P300-Based Brain-Computer Interface Speller Performance Estimation with Classifier-Based Latency Estimation

性能の測定は、ブレイン・コンピューター・インターフェースを含むあらゆる研究や臨床応用にとって非常に重要です。CBLE は、特定のユーザーに対するシステムの有効性を評価するのに役立ちます。CBLEを使用して、ユーザーのP300 Spellerの精度をわずか3文字から8文字のデータから予測できます。

まず、CBLE Performance Estimation グラフィカル ユーザー インターフェイスをインストールします。MATLAB を開き、現在のディレクトリをグラフィカル ユーザー インターフェイス フォルダーに変更します。[アプリ] タブをクリックし、[マイ アプリ] を選択して [CBLE Performance Estimation] を選択します。

ドロップダウンメニューで、[データセット形式を選択]をクリックし、目的のオプションを選択します。次に、[入力フォルダーの選択] ボタンをクリックして、EEG データセットのディレクトリを選択します。参加者数テキストボックスに、推定の参加者数を入力します。

Brain Invader データを使用する場合は、データセットのサンプリング レートを指定します。デシメーション値を選択して、データセットを約 20 Hz にダウンサンプリングします。分類の時間枠をミリ秒単位で指定します。

次に、CBLE のシフト ウィンドウをミリ秒単位で定義します。完了したら、[パラメータの設定]ボタンをクリックして解析パラメータを設定します。データセットを分割するには、トレーニングセットサイズのターゲット数を選択します。

[データセットの分割] ボタンをクリックして、データセットをトレーニング セットとテスト セットに分割します。[Braininvaders] で [モデルのトレーニング] ボタンをクリックし、トレーニング データセットに式 2 を使用して線形回帰を適用します。次に、[精度の予測] をクリックして、学習済みの分類器モデルをテスト特徴セットに適用し、式 1 を使用して精度を予測します。

テスト・セットの考慮対象として最大ターゲット数Xを選択し、Xターゲット精度の検索を押します。次に、「vCBLEの検索」ボタンをクリックして、すべてのターゲットのvCBLEを取得します。[RMSE の計算] ボタンをクリックして、BCI 精度の vCBLE と BCI 精度の X ターゲット精度に基づいて、両方の予測間の RMSE を計算します。

次に、[accuracy versus vCBLE] をクリックして、すべての参加者の合計精度と合計 vCBLE の関係を観察します。BCI精度とvCBLEのRMSE曲線を表示するには、BCIとvCBLEのRMSE曲線をクリックします。サブIDに個々の参加者の精度を予測するには、被験者IDを入力し、ターゲット番号Nを選択して予測をクリックし、テスト参加者の予測精度を取得します。

CBLE Performance Estimation グラフィカル ユーザー インターフェイスを開きます。ドロップダウンメニューで、[データセット形式を選択]をクリックし、[BCI2000]オプションを選択します。[入力フォルダーの選択] ボタンをクリックして、EEG データセットのディレクトリを選択します。

推定の参加者数を入力します。デシメーション値を選択し、CBLE ウィンドウでオリジナルを指定します。次に、文字番号 X を選択します。次に、[ID の長さ] フィールドに、データセット ファイルからサブジェクト ID の長さを入力します。

[チャネル ID] フィールドに、分析するチャネルの合計数または特定のチャネル番号を指定します。データ形式を確認した後、トレーニング ファイル名とテスト ファイル名を指定します。BCI2000データセットから、テストファイルを確認します。

次に、テストファイル番号フィールドにテストファイル番号を入力します。次に、[実行]をクリックし、チェックリストのすべてのパラメーターにチェックマークが付くまで待ちます。次に、精度とvCBLEを比較して、すべての参加者の合計精度と合計vCBLEの関係を観察します。

最後に、BCIとvCBLEのRMSEをクリックして、BCI精度とvCBLEのRMSE曲線を表示します。braininvadersデータセットのvCBLEに対してプロットされたBCI精度の間には、強い負の相関が観察されました。さまざまなテストデータセットサイズに対してプロットされたvCBLEのRMSEは、vCBLEがBCI精度よりも優れていることを示しました。

vCBLE は、わずか 7 文字で BCI 精度を予測できます。vCBLE予測モデルでは、特定の実験パラダイムにおけるvCBLEと精度の関係について、10人の個人が回帰モデルを構築する必要があることが示されました。vCBLEモデルは、ミシガン州のデータセットで、トレーニングとテストのデータセットを同日に行うことで、より優れたパフォーマンスを示しました。

ミシガン州のデータを使用して、vCBLEモデルと精度モデルについて3日間にわたって計算された平均RMSEは、テストに含まれる文字が6文字未満の場合、vCBLE適合値のRMSEが低くなることを示しました。vCBLE 精度の RMSE は、3 文字から最適な数値まで 0.025 しか低下しないため、小さなテスト セットでは 3 文字を超えるとほとんど向上しないことがわかります。この作業では、単純な線形回帰を使用しますが、CBLEは、特徴抽出、特徴選択、および分類器の任意の時間依存の組み合わせで計算できます。

CBLEを使用して、テストセットに必要なデータを削減しました。他の研究室では、刺激と関連する脳の反応との間の変動潜伏を調べるために使用しています。