P300-basierte Brain-Computer-Schnittstelle Rechtschreiber-Leistungsschätzung mit klassifikatorbasierter Latenzschätzung

Zusammenfassung

In diesem Artikel wird eine Methode zur Schätzung der Genauigkeit der P300-Rechtschreibprüfung Brain-Computer Interface (BCI) am selben Tag anhand eines kleinen Testdatensatzes vorgestellt.

Zusammenfassung

Die Leistungsschätzung ist ein notwendiger Schritt bei der Entwicklung und Validierung von Brain-Computer-Interface (BCI)-Systemen. Leider sind selbst moderne BCI-Systeme langsam, was das Sammeln ausreichender Daten für die Validierung für Endbenutzer und Experimentatoren gleichermaßen zu einer zeitaufwändigen Aufgabe macht. Ohne ausreichende Daten kann die zufällige Variation der Leistung jedoch zu falschen Rückschlüssen darüber führen, wie gut ein BCI für einen bestimmten Benutzer funktioniert. Zum Beispiel arbeiten P300-Rechtschreibmaschinen in der Regel mit etwa 1-5 Zeichen pro Minute. Um die Genauigkeit mit einer Auflösung von 5 % zu schätzen, sind 20 Zeichen (4-20 Minuten) erforderlich. Trotz dieses Zeitaufwands können die Konfidenzgrenzen für die Genauigkeit von 20 Zeichen je nach beobachteter Genauigkeit bis zu ±23 % betragen. Eine zuvor veröffentlichte Methode, Classifier-Based Latency Estimation (CBLE), hat sich als stark korreliert mit der BCI-Genauigkeit erwiesen. Diese Arbeit stellt ein Protokoll für die Verwendung von CBLE vor, um die P300-Rechtschreibgenauigkeit eines Benutzers aus relativ wenigen Zeichen (~3-8) von Typisierungsdaten vorherzusagen. Die resultierenden Konfidenzgrenzen sind enger als bei herkömmlichen Methoden. Die Methode kann somit verwendet werden, um die BCI-Leistung schneller und/oder genauer abzuschätzen.

Einleitung

Gehirn-Computer-Schnittstellen (BCIs) sind eine nicht-invasive Technologie, die es Individuen ermöglicht, direkt über Maschinen zu kommunizieren, ohne Rücksicht auf körperliche Einschränkungen durch den Körper. BCI kann als Hilfsmittel verwendet werden, das direkt vom Gehirn bedient wird. BCI verwendet die Gehirnaktivität eines Benutzers, um festzustellen, ob der Benutzer beabsichtigt, eine bestimmte Taste (Buchstabe, Zahl oder Symbol) zu wählen, die auf dem Bildschirm^{angezeigt wird 1}. In einem typischen Computersystem drückt ein Benutzer physisch die vorgesehene Taste auf einer Tastatur. In einem BCI-System mit visueller Anzeige muss sich der Benutzer jedoch auf die gewünschte Taste konzentrieren. Dann wählt BCI den beabsichtigten Schlüssel aus, indem es die gemessenen Gehirnsignale^{analysiert 1}. Die Aktivität des Gehirns kann mit verschiedenen Techniken gemessen werden. Obwohl es konkurrierende BCI-Technologien gibt, gilt das Elektroenzephalogramm (EEG) aufgrund seiner nichtinvasiven Natur, seiner hohen zeitlichen Auflösung, Zuverlässigkeit und relativ geringen Kosten als führende Technik².

Zu den Anwendungen von BCI gehören Kommunikation, Gerätesteuerung und auch Unterhaltung 3,4,5,6. Einer der aktivsten BCI-Anwendungsbereiche ist der P300-Rechtschreiber, der von Farwell und Donchin⁷ eingeführt wurde. Das P300 ist ein ereigniskorreliertes Potenzial (ERP), das als Reaktion auf die Erkennung eines seltenen, aber relevanten Stimulus erzeugt^{wird 8}. Wenn eine Person ihren Zielreiz erkennt, produziert sie automatisch einen P300. Der P300 ist ein effektives Signal für einen BCI, da er die Erkennung des Zielereignisses durch den Teilnehmer vermittelt, ohne dass eine Reaktion nach außen^{erforderlich ist 9}.

Das P300 BCI hat Forscher aus der Informatik, Elektrotechnik, Psychologie, Human Factors und verschiedenen anderen Disziplinen angezogen. Fortschritte wurden in der Signalverarbeitung, bei Klassifizierungsalgorithmen, Benutzerschnittstellen, Stimulationsschemata und vielen anderen Bereichen erzielt 10,11,12,13,14,15. Unabhängig vom Forschungsbereich ist der rote Faden in all diesen Forschungen jedoch die Notwendigkeit, die Leistung des BCI-Systems zu messen. Diese Aufgabe erfordert in der Regel die Generierung eines Testdatasets. Diese Notwendigkeit ist nicht auf die Forschung beschränkt; Für die spätere klinische Anwendung als unterstützende Technologie werden wahrscheinlich individuelle Validierungssätze für jeden Endbenutzer erforderlich sein, um sicherzustellen, dass das System eine zuverlässige Kommunikation erzeugen kann.

Trotz der umfangreichen Forschung, die auf das P300 BCI angewendet wurde, sind die Systeme immer noch recht langsam. Während die Mehrheit der Leute in der Lage ist, einen P300 BCI¹⁶ zu verwenden, produzieren die meisten P300-Rechtschreiber Text in der Größenordnung von 1-5 Zeichen pro Minute. Leider bedeutet diese langsame Geschwindigkeit, dass die Generierung von Testdatensätzen für Teilnehmer, Experimentatoren und eventuelle Endbenutzer viel Zeit und Mühe erfordert. Die Messung der BCI-Systemgenauigkeit ist ein Problem der binomialen Parameterschätzung, und viele Datenmerkmale sind für eine gute Schätzung erforderlich.

Um das Vorhandensein oder Fehlen des P300 ERP abzuschätzen, verwenden die meisten Klassifikatoren ein binäres Klassifizierungsmodell, bei dem jedem Versuch oder jeder Epoche von EEG-Daten ein binäres Label (z. B. "Vorhandensein" oder "Fehlen") zugewiesen wird. Die allgemeine Gleichung, die von den meisten Klassifikatoren verwendet wird, kann wie folgt ausgedrückt werden:

wobei der Score des Klassifikators genannt wird, der die Wahrscheinlichkeit darstellt, dass die P300-Antwort vorhanden ist, x der aus dem EEG-Signal extrahierte Merkmalsvektor ist und b ein Bias-Term¹⁷ ist. Die Funktion f ist eine Entscheidungsfunktion, die die Eingabedaten auf die Ausgabebezeichnung abbildet und aus einem Satz beschrifteter Trainingsdaten unter Verwendung eines überwachten Lernalgorithmus¹⁷ gelernt wird. Während des Trainings wird der Klassifikator mit einem beschrifteten Datensatz von EEG-Signalen trainiert, wobei jedes Signal entweder als P300-Antwort gekennzeichnet ist oder nicht. Der Gewichtungsvektor und der Bias-Term sind optimiert, um den Fehler zwischen der vorhergesagten Ausgabe des Klassifikators und der wahren Markierung des EEG-Signals zu minimieren. Sobald der Klassifikator trainiert ist, kann er verwendet werden, um das Vorhandensein der P300-Antwort in neuen EEG-Signalen vorherzusagen.

Verschiedene Klassifikatoren können unterschiedliche Entscheidungsfunktionen verwenden, z. B. lineare Diskriminanzanalyse (LDA), schrittweise lineare Diskriminanzanalyse (SWLDA), kleinste Quadrate (LS), logistische Regression, Support Vector Machines (SVM) oder neuronale Netze (NNs). Der Klassifikator der kleinsten Quadrate ist ein linearer Klassifikator, der die Summe der quadrierten Fehler zwischen den vorhergesagten Klassenbezeichnungen und den echten Klassenbezeichnungen minimiert. Dieser Klassifikator sagt die Klassenbezeichnung eines neuen Testbeispiels mithilfe der folgenden Gleichung voraus:

(1)

wobei die Vorzeichenfunktion +1 zurückgibt, wenn das Produkt positiv ist, und -1, wenn es negativ ist, und der Gewichtungsvektor aus dem Feature-Set der Trainingsdaten (x) und Klassenbezeichnungen (y) mit der folgenden Gleichung abgerufen wird:

    (2)

In früheren Untersuchungen haben wir argumentiert, dass die klassifikatorbasierte Latenzschätzung (CBLE) zur Schätzung der BCI-Genauigkeit verwendet werden kann 17,18,19. CBLE ist eine Strategie zur Bewertung der Latenzvariation unter Ausnutzung der zeitlichen Empfindlichkeit des Klassifikators¹⁸. Während der herkömmliche Ansatz zur P300-Klassifizierung die Verwendung eines einzigen Zeitfensters beinhaltet, das mit jeder Stimuluspräsentation synchronisiert wird, beinhaltet die CBLE-Methode die Erstellung mehrerer zeitversetzter Kopien der Post-Stimulus-Epochen. Dann erkennt es die Zeitverschiebung, die zur maximalen Punktzahl führt, um die Latenz der P300-Antwort^17,18 abzuschätzen. Hier stellt diese Arbeit ein Protokoll vor, das die BCI-Leistung aus einem kleinen Datensatz mit CBLE schätzt. Als repräsentative Analyse wird die Anzahl der Zeichen variiert, um Vorhersagen über die Gesamtleistung einer Person zu treffen. Für beide Beispieldatensätze wurden der mittlere quadratische Fehler (RMSE) für vCBLE und die tatsächliche BCI-Genauigkeit berechnet. Die Ergebnisse zeigen, dass der RMSE aus vCBLE-Vorhersagen unter Verwendung der angepassten Daten durchweg niedriger war als die Genauigkeit, die aus 1 bis 7 getesteten Zeichen abgeleitet wurde.

Wir haben eine grafische Benutzeroberfläche (GUI) namens "CBLE Performance Estimation" für die Implementierung der vorgeschlagenen Methodik entwickelt. Der Beispielcode wird ebenfalls bereitgestellt (Supplementary Coding File 1), der auf der MATLAB-Plattform ausgeführt wird. Der Beispielcode führt alle in der GUI angewendeten Schritte aus, aber die Schritte werden bereitgestellt, um den Leser bei der Anpassung an ein neues Dataset zu unterstützen. Dieser Code verwendet einen öffentlich zugänglichen Datensatz "Brain Invaders calibration-less P300-based BCI using dry EEG electrodes Dataset (bi2014a)", um die vorgeschlagene Methode²⁰ zu bewerten. Die Teilnehmer spielten bis zu drei Spielsitzungen von Brain Invaders, wobei jede Sitzung 9 Levels des Spiels hatte. Die Datenerfassung wurde fortgesetzt, bis alle Stufen abgeschlossen waren oder der Teilnehmer die Kontrolle über das BCI-System verlor. Die Benutzeroberfläche von Brain Invaders enthielt 36 Symbole, die in 12 Gruppen von sechs Außerirdischen blinkten. Nach dem Brain Invaders P300-Paradigma wurde eine Wiederholung durch 12 Blitze erzeugt, einen für jede Gruppe. Von diesen 12 Blitzen enthielten zwei Blitze das Zielsymbol (bekannt als Zielblitze), während die restlichen 10 Blitze das Zielsymbol nicht enthielten (bekannt als Nicht-Zielblitze). Weitere Informationen zu diesem Paradigma finden Sie in der Originalreferenz²⁰.

Der CBLE-Ansatz wurde auch auf einem Datensatz aus Michigan implementiert, der Daten von 40 Teilnehmern enthielt ^18,19. Hier mussten die Daten von acht Teilnehmern verworfen werden, weil ihre Aufgaben unvollständig waren. Die gesamte Studie erforderte drei Besuche von jedem Teilnehmer. Am ersten Tag tippte jeder Teilnehmer einen Trainingssatz mit 19 Zeichen, gefolgt von drei Testsätzen mit 23 Zeichen an den Tagen 1, 2 und 3. In diesem Beispiel enthielt die Tastatur 36 Zeichen, die in sechs Zeilen und sechs Spalten gruppiert waren. Jede Zeile oder Spalte wurde 31,25 Millisekunden lang mit einem Intervall von 125 Millisekunden zwischen den Blitzen geblitzt. Zwischen den Zeichen wurde eine Pause von 3,5 Sekunden vorgesehen.

Abbildung 1 zeigt das Blockdiagramm der vorgeschlagenen Methode. Die detaillierte Vorgehensweise ist im Abschnitt Protokoll beschrieben.

Protokoll

Die GUI "CBLE Performance Estimation" wurde auf zwei Datensätze angewendet: den Datensatz "BrainInvaders" und den Datensatz Michigan. Für den Datensatz "BrainInvaders" wurde die Datenerhebung von der Ethikkommission der Universität Grenoble Alpes^{genehmigt 20}. Michigan-Daten wurden mit Genehmigung des University of Michigan Institutional Review Board gesammelt¹⁹. Die Daten wurden gemäß dem Ausnahmeprotokoll 7516 der Kansas State University analysiert. Wenn Sie neue Daten sammeln, befolgen Sie das vom IRB genehmigte Verfahren des Benutzers zur Einholung der Einwilligungserklärung. Hier wird das vorgeschlagene Protokoll anhand einer Offline-Analyse zuvor aufgezeichneter, anonymisierter Daten bewertet und erfordert daher keine zusätzliche Einwilligung.

Die in diesem Artikel enthaltene grafische Benutzeroberfläche (GUI) beherrscht die Verwaltung von zwei unterschiedlichen Datensatzformaten. Das erste Format ist mit der BCI2000-Software verknüpft, während das zweite Format als "BrainInvaders"-Datensatz bezeichnet wird. Um das Format "Brain Invaders" nutzen zu können, müssen die Daten wie in Schritt 1 des Protokollabschnitts beschrieben vorverarbeitet werden. Beim Umgang mit dem Datensatzformat "BCI2000" kann jedoch Schritt 1 weggelassen werden.

1. Datenaufbereitung

1. Nur BrainInvaders: Generieren Sie die Eingabedatendatei im Dateiformat ".mat", die mit der grafischen Benutzeroberfläche (GUI) "CBLE Performance Estimation" verwendet werden kann. Ein Beispielskript finden Sie unter Ergänzende Codierungsdatei 2.
   HINWEIS: Jede Datendatei besteht aus einer zweidimensionalen Matrix, die aus Zeilen besteht, die Beobachtungen darstellen, die zu unterschiedlichen Zeitpunktproben aufgezeichnet wurden. Die Matrixspalten mit den Nummern 2 bis 17 sind Aufzeichnungen, die von 16 EEG-Elektroden abgeleitet wurden. Die erste Spalte der Matrix gibt den Zeitstempel jeder Beobachtung an, während Spalte 18 Informationen zu experimentellen Ereignissen enthält. In Spalte 19 gibt es meistens Nullen, aber wenn ein Nicht-Ziel- (oder Ziel-) Blitz beginnt, ändern sich die Zahlen zu diesem bestimmten Zeitpunkt auf eins (oder zwei). Eine ausführliche Beschreibung findet sich in der Referenz²⁰.

2. Herunterladen und Installieren des GUI-Pakets

1. Laden Sie die GUI "CBLE Performance Estimation" herunter und installieren Sie sie.

3. Speichern des Datensatzes in einem Unterordner des GUI-Speicherorts

1. Stellen Sie sicher, dass sich der Datensatzordner im selben Verzeichnis wie die GUI befindet.
2. Erstellen Sie beispielsweise einen neuen Ordner und platzieren Sie die GUI "CBLE Performance Estimation" darin. Bewahren Sie alle Datensätze in einem Unterordner innerhalb der "CBLE-GUI" mit dem Namen "Datensatz" auf.

4. Öffnen der installierten GUI

1. Öffnen Sie MATLAB (siehe Materialtabelle), ändern Sie das aktuelle Verzeichnis in den Ordner, in dem sich die GUI befindet, klicken Sie auf die Registerkarte APPS und wählen Sie MEINE APPS.
2. Wählen Sie auf der Registerkarte "MEINE APPS" die Option CBLE-Leistungsschätzung aus.

5. Auswählen des Datensatzformats

1. Wählen Sie ein Datensatzformat aus der Dropdownliste Datensatzformat auswählen aus.

6. Laden der EEG-Datei

1. Klicken Sie auf die Schaltfläche Eingabeordner auswählen , um das Verzeichnis auszuwählen, in dem sich der Datensatz befindet.
2. Beobachten Sie die Anzahl der Datendateien, die in diesem ausgewählten Ordner vorhanden sind.
   HINWEIS: Im Format "Brain Invaders" wird jeder Teilnehmer durch eine einzelne Datendatei repräsentiert. Daher gibt die Gesamtzahl der Datendateien die Anzahl der Teilnehmer an der Studie an. Dies ist jedoch beim "BCI2000"-Format nicht der Fall, da jeder Teilnehmer mehrere Trainings- und Testdateien haben kann.

7. Einstellen der Parameter

1. Geben Sie die Anzahl der Teilnehmer, die der Benutzer für den Schätzprozess verwenden möchte, in das Feld "Nein. der Teilnehmer" zu verwenden.
2. Nur BrainInvaders: Geben Sie die Abtastrate des Datensatzes an.
   HINWEIS: BCI2000 Dateien enthalten die Abtastrate.
3. Wählen Sie einen Dezimierungswert aus, um das Dataset auf ca. 20 Hz herunterzurechnen, um die Klassifizierungsleistung^{zu verbessern 21}. Wenn die Abtastfrequenz beispielsweise 256 Hz beträgt, wählen Sie einen Dezimierungswert von 13 aus.
4. Geben Sie das Zeitfenster für die Klassifizierung in Millisekunden an.
   HINWEIS: Die empfohlene anfängliche Fenstergröße wird angegeben, sodass der Startpunkt von 0 bis 100 ms und der Endpunkt von 700 bis 800 ms variieren kann. Es ist jedoch wichtig, die Fenstergröße nicht zu groß zu machen, um eine Überlappung mit einem anderen P300-Ereignis zu vermeiden.
5. Definieren Sie das Schichtfenster für CBLE in Millisekunden.
   HINWEIS: Das "Shift-Fenster" bezieht sich auf den erweiterten Zeitbereich, den die CBLE-Methode durchsucht, um die P3-Antwort zu finden. Der Klassifikator wird auf die Epoche angewendet, beginnend mit dem ersten Element des Shift-Fensters. Der Klassifikator wird dann sequenziell auf Epochen angewendet, die eine Stichprobe später beginnen, bis sich die Epoche über das Shift-Fenster hinaus erstreckt. Das Shift-Fenster muss größer als das ursprüngliche Fenster sein. empirisch schneiden Werte unter 100 ms von jeder Seite gut ab. In jedem Fall sollte die Marge auf weniger als die Hälfte des ISI gehalten werden.
6. Nur BC2000: Geben Sie die Länge der in den Datensatzdateien angegebenen Betreff-ID in das Feld "ID-Länge" ein.
   HINWEIS: Die GUI erwartet, dass die ersten sub_len Zeichen der Dateinamen die Betreff-ID codieren.
7. Nur BCI2000: Geben Sie im Feld "Kanal-ID" entweder die Gesamtzahl der Kanäle an oder geben Sie die spezifischen Kanalnummern an, die für die Analyse verwendet werden sollen.
8. Klicken Sie auf die Schaltfläche Parameter festlegen , um alle für die Analyse erforderlichen Parameter einzustellen.

8. Nur BrainInvaders: Aufteilen des Datensatzes in Trainings- und Testsatz

1. Wählen Sie eine Anzahl von Zielen aus, die die Größe des Trainingssatzes darstellt. Der verbleibende Teil des Datensatzes wird als Testdatensatz betrachtet.
   HINWEIS: Um ein ordnungsgemäßes Training des Modells zu gewährleisten, ist es wichtig, über eine ausreichend große Trainingsstichprobe zu verfügen. Die empfohlene Mindestgröße für Trainingsstichproben beträgt 20, kann jedoch je nach Gesamtgröße des Datasets variieren. Wenn während der Trainingseinheiten Regressionsfehler auftreten, ist es ratsam, die Trainingsstichprobengröße zu erhöhen.
2. Klicken Sie auf die Schaltfläche "Datensatz teilen", um den Datensatz in die Trainings- und Testsätze aufzuteilen.
   HINWEIS: Jeder Teilnehmer verfügt über die gleiche Menge an Trainingsdaten. Die Anzahl der Testdaten ist jedoch möglicherweise nicht für alle Teilnehmer gleich, da während der Aufgabe mehrere Versuche möglich sind. Folglich kann die Gesamtzahl der präsentierten Ziele oder Blitze von Person zu Person variieren.

9. Trainieren eines Modells mit dem Trainingsdatensatz

HINWEIS: Schritt 9.1 gilt für das Format "Brain Invaders" und Schritt 9.2 für das Format "BCI2000".

1. Nur BrainInvaders: Klicken Sie auf die Schaltfläche Modell trainieren , um die lineare Regression auf den Trainingsdatensatz anzuwenden, indem Sie Gleichung 2 zum Trainieren eines Klassifikatormodells verwenden.
2. Nur BCI2000: Geben Sie die Namen der Trainings- und Testdateien zusammen mit ihrem Datenformat (.dat) an, um die Trainings- und Testdateien von allen Dateien zu unterscheiden. Klicken Sie dann auf die Schaltfläche Modell trainieren , um die lineare Regression auf das Trainingsdataset anzuwenden.

10. Vorhersage der Genauigkeit des Testsatzes

1. Klicken Sie auf Genauigkeit vorhersagen , um das trainierte Klassifikatormodell auf den Test-Feature-Satz anzuwenden und die Genauigkeit mithilfe von Gleichung 1 vorherzusagen.

11. X-Target-Genauigkeiten erhalten

1. Wählen Sie eine maximale Zielzahl, X, aus, die im Testsatz berücksichtigt werden soll.
2. Nur BCI2000: Wählen Sie eine Testdateinummer aus, wenn der Benutzer mehrere Testdateien hat.
3. Drücken Sie auf X-Zielgenauigkeit suchen.

12. Berechnung des vCBLE

1. Klicken Sie auf die Schaltfläche vCBLE suchen , um die vCBLE für alle Ziele zu erhalten.

13. Berechnung des mittleren quadratischen Fehlers (RMSE) von BCI-Genauigkeit und vCBLE

1. Klicken Sie auf die Schaltfläche RMSE berechnen , um den RMSE zwischen beiden Vorhersagen basierend auf vCBLE mit BCI-Genauigkeit und X-Zielgenauigkeit mit BCI-Genauigkeit zu berechnen.

14. Visualisierung der Analyseergebnisse

1. Klicken Sie auf die Schaltfläche Genauigkeit vs. vCBLE , um das Verhältnis zwischen Gesamtgenauigkeit und Gesamt-vCBLE für alle Teilnehmer zu beobachten.
2. Drücken Sie auf die RMSE-Taste von BCI & vCBLE , um die RMSE-Kurve der BCI-Genauigkeit und vCBLE anzuzeigen.

15. Vorhersage der Leistung eines einzelnen Teilnehmers

1. Um die Genauigkeit eines einzelnen Teilnehmers vorherzusagen, geben Sie die Betreff-ID in Unter-ID ein.
   HINWEIS: Hier wird der Datensatz aller Teilnehmer, mit Ausnahme des Testteilnehmers, verwendet, um ein lineares Regressionsmodell zu trainieren. Die vCBLE-Ergebnisse aller anderen Teilnehmer und ihre entsprechenden Testgenauigkeiten werden als Prädiktoren bzw. Labels für den Klassifikator verwendet.
2. Wählen Sie eine Zielnummer aus, n. Die Vorhersage basiert auf der Genauigkeit der n-Testzeichen.
3. Klicken Sie auf die Schaltfläche Vorhersagen , um die vorhergesagte Genauigkeit des Testteilnehmers zu erhalten.

Ergebnisse

Das vorgeschlagene Protokoll wurde an zwei verschiedenen Datensätzen getestet: "BrainInvaders" und dem Michigan-Datensatz. Diese Datensätze werden bereits im Abschnitt Einführung kurz vorgestellt. Die für diese beiden Datensätze verwendeten Parameter sind in Tabelle 1 aufgeführt. Die Abbildungen 2-4 zeigen die Ergebnisse, die mit dem "BrainInvaders"-Datensatz erzielt wurden, während die Abbildungen

Diskussion

In diesem Artikel wurde eine Methode zur Schätzung der BCI-Genauigkeit anhand eines kleinen P300-Datensatzes beschrieben. Hier wurde das aktuelle Protokoll auf der Grundlage des Datensatzes "bi2014a" entwickelt, obwohl die Wirksamkeit des Protokolls auf zwei verschiedenen Datensätzen bestätigt wurde. Um diese Technik erfolgreich zu implementieren, ist es entscheidend, bestimmte Variablen festzulegen, wie z. B. das Epochenfenster für die Originaldaten, das Zeitfenster für die Zeitverschiebung, das Downsampling-Verhä...

Materialien

Name	Company	Catalog Number	Comments
MATLAB 2021	Matlab	N/A	Any recent MATLAB version can be used.