntem sunar.

Abstract

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

Performans tahmini, Beyin-Bilgisayar Arayüzü (BCI) sistemlerinin geliştirilmesi ve doğrulanmasında gerekli bir adımdır. Ne yazık ki, modern BCI sistemleri bile yavaştır ve doğrulama için yeterli veri toplamayı hem son kullanıcılar hem de deneyciler için zaman alıcı bir görev haline getirir. Yine de yeterli veri olmadan, performanstaki rastgele değişiklik, bir BCI'nın belirli bir kullanıcı için ne kadar iyi çalıştığına dair yanlış çıkarımlara yol açabilir. Örneğin, P300 heceleyicileri genellikle dakikada yaklaşık 1-5 karakter çalışır. %5 çözünürlükle doğruluğu tahmin etmek için 20 karakter (4-20 dakika) gerekir. Bu zaman yatırımına rağmen, 20 karakterden itibaren doğruluk için güven sınırları, gözlemlenen doğruluğa bağlı olarak %±23'e kadar çıkabilir. Daha önce yayınlanmış bir yöntem olan Sınıflandırıcı Tabanlı Gecikme Tahmini'nin (CBLE) BCI doğruluğu ile yüksek oranda ilişkili olduğu gösterilmiştir. Bu çalışma, bir kullanıcının P300 yazım denetleyicisinin doğruluğunu nispeten az sayıda karakterden (~3-8) yazma verisinden tahmin etmek için CBLE kullanmak için bir protokol sunar. Ortaya çıkan güven sınırları, geleneksel yöntemlerle üretilenlerden daha sıkıdır. Böylece yöntem, BCI performansını daha hızlı ve/veya daha doğru bir şekilde tahmin etmek için kullanılabilir.

Introduction

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

Beyin-bilgisayar arayüzleri (BCI'ler), bireylerin vücut tarafından dayatılan fiziksel sınırlamalara bakılmaksızın doğrudan makineler aracılığıyla iletişim kurmasına olanak tanıyan, invaziv olmayan bir teknolojidir. BCI, doğrudan beyin tarafından çalıştırılan yardımcı bir cihaz olarak kullanılabilir. BCI, kullanıcının ekranda görüntülenen belirli bir anahtarı (harf, sayı veya sembol) seçmek isteyip istemediğini belirlemek için kullanıcının beyin aktivitesini kullanır1. Tipik bir bilgisayar sisteminde, bir kullanıcı klavyede istenen tuşa fiziksel olarak basar. Bununla birlikte, görsel ekranlı bir BCI sisteminde, kullanıcının istenen tuşa odaklanm....

Access restricted. Please log in or start a trial to view this content.

Protocol

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

"CBLE Performans Tahmini" GUI'si iki veri kümesine uygulandı: "BrainInvaders" veri kümesi ve Michigan veri kümesi. "BrainInvaders" veri seti için veri toplama, Grenoble Alpes20 Üniversitesi Etik Komitesi tarafından onaylandı. Michigan verileri, Michigan Üniversitesi Kurumsal İnceleme Kurulu onayı altında toplanmıştır19. Veriler, Kansas Eyalet Üniversitesi muafiyet protokolü 7516 kapsamında analiz edildi. Yeni veri topluyorsanız, bilgilendirilmiş onay almak için kullanıcının IRB onaylı sürecini izleyin. Burada, önerilen protokol, önceden kaydedilmiş, kimliksizleştirilmiş verilerin çevrimdışı analizi kullanılarak değerlend....

Access restricted. Please log in or start a trial to view this content.

Results

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

Önerilen protokol iki farklı veri kümesi üzerinde test edilmiştir: "BrainInvaders" ve Michigan veri kümesi. Bu veri kümeleri Giriş bölümünde kısaca tanıtılmıştır. Bu iki veri kümesi için kullanılan parametreler Tablo 1'de belirtilmiştir. Şekil 2-4, "BrainInvaders" veri seti kullanılarak elde edilen bulguları gösterirken, Şekil 5-7, Michigan veri setinden elde edilen sonuçları gö.......

Access restricted. Please log in or start a trial to view this content.

Discussion

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

Bu makale, küçük bir P300 veri kümesi kullanarak BCI doğruluğunu tahmin etmek için bir yöntemi özetledi. Burada, mevcut protokol "bi2014a" veri setine dayalı olarak geliştirilmiştir, ancak protokolün etkinliği iki farklı veri setinde doğrulanmıştır. Bu tekniği başarılı bir şekilde uygulamak için, orijinal veriler için dönem penceresi, zaman kaydırma penceresi, aşağı örnekleme oranı ve hem eğitim hem de test veri kümelerinin boyutu gibi belirli değişkenleri belirlemek çok önemlidir. Bu değişkenler, hedef veya karakter say.......

Access restricted. Please log in or start a trial to view this content.

Disclosures

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

Tüm yazarlar herhangi bir çıkar çatışması olmadığını beyan eder.

Acknowledgements

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

Temsili sonuçlar için kullanılan veriler, Ulusal Çocuk Sağlığı ve İnsani Gelişme Enstitüsü (NICHD), Grant R21HD054697 kapsamındaki Ulusal Sağlık Enstitüleri (NIH) ve Ulusal Engellilik ve Rehabilitasyon Araştırmaları Enstitüsü (NIDRR) tarafından desteklenen çalışmalar H133P090008 H133G090005 dan toplanmıştır. Çalışmanın geri kalanı kısmen Ulusal Bilim Vakfı (NSF) tarafından #1910526 ödülü altında finanse edildi. Bu çalışmadaki bulgular ve görüşler NICHD, NIH, NIDRR veya NSF'nin pozisyonlarını yansıtmayabilir.

....

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
MATLAB 2021MATLABN/AHerhangi bir yeni MATLAB sürümü kullanılabilir.

References

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

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

P300 SpellerBrain Computer InterfaceClassifier Based Latency EstimationBCI Performance EstimationEEG DatasetLinear RegressionAccuracy PredictionRMSE CalculationFeature ExtractionBrain Invader Data

Related Articles