Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Neuroscience
Click here for the English version

Neuroscience

P300-आधारित मस्तिष्क-कंप्यूटर इंटरफ़ेस वर्तनी प्रदर्शन अनुमान क्लासिफायर-आधारित विलंबता अनुमान के साथ

Published: September 8, 2023 doi: 10.3791/64959
Automatic Translation
1, 1, 1, 2, 3,4, 1
1Brain and Body Sensing Lab, Mike Wiegers Department of Electrical & Computer Engineering, Kansas State University, 2Adaptive Cognitive Assessment Laboratory, Department of Physical Medicine and Rehabilitation, University of Michigan, Ann Arbor, 3Direct Brain Interface Laboratory, Department of Physical Medicine and Rehabilitation, University of Michigan, Ann Arbor, 4Direct Brain Interface Laboratory, Department of Biomedical Engineering, University of Michigan, Ann Arbor

Summary

यह लेख एक छोटे परीक्षण डेटासेट का उपयोग करके उसी दिन P300 स्पेलर ब्रेन-कंप्यूटर इंटरफेस (BCI) सटीकता का अनुमान लगाने के लिए एक विधि प्रस्तुत करता है।

Abstract

प्रदर्शन अनुमान मस्तिष्क-कंप्यूटर इंटरफेस (बीसीआई) सिस्टम के विकास और सत्यापन में एक आवश्यक कदम है। दुर्भाग्य से, यहां तक कि आधुनिक बीसीआई सिस्टम भी धीमे हैं, जिससे सत्यापन के लिए पर्याप्त डेटा एकत्र करना अंतिम उपयोगकर्ताओं और प्रयोगकर्ताओं के लिए समान रूप से समय लेने वाला कार्य है। फिर भी पर्याप्त डेटा के बिना, प्रदर्शन में यादृच्छिक भिन्नता से इस बारे में गलत निष्कर्ष निकल सकते हैं कि बीसीआई किसी विशेष उपयोगकर्ता के लिए कितनी अच्छी तरह काम कर रहा है। उदाहरण के लिए, P300 स्पेलर आमतौर पर प्रति मिनट लगभग 1-5 वर्ण संचालित करते हैं। एक 5% संकल्प के साथ सटीकता का अनुमान लगाने के लिए 20 वर्ण (4-20 मिनट) की आवश्यकता है. इस समय निवेश के बावजूद, 20 वर्णों से सटीकता के लिए आत्मविश्वास सीमा देखी गई सटीकता के आधार पर ±23% तक हो सकती है। पहले प्रकाशित विधि, क्लासिफायर-आधारित विलंबता अनुमान (CBLE), को BCI सटीकता के साथ अत्यधिक सहसंबद्ध दिखाया गया था। यह काम टाइपिंग डेटा के अपेक्षाकृत कुछ वर्णों (~ 3-8) से उपयोगकर्ता की P300 स्पेलर सटीकता की भविष्यवाणी करने के लिए CBLE का उपयोग करने के लिए एक प्रोटोकॉल प्रस्तुत करता है। परिणामी आत्मविश्वास सीमा पारंपरिक तरीकों से उत्पादित लोगों की तुलना में तंग हैं। इस प्रकार विधि का उपयोग बीसीआई प्रदर्शन को अधिक तेज़ी से और/या अधिक सटीक रूप से अनुमान लगाने के लिए किया जा सकता है।

Introduction

मस्तिष्क-कंप्यूटर इंटरफेस (बीसीआई) एक गैर-प्रमुख तकनीक है जो व्यक्तियों को शरीर द्वारा लगाए गए भौतिक सीमाओं की परवाह किए बिना सीधे मशीनों के माध्यम से संवाद करने की अनुमति देती है। बीसीआई का उपयोग सीधे मस्तिष्क द्वारा संचालित सहायक उपकरण के रूप में किया जा सकता है। बीसीआई यह निर्धारित करने के लिए उपयोगकर्ता की मस्तिष्क गतिविधि का उपयोग करता है कि क्या उपयोगकर्ता स्क्रीन पर प्रदर्शित एक निश्चित कुंजी (अक्षर, संख्या या प्रतीक) चुनने का इरादा रखता है1. एक विशिष्ट कंप्यूटर सिस्टम में, एक उपयोगकर्ता भौतिक रूप से कीबोर्ड पर इच्छित कुंजी दबाता है। हालांकि, दृश्य प्रदर्शन के साथ बीसीआई प्रणाली में, उपयोगकर्ता को वांछित कुंजी पर ध्यान केंद्रित करने की आवश्यकता होती है। फिर, बीसीआई मापा मस्तिष्क संकेतों का विश्लेषण करके इच्छित कुंजी का चयन करेगा1. मस्तिष्क की गतिविधि को विभिन्न तकनीकों का उपयोग करके मापा जा सकता है। हालांकि प्रतिस्पर्धी बीसीआई प्रौद्योगिकियां हैं, इलेक्ट्रोएन्सेफलोग्राम (ईईजी) को इसकी गैर-आक्रामक प्रकृति, उच्च अस्थायी संकल्प, विश्वसनीयता और अपेक्षाकृत कम लागत2 के कारण एक अग्रणी तकनीक माना जाता है।

बीसीआई के अनुप्रयोगों में संचार, डिवाइस नियंत्रण और मनोरंजन 3,4,5,6 भी शामिल हैं। सबसे सक्रिय बीसीआई आवेदन क्षेत्रों में से एक P300 स्पेलर है, जिसे फरवेल और डोनचिन7 द्वारा पेश किया गया था। P300 एक दुर्लभ लेकिन प्रासंगिक उत्तेजना8 की मान्यता के जवाब में उत्पादित एक घटना से संबंधित क्षमता (ईआरपी) है. जब कोई व्यक्ति अपने लक्ष्य उत्तेजना को पहचानता है, तो वे स्वचालित रूप से एक P300 का उत्पादन करते हैं। P300 एक बीसीआई के लिए एक प्रभावी संकेत है क्योंकि यह एक जावक प्रतिक्रिया 9 की आवश्यकता के बिना लक्ष्य घटना के प्रतिभागी की मान्यता को व्यक्त करताहै।

P300 BCI ने कंप्यूटर विज्ञान, इलेक्ट्रिकल इंजीनियरिंग, मनोविज्ञान, मानव कारकों और विभिन्न अन्य विषयों के शोधकर्ताओं को आकर्षित किया है। अग्रिम संकेत प्रसंस्करण, वर्गीकरण एल्गोरिदम, उपयोगकर्ता इंटरफेस, उत्तेजना योजनाओं, और कई अन्य क्षेत्रों 10,11,12,13,14,15 में किए गए हैं. हालांकि, अनुसंधान क्षेत्र की परवाह किए बिना, इस सभी शोध में सामान्य धागा बीसीआई सिस्टम के प्रदर्शन को मापने की आवश्यकता है। इस कार्य के लिए आमतौर पर एक परीक्षण डेटा सेट की पीढ़ी की आवश्यकता होती है। यह आवश्यकता अनुसंधान तक सीमित नहीं है; एक सहायक तकनीक के रूप में अंतिम नैदानिक अनुप्रयोग को प्रत्येक अंतिम उपयोगकर्ता के लिए व्यक्तिगत सत्यापन सेट की आवश्यकता होगी ताकि यह सुनिश्चित हो सके कि सिस्टम विश्वसनीय संचार उत्पन्न कर सके।

P300 BCI की ओर लागू काफी शोध के बावजूद, सिस्टम अभी भी काफी धीमे हैं। जबकि अधिकांश लोग P300 BCI16 का उपयोग करने में सक्षम हैं, अधिकांश P300 स्पेलर प्रति मिनट 1-5 वर्णों के क्रम में पाठ का उत्पादन करते हैं। दुर्भाग्य से, इस धीमी गति का मतलब है कि परीक्षण डेटा सेट उत्पन्न करने के लिए प्रतिभागियों, प्रयोगकर्ताओं और अंतिम अंतिम उपयोगकर्ताओं के लिए पर्याप्त समय और प्रयास की आवश्यकता होती है। बीसीआई सिस्टम सटीकता को मापना एक द्विपद पैरामीटर अनुमान समस्या है, और एक अच्छे अनुमान के लिए डेटा के कई वर्ण आवश्यक हैं।

P300 ERP की उपस्थिति या अनुपस्थिति का अनुमान लगाने के लिए, अधिकांश क्लासिफायर एक बाइनरी वर्गीकरण मॉडल का उपयोग करते हैं, जिसमें EEG डेटा के प्रत्येक परीक्षण या युग के लिए एक बाइनरी लेबल (जैसे, "उपस्थिति" या "अनुपस्थिति") निर्दिष्ट करना शामिल है। अधिकांश क्लासिफायर द्वारा उपयोग किए जाने वाले सामान्य समीकरण को इस प्रकार व्यक्त किया जा सकता है:

Equation 1

जहां Equation 2 क्लासिफायरियर का स्कोर कहा जाता है, जो P300 प्रतिक्रिया मौजूद होने की संभावना का प्रतिनिधित्व करता है, x ईईजी सिग्नल से निकाला गया फीचर वेक्टर है, और बी एक पूर्वाग्रह शब्द17 है। फ़ंक्शन f एक निर्णय फ़ंक्शन है जो इनपुट डेटा को आउटपुट लेबल पर मैप करता है, और पर्यवेक्षित शिक्षण एल्गोरिथ्म17 का उपयोग करके लेबल किए गए प्रशिक्षण डेटा के एक सेट से सीखा जाता है। प्रशिक्षण के दौरान, क्लासिफायरियर को ईईजी संकेतों के एक लेबल वाले डेटासेट पर प्रशिक्षित किया जाता है, जहां प्रत्येक सिग्नल को पी 300 प्रतिक्रिया के रूप में लेबल किया जाता है या नहीं। वजन वेक्टर और पूर्वाग्रह शब्द को क्लासिफायरियर के अनुमानित आउटपुट और ईईजी सिग्नल के सही लेबल के बीच त्रुटि को कम करने के लिए अनुकूलित किया जाता है। एक बार क्लासिफायरियर प्रशिक्षित हो जाने के बाद, इसका उपयोग नए ईईजी संकेतों में P300 प्रतिक्रिया की उपस्थिति की भविष्यवाणी करने के लिए किया जा सकता है।

विभिन्न क्लासिफायर अलग-अलग निर्णय कार्यों का उपयोग कर सकते हैं, जैसे रैखिक भेदभाव विश्लेषण (एलडीए), चरणबद्ध रैखिक भेदभाव विश्लेषण (एसडब्ल्यूएलडीए), कम से कम वर्ग (एलएस), लॉजिस्टिक रिग्रेशन, समर्थन वेक्टर मशीन (एसवीएम), या तंत्रिका नेटवर्क (एनएन)। कम से कम वर्ग क्लासिफायरियर एक रैखिक क्लासिफायरियर है जो अनुमानित वर्ग लेबल और सच्चे वर्ग लेबल के बीच वर्ग त्रुटियों के योग को कम करता है। यह क्लासिफायरियर निम्नलिखित समीकरण का उपयोग करके एक नए परीक्षण नमूने के वर्ग लेबल की भविष्यवाणी करता है:

Equation 3(1)

जहां साइन फ़ंक्शन +1 लौटाता है यदि उत्पाद सकारात्मक है और -1 यदि यह नकारात्मक है, और वजन वेक्टर Equation 4 प्रशिक्षण डेटा के फीचर सेट से प्राप्त किया जाता है, (x) और क्लास लेबल (y) नीचे दिए गए समीकरण का उपयोग करके:

Equation 5    (2)

पहले के शोध में, हमने तर्क दिया कि क्लासिफायर-आधारित विलंबता अनुमान (सीबीएलई) का उपयोग बीसीआई सटीकता 17,18,19का अनुमान लगाने के लिए किया जा सकता है। सीबीएलई क्लासिफायरियर की अस्थायी संवेदनशीलता18 का शोषण करके विलंबता भिन्नता का मूल्यांकन करने के लिए एक रणनीति है। जबकि P300 वर्गीकरण के लिए पारंपरिक दृष्टिकोण में एक एकल समय खिड़की का उपयोग करना शामिल है जो प्रत्येक उत्तेजना प्रस्तुति के साथ सिंक्रनाइज़ किया जाता है, CBLE विधि में पोस्ट-स्टिमुलस युगों की कई समय-स्थानांतरित प्रतियां बनाना शामिल है। फिर यह समय बदलाव का पता लगाता है जिसके परिणामस्वरूप अधिकतम स्कोर होता है ताकि P300 प्रतिक्रिया17,18 की विलंबता का अनुमान लगाया जा सके। यहां, यह काम एक प्रोटोकॉल प्रस्तुत करता है जो सीबीएलई का उपयोग करके एक छोटे डेटासेट से बीसीआई प्रदर्शन का अनुमान लगाता है। एक प्रतिनिधि विश्लेषण के रूप में, किसी व्यक्ति के समग्र प्रदर्शन की भविष्यवाणी करने के लिए वर्णों की संख्या विविध है। दोनों उदाहरण डेटासेट के लिए, vCBLE और वास्तविक BCI सटीकता के लिए रूट मीन स्क्वायर एरर (RMSE) की गणना की गई थी। परिणाम बताते हैं कि vCBLE भविष्यवाणियों से RMSE, अपने फिट डेटा का उपयोग करते हुए, 1 से 7 परीक्षण किए गए वर्णों से प्राप्त सटीकता से लगातार कम था।

हमने प्रस्तावित पद्धति के कार्यान्वयन के लिए "सीबीएलई प्रदर्शन अनुमान" नामक एक ग्राफिकल यूजर इंटरफेस (जीयूआई) विकसित किया है। उदाहरण कोड भी प्रदान किया जाता है (पूरक कोडिंग फ़ाइल 1) जो MATLAB प्लेटफॉर्म पर संचालित होता है। उदाहरण कोड जीयूआई में लागू किए गए सभी चरणों को निष्पादित करता है, लेकिन पाठक को एक नए डेटासेट के अनुकूल होने में सहायता करने के लिए चरण प्रदान किए जाते हैं। यह कोड प्रस्तावित विधि20 का मूल्यांकन करने के लिए सार्वजनिक रूप से उपलब्ध डेटासेट "मस्तिष्क आक्रमणकारियों अंशांकन-कम P300-आधारित BCI को शुष्क EEG इलेक्ट्रोड डेटासेट (bi2014a)" का उपयोग करके नियोजित करता है। प्रतिभागियों ने मस्तिष्क आक्रमणकारियों के तीन गेम सत्र खेले, प्रत्येक सत्र में खेल के 9 स्तर थे। डेटा संग्रह तब तक जारी रहा जब तक कि सभी स्तर पूरे नहीं हो गए या प्रतिभागी ने बीसीआई प्रणाली पर सभी नियंत्रण खो दिए। मस्तिष्क आक्रमणकारियों इंटरफ़ेस में 36 प्रतीक शामिल थे जो छह एलियंस के 12 समूहों में चमकते थे। मस्तिष्क आक्रमणकारियों P300 प्रतिमान के अनुसार, एक पुनरावृत्ति 12 चमक, प्रत्येक समूह के लिए एक द्वारा बनाया गया था. इन 12 फ्लैश में से, दो फ्लैश में लक्ष्य प्रतीक (लक्ष्य फ्लैश के रूप में जाना जाता है) शामिल था, जबकि शेष 10 फ्लैश में लक्ष्य प्रतीक (गैर-लक्ष्य फ्लैश के रूप में जाना जाता है) नहीं था। इस प्रतिमान पर अधिक जानकारी मूल संदर्भ20 में पाया जा सकता है.

सीबीएलई दृष्टिकोण भी मिशिगन डेटासेट पर लागू किया गया था, जिसमें 40 प्रतिभागियों18,19 से डेटा शामिल था। यहां, आठ प्रतिभागियों के डेटा को छोड़ना पड़ा क्योंकि उनके कार्य अधूरे थे। पूरे अध्ययन में प्रत्येक प्रतिभागी से तीन यात्राओं की आवश्यकता थी। पहले दिन, प्रत्येक प्रतिभागी ने 19-वर्ण प्रशिक्षण वाक्य टाइप किया, इसके बाद दिन 1, 2 और 3 पर तीन 23-वर्ण परीक्षण वाक्य टाइप किए। इस उदाहरण में, कीबोर्ड में 36 वर्ण शामिल थे जिन्हें छह पंक्तियों और छह स्तंभों में बांटा गया था। प्रत्येक पंक्ति या स्तंभ को फ्लैश के बीच 125 मिलीसेकंड के अंतराल के साथ 31.25 मिलीसेकंड के लिए फ्लैश किया गया था। पात्रों के बीच, एक 3.5 एस विराम प्रदान किया गया था।

चित्रा 1 प्रस्तावित विधि के ब्लॉक आरेख से पता चलता है. विस्तृत प्रक्रिया प्रोटोकॉल अनुभाग में वर्णित है।

Subscription Required. Please recommend JoVE to your librarian.

Protocol

"सीबीएलई प्रदर्शन अनुमान" जीयूआई को दो डेटासेट पर लागू किया गया था: "ब्रेनइन्वेडर्स" डेटासेट और मिशिगन डेटासेट। "ब्रेनइन्वेडर्स" डेटासेट के लिए, डेटा संग्रह को ग्रेनोबल आल्प्स20 विश्वविद्यालय की नैतिक समिति द्वारा अनुमोदित किया गया था। मिशिगन डेटा मिशिगन संस्थागत समीक्षा बोर्ड की मंजूरी19 विश्वविद्यालय के तहत एकत्र किए गए थे। कैनसस स्टेट यूनिवर्सिटी छूट प्रोटोकॉल 7516 के तहत डेटा का विश्लेषण किया गया था। यदि नया डेटा एकत्र कर रहे हैं, तो सूचित सहमति एकत्र करने के लिए उपयोगकर्ता की आईआरबी-अनुमोदित प्रक्रिया का पालन करें। यहां, प्रस्तावित प्रोटोकॉल का मूल्यांकन पहले से रिकॉर्ड किए गए, डी-आइडेंटिफाइड डेटा के ऑफ़लाइन विश्लेषण का उपयोग करके किया जाता है और इसलिए अतिरिक्त सूचित सहमति की आवश्यकता नहीं होती है।

इस आलेख में शामिल ग्राफ़िकल यूज़र इंटरफ़ेस (GUI) दो अलग-अलग डेटासेट स्वरूपों को प्रबंधित करने में कुशल है। पहला प्रारूप BCI2000 सॉफ्टवेयर से जुड़ा है, जबकि दूसरे प्रारूप को "ब्रेनइन्वेडर्स" डेटासेट कहा जाता है। "मस्तिष्क आक्रमणकारियों" प्रारूप का उपयोग करने के लिए, डेटा को प्रोटोकॉल अनुभाग के चरण 1 में वर्णित के रूप में पूर्व-संसाधित किया जाना चाहिए। हालांकि, "BCI2000" डेटासेट प्रारूप के साथ काम करते समय, चरण 1 को छोड़ा जा सकता है।

1. डेटा तैयार करना

  1. केवल BrainInvaders: ".mat" फ़ाइल स्वरूप में इनपुट डेटा फ़ाइल उत्पन्न करें जिसका उपयोग "CBLE प्रदर्शन अनुमान" ग्राफिकल यूजर इंटरफेस (GUI) के साथ किया जा सकता है। नमूना स्क्रिप्ट के लिए, पूरक कोडिंग फ़ाइल 2 देखें।
    नोट: प्रत्येक डेटा फ़ाइल में एक द्वि-आयामी मैट्रिक्स होता है जिसमें पंक्तियाँ शामिल होती हैं जो अलग-अलग समय के नमूनों में दर्ज टिप्पणियों का प्रतिनिधित्व करती हैं। मैट्रिक्स कॉलम 2 से 17 तक 16 ईईजी इलेक्ट्रोड से प्राप्त रिकॉर्डिंग हैं। मैट्रिक्स का पहला कॉलम प्रत्येक अवलोकन के टाइमस्टैम्प को दर्शाता है, जबकि कॉलम 18 में प्रयोगात्मक घटनाओं से संबंधित जानकारी शामिल है। कॉलम 19 में, ज्यादातर शून्य होते हैं, लेकिन जब एक गैर-लक्ष्य (या लक्ष्य) फ्लैश शुरू होता है, तो संख्या उस विशिष्ट समय पर एक (या दो) में बदल जाती है। एक विस्तृत विवरण संदर्भ20 में पाया जा सकता है।

2. डाउनलोड और जीयूआई पैकेज स्थापित करना

  1. "CBLE प्रदर्शन अनुमान" GUI डाउनलोड और इंस्टॉल करें।

3. डेटासेट को GUI स्थान के सबफ़ोल्डर में संग्रहीत करना

  1. सुनिश्चित करें कि डेटासेट फ़ोल्डर GUI के समान निर्देशिका के भीतर रहता है।
  2. उदाहरण के लिए, एक नया फ़ोल्डर बनाएं और उसके अंदर "CBLE प्रदर्शन अनुमान" GUI रखें। सभी डेटासेट को "डेटासेट" नामक "CBLE GUI" के भीतर एक सबफ़ोल्डर में रखें।

4. स्थापित जीयूआई खोलना

  1. MATLAB खोलें ( सामग्री की तालिकादेखें), वर्तमान निर्देशिका को उस फ़ोल्डर में बदलें जहां GUI रखा गया है, APPS टैब पर क्लिक करें और MY APPS चुनें।
  2. "MY APPS" टॅबअंतर्गत, CBLE परफॉर्मन्स अंदाज निवडा.

5. डेटासेट प्रारूप चुनना

  1. ड्रॉपडाउन से डेटासेट प्रारूप का चयन करें डेटासेट प्रारूप चुनें।

6. ईईजी डेटा फ़ाइल लोड हो रहा है

  1. उस निर्देशिका को चुनने के लिए इनपुट फ़ोल्डर का चयन करें बटन पर क्लिक करें जहां डेटासेट स्थित है।
  2. उस चयनित फ़ोल्डर में मौजूद डेटा फ़ाइलों की संख्या का निरीक्षण करें।
    नोट: "मस्तिष्क आक्रमणकारियों" प्रारूप में, प्रत्येक प्रतिभागी को एक एकल डेटा फ़ाइल द्वारा दर्शाया गया है। इसलिए, डेटा फ़ाइलों की कुल संख्या अध्ययन में प्रतिभागियों की संख्या को इंगित करती है। हालांकि, यह "BCI2000" प्रारूप के लिए मामला नहीं है, क्योंकि प्रत्येक प्रतिभागी के पास कई ट्रेन और परीक्षण फाइलें हो सकती हैं।

7. पैरामीटर सेट करना

  1. उन प्रतिभागियों की संख्या टाइप करें जिन्हें उपयोगकर्ता "नहीं" में आकलन प्रक्रिया के लिए उपयोग करना चाहता है। प्रतिभागियों के टेक्स्ट बॉक्स की।
  2. केवल BrainInvaders: डेटासेट की नमूना दर निर्दिष्ट करें।
    नोट:: BCI2000 फ़ाइलों नमूना दर शामिल हैं।
  3. वर्गीकरण प्रदर्शन21 में सुधार करने के लिए डेटासेट को लगभग 20 हर्ट्ज तक डाउनसैम्पल करने के लिए एक दशमलव मान चुनें। उदाहरण के लिए, यदि नमूना आवृत्ति 256 हर्ट्ज है, तो 13 का दशमलव मान चुनें।
  4. मिलीसेकंड में वर्गीकरण के लिए समय विंडो निर्दिष्ट करें।
    नोट: अनुशंसित प्रारंभिक विंडो आकार निर्दिष्ट किया गया है, जिससे शुरुआती बिंदु 0 से 100 एमएस और समाप्ति बिंदु 700 से 800 एमएस तक भिन्न हो सकता है। हालांकि, एक और P300 घटना के साथ अतिव्यापी को रोकने के लिए खिड़की के आकार को अत्यधिक बड़ा बनाने से बचना महत्वपूर्ण है।
  5. मिलीसेकंड में सीबीएलई के लिए शिफ्ट विंडो को परिभाषित करें।
    नोट: 'शिफ्ट विंडो' विस्तारित समय सीमा को संदर्भित करता है जिसे सीबीएलई विधि पी 3 प्रतिक्रिया खोजने के लिए खोजती है। क्लासिफायरियर को शिफ्ट विंडो के पहले तत्व से शुरू होने वाले युग पर लागू किया जाएगा। क्लासिफायरियर को तब क्रमिक रूप से एक नमूना शुरू करने वाले युगों पर लागू किया जाता है, जब तक कि युग शिफ्ट विंडो के बाहर नहीं फैलता है। इस प्रकार, शिफ्ट विंडो मूल विंडो से बड़ी होनी चाहिए; अनुभवजन्य रूप से, प्रत्येक पक्ष से 100 एमएस से कम मान अच्छा प्रदर्शन करते हैं। किसी भी मामले में, मार्जिन आईएसआई के आधे से भी कम होना चाहिए।
  6. केवल BC2000: "आईडी लंबाई" फ़ील्ड के भीतर डेटासेट फ़ाइलों में इंगित विषय आईडी की लंबाई दर्ज करें।
    नोट: GUI विषय ID एन्कोड करने के लिए फ़ाइल नाम के पहले sub_len वर्ण अपेक्षा करता है।
  7. सिर्फ़ BCI2000 लिए: "चैनल आईडी" फ़ील्ड में, चैनलों की कुल संख्या बताएं या विश्लेषण के लिए इस्तेमाल किए जाने वाले खास चैनल नंबर बताएं.
  8. विश्लेषण के लिए आवश्यक सभी मापदंडों को सेट करने के लिए पैरामीटर सेट करें बटन पर क्लिक करें।

8. केवल ब्रेनइन्वेडर: डेटासेट को प्रशिक्षण और परीक्षण सेट में विभाजित करना

  1. प्रशिक्षण सेट के आकार का प्रतिनिधित्व करने वाले कई लक्ष्यों का चयन करें। डेटासेट के शेष भाग को परीक्षण डेटासेट माना जाएगा।
    नोट: मॉडल के उचित प्रशिक्षण को सुनिश्चित करने के लिए, पर्याप्त रूप से बड़े प्रशिक्षण नमूने का होना आवश्यक है। अनुशंसित न्यूनतम प्रशिक्षण नमूना आकार 20 है, हालांकि यह समग्र डेटासेट आकार के आधार पर भिन्न हो सकता है। यदि प्रशिक्षण सत्रों के दौरान प्रतिगमन त्रुटियां होती हैं, तो प्रशिक्षण नमूने के आकार को बढ़ाने की सलाह दी जाती है।
  2. डेटासेट को प्रशिक्षण और परीक्षण सेट में विभाजित करने के लिए "डेटासेट विभाजित करें" बटन दबाएं।
    नोट: प्रत्येक प्रतिभागी के पास समान मात्रा में प्रशिक्षण डेटा होगा। हालांकि, कार्य के दौरान कई प्रयासों की संभावना के कारण सभी प्रतिभागियों के लिए परीक्षण डेटा की संख्या समान नहीं हो सकती है। नतीजतन, प्रस्तुत लक्ष्यों या चमक की कुल संख्या एक व्यक्ति से दूसरे व्यक्ति में भिन्न हो सकती है।

9. प्रशिक्षण डेटासेट के साथ एक मॉडल का प्रशिक्षण

नोट: चरण 9.1 "मस्तिष्क आक्रमणकारियों" प्रारूप के लिए लागू है, और चरण 9.2 "BCI2000" प्रारूप के लिए लागू है।

  1. केवल BrainInvaders: पर क्लिक करें एक क्लासिफायरियर मॉडल के प्रशिक्षण के लिए समीकरण 2 का उपयोग करके प्रशिक्षण डेटासेट पर रैखिक प्रतिगमन लागू करने के लिए एक मॉडल बटन ट्रेन करें।
  2. केवल BCI2000: प्रशिक्षण और परीक्षण फ़ाइलों को सभी फ़ाइलों से अलग करने के लिए उनके डेटा स्वरूप (.dat) के साथ प्रशिक्षण और परीक्षण फ़ाइल नामों को इंगित करें. फिर, प्रशिक्षण डेटासेट पर रैखिक प्रतिगमन लागू करने के लिए ट्रेन ए मॉडल बटन पर क्लिक करें।

10. परीक्षण सेट की सटीकता की भविष्यवाणी करना

  1. परीक्षण सुविधा सेट के लिए प्रशिक्षित क्लासिफायरियर मॉडल को लागू करने के लिए सटीकता की भविष्यवाणी करें पर क्लिक करें और समीकरण 1 का उपयोग करके सटीकता की भविष्यवाणी करें।

11. एक्स-लक्ष्य सटीकता प्राप्त करना

  1. परीक्षण सेट में विचार करने के लिए अधिकतम लक्ष्य संख्या, X का चयन करें।
  2. केवल BCI2000: यदि उपयोगकर्ता के पास एकाधिक परीक्षण फ़ाइलें हैं, तो परीक्षण फ़ाइल संख्या चुनें.
  3. X लक्ष्य सटीकता ढूँढें दबाएँ.

12. vCBLE की गणना

  1. सभी लक्ष्यों के लिए vCBLE प्राप्त करने के लिए vCBLE खोजें बटन पर क्लिक करें।

13. BCI सटीकता और vCBLE की रूट मीन स्क्वायर एरर (RMSE) की गणना

  1. पर क्लिक करें RMSE की गणना करें बीसीआई सटीकता के साथ vCBLE के आधार पर दोनों भविष्यवाणियों के बीच RMSE की गणना करने के लिए बटन, और BCI सटीकता के साथ X-लक्ष्य सटीकता।

14. विश्लेषण परिणामों की कल्पना करना

  1. सभी प्रतिभागियों के लिए कुल सटीकता और कुल vCBLE के बीच संबंध देखने के लिए सटीकता बनाम vCBLE बटन पर क्लिक करें।
  2. BCI सटीकता और vCBLE के RMSE वक्र को दिखाने के लिए BCI & vCBLE के RMSE बटन पर दबाएं।

15. एक व्यक्तिगत प्रतिभागी के प्रदर्शन की भविष्यवाणी करना

  1. किसी व्यक्तिगत प्रतिभागी की सटीकता की भविष्यवाणी करने के लिए, विषय आईडी को उप आईडी में रखें।
    नोट: यहां, परीक्षण प्रतिभागी को छोड़कर सभी प्रतिभागियों के डेटासेट का उपयोग रैखिक प्रतिगमन मॉडल को प्रशिक्षित करने के लिए किया जाएगा। अन्य सभी प्रतिभागियों के vCBLE स्कोर और उनके संबंधित परीक्षण सटीकता का उपयोग क्लासिफायरियर के लिए क्रमशः भविष्यवाणियों और लेबल के रूप में किया जाएगा।
  2. एक लक्ष्य संख्या का चयन करें, एन। भविष्यवाणी एन-परीक्षण वर्णों की सटीकता के आधार पर की जाएगी।
  3. परीक्षण प्रतिभागी की अनुमानित सटीकता प्राप्त करने के लिए भविष्यवाणी बटन पर क्लिक करें।

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

प्रस्तावित प्रोटोकॉल का परीक्षण दो अलग-अलग डेटासेट पर किया गया है: "ब्रेनइन्वेडर्स" और मिशिगन डेटासेट। ये डेटासेट पहले से ही परिचय अनुभाग में संक्षेप में प्रस्तुत किए गए हैं। इस दो डेटासेट के लिए उपयोग किए जाने वाले पैरामीटर तालिका 1 में उल्लिखित हैं। आंकड़े 2-4 "ब्रेनइन्वेडर्स" डेटासेट का उपयोग करके प्राप्त निष्कर्षों को दर्शाते हैं, जबकि आंकड़े 5-7 मिशिगन डेटासेट से प्राप्त परिणामों को प्रदर्शित करते हैं।

"BrainInvaders" डेटासेट में 64 प्रतिभागी हैं। चित्रा 2 बीसीआई सटीकता और सभी 64 प्रतिभागियों के वीबीबीएलई के बीच संबंध प्रस्तुत करता है। यह दर्शाता है कि vCBLE BCI सटीकता के साथ अत्यधिक नकारात्मक रूप से सहसंबद्ध है, हालांकि कुछ आउटलेयर देखे जाते हैं। चित्रा 3 vCBLE के RMSE और वास्तविक सटीकता को दिखाता है जब परीक्षण वर्णों की सटीकता के आधार पर भविष्यवाणी की गई थी। यह सबूत दिखाता है कि इस भविष्यवाणी के लिए RMSE, vCBLE द्वारा प्राप्त फिट के आधार पर, 1 से 10 तक किसी भी परीक्षण वर्णों की संख्या के आधार पर सटीकता से कम था। "BrainInvaders" डेटासेट के लिए, vCBLE केवल 7 वर्णों का उपयोग करके BCI सटीकता की भविष्यवाणी करने में सक्षम है। चित्र 4 में, भविष्यवाणी क्रमशः 2, 5, 7 और 10 वर्णों के साथ परीक्षण सेट के vCBLE से की गई थी। यहां, प्रत्येक व्यक्तिगत प्रतिभागी की सटीकता की भविष्यवाणी करने के लिए प्रतिगमन विश्लेषण में एक छुट्टी-एक-प्रतिभागी-आउट दृष्टिकोण नियोजित किया गया था। BCI सटीकता और vCBLE का अनुमान 100 से अधिक पुनरावृत्ति का लगाया गया था। निचली और ऊपरी सीमाएँ माध्य से ±2 मानक विचलन हैं। सभी चार स्थितियों से संकेत मिलता है कि प्रशिक्षण सेट में प्रतिभागियों की संख्या 10 से अधिक होने पर न्यूनतम विचरण मनाया जाता है। यह निष्कर्ष निकाला गया था कि लगभग 10 व्यक्तियों को एक विशेष प्रयोगात्मक प्रतिमान के लिए vCBLE और सटीकता के बीच संबंधों के लिए प्रतिगमन मॉडल बनाने की आवश्यकता है।

दूसरे उदाहरण में, मिशिगन डेटासेट में 32 प्रतिभागी हैं, जिसमें सभी ने दिन 1 पर एक प्रशिक्षण वाक्य और दिन 1, 2 और 3 पर तीन परीक्षण वाक्य टाइप किए। परीक्षण वाक्य लंबाई में 23 या 24 वर्ण थे, और कई प्रतिभागियों ने ऑनलाइन ऑपरेशन के दौरान की गई त्रुटियों को ठीक करने के लिए अतिरिक्त चयन किए। चित्र 5 में, यह देखा जा सकता है कि vCBLE मॉडल ने बेहतर प्रदर्शन किया जब उसी दिन प्रशिक्षण और परीक्षण डेटासेट एकत्र किए गए थे। वास्तव में, vCBLE द्वारा प्रदान किए गए फिट के परिणामस्वरूप इस भविष्यवाणी के परिणामस्वरूप 1-20 से किसी भी संख्या में परीक्षण वर्णों के आधार पर सटीकता की तुलना में कम RMSE हुआ जब उसी दिन प्रशिक्षण डेटा और परीक्षण डेटा एकत्र किए गए थे। चित्रा 6 से पता चलता है कि कुल मिलाकर, vCBLE फिट में कम RMSE था जब परीक्षण में छह से कम वर्ण शामिल थे। इसके अतिरिक्त, यह चित्र 7 से देखा जा सकता है कि vCBLE सटीकता अनुमान का RMSE केवल तीन वर्णों और उपयोग किए गए वर्णों की इष्टतम संख्या के बीच लगभग 0.025 घटता है। इसका तात्पर्य यह है कि छोटे परीक्षण सेट के लिए तीन से अधिक वर्णों को इकट्ठा करने का अधिक लाभ नहीं है।

Figure 1
चित्रा 1: प्रस्तावित प्रोटोकॉल के ब्लॉक आरेख। (ए) डेटा पूर्व प्रसंस्करण और सुविधा निष्कर्षण। (b) P300 वर्गीकरण। (ग) वीसीबीएलई का मूल्यांकन। (d) किसी व्यक्ति की सटीकता की भविष्यवाणी करना। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 2
चित्रा 2: सटीकता बनाम vCBLE। BCI सटीकता ने "bi2014a" डेटासेट का उपयोग करके vCBLE के खिलाफ प्लॉट किया। यह सटीकता और vCBLE के बीच एक उच्च नकारात्मक सहसंबंध दिखाता है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 3
चित्र 3: बीसीआई सटीकता और वीसीबीएलई का आरएमएसई। vCBLE और सटीकता के RMSE को "bi2014a" डेटासेट का उपयोग करके विभिन्न परीक्षण डेटासेट आकारों (10-2014) के विरुद्ध प्लॉट किया गया था। कुल मिलाकर, vCBLE BCI सटीकता से बेहतर प्रदर्शन करता है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 4
चित्रा 4: आरएमएसई का उपयोग कर मॉडल की तुलना। ये मॉडल तब बनाए जाते हैं जब भविष्यवाणियां विभिन्न आकारों के परीक्षण वर्णों से की जाती हैं। ऊपर बाएं: 2 लक्ष्य; ऊपर दाएं: 5 लक्ष्य; नीचे बाएं: 7 लक्ष्य; नीचे दाएं: 10 लक्ष्य। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 5
चित्र 5: वीसीबीएलई मॉडल के आरएमएसई मान। मिशिगन डेटासेट का उपयोग करके तीन अलग-अलग दिनों में सटीकता की भविष्यवाणी करने के लिए एक अलग मॉडल बनाया गया था। विभिन्न परीक्षण डेटासेट आकारों का उपयोग करके बनाए गए मॉडल के लिए RMSE मान दिखाए जाते हैं। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 6
चित्रा 6: मॉडल तुलना। तीन दिनों में आरएमएसई के औसत की गणना वीसीबीएलई और मिशिगन डेटा का उपयोग करके सटीकता मॉडल के लिए की गई थी। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

Figure 7
चित्रा 7: सबसे अच्छे मॉडल से औसत आरएमएसई अंतर। प्रत्येक दिन के लिए, न्यूनतम RMSE मान प्रत्येक वर्ण के RMSE मान से घटाया गया था. माध्य की गणना तीन दिनों में की गई थी। यह ग्राफ सर्वश्रेष्ठ मॉडल की तुलना में एक निश्चित डेटा सेट आकार का उपयोग करके एक मॉडल के औसत प्रदर्शन का प्रतिनिधित्व करता है। कृपया इस चित्र का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.

डेटासेट का नाम विषय संख्या आईडी की लंबाई चैनल आईडी नमूनाकरण दर क्षय मूल्य मूल विंडो सीबीएलई विंडो प्रशिक्षण नमूना नहीं लक्ष्य संख्या, X
मस्तिष्क आक्रमणकारियों 64 एन/ए [1:16] 512 26 [100, 600] [0, 700] 20 10
मिशीगन 32 4 [1:16] 256 13 [4, 804] [-100, 900] एन/ए 20

तालिका 1: "ब्रेनइन्वेडर्स" और मिशिगन डेटासेट के लिए मानक पैरामीटर।

पूरक कोडिंग फ़ाइल 1. कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.

पूरक कोडिंग फ़ाइल 2. कृपया इस फ़ाइल को डाउनलोड करने के लिए यहाँ क्लिक करें.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

इस लेख ने एक छोटे P300 डेटासेट का उपयोग करके BCI सटीकता का अनुमान लगाने के लिए एक विधि की रूपरेखा तैयार की। यहां, वर्तमान प्रोटोकॉल को "bi2014a" डेटासेट के आधार पर विकसित किया गया था, हालांकि प्रोटोकॉल की प्रभावकारिता की पुष्टि दो अलग-अलग डेटासेट पर की गई थी। इस तकनीक को सफलतापूर्वक लागू करने के लिए, कुछ चर स्थापित करना महत्वपूर्ण है, जैसे मूल डेटा के लिए युग विंडो, समय स्थानांतरण के लिए विंडो, डाउन-सैंपलिंग अनुपात और प्रशिक्षण और परीक्षण डेटासेट दोनों का आकार। ये चर उपयोग किए जा रहे डेटासेट की विशेषताओं द्वारा निर्धारित किए जाते हैं, जिसमें लक्ष्य या वर्णों की संख्या, अनुक्रमों की संख्या और प्रतिभागियों की कुल संख्या शामिल है।

"bi2014a" डेटासेट के निष्कर्षों से संकेत मिलता है कि vCBLE की भविष्यवाणी सभी परीक्षण स्थितियों (10 वर्णों से कम) के लिए चरित्र-स्तरीय BCI सटीकता की तुलना में बेहतर प्रदर्शन प्रदर्शित करती है, जिसमें एक से दस वर्णों वाले परीक्षण डेटासेट शामिल होते हैं। हालांकि, जब परीक्षण डेटासेट में सात से अधिक लक्ष्य शामिल होते हैं, तो vCBLE का प्रदर्शन न्यूनतम विचरण दिखाता है। मिशिगन डेटा के परिणाम बताते हैं कि उसी दिन के प्रदर्शन की भविष्यवाणी करने के लिए vCBLE का उपयोग करने से सटीकता-आधारित अनुमान बेहतर प्रदर्शन होगा यदि परीक्षण डेटा सेट छह वर्णों से कम है। दिलचस्प बात यह है कि इस मॉडल को बनाने के लिए उपयोग किए जाने वाले डेटा की मात्रा में वृद्धि केवल डेटा के पहले कुछ वर्णों के बाद मामूली सुधार करती है। कुल मिलाकर, इसका मतलब यह होगा कि उसी दिन सटीकता की भविष्यवाणी करने के लिए बड़ी मात्रा में डेटा एकत्र करना आवश्यक नहीं है।

"bi2014a" डेटासेट के परिणामों के अनुसार, यह सुझाव दिया जा सकता है कि एक क्लासिफायरियर मॉडल बनाने के लिए न्यूनतम 10 प्रतिभागियों की आवश्यकता होती है जो किसी व्यक्ति की BCI सटीकता का पूर्वानुमान लगा सकता है। हालांकि, यह प्रशिक्षण और परीक्षण दोनों चरणों में उपयोग किए जाने वाले वर्णों की संख्या या अनुक्रमों की संख्या पर भी निर्भर करता है। "bi2014a" डेटासेट में कई प्रतिभागी शामिल हैं जिनके पास कुल लक्ष्यों की अपेक्षाकृत कम संख्या थी। यह उल्लेखनीय है कि vCBLE भविष्यवाणी विधि पहले से ही सफलतापूर्वक क्रमशः 32 और 9 प्रतिभागियों से मिलकर छोटे आकार डेटासेट पर परीक्षण किया गया है, औरप्रभावी प्रदर्शन 17,18 का प्रदर्शन किया है. हालांकि, इन डेटासेट में कुल लक्ष्यों की अपेक्षाकृत बड़ी संख्या होती है, जैसे प्रशिक्षण सत्र में 19 वर्ण और परीक्षण सत्र में न्यूनतम 23 वर्ण।

इस पद्धति को लागू करते समय जागरूक होने के लिए कुछ सीमाएँ हैं। मिशिगन डेटासेट के विश्लेषण से, vCBLE मॉडल खराब प्रदर्शन करता प्रतीत होता है जब प्रशिक्षण और परीक्षण डेटा अलग-अलग दिनों में एकत्र किए जाते हैं। साथ ही, इस पद्धति के लिए किसी दिए गए डेटासेट के लिए एक कस्टम मॉडल बनाने के लिए कई प्रतिभागियों की आवश्यकता होती है। इसके अलावा, प्रस्तावित विधि का परीक्षण चार क्लासिफायर पर किया गया है, जिसमें कम से कम वर्ग क्लासिफायरियर, स्टेपवाइज रैखिक भेदभाव विश्लेषण, समर्थन वेक्टर मशीन (एसवीएम), और स्पेस ऑटोएन्कोडर (एसएई)17,18शामिल हैं। हालांकि, प्रोटोकॉल किसी भी समय के प्रति संवेदनशील क्लासिफायरियर पर लागू होना चाहिए। इन सीमाओं के बावजूद, अनुसंधान और नैदानिक समुदायों के लिए संभावित समय की बचत आगे की जांच और आवेदन की गारंटी देती है।

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

सभी लेखक घोषणा करते हैं कि उनके पास हितों का कोई टकराव नहीं है।

Acknowledgments

प्रतिनिधि परिणामों के लिए उपयोग किए गए डेटा को राष्ट्रीय बाल स्वास्थ्य और मानव विकास संस्थान (एनआईसीएचडी), अनुदान R21HD054697 के तहत राष्ट्रीय स्वास्थ्य संस्थान (एनआईएच) और अनुदान H133G090005 और पुरस्कार संख्या H133P090008 के तहत शिक्षा विभाग में राष्ट्रीय विकलांगता और पुनर्वास अनुसंधान संस्थान (एनआईडीआरआर) द्वारा समर्थित कार्य से एकत्र किया गया था। बाकी काम को राष्ट्रीय विज्ञान फाउंडेशन (एनएसएफ) द्वारा पुरस्कार # 1910526 के तहत वित्त पोषित किया गया था। इस काम के भीतर निष्कर्ष और राय जरूरी नहीं कि एनआईसीएचडी, एनआईएच, एनआईडीआरआर या एनएसएफ की स्थिति को प्रतिबिंबित करें।

Materials

Name Company Catalog Number Comments
MATLAB 2021 Matlab N/A Any recent MATLAB version can be used.

DOWNLOAD MATERIALS LIST

References

  1. Rezeika, A., Benda, M., Stawicki, P., Gembler, F., Saboor, A., Volosyak, I. Brain-Computer Interface spellers: A review. Brain Science. 8 (4), 57 (2018).
  2. Gannouni, S., Aledaily, A., Belwafi, K., Aboalsamh, H. Emotion detection using electroencephalography signals and a zero-time windowing-based epoch estimation and relevant electrode identification. Scientific Reports. 11 (1), 7071 (2021).
  3. Daly, J. J., Wolpaw, J. R. Brain-computer interfaces in neurological rehabilitation. Lancet Neurology. 7 (11), 1032-1043 (2008).
  4. Birbaumer, N. Breaking the silence: brain-computer interfaces (BCI) for communication and motor control. Psychophysiology. 43 (6), 517-532 (2006).
  5. Riccio, A., Simione, L., Schettini, F., Pizzimenti, A., Inghilleri, M., Belardinelli, M. O. Attention and P300-based BCI performance in people with amyotrophic lateral sclerosis. Frontiers in Human Neuroscience. 7, 732 (2013).
  6. Finke, A., Lenhardt, A., Ritter, H. The MindGame: a P300-based brain-computer interface game. Neural Network. 22 (9), 1329-1333 (2009).
  7. Farwell, L. A., Donchin, E. Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials. Electroencephalogr. Clinical Neurophysiology. 70 (6), 510-523 (1988).
  8. Li, Q., Lu, Z., Gao, N., Yang, J. Optimizing the performance of the visual P300-speller through active mental tasks based on color distinction and modulation of task difficulty. Frontiers in Human Neuroscience. 13, 130 (2019).
  9. McFarland, D. J., Sarnacki, W. A., Townsend, G., Vaughan, T., Wolpaw, J. R. The P300-based brain-computer interface (BCI): effects of stimulus rate. Clinical Neurophysiology. 122 (4), 731-737 (2011).
  10. Krusienski, D. J., Sellers, E. W., Cabestaing, F., Bayoudh, S., McFarland, D. J., Vaughan, T. M. A comparison of classification techniques for the P300 Speller. Journal of Neural Engineering. 3 (4), 299-305 (2006).
  11. Sellers, E. W., Donchin, E. A P300-based brain-computer interface: initial tests by ALS patients. Clinical Neurophysiology. 117 (3), 538-548 (2006).
  12. Donchin, E., Spencer, K. M., Wijesinghe, R. The mental prosthesis: assessing the speed of a P300-based brain-computer interface. IEEE Transactions on Rehabilitation Engineering. 8 (2), 174-179 (2000).
  13. Höhne, J., Schreuder, M., Blankertz, B., Tangermann, M. A novel 9-class auditory ERP paradigm driving a predictive text entry system. Frontiers in Neuroscience. 5, 99 (2011).
  14. Acqualagna, L., Treder, M. S., Blankertz, B. Chroma Speller: Isotropic visual stimuli for truly gaze-independent spelling. 2013 6th International IEEE/EMBS Conference on Neural Engineering (NER), , (2013).
  15. Townsend, G., LaPallo, B. K., Boulay, C. B., Krusienski, D. J., Frye, G. E., Hauser, C. K. A novel P300-based brain-computer interface stimulus presentation paradigm: moving beyond rows and columns. Clinical Neurophysiology. 121 (7), 1109-1120 (2010).
  16. Guger, C., Daban, S., Sellers, E., Holzner, C., Krausz, G., Carabalona, R. How many people are able to control a P300-based brain-computer interface (BCI). Neuroscience Letters. 462 (1), 94-98 (2009).
  17. Mowla, M. R., Gonzalez-Morales, J. D., Rico-Martinez, J., Ulichnie, D. A., Thompson, D. E. A comparison of classification techniques to predict Brain-computer interfaces accuracy using classifier-based latency estimation. Brain Science. 10 (10), 734 (2020).
  18. Thompson, D. E., Warschausky, S., Huggins, J. E. Classifier-based latency estimation: a novel way to estimate and predict BCI accuracy. Journal of Neural Engineering. 10 (1), 016006 (2012).
  19. Thompson, D. E., Gruis, K. L., Huggins, J. E. A plug-and-play brain-computer interface to operate commercial assistive technology. Disability and Rehabilitation: Assistive Technology. 9 (2), 144-150 (2014).
  20. Korczowski, L., Ostaschenko, E., Andreev, A., Cattan, G., Coelho Rodrigues, P. L., Gautheret, V., Congedo, M. Brain Invaders calibration-less P300-based BCI using dry EEG electrodes Dataset (bi2014a) [Data set]. Zenodo. , (2019).
  21. Krusienski, D. J., Sellers, E. W., Cabestaing, F., Bayoudh, S., McFarland, D. J., Vaughan, T. M., Wolpaw, J. R. A comparison of classification techniques for the P300 Speller. Journal of Neural Engineering. 3 (4), 299-305 (2006).

Tags

P300-आधारित मस्तिष्क-कंप्यूटर इंटरफ़ेस स्पेलर प्रदर्शन अनुमान क्लासिफायर-आधारित विलंबता अनुमान BCI सिस्टम डेटा संग्रह सत्यापन अंतिम उपयोगकर्ता प्रयोगकर्ता यादृच्छिक भिन्नता झूठे अनुमान P300 स्पेलर सटीकता अनुमान समय निवेश आत्मविश्वास सीमा क्लासिफायर-आधारित विलंबता अनुमान (CBLE) प्रोटोकॉल टाइपिंग डेटा
P300-आधारित मस्तिष्क-कंप्यूटर इंटरफ़ेस वर्तनी प्रदर्शन अनुमान क्लासिफायर-आधारित विलंबता अनुमान के साथ
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Khan, N. N., Sweet, T., Harvey, C.… More

Khan, N. N., Sweet, T., Harvey, C. A., Warschausky, S., Huggins, J. E., Thompson, D. E. P300-Based Brain-Computer Interface Speller Performance Estimation with Classifier-Based Latency Estimation. J. Vis. Exp. (199), e64959, doi:10.3791/64959 (2023).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter