מדידת ביצועים היא חיונית לכל מחקר או יישום קליני המערב ממשקי מחשב במוח. CBLE מסייע להעריך את האפקטיביות של מערכת עבור כל משתמש מסוים. ניתן להשתמש ב-CBLE כדי לחזות את דיוק P300 Speller של המשתמש משלושה עד שמונה תווים בלבד של נתונים.
כדי להתחיל, התקן את ממשק המשתמש הגרפי להערכת ביצועי CBLE. פתחו את MATLAB ושנו את הספרייה הנוכחית לתיקיית ממשק המשתמש הגרפי. לחץ על יישומים הכרטיסייה, בחר היישומים שלי ובחר הערכת ביצועי CBLE.
בתפריט הנפתח, לחץ על בחר פורמט ערכת נתונים ובחר באפשרות הרצויה. לאחר מכן, לחץ על בחר תיקיית קלט כפתור לבחירת הספרייה עבור ערכת הנתונים EEG. בתיבת הטקסט מספר משתתפים, הזן את מספר המשתתפים להערכה.
אם אתם משתמשים בנתוני Brain Invader, ציינו את קצב הדגימה של ערכת הנתונים. בחר ערך decimation to downs דגימה של ערכת הנתונים לכ- 20 הרץ. ציין את חלון הזמן עבור הסיווג באלפיות השנייה.
לאחר מכן הגדר את חלון המשמרת עבור CBLE באלפיות השנייה. לאחר שתסיים, לחץ על הגדר פרמטרים כפתור להגדרת פרמטרי ניתוח. כדי לפצל את ערכת הנתונים, בחר את מספר היעדים עבור גודל ערכת האימונים.
לחץ על הלחצן פצל את ערכת הנתונים כדי לחלק את ערכת הנתונים לערכות הדרכה ובדיקה. עבור Braininvaders, לחץ על לחצן אמן מודל כדי להחיל רגרסיה ליניארית באמצעות משוואה שתיים בערכת נתוני האימון. לאחר מכן, לחץ על חזה דיוק כדי להחיל את מודל המסווג המיומן על ערכת תכונות הבדיקה ולחזות את הדיוקים באמצעות המשוואה הראשונה.
בחר את מספר היעד המרבי X לשיקול ערכת הבדיקה ולחץ על מצא את דיוק היעד X. לאחר מכן לחץ על למצוא vCBLE כפתור כדי לקבל את vCBLE עבור כל המטרות. לחץ על הלחצן חשב RMSE כדי לחשב את RMSE בין שתי התחזיות בהתבסס על vCBLE עם דיוק BCI ודיוק יעד X עם דיוק BCI.
כעת לחץ על דיוק לעומת vCBLE כדי לבחון את הקשר בין דיוק כולל לבין vCBLE כולל עבור כל המשתתפים. לחץ על RMSE של BCI ו- vCBLE כדי להציג את עקומת RMSE של דיוק BCI ו- vCBLE. לחיזוי הדיוק של משתתף בודד במזהה משנה, הזן את מזהה הנושא.לאחר מכן בחר מספר יעד N ולחץ על חזה כדי לקבל את הדיוק החזוי של משתתף הבדיקה.
פתח את ממשק המשתמש הגרפי CBLE Performance Estimation. בתפריט הנפתח, לחץ על בחר תבנית ערכת נתונים ובחר באפשרות BCI2000. לחץ על הלחצן Select input folder כדי לבחור את הספרייה עבור ערכת הנתונים EEG.
הזן את מספר המשתתפים להערכה. בחר ערך השמדה וציין את המקור בחלון CBLE. לאחר מכן בחר מספר תו X.לאחר מכן, בשדה אורך מזהה, הזן את אורך מזהה הנושא מקבצי ערכת הנתונים.
בשדה מזהה ערוץ, ציין את המספר הכולל של ערוצים או מספרי ערוצים ספציפיים לניתוח. לאחר בדיקת תבנית הנתונים, ציין שמות קבצי הדרכה ובדיקה. מתוך ערכת הנתונים BCI2000, בדוק את קובץ הבדיקה.
לאחר מכן, בשדות מספר קובץ הבדיקה, הזן את מספר קובץ הבדיקה. כעת לחץ על הפעלה, והמתן עד שכל הפרמטרים מרשימת הפעולות לביצוע יתקתקו. לאחר מכן לחץ על דיוק לעומת vCBLE כדי לבחון את הקשר בין דיוק כולל לבין vCBLE כולל עבור כל המשתתפים.
לבסוף, לחץ על RMSE של BCI ו- vCBLE כדי להציג את עקומת RMSE של דיוק BCI ו- vCBLE. נצפה מתאם שלילי חזק בין דיוק ה-BCI שזוהה מול vCBLE עבור מערך הנתונים של הפולשים למוח. ה-RMSE של vCBLE שהתווה כנגד גדלים שונים של ערכות נתוני בדיקה הראה כי vCBLE מתפקד טוב יותר מדיוק BCI.
vCBLE מסוגל לחזות דיוק BCI באמצעות שבעה תווים בלבד. מודלי חיזוי vCBLE הצביעו על כך ש-10 אנשים נדרשו לבנות את מודל הרגרסיה עבור הקשר בין vCBLE לבין דיוק עבור פרדיגמת ניסוי מסוימת. מודל vCBLE הראה ביצועים טובים יותר עבור מערך הנתונים של מישיגן עם מערכי נתונים של אימונים ובדיקות באותו יום.
ממוצע RMSE שחושב במשך שלושה ימים עבור vCBLE ומודלים דיוק באמצעות נתוני מישיגן הראה כי התאמת vCBLE הייתה RMSE נמוך יותר כאשר הבדיקה כללה פחות משישה תווים. RMSE של דיוק vCBLE יורד רק ב 0.025 משלושה תווים למספר האופטימלי, מה שמרמז על רווח קטן מעבר לשלושה תווים עבור קבוצת הבדיקה הקטנה. בעבודה זו, אנו משתמשים ברגרסיה ליניארית פשוטה, אך ניתן לחשב CBLE עם כל שילוב תלוי זמן של חילוץ תכונות, בחירת תכונות ומסווג.
השתמשנו ב- CBLE כדי להפחית את הנתונים הדרושים עבור ערכות הבדיקה שלנו. מעבדות אחרות השתמשו בו כדי לחקור את ההשהיה המשתנה בין גירויים לבין תגובות המוח הקשורות.
