يعد قياس الأداء أمرا بالغ الأهمية لأي بحث أو تطبيق سريري يتضمن واجهات الدماغ الحاسوبية. يساعد CBLE في تقييم فعالية النظام لأي مستخدم معين. يمكن استخدام CBLE للتنبؤ بدقة P300 Speller للمستخدم من ثلاثة إلى ثمانية أحرف فقط من البيانات.
للبدء ، قم بتثبيت واجهة المستخدم الرسومية لتقدير أداء CBLE. افتح MATLAB وقم بتغيير الدليل الحالي إلى مجلد واجهة المستخدم الرسومية. انقر فوق علامة التبويب التطبيقات ، وحدد تطبيقاتي ، واختر تقدير أداء CBLE.
في القائمة المنسدلة ، انقر فوق تحديد تنسيق مجموعة البيانات واختر الخيار المطلوب. بعد ذلك ، انقر فوق حدد مجلد الإدخال زر لاختيار الدليل لمجموعة بيانات EEG. في مربع النص عدد المشاركين، أدخل عدد المشاركين للتقدير.
إذا كنت تستخدم بيانات Brain Invader ، فحدد معدل أخذ العينات لمجموعة البيانات. اختر قيمة التخفيض لأخذ عينة من البيانات المحددة إلى 20 هرتز تقريبا. حدد الإطار الزمني للتصنيف بالمللي ثانية.
ثم حدد نافذة التحول ل CBLE بالمللي ثانية. بمجرد الانتهاء ، انقر فوق تعيين المعلمات زر لتعيين معلمات التحليل. لتقسيم مجموعة البيانات، حدد عدد الأهداف لحجم مجموعة التدريب.
انقر فوق الزر تقسيم مجموعة البيانات لتقسيم مجموعة البيانات إلى مجموعات تدريب واختبار. بالنسبة إلى Braininvaders ، انقر فوق الزر تدريب نموذج لتطبيق الانحدار الخطي باستخدام المعادلة الثانية في مجموعة بيانات التدريب. بعد ذلك ، انقر فوق توقع الدقة لتطبيق نموذج المصنف المدرب على مجموعة ميزات الاختبار وتوقع الدقة باستخدام المعادلة الأولى.
حدد الحد الأقصى للرقم المستهدف X للنظر في مجموعة الاختبار واضغط على البحث عن دقة الهدف X. ثم انقر فوق الزر "البحث عن vCBLE" للحصول على vCBLE لجميع الأهداف. انقر فوق الزر حساب RMSE لحساب RMSE بين كلا التنبؤين بناء على vCBLE بدقة BCI ودقة هدف X بدقة BCI.
الآن انقر فوق الدقة مقابل vCBLE لمراقبة العلاقة بين الدقة الكلية وإجمالي vCBLE لجميع المشاركين. انقر فوق RMSE من BCI و vCBLE لعرض منحنى RMSE لدقة BCI و vCBLE. للتنبؤ بدقة مشارك فردي في المعرف الفرعي ، أدخل معرف الموضوع ، ثم حدد الرقم المستهدف N وانقر فوق توقع للحصول على الدقة المتوقعة للمشارك في الاختبار.
افتح واجهة المستخدم الرسومية لتقدير أداء CBLE. في القائمة المنسدلة ، انقر فوق تحديد تنسيق مجموعة البيانات واختر خيار BCI2000. انقر فوق الزر تحديد مجلد الإدخال لاختيار الدليل لمجموعة بيانات EEG.
أدخل عدد المشاركين في التقدير. اختر قيمة إهلاك وحدد الأصل في نافذة CBLE. ثم اختر رقم الحرف X.Next ، في حقل طول المعرف ، أدخل طول معرف الموضوع من ملفات مجموعة البيانات.
في الحقل معرف القناة، أشر إلى إجمالي عدد القنوات أو أرقام قنوات محددة للتحليل. بعد التحقق من تنسيق البيانات ، حدد أسماء ملفات التدريب والاختبار. من مجموعة بيانات BCI2000 ، تحقق من ملف الاختبار.
ثم في حقول رقم ملف الاختبار ، أدخل رقم ملف الاختبار. الآن انقر فوق تشغيل ، وانتظر حتى يتم تحديد جميع المعلمات من قائمة التحقق. ثم انقر فوق الدقة مقابل vCBLE لمراقبة العلاقة بين الدقة الكلية وإجمالي vCBLE لجميع المشاركين.
أخيرا ، انقر فوق RMSE من BCI و vCBLE لعرض منحنى RMSE لدقة BCI و vCBLE. لوحظ وجود علاقة سلبية قوية بين دقة BCI المرسومة مقابل vCBLE لمجموعة بيانات غزاة الأدمغة. أظهر RMSE الخاص ب vCBLE المرسومة مقابل أحجام مجموعات بيانات الاختبار المختلفة أن أداء vCBLE أفضل من دقة BCI.
vCBLE قادر على التنبؤ بدقة BCI باستخدام سبعة أحرف فقط. أشارت نماذج التنبؤ vCBLE إلى أنه كان مطلوبا من 10 أفراد بناء نموذج الانحدار للعلاقة بين vCBLE والدقة لنموذج تجريبي معين. أظهر نموذج vCBLE أداء أفضل لمجموعة بيانات ميشيغان مع مجموعات بيانات التدريب والاختبار في نفس اليوم.
أظهر متوسط RMSE المحسوب على مدار ثلاثة أيام لنماذج vCBLE والدقة باستخدام بيانات ميشيغان أن ملاءمة vCBLE كان لها RMSE أقل عندما تضمن الاختبار أقل من ستة أحرف. تنخفض دقة RMSE ل vCBLE بمقدار 0.025 فقط من ثلاثة أحرف إلى الرقم الأمثل ، مما يشير إلى مكاسب طفيفة تتجاوز ثلاثة أحرف لمجموعة الاختبار الصغيرة. في هذا العمل ، نستخدم الانحدار الخطي البسيط ، ولكن يمكن حساب CBLE بأي مجموعة تعتمد على الوقت من استخراج الميزات واختيار الميزة والمصنف.
لقد استخدمنا CBLE لتقليل البيانات المطلوبة لمجموعات الاختبار الخاصة بنا. استخدمته مختبرات أخرى للتحقيق في الكمون المتغير بين المنبهات واستجابات الدماغ ذات الصلة.
