Измерение производительности имеет решающее значение для любого исследования или клинического применения, связанного с интерфейсами мозг-компьютер. CBLE помогает оценить эффективность системы для любого конкретного пользователя. CBLE можно использовать для прогнозирования точности P300 Speller пользователя от трех до восьми символов данных.
Для начала установите графический пользовательский интерфейс оценки производительности CBLE. Откройте MATLAB и измените текущий каталог на папку графического пользовательского интерфейса. Перейдите на вкладку «Приложения», выберите «Мои приложения» и выберите «Оценка производительности CBLE».
В раскрывающемся меню щелкните Выбрать формат набора данных и выберите нужный вариант. Затем нажмите кнопку Выбрать входную папку, чтобы выбрать каталог для набора данных ЭЭГ. В текстовом поле Количество участников введите количество участников для оценки.
При использовании данных Brain Invader укажите частоту дискретизации набора данных. Выберите значение прореживания, чтобы уменьшить выборку набора данных примерно до 20 герц. Укажите временное окно для классификации в миллисекундах.
Затем определите окно сдвига для CBLE в миллисекундах. После этого нажмите кнопку Задать параметры, чтобы задать параметры анализа. Чтобы разделить набор данных, выберите количество целевых объектов для размера обучающего набора.
Нажмите кнопку Разделить набор данных, чтобы разделить набор данных на обучающий и проверочный наборы. Для Braininvaders нажмите кнопку Обучить модель, чтобы применить линейную регрессию с использованием уравнения два к набору данных для обучения. Затем щелкните Predict Accuracy (Predict Accuracy), чтобы применить обученную модель классификатора к тестовому набору объектов и спрогнозировать точность с помощью уравнения один.
Выберите максимальное целевое число X для рассмотрения тестового набора и нажмите кнопку Find X target accuracy. Затем нажмите кнопку «Найти vCBLE», чтобы получить vCBLE для всех целей. Нажмите кнопку Вычислить RMSE, чтобы вычислить среднеквадратичное значение между обоими прогнозами на основе vCBLE с точностью BCI и целевой точности X с точностью BCI.
Теперь нажмите кнопку «Точность» и «vCBLE», чтобы увидеть взаимосвязь между общей точностью и общим количеством vCBLE для всех участников. Щелкните RMSE BCI и vCBLE, чтобы отобразить кривую RMSE точности BCI и vCBLE. Для прогнозирования точности отдельного участника в поле Sub ID введите идентификатор субъекта.Затем выберите целевое число N и нажмите кнопку Predict, чтобы получить прогнозируемую точность участника теста.
Откройте графический пользовательский интерфейс CBLE Performance Estimation. В раскрывающемся меню щелкните Выбрать формат набора данных и выберите опцию BCI2000. Нажмите кнопку Выбрать входную папку, чтобы выбрать каталог для набора данных ЭЭГ.
Введите количество участников для оценки. Выберите значение прореживания и укажите оригинал в окне CBLE. Затем выберите символьный номер X.Затем в поле Длина идентификатора введите длину идентификатора субъекта из файлов набора данных.
В поле Идентификатор канала укажите общее количество каналов или конкретные номера каналов для анализа. Проверив формат данных, укажите имена обучающих и тестовых файлов. В наборе данных BCI2000 проверьте тестовый файл.
Затем в полях номера тестового файла введите номер тестового файла. Теперь нажмите «Выполнить» и подождите, пока все параметры из чек-листа будут отмечены галочками. Затем нажмите кнопку Точность в сравнении с vCBLE, чтобы увидеть взаимосвязь между общей точностью и общим количеством vCBLE для всех участников.
Наконец, щелкните RMSE BCI и vCBLE, чтобы отобразить кривую RMSE точности BCI и vCBLE. Была отмечена сильная отрицательная корреляция между точностью ИМК, построенной на графике и vCBLE для набора данных braininvaders. Среднеквадратичное значение vCBLE, построенное на графике для тестовых наборов данных разных размеров, показало, что точность vCBLE превосходит точность BCI.
vCBLE способен предсказывать точность BCI, используя всего семь символов. Модели прогнозирования vCBLE показали, что для построения регрессионной модели взаимосвязи между vCBLE и точностью для конкретной экспериментальной парадигмы потребовалось 10 человек. Модель vCBLE показала лучшую производительность для набора данных из Мичигана с наборами данных для обучения и тестирования в тот же день.
Среднеквадратичное значение, рассчитанное в течение трех дней для моделей vCBLE и точности с использованием данных Мичиганского университета, показало, что соответствие vCBLE имело более низкое среднеквадратичное значение, когда тест включал менее шести символов. Среднеквадратичное значение точности vCBLE снижается всего на 0,025 от трех символов до оптимального числа, что свидетельствует о небольшом выигрыше за пределами трех символов для небольшого тестового набора. В этой работе мы используем простую линейную регрессию, но CBLE может быть вычислена с любой зависящей от времени комбинацией извлечения признаков, выбора признаков и классификатора.
Мы использовали CBLE, чтобы уменьшить объем данных, необходимых для наших тестовых наборов. Другие лаборатории использовали его для исследования переменной латентности между стимулами и соответствующими реакциями мозга.
