La misurazione delle prestazioni è fondamentale per qualsiasi ricerca o applicazione clinica che coinvolga le interfacce cervello-computer. CBLE aiuta a valutare l'efficacia di un sistema per un particolare utente. CBLE può essere utilizzato per prevedere la precisione del correttore ortografico P300 dell'utente da soli tre a otto caratteri di dati.
Per iniziare, installare l'interfaccia utente grafica per la stima delle prestazioni CBLE. Aprire MATLAB e modificare la directory corrente nella cartella dell'interfaccia utente grafica. Fare clic sulla scheda App, selezionare Le mie app e scegliere Stima delle prestazioni CBLE.
Nel menu a discesa, fare clic su Seleziona formato set di dati e scegliere l'opzione desiderata. Quindi, fare clic sul pulsante Seleziona cartella di input per scegliere la directory per il set di dati EEG. Nella casella di testo numero di partecipanti, immettere il numero di partecipanti per la stima.
Se si utilizzano i dati di Brain Invader, specificare la frequenza di campionamento del set di dati. Scegliere un valore di decimazione per eseguire il downcampionare il set di dati a circa 20 hertz. Specificare l'intervallo di tempo per la classificazione in millisecondi.
Definire quindi la finestra di spostamento per CBLE in millisecondi. Al termine, fare clic sul pulsante Imposta parametri per impostare i parametri di analisi. Per suddividere il set di dati, selezionare il numero di destinazioni per le dimensioni del set di training.
Fare clic sul pulsante Dividi il set di dati per dividere il set di dati in set di training e set di test. Per Braininvaders, fare clic sul pulsante Esegui il training di un modello per applicare la regressione lineare usando l'equazione due sul set di dati di addestramento. Fare quindi clic su Stima accuratezza per applicare il modello di classificazione sottoposto a training al set di funzionalità di test e stimare le precisioni utilizzando l'equazione uno.
Selezionare il numero di destinazione massimo X per la considerazione del set di test e premere Trova precisione di destinazione X. Quindi fare clic sul pulsante trova vCBLE per ottenere il vCBLE per tutte le destinazioni. Fare clic sul pulsante Calcola RMSE per calcolare l'RMSE tra le due previsioni in base a vCBLE con precisione BCI e precisione del target X con precisione BCI.
A questo punto, fare clic su accuratezza rispetto a vCBLE per osservare la relazione tra l'accuratezza totale e vCBLE totale per tutti i partecipanti. Fare clic su RMSE di BCI e vCBLE per visualizzare la curva RMSE dell'accuratezza BCI e vCBLE. Per prevedere l'accuratezza di un singolo partecipante in Sub ID, immettere l'ID del soggetto.Quindi selezionare un numero di destinazione N e fare clic su Prevedi per ottenere l'accuratezza prevista del partecipante al test.
Aprire l'interfaccia utente grafica CBLE Performance Estimation. Nel menu a discesa, fai clic su Seleziona formato set di dati e scegli l'opzione BCI2000. Fare clic sul pulsante Seleziona cartella di input per scegliere la directory per il set di dati EEG.
Immettere il numero di partecipanti per la stima. Scegliere un valore di decimazione e specificare l'originale nella finestra CBLE. Quindi scegli il numero di carattere X.Successivamente, nel campo Lunghezza ID, inserisci la lunghezza ID soggetto dai file del set di dati.
Nel campo ID canale, indicare il numero totale di canali o numeri di canale specifici per l'analisi. Dopo aver controllato il formato dei dati, specificare i nomi dei file di training e test. Dal set di dati BCI2000, controllare il file di test.
Quindi, nei campi del numero del file di test, immettere il numero del file di test. Ora fai clic su Esegui e attendi che tutti i parametri dell'elenco di controllo siano spuntati. Quindi fare clic su Accuratezza rispetto a vCBLE per osservare la relazione tra l'accuratezza totale e vCBLE totale per tutti i partecipanti.
Infine, fare clic su RMSE di BCI e vCBLE per visualizzare la curva RMSE dell'accuratezza BCI e vCBLE. È stata osservata una forte correlazione negativa tra l'accuratezza del BCI tracciata rispetto a vCBLE per il set di dati braininvaders. L'RMSE di vCBLE tracciato rispetto a diverse dimensioni del set di dati di test ha mostrato che vCBLE ha prestazioni migliori rispetto all'accuratezza BCI.
vCBLE è in grado di prevedere l'accuratezza BCI utilizzando solo sette caratteri. I modelli di previsione di vCBLE hanno indicato che sono stati necessari 10 individui per costruire il modello di regressione per la relazione tra vCBLE e accuratezza per un particolare paradigma sperimentale. Il modello vCBLE ha mostrato prestazioni migliori per il set di dati del Michigan con set di dati di addestramento e test in giornata.
L'RMSE medio calcolato su tre giorni per i modelli vCBLE e di accuratezza utilizzando i dati del Michigan ha mostrato che l'adattamento di vCBLE aveva un RMSE inferiore quando il test includeva meno di sei caratteri. L'RMSE dell'accuratezza di vCBLE scende di soli 0,025 da tre caratteri al numero ottimale, suggerendo un guadagno minimo oltre i tre caratteri per il set di test di piccole dimensioni. In questo lavoro, usiamo la regressione lineare semplice, ma CBLE può essere calcolato con qualsiasi combinazione dipendente dal tempo di estrazione delle caratteristiche, selezione delle caratteristiche e classificatore.
Abbiamo utilizzato CBLE per ridurre i dati richiesti per i nostri set di test. Altri laboratori lo hanno utilizzato per studiare la latenza variabile tra gli stimoli e le relative risposte cerebrali.
