Medir el rendimiento es crucial para cualquier investigación o aplicación clínica que involucre interfaces cerebro-computadora. CBLE ayuda a evaluar la efectividad de un sistema para cualquier usuario en particular. CBLE se puede utilizar para predecir la precisión del deletreador P300 del usuario a partir de solo tres a ocho caracteres de datos.
Para comenzar, instale la interfaz gráfica de usuario de estimación de rendimiento CBLE. Abra MATLAB y cambie el directorio actual a la carpeta de la interfaz gráfica de usuario. Haga clic en la pestaña Aplicaciones, seleccione Mis aplicaciones y elija Estimación de rendimiento CBLE.
En el menú desplegable, haga clic en Seleccionar formato de conjunto de datos y elija la opción deseada. A continuación, haga clic en el botón Seleccionar carpeta de entrada para elegir el directorio del conjunto de datos de EEG. En el cuadro de texto número de participantes, especifique el número de participantes para la estimación.
Si utiliza datos de Brain Invader, especifique la frecuencia de muestreo del conjunto de datos. Elija un valor de diezmado para reducir la muestra del conjunto de datos a aproximadamente 20 hercios. Especifique la ventana de tiempo para la clasificación en milisegundos.
A continuación, defina la ventana de desplazamiento para CBLE en milisegundos. Una vez hecho esto, haga clic en el botón Establecer parámetros para establecer los parámetros de análisis. Para dividir el conjunto de datos, seleccione el número de destinos para el tamaño del conjunto de entrenamiento.
Haga clic en el botón Dividir el conjunto de datos para dividir el conjunto de datos en conjuntos de entrenamiento y de prueba. En Braininvaders, haga clic en el botón entrenar un modelo para aplicar la regresión lineal mediante la ecuación dos en el conjunto de datos de entrenamiento. A continuación, haga clic en Predecir precisión para aplicar el modelo clasificador entrenado al conjunto de características de prueba y predecir las precisiones mediante la ecuación uno.
Seleccione el número de objetivo máximo X para la consideración del conjunto de pruebas y presione buscar la precisión del objetivo X. A continuación, haga clic en el botón Buscar vCBLE para obtener el vCBLE para todos los destinos. Haga clic en el botón Calcular RMSE para calcular el RMSE entre ambas predicciones basadas en vCBLE con precisión BCI y precisión de objetivo X con precisión BCI.
Ahora haga clic en precisión frente a vCBLE para observar la relación entre la precisión total y el vCBLE total para todos los participantes. Haga clic en RMSE de BCI y vCBLE para mostrar la curva RMSE de la precisión de BCI y vCBLE. Para predecir la precisión de un participante individual en el ID de subidón, introduzca el ID del sujeto. A continuación, seleccione un número objetivo N y haga clic en Predecir para obtener la precisión prevista del participante de la prueba.
Abra la interfaz gráfica de usuario de CBLE Performance Estimation. En el menú desplegable, haga clic en Seleccionar formato de conjunto de datos y elija la opción BCI2000. Haga clic en el botón Seleccionar carpeta de entrada para elegir el directorio del conjunto de datos de EEG.
Introduzca el número de participantes para la estimación. Elija un valor de diezmado y especifique el original en la ventana CBLE. A continuación, elija el número de carácter X.A continuación, en el campo Longitud del ID, introduzca la longitud del ID del sujeto de los archivos del conjunto de datos.
En el campo ID de canal, indique el número total de canales o números de canal específicos para el análisis. Después de comprobar el formato de los datos, especifique los nombres de los archivos de entrenamiento y prueba. En el conjunto de datos BCI2000, compruebe el archivo de prueba.
A continuación, en los campos de número de archivo de prueba, introduzca el número de archivo de prueba. Ahora haga clic en Ejecutar y espere hasta que se marquen todos los parámetros de la lista de verificación. A continuación, haga clic en Precisión frente a vCBLE para observar la relación entre la precisión total y el total de vCBLE para todos los participantes.
Por último, haga clic en RMSE de BCI y vCBLE para mostrar la curva RMSE de precisión de BCI y vCBLE. Se observó una fuerte correlación negativa entre la precisión de BCI trazada contra vCBLE para el conjunto de datos de invasores cerebrales. El RMSE de vCBLE trazado con diferentes tamaños de conjuntos de datos de prueba mostró que vCBLE funciona mejor que la precisión de BCI.
vCBLE es capaz de predecir la precisión de BCI utilizando solo siete caracteres. Los modelos de predicción de vCBLE indicaron que se necesitaron 10 individuos para construir el modelo de regresión para la relación entre vCBLE y la precisión para un paradigma experimental en particular. El modelo vCBLE mostró un mejor rendimiento para el conjunto de datos de Michigan con conjuntos de datos de entrenamiento y prueba en el mismo día.
El RMSE medio calculado durante tres días para los modelos de precisión y vCBLE utilizando datos de Michigan mostró que el ajuste de vCBLE tenía un RMSE más bajo cuando la prueba incluía menos de seis caracteres. El RMSE de la precisión de vCBLE se reduce en solo 0,025 de tres caracteres al número óptimo, lo que sugiere poca ganancia más allá de tres caracteres para el pequeño conjunto de pruebas. En este trabajo, utilizamos la regresión lineal simple, pero CBLE se puede calcular con cualquier combinación dependiente del tiempo de extracción de características, selección de características y clasificador.
Hemos utilizado CBLE para reducir los datos necesarios para nuestros equipos de prueba. Otros laboratorios lo han utilizado para investigar la latencia variable entre los estímulos y las respuestas cerebrales relacionadas.
