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

Die Messung der Leistung ist für jede Forschung oder klinische Anwendung mit Gehirn-Computer-Schnittstellen von entscheidender Bedeutung. CBLE hilft bei der Bewertung der Effektivität eines Systems für einen bestimmten Benutzer. CBLE kann verwendet werden, um die Genauigkeit der P300-Rechtschreibprüfung des Benutzers anhand von nur drei bis acht Datenzeichen vorherzusagen.

Installieren Sie zunächst die grafische Benutzeroberfläche der CBLE-Leistungsschätzung. Öffnen Sie MATLAB und ändern Sie das aktuelle Verzeichnis in den Ordner der grafischen Benutzeroberfläche. Klicken Sie auf die Registerkarte Apps, wählen Sie Meine Apps und dann CBLE Performance Estimation aus.

Klicken Sie im Dropdown-Menü auf Datensatzformat auswählen und wählen Sie die gewünschte Option aus. Klicken Sie anschließend auf die Schaltfläche Eingabeordner auswählen, um das Verzeichnis für den EEG-Datensatz auszuwählen. Geben Sie im Textfeld Anzahl der Teilnehmer die Anzahl der Teilnehmer für die Schätzung ein.

Wenn Sie Brain Invader-Daten verwenden, geben Sie die Abtastrate des Datensatzes an. Wählen Sie einen Dezimierungswert, um den Datensatz auf ca. 20 Hertz abzutasten. Geben Sie das Zeitfenster für die Klassifizierung in Millisekunden an.

Definieren Sie dann das Schaltfenster für CBLE in Millisekunden. Wenn Sie fertig sind, klicken Sie auf die Schaltfläche Parameter festlegen, um die Analyseparameter festzulegen. Um den Datensatz aufzuteilen, wählen Sie die Anzahl der Ziele für die Größe des Trainingssatzes aus.

Klicken Sie auf die Schaltfläche Dataset teilen, um das Dataset in Trainings- und Testsätze zu unterteilen. Klicken Sie für Braininvaders auf die Schaltfläche Modell trainieren, um die lineare Regression mithilfe von Gleichung zwei auf das Trainingsdataset anzuwenden. Klicken Sie anschließend auf Genauigkeit vorhersagen, um das trainierte Klassifikatormodell auf den Test-Feature-Satz anzuwenden und die Genauigkeiten mithilfe von Gleichung eins vorherzusagen.

Wählen Sie die maximale Zielnummer X für die Berücksichtigung des Testsatzes aus und klicken Sie auf Zielgenauigkeit von X suchen. Klicken Sie dann auf die Schaltfläche vCBLE suchen, um die vCBLE für alle Ziele abzurufen. 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.

Klicken Sie nun auf Genauigkeit versus vCBLE, um die Beziehung zwischen Gesamtgenauigkeit und Gesamt-vCBLE für alle Teilnehmer zu beobachten. Klicken Sie auf RMSE von BCI und vCBLE, um die RMSE-Kurve der BCI-Genauigkeit und vCBLE anzuzeigen. Um die Genauigkeit eines einzelnen Teilnehmers in Sub-ID vorherzusagen, geben Sie die Subjekt-ID ein.Wählen Sie dann eine Zielnummer N aus und klicken Sie auf Vorhersagen, um die vorhergesagte Genauigkeit des Testteilnehmers zu erhalten.

Öffnen Sie die grafische Benutzeroberfläche von CBLE Performance Estimation. Klicken Sie im Dropdown-Menü auf Datensatzformat auswählen und wählen Sie die Option BCI2000 aus. Klicken Sie auf die Schaltfläche Eingabeordner auswählen, um das Verzeichnis für den EEG-Datensatz auszuwählen.

Geben Sie die Anzahl der Teilnehmer für die Schätzung ein. Wählen Sie einen Dezimierungswert und geben Sie das Original im CBLE-Fenster an. Wählen Sie dann die Zeichennummer X aus.Geben Sie als Nächstes im Feld ID-Länge die Betreff-ID-Länge aus den Datensatzdateien ein.

Geben Sie im Feld Kanal-ID die Gesamtzahl der Kanäle oder bestimmte Kanalnummern für die Analyse an. Geben Sie nach der Überprüfung des Datenformats die Namen der Trainings- und Testdateien an. Überprüfen Sie im BCI2000 Dataset die Testdatei.

Geben Sie dann in den Feldern für die Testdateinummer die Testdateinummer ein. Klicken Sie nun auf Ausführen und warten Sie, bis alle Parameter aus der Checkliste angekreuzt sind. Klicken Sie dann auf Genauigkeit im Vergleich zu vCBLE, um die Beziehung zwischen Gesamtgenauigkeit und Gesamt-vCBLE für alle Teilnehmer zu beobachten.

Klicken Sie abschließend auf RMSE von BCI und vCBLE, um die RMSE-Kurve der BCI-Genauigkeit und vCBLE anzuzeigen. Es wurde eine starke negative Korrelation zwischen der BCI-Genauigkeit und der vCBLE für den Braininvaders-Datensatz beobachtet. Der RMSE von vCBLE, der für verschiedene Testdatensatzgrößen aufgetragen wurde, zeigte, dass vCBLE eine bessere Leistung erbringt als die BCI-Genauigkeit.

vCBLE ist in der Lage, die BCI-Genauigkeit mit nur sieben Zeichen vorherzusagen. vCBLE-Vorhersagemodelle zeigten, dass 10 Personen erforderlich waren, um das Regressionsmodell für die Beziehung zwischen vCBLE und Genauigkeit für ein bestimmtes experimentelles Paradigma zu erstellen. Das vCBLE-Modell zeigte eine bessere Leistung für den Michigan-Datensatz mit Trainings- und Testdatensätzen am selben Tag.

Der über drei Tage berechnete mittlere RMSE für vCBLE- und Genauigkeitsmodelle unter Verwendung von Michigan-Daten zeigte, dass die vCBLE-Anpassung einen niedrigeren RMSE aufwies, wenn der Test weniger als sechs Zeichen enthielt. Der RMSE der vCBLE-Genauigkeit sinkt nur um 0,025 von drei Zeichen auf die optimale Zahl, was auf einen geringen Gewinn über drei Zeichen für den kleinen Testsatz hindeutet. In dieser Arbeit verwenden wir eine einfache lineare Regression, aber CBLE kann mit jeder zeitabhängigen Kombination aus Merkmalsextraktion, Merkmalsauswahl und Klassifikator berechnet werden.

Wir haben CBLE verwendet, um die für unsere Testsätze erforderlichen Daten zu reduzieren. Andere Labore haben es verwendet, um die variable Latenz zwischen Reizen und den damit verbundenen Gehirnreaktionen zu untersuchen.