Summary
Bu makale, küçük bir test veri kümesi kullanarak aynı gün P300 heceleyici Beyin-Bilgisayar Arayüzü (BCI) doğruluğunu tahmin etmek için bir yöntem sunar.
Abstract
Performans tahmini, Beyin-Bilgisayar Arayüzü (BCI) sistemlerinin geliştirilmesi ve doğrulanmasında gerekli bir adımdır. Ne yazık ki, modern BCI sistemleri bile yavaştır ve doğrulama için yeterli veri toplamayı hem son kullanıcılar hem de deneyciler için zaman alıcı bir görev haline getirir. Yine de yeterli veri olmadan, performanstaki rastgele değişiklik, bir BCI'nın belirli bir kullanıcı için ne kadar iyi çalıştığına dair yanlış çıkarımlara yol açabilir. Örneğin, P300 heceleyicileri genellikle dakikada yaklaşık 1-5 karakter çalışır. %5 çözünürlükle doğruluğu tahmin etmek için 20 karakter (4-20 dakika) gerekir. Bu zaman yatırımına rağmen, 20 karakterden itibaren doğruluk için güven sınırları, gözlemlenen doğruluğa bağlı olarak %±23'e kadar çıkabilir. Daha önce yayınlanmış bir yöntem olan Sınıflandırıcı Tabanlı Gecikme Tahmini'nin (CBLE) BCI doğruluğu ile yüksek oranda ilişkili olduğu gösterilmiştir. Bu çalışma, bir kullanıcının P300 yazım denetleyicisinin doğruluğunu nispeten az sayıda karakterden (~3-8) yazma verisinden tahmin etmek için CBLE kullanmak için bir protokol sunar. Ortaya çıkan güven sınırları, geleneksel yöntemlerle üretilenlerden daha sıkıdır. Böylece yöntem, BCI performansını daha hızlı ve/veya daha doğru bir şekilde tahmin etmek için kullanılabilir.
Introduction
Beyin-bilgisayar arayüzleri (BCI'ler), bireylerin vücut tarafından dayatılan fiziksel sınırlamalara bakılmaksızın doğrudan makineler aracılığıyla iletişim kurmasına olanak tanıyan, invaziv olmayan bir teknolojidir. BCI, doğrudan beyin tarafından çalıştırılan yardımcı bir cihaz olarak kullanılabilir. BCI, kullanıcının ekranda görüntülenen belirli bir anahtarı (harf, sayı veya sembol) seçmek isteyip istemediğini belirlemek için kullanıcının beyin aktivitesini kullanır1. Tipik bir bilgisayar sisteminde, bir kullanıcı klavyede istenen tuşa fiziksel olarak basar. Bununla birlikte, görsel ekranlı bir BCI sisteminde, kullanıcının istenen tuşa odaklanması gerekir. Ardından, BCI ölçülen beyin sinyallerini analiz ederek amaçlanan anahtarı seçecektir1. Beynin aktivitesi çeşitli teknikler kullanılarak ölçülebilir. Rakip BCI teknolojileri olmasına rağmen, elektroensefalogram (EEG), noninvaziv doğası, yüksek zamansal çözünürlüğü, güvenilirliği ve nispeten düşük maliyeti nedeniyle önde gelen bir teknik olarak kabul edilir2.
BCI uygulamaları arasında iletişim, cihaz kontrolü ve ayrıca eğlence 3,4,5,6 yer alır. En aktif BCI uygulama alanlarından biri, Farwell ve Donchin 300 tarafından tanıtılanP7 heceleyicidir. P300, nadir fakat ilgili bir uyaranıntanınmasına yanıt olarak üretilen olayla ilgili bir potansiyeldir (ERP) 8. Bir kişi hedef uyaranını tanıdığında, otomatik olarak bir P300 üretir. P300, bir BCI için etkili bir sinyaldir, çünkü katılımcının hedef olayı tanıdığını dışa dönük bir yanıt gerektirmedeniletir 9.
P300 BCI, bilgisayar bilimi, elektrik mühendisliği, psikoloji, insan faktörleri ve diğer çeşitli disiplinlerden araştırmacıları cezbetmiştir. Sinyal işleme, sınıflandırma algoritmaları, kullanıcı arayüzleri, stimülasyon şemaları ve diğer birçok alanda ilerlemeler kaydedilmiştir 10,11,12,13,14,15. Bununla birlikte, araştırma alanı ne olursa olsun, tüm bu araştırmaların ortak noktası, BCI sistem performansının ölçülmesi gerekliliğidir. Bu görev genellikle bir test veri kümesinin oluşturulmasını gerektirir. Bu gereklilik sadece araştırma ile sınırlı değildir; Yardımcı bir teknoloji olarak nihai klinik uygulama, sistemin güvenilir iletişim oluşturabilmesini sağlamak için muhtemelen her son kullanıcı için ayrı doğrulama setleri gerektirecektir.
P300 BCI'ye uygulanan önemli araştırmalara rağmen, sistemler hala oldukça yavaş. İnsanların çoğu bir P300 BCI16 kullanabilirken, çoğu P300 Heceleyici dakikada 1-5 karakter mertebesinde metin üretir. Ne yazık ki, bu yavaş hız, test veri kümelerinin oluşturulmasının katılımcılar, deneyciler ve nihai son kullanıcılar için önemli ölçüde zaman ve çaba gerektirdiği anlamına gelir. BCI sistem doğruluğunun ölçülmesi bir binom parametre tahmin problemidir ve iyi bir tahmin için birçok veri karakteri gereklidir.
P300 ERP'nin varlığını veya yokluğunu tahmin etmek için çoğu sınıflandırıcı, EEG verilerinin her denemesine veya dönemine bir ikili etiket (örneğin, "varlık" veya "yokluk") atamayı içeren bir ikili sınıflandırma modeli kullanır. Çoğu sınıflandırıcı tarafından kullanılan genel denklem şu şekilde ifade edilebilir:
burada 
P300 yanıtının mevcut olma olasılığını temsil eden sınıflandırıcı skoru olarak adlandırılır, x EEG sinyalinden çıkarılan özellik vektörüdür ve b bir önyargı terimidir17. f işlevi, girdi verilerini çıktı etiketiyle eşleyen bir karar işlevidir ve denetimli bir öğrenme algoritması17 kullanılarak bir dizi etiketli eğitim verisinden öğrenilir. Eğitim sırasında, sınıflandırıcı, her bir sinyalin bir P300 yanıtına sahip olup olmadığı etiketli bir EEG sinyalleri veri kümesi üzerinde eğitilir. Ağırlık vektörü ve önyargı terimi, sınıflandırıcının tahmin edilen çıktısı ile EEG sinyalinin gerçek etiketi arasındaki hatayı en aza indirmek için optimize edilmiştir. Sınıflandırıcı eğitildikten sonra, yeni EEG sinyallerinde P300 yanıtının varlığını tahmin etmek için kullanılabilir.
Farklı sınıflandırıcılar, doğrusal diskriminant analizi (LDA), kademeli doğrusal diskriminant analizi (SWLDA), en küçük kareler (LS), lojistik regresyon, destek vektör makineleri (SVM) veya sinir ağları (NN'ler) gibi farklı karar fonksiyonlarını kullanabilir. En küçük kareler sınıflandırıcısı, tahmin edilen sınıf etiketleri ile gerçek sınıf etiketleri arasındaki karesi alınmış hataların toplamını en aza indiren doğrusal bir sınıflandırıcıdır. Bu sınıflandırıcı, aşağıdaki denklemi kullanarak yeni bir test örneğinin sınıf etiketini tahmin eder:
(1)
burada işaret fonksiyonu, ürün pozitifse +1 ve negatifse -1 döndürür ve ağırlık vektörü 
, aşağıdaki denklem kullanılarak eğitim verilerinin, (x) ve sınıf etiketlerinin (y) özellik kümesinden elde edilir:
(2)
Daha önceki araştırmalarda, Sınıflandırıcı Tabanlı Gecikme Tahmininin (CBLE) BCI doğruluğunu tahmin etmek içinkullanılabileceğini savunduk 17,18,19. CBLE, sınıflandırıcının zamansal duyarlılığından yararlanarak gecikme değişimini değerlendirmeye yönelik bir stratejidir18. P300 sınıflandırmasına yönelik geleneksel yaklaşım, her bir uyaran sunumuyla senkronize edilen tek bir zaman penceresi kullanmayı içerirken, CBLE yöntemi, uyaran sonrası dönemlerin birden fazla zaman kaydırmalı kopyasının oluşturulmasını içerir. Ardından, P300 yanıtının17,18 gecikmesini tahmin etmek için maksimum puanla sonuçlanan zaman kaymasını algılar. Burada, bu çalışma, CBE kullanarak küçük bir veri kümesinden BCI performansını tahmin eden bir protokol sunmaktadır. Temsili bir analiz olarak, bir bireyin genel performansına ilişkin tahminlerde bulunmak için karakter sayısı çeşitlendirilir. Her iki örnek veri kümesi için, vCBLE için kök ortalama kare hatası (RMSE) ve gerçek BCI doğruluğu hesaplandı. Sonuçlar, vCBLE tahminlerinden elde edilen RMSE'nin, takılan verileri kullanarak, test edilen 1 ila 7 karakterden elde edilen doğruluktan sürekli olarak daha düşük olduğunu göstermektedir.
Önerilen metodolojinin uygulanması için "CBLE Performans Tahmini" adı verilen bir Grafik Kullanıcı Arayüzü (GUI) geliştirdik. MATLAB platformunda çalışan örnek kod da sağlanır (Ek Kodlama Dosyası 1). Örnek kod, GUI'de uygulanan tüm adımları gerçekleştirir, ancak adımlar, okuyucunun yeni bir veri kümesine uyum sağlamasına yardımcı olmak için sağlanır. Bu kod, önerilen yöntemi değerlendirmek için halka açık bir veri kümesi olan "Beyin İstilacıları kalibrasyonsuz P300 tabanlı BCI, kuru EEG elektrotları kullanan Veri Kümesi (bi2014a)" kullanır20. Katılımcılar, her oturumda oyunun 9 seviyesine sahip olan üç adede kadar Brain Invaders oyun oturumu oynadılar. Veri toplama, tüm seviyeler tamamlanana veya katılımcı BCI sistemi üzerindeki tüm kontrolünü kaybedene kadar devam etti. Brain Invaders arayüzü, altı uzaylıdan oluşan 12 grupta yanıp sönen 36 sembol içeriyordu. Brain Invaders P300 paradigmasına göre, her grup için bir tane olmak üzere 12 flaş ile bir tekrar oluşturuldu. Bu 12 yanıp sönmeden iki yanıp sönme Hedef sembolünü (Hedef yanıp sönmeler olarak bilinir) içerirken, kalan 10 yanıp sönme Hedef sembolünü (Hedef olmayan yanıp sönmeler olarak bilinir) içermiyordu. Bu paradigma hakkında daha fazla bilgi orijinal referans20'de bulunabilir.
CBLE yaklaşımı, 40 katılımcıdan18,19 elde edilen verileri içeren bir Michigan veri kümesinde de uygulandı. Burada, görevleri eksik olduğu için sekiz katılımcının verileri atılmak zorunda kaldı. Tüm çalışma, her katılımcıdan üç ziyaret gerektirdi. İlk gün, her katılımcı 19 karakterlik bir eğitim cümlesi yazdı, ardından 1, 2 ve 3. günlerde 23 karakterlik üç test cümlesi yazdı. Bu örnekte, klavye altı satır ve altı sütun halinde gruplandırılmış 36 karakter içeriyordu. Her satır veya sütun, yanıp sönmeler arasında 125 milisaniye aralıklarla 31,25 milisaniye yanıp söndü. Karakterler arasında 3,5 saniyelik bir duraklama sağlandı.
Şekil 1 , önerilen yöntemin blok diyagramını göstermektedir. Ayrıntılı prosedür protokol bölümünde açıklanmıştır.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
"CBLE Performans Tahmini" GUI'si iki veri kümesine uygulandı: "BrainInvaders" veri kümesi ve Michigan veri kümesi. "BrainInvaders" veri seti için veri toplama, Grenoble Alpes20 Üniversitesi Etik Komitesi tarafından onaylandı. Michigan verileri, Michigan Üniversitesi Kurumsal İnceleme Kurulu onayı altında toplanmıştır19. Veriler, Kansas Eyalet Üniversitesi muafiyet protokolü 7516 kapsamında analiz edildi. Yeni veri topluyorsanız, bilgilendirilmiş onay almak için kullanıcının IRB onaylı sürecini izleyin. Burada, önerilen protokol, önceden kaydedilmiş, kimliksizleştirilmiş verilerin çevrimdışı analizi kullanılarak değerlendirilir ve bu nedenle ek bilgilendirilmiş onay gerektirmez.
Bu makalede yer alan grafik kullanıcı arabirimi (GUI), iki farklı veri kümesi biçimini yönetme konusunda uzmandır. İlk biçim BCI2000 yazılımıyla ilişkilendirilirken, ikinci biçim "BrainInvaders" veri kümesi olarak adlandırılır. "Brain Invaders" formatını kullanmak için, veriler protokol bölümünün 1. adımında açıklandığı gibi önceden işlenmelidir. Ancak, "BCI2000" veri kümesi biçimiyle uğraşırken 1. adım atlanabilir.
1. Veri hazırlama
- Yalnızca BrainInvaders: "CBLE performans Tahmini" grafik kullanıcı arayüzü (GUI) ile kullanılabilecek ".mat" dosya biçiminde giriş veri dosyasını oluşturun. Örnek bir komut dosyası için Ek Kodlama Dosyası 2'ye bakın.
NOT: Her veri dosyası, farklı zaman örneklerinde kaydedilen gözlemleri temsil eden satırlardan oluşan iki boyutlu bir matristen oluşur. 2'den 17'ye kadar numaralandırılmış matris sütunları, 16 EEG elektrotundan türetilen kayıtlardır. Matrisin ilk sütunu her gözlemin zaman damgasını belirtirken, sütun 18 deneysel olaylarla ilgili bilgileri kapsar. 19. sütunda çoğunlukla sıfırlar vardır, ancak Hedef olmayan (veya Hedef) bir flaş başladığında, sayılar o belirli zamanda bir (veya iki) olarak değişir. Ayrıntılı bir açıklamareferans 20'de bulunabilir.
2. GUI paketinin indirilmesi ve kurulması
- "CBLE Performans Tahmini" GUI'sini indirin ve yükleyin.
3. Veri kümesini GUI konumunun bir alt klasöründe depolama
- Veri kümesi klasörünün GUI ile aynı dizinde kaldığından emin olun.
- Örneğin, yeni bir klasör oluşturun ve içine "CBLE Performans Tahmini" GUI'sini yerleştirin. Tüm veri kümelerini "CBLE GUI" içinde "Veri Kümesi" adlı bir alt klasörde tutun.
4. Yüklü GUI'yi açma
- MATLAB'ı açın (Malzeme Tablosuna bakın), geçerli dizini GUI'nin yerleştirildiği klasöre değiştirin, UYGULAMALAR sekmesine tıklayın ve UYGULAMALARIM'ı seçin.
- "UYGULAMALARIM" sekmesi altında, CBLE Performans Tahmini'ni seçin.
5. Veri kümesi formatını seçme
- Veri kümesi biçimini seçin açılan listesinden bir veri kümesi biçimi seçin.
6. EEG veri dosyasının yüklenmesi
- Veri kümesinin bulunduğu dizini seçmek için Giriş klasörü seç düğmesine tıklayın.
- Seçilen klasörde bulunan veri dosyalarının sayısını gözlemleyin.
NOT: "Brain Invaders" formatında, her katılımcı tek bir veri dosyası ile temsil edilir. Bu nedenle, toplam veri dosyası sayısı, çalışmadaki katılımcı sayısını gösterir. Ancak, her katılımcının birden fazla eğitim ve test dosyası olabileceğinden, "BCI2000" formatı için durum böyle değildir.
7. Parametrelerin ayarlanması
- Kullanıcının tahmin işlemi için kullanmayı planladığı katılımcı sayısını "Hayır. katılımcı sayısı" metin kutusu.
- Yalnızca BrainInvaders: Veri kümesinin örnekleme hızını belirtin.
NOT: BCI2000 dosyaları örnekleme hızını içerir. - Sınıflandırma performansını iyileştirmek için veri kümesini yaklaşık 20 Hz'e düşürmek için bir ondalık değer seçin21. Örneğin, örnekleme frekansı 256 Hz ise, 13'lük bir ondalık değer seçin.
- Sınıflandırma için zaman penceresini milisaniye cinsinden belirtin.
NOT: Başlangıç noktasının 0 ila 100 ms ve bitiş noktasının 700 ila 800 ms arasında değişmesine izin verecek şekilde önerilen başlangıç penceresi boyutu belirtilmiştir. Ancak, başka bir P300 olayıyla çakışmayı önlemek için pencere boyutunu aşırı büyük yapmaktan kaçınmak önemlidir. - CBLE için vardiya penceresini milisaniye cinsinden tanımlayın.
NOT: 'Kaydırma penceresi', CBLE yönteminin P3 yanıtını bulmak için aradığı genişletilmiş zaman aralığını ifade eder. Sınıflandırıcı, vardiya penceresinin ilk öğesinden başlayarak döneme uygulanacaktır. Sınıflandırıcı daha sonra, dönem kaydırma penceresinin dışına uzanana kadar bir örnek daha sonra başlayan dönemlere sırayla uygulanır. Böylece, Shift penceresi orijinal pencereden daha büyük olmalıdır; Ampirik olarak, her iki taraftan 100 ms'den daha az değerler iyi performans gösterir. Her durumda, marj ISI'nin yarısından daha azında tutulmalıdır. - Yalnızca BC2000: Veri kümesi dosyalarında belirtilen konu kimliğinin uzunluğunu "Kimlik uzunluğu" alanına girin.
NOT: GUI, dosya adlarının ilk sub_len karakterinin konu kimliğini kodlamasını bekler. - Yalnızca BCI2000: "Kanal Kimliği" alanında, toplam kanal sayısını belirtin veya analiz için kullanılacak belirli kanal numaralarını belirtin.
- Analiz için gerekli tüm parametreleri ayarlamak için Parametreleri ayarla düğmesine tıklayın.
8. Yalnızca BrainInvaders: Veri kümesini eğitim ve test setine bölme
- Eğitim kümesinin boyutunu temsil eden bir dizi hedef seçin. Veri kümesinin kalan kısmı test veri kümesi olarak kabul edilecektir.
NOT: Modelin uygun şekilde eğitilmesini sağlamak için yeterince büyük bir eğitim örneğine sahip olmak önemlidir. Önerilen en düşük eğitim örneği boyutu 20'dir, ancak bu genel veri kümesi boyutuna bağlı olarak değişebilir. Eğitim oturumları sırasında regresyon hataları oluşursa, eğitim örneklem boyutunun artırılması önerilir. - Veri kümesini eğitim ve test kümelerine bölmek için "Veri kümesini böl" düğmesine basın.
NOT: Her katılımcı eşit miktarda eğitim verisine sahip olacaktır. Ancak, görev sırasında birden fazla deneme olasılığı nedeniyle test verilerinin sayısı tüm katılımcılar için eşit olmayabilir. Sonuç olarak, sunulan toplam hedef veya flaş sayısı kişiden kişiye değişebilir.
9. Eğitim veri kümesiyle bir modeli eğitme
NOT: Adım 9.1 "Brain Invaders" formatı için geçerlidir ve adım 9.2 "BCI2000" formatı için geçerlidir.
- Yalnızca BrainInvaders: Bir sınıflandırıcı modeli eğitmek için Denklem 2'yi kullanarak eğitim veri kümesine doğrusal regresyon uygulamak için Model eğit düğmesine tıklayın.
- Yalnızca BCI2000: Eğitim ve test dosyalarını tüm dosyalardan ayırt etmek için eğitim ve test dosya adlarını veri biçimleriyle (.dat) birlikte belirtin. Ardından, eğitim veri kümesine doğrusal regresyon uygulamak için Modeli eğit düğmesine tıklayın.
10. Test setinin doğruluğunu tahmin etmek
- Eğitilen sınıflandırıcı modelini test özellik kümesine uygulamak ve Denklem 1'i kullanarak doğruluğu tahmin etmek için Doğruluğu tahmin et'e tıklayın.
11. X-hedefi doğrulukları elde etmek
- Test kümesinde dikkate alınacak maksimum hedef sayı olan X'i seçin.
- Yalnızca BCI2000: Kullanıcının birden fazla test dosyası varsa bir test dosyası numarası seçin.
- X hedef doğruluğunu bul'a basın.
12. vCBLE'nin hesaplanması
- Tüm hedefler için vCBLE'yi almak için vCBLE Bul düğmesine tıklayın.
13. BCI doğruluğu ve vCBLE'nin Kök ortalama kare hatasının (RMSE) hesaplanması
- BCI doğruluğu ile vCBLE'ye ve BCI doğruluğu ile X-target doğruluğuna dayalı her iki tahmin arasındaki RMSE'yi hesaplamak için RMSE'yi Hesapla düğmesine tıklayın.
14. Analiz sonuçlarının görselleştirilmesi
- Tüm katılımcılar için toplam doğruluk ve toplam vCBLE arasındaki ilişkiyi gözlemlemek için Doğruluk ve vCBLE düğmesine tıklayın.
- BCI doğruluğu ve vCBLE'nin RMSE eğrisini göstermek için BCI ve vCBLE RMSE düğmesine basın.
15. Bireysel bir katılımcının performansını tahmin etmek
- Tek bir katılımcının doğruluğunu tahmin etmek için konu kimliğini Alt Kimlik'e yerleştirin.
NOT: Burada, test katılımcısı hariç tüm katılımcıların veri kümesi, doğrusal bir regresyon modelini eğitmek için kullanılacaktır. Diğer tüm katılımcıların vCBLE puanları ve bunlara karşılık gelen test doğrulukları, sınıflandırıcı için sırasıyla öngörücüler ve etiketler olarak kullanılacaktır. - Bir hedef numara seçin, n. Tahmin, n-test karakterlerinin doğruluğuna dayalı olarak yapılacaktır.
- Test katılımcısının tahmin edilen doğruluğunu elde etmek için Tahmin Et düğmesine tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Önerilen protokol iki farklı veri kümesi üzerinde test edilmiştir: "BrainInvaders" ve Michigan veri kümesi. Bu veri kümeleri Giriş bölümünde kısaca tanıtılmıştır. Bu iki veri kümesi için kullanılan parametreler Tablo 1'de belirtilmiştir. Şekil 2-4, "BrainInvaders" veri seti kullanılarak elde edilen bulguları gösterirken, Şekil 5-7, Michigan veri setinden elde edilen sonuçları göstermektedir.
"BrainInvaders" veri kümesinde 64 katılımcı var. Şekil 2 , 64 katılımcının tamamının BCI doğruluğu ile vCBLE arasındaki ilişkiyi göstermektedir. Birkaç aykırı değer gözlemlenmesine rağmen, vCBLE'nin BCI doğruluğu ile oldukça negatif korelasyona sahip olduğunu göstermektedir. Şekil 3 , vCBLE'nin RMSE'sini ve test karakterlerinin doğruluğuna dayalı olarak tahmin yapıldığında gerçek doğruluğu göstermektedir. vCBE tarafından elde edilen uygunluğa dayalı olarak bu tahmin için RMSE'nin, 1'den 10'a kadar herhangi bir sayıda test karakterine dayalı doğruluktan daha düşük olduğuna dair kanıtları gösterir. "BrainInvaders" veri kümesi için vCBLE, yalnızca 7 karakter kullanarak BCI doğruluğunu tahmin edebilir. Şekil 4'te tahmin, sırasıyla 2, 5, 7 ve 10 karakterli test setlerinin vCBLE'sinden yapılmıştır. Burada, her bir katılımcının doğruluğunu tahmin etmek için regresyon analizinde bir katılımcıyı dışarıda bırakma yaklaşımı kullanılmıştır. BCI doğruluğu ve vCBLE'nin 100 tekrardan fazla olduğu tahmin edildi. Alt ve üst sınırlar ortalamadan ±2 standart sapmadır. Dört koşulun tümü, eğitim setindeki katılımcı sayısı 10'u aştığında gözlemlenen minimum varyans olduğunu göstermektedir. Belirli bir deneysel paradigma için vCBLE ve doğruluk arasındaki ilişki için regresyon modelini oluşturmak için yaklaşık 10 bireye ihtiyaç duyulduğu sonucuna varılmıştır.
İkinci örnekte, Michigan veri kümesinde 32 katılımcı vardır ve bunların tümü 1. günde bir eğitim cümlesi ve 1., 2. ve 3. günlerde üç test cümlesi yazmıştır. Test cümleleri 23 veya 24 karakter uzunluğundaydı ve birçok katılımcı çevrimiçi işlem sırasında yapılan hataları düzeltmek için ek seçimler yaptı. Şekil 5'te, eğitim ve test veri kümeleri aynı gün toplandığında vCBLE modelinin daha iyi performans gösterdiği görülebilir. Aslında, vCBLE tarafından sağlanan uyumdan kaynaklanan bu tahmin, eğitim verileri ve test verileri aynı gün toplandığında 1-20 arasındaki herhangi bir sayıda test karakterine dayalı doğruluktan daha düşük bir RMSE ile sonuçlandı. Şekil 6 , test altıdan az karakter içerdiğinde genel olarak vCBLE uyumunun daha düşük bir RMSE'ye sahip olduğunu göstermektedir. Ek olarak, Şekil 7'den , vCBLE doğruluk tahmininin RMSE'sinin, üç karakter ile kullanılan optimum karakter sayısı arasında yalnızca yaklaşık 0,025 azaldığı görülebilir. Bu, küçük test kümesi için üçten fazla karakter toplamanın pek bir faydası olmadığı anlamına gelir.
Şekil 1: Önerilen protokolün blok diyagramı. (a) Veri ön işleme ve özellik çıkarma. (b) P300 sınıflandırması. (c) vCBLE'nin değerlendirilmesi. (d) Bir bireyin doğruluğunu tahmin etmek. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 2: Doğruluk ve vCBLE. BCI doğruluğu, "bi2014a" veri kümesi kullanılarak vCBLE'ye karşı çizildi. Doğruluk ve vCBE arasında yüksek bir negatif korelasyon olduğunu gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 3: BCI doğruluğu ve vCBLE'nin RMSE'si. vCBLE ve doğruluğun RMSE'si, "bi2014a" veri seti kullanılarak farklı test veri kümesi boyutlarına (1-10) göre çizildi. Genel olarak, vCBLE, BCI doğruluğundan daha iyi performans gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 4: RMSE kullanan modellerin karşılaştırması. Bu modeller, farklı boyutlardaki test karakterlerinden tahminler gerçekleştirilirken oluşturulur. Sol üst: 2 hedef; sağ üst: 5 hedef; sol alt: 7 hedef; Sağ alt: 10 hedef. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 5: vCBLE Modellerinin RMSE Değerleri. Michigan veri kümesi kullanılarak üç farklı gün boyunca doğruluğu tahmin etmek için ayrı bir model oluşturuldu. Farklı test veri kümesi boyutları kullanılarak oluşturulan modeller için RMSE değerleri gösterilir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 6: Model karşılaştırması. RMSE'nin üç günlük ortalaması, Michigan verileri kullanılarak vCBLE ve doğruluk modelleri için hesaplandı. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
Şekil 7: En iyi modelden ortalama RMSE farkı. Her gün için, her karakterin RMSE değerinden minimum RMSE değeri çıkarıldı. Ortalama üç gün üzerinden hesaplandı. Bu grafik, en iyi modele kıyasla belirli bir veri kümesi boyutunu kullanan bir modelin ortalama performansını temsil eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.
| Veri kümesi adı | Konu numarası | Kimlik uzunluğu | Kanal Kimliği | Örnekleme oranı | Kırıntı değeri | Orijinal pencere | CBLE penceresi | Eğitim örneği no | Hedef sayısı, X |
| Beyin İstilacıları | 64 | YOK | [1:16] | 512 | 26 | [100, 600] | [0, 700] | 20 | 10 |
| Michigan | 32 | 4 | [1:16] | 256 | 13 | [4, 804] | [-100, 900] | YOK | 20 |
TABLO 1: "BrainInvaders" ve Michigan veri kümeleri için standart parametreler.
Ek Kodlama Dosyası 1. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Ek Kodlama Dosyası 2. Bu Dosyayı indirmek için lütfen buraya tıklayın.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Bu makale, küçük bir P300 veri kümesi kullanarak BCI doğruluğunu tahmin etmek için bir yöntemi özetledi. Burada, mevcut protokol "bi2014a" veri setine dayalı olarak geliştirilmiştir, ancak protokolün etkinliği iki farklı veri setinde doğrulanmıştır. Bu tekniği başarılı bir şekilde uygulamak için, orijinal veriler için dönem penceresi, zaman kaydırma penceresi, aşağı örnekleme oranı ve hem eğitim hem de test veri kümelerinin boyutu gibi belirli değişkenleri belirlemek çok önemlidir. Bu değişkenler, hedef veya karakter sayısı, dizi sayısı ve toplam katılımcı sayısı dahil olmak üzere kullanılan veri kümesinin özelliklerine göre belirlenir.
"bi2014a" veri setinin bulguları, vCBLE'nin tahmininin, bir ila on karakter içeren test veri kümelerini içeren tüm test koşulları (10 karakterden az) için karakter düzeyinde BCI doğruluğuna kıyasla üstün performans sergilediğini göstermektedir. Bununla birlikte, test veri kümesi yediden fazla hedef içerdiğinde, vCBLE'nin performansı minimum varyans gösterir. Michigan verilerinden elde edilen sonuçlar, test veri kümesi altı karakterden azsa, aynı gün performansını tahmin etmek için vCBLE kullanmanın doğruluğa dayalı tahminden daha iyi performans göstereceğini göstermektedir. İlginç bir şekilde, bu modeli oluşturmak için kullanılan veri miktarını artırmak, yalnızca ilk birkaç veri karakterinden sonra marjinal olarak iyileşir. Genel olarak bu, aynı gün doğruluğunu tahmin etmek için büyük miktarda veri toplamanın gerekli olmadığı anlamına gelir.
"bi2014a" veri setinin sonuçlarına göre, bir bireyin BCI doğruluğunu tahmin edebilecek bir sınıflandırıcı model oluşturmak için en az 10 katılımcının gerekli olduğu önerilebilir. Ancak bu aynı zamanda hem eğitim hem de test aşamalarında kullanılan karakter sayısına veya dizi sayısına da bağlıdır. " bi2014a " veri seti, nispeten az sayıda toplam hedefi olan birkaç katılımcıyı içerir. vCBLE tahmin yönteminin sırasıyla 32 ve 9 katılımcıdan oluşan küçük boyutlu veri kümeleri üzerinde başarıyla test edildiğini ve etkili performans gösterdiğinibelirtmekte fayda var 17,18. Ancak bu veri kümeleri, eğitim oturumunda 19 karakter ve test oturumunda en az 23 karakter gibi nispeten daha fazla sayıda toplam hedefe sahiptir.
Bu yöntemi uygularken dikkat edilmesi gereken birkaç sınırlama vardır. Michigan veri kümesinin analizinden, eğitim ve test verileri farklı günlerde toplandığında vCBLE modeli daha kötü performans gösteriyor gibi görünüyor. Ayrıca bu yöntem, birden çok katılımcının belirli bir veri kümesi için özel bir model oluşturmasını gerektirir. Ayrıca, önerilen yöntem, en küçük kareler sınıflandırıcısı, kademeli doğrusal diskriminant analizi, destek vektör makinesi (SVM) ve uzay otomatik kodlayıcı (SAE) dahil olmak üzere dört sınıflandırıcı üzerinde test edilmiştir17,18. Bununla birlikte, protokol zamana duyarlı herhangi bir sınıflandırıcıya uygulanabilir olmalıdır. Bu sınırlamalara rağmen, araştırma ve klinik topluluklar için potansiyel zaman tasarrufu, daha fazla araştırma ve uygulamayı garanti eder.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Tüm yazarlar herhangi bir çıkar çatışması olmadığını beyan eder.
Acknowledgments
Temsili sonuçlar için kullanılan veriler, Ulusal Çocuk Sağlığı ve İnsani Gelişme Enstitüsü (NICHD), Grant R21HD054697 kapsamındaki Ulusal Sağlık Enstitüleri (NIH) ve Ulusal Engellilik ve Rehabilitasyon Araştırmaları Enstitüsü (NIDRR) tarafından desteklenen çalışmalar H133P090008 H133G090005 dan toplanmıştır. Çalışmanın geri kalanı kısmen Ulusal Bilim Vakfı (NSF) tarafından #1910526 ödülü altında finanse edildi. Bu çalışmadaki bulgular ve görüşler NICHD, NIH, NIDRR veya NSF'nin pozisyonlarını yansıtmayabilir.
Materials
| Name | Company | Catalog Number | Comments |
| MATLAB 2021 | Matlab | N/A | Any recent MATLAB version can be used. |
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.
- 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 6th International IEEE/EMBS Conference on Neural Engineering (NER), , (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).
