P300-आधारित मस्तिष्क-कंप्यूटर इंटरफ़ेस वर्तनी प्रदर्शन अनुमान क्लासिफायर-आधारित विलंबता अनुमान के साथ
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:
जहां 
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:
(1)
जहां साइन फ़ंक्शन +1 लौटाता है यदि उत्पाद सकारात्मक है और -1 यदि यह नकारात्मक है, और वजन वेक्टर 
प्रशिक्षण डेटा के फीचर सेट से प्राप्त किया जाता है, (x) और क्लास लेबल (y) नीचे दिए गए समीकरण का उपयोग करके:
(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।
Protocol
Representative Results
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 प्रभावका?…
Disclosures
The authors have nothing to disclose.
Acknowledgements
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।
References
- Rezeika, A., Benda, M., Stawicki, P., Gembler, F., Saboor, A., Volosyak, I. Brain-Computer Interface spellers: A review. Brain Science. 8 (4), 57 (2018).
- 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).
- Daly, J. J., Wolpaw, J. R. Brain-computer interfaces in neurological rehabilitation. Lancet Neurology. 7 (11), 1032-1043 (2008).
- Birbaumer, N. Breaking the silence: brain-computer interfaces (BCI) for communication and motor control. Psychophysiology. 43 (6), 517-532 (2006).
- 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).
- Finke, A., Lenhardt, A., Ritter, H. The MindGame: a P300-based brain-computer interface game. Neural Network. 22 (9), 1329-1333 (2009).
- 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).
- 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).
- 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).
- 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).
- Sellers, E. W., Donchin, E. A P300-based brain-computer interface: initial tests by ALS patients. Clinical Neurophysiology. 117 (3), 538-548 (2006).
- 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).
- 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).
- Acqualagna, L., Treder, M. S., Blankertz, B. Chroma Speller: Isotropic visual stimuli for truly gaze-independent spelling. , (2013).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
- 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).
