基于P300的脑机接口拼写器性能估计与基于分类器的延迟估计

测量性能对于任何涉及脑机接口的研究或临床应用都至关重要。CBLE有助于评估系统对任何特定用户的有效性。CBLE 可用于从仅 3 到 8 个字符的数据中预测用户的 P300 Speller 准确性。

首先，安装 CBLE 性能估算图形用户界面。打开 MATLAB 并将当前目录更改为图形用户界面文件夹。单击"应用"选项卡，选择"我的应用"，然后选择"CBLE 性能评估"。

在下拉菜单中，单击选择数据集格式，然后选择所需的选项。接下来，单击"选择输入文件夹"按钮以选择 EEG 数据集的目录。在参与者人数文本框中，输入估计的参与者人数。

如果使用 Brain Invader 数据，请指定数据集的采样率。选择抽取值以将数据集采样到大约 20 赫兹。指定分类的时间窗口（以毫秒为单位）。

然后定义 CBLE 的移位窗口（以毫秒为单位）。完成后，单击设置参数按钮以设置分析参数。要拆分数据集，请选择训练集大小的目标数。

单击"拆分数据集"按钮，将数据集划分为训练集和测试集。对于 Braininvaders，单击训练模型按钮以在训练数据集上使用公式 2 应用线性回归。接下来，单击"预测准确度"，将经过训练的分类器模型应用于测试特征集，并使用公式 1 预测准确度。

选择最大目标数 X 以考虑测试集，然后按查找 X 目标精度。然后单击"查找 vCBLE"按钮以获取所有目标的 vCBLE。单击计算 RMSE 按钮，以计算基于具有 BCI 精度的 vCBLE 和具有 BCI 精度的 X 目标精度的两个预测之间的 RMSE。

现在，单击准确率与 vCBLE 以观察所有参与者的总准确率和总 vCBLE 之间的关系。单击BCI和vCBLE的RMSE可显示BCI精度和vCBLE的RMSE曲线。要预测子 ID 中单个参与者的准确性，请输入主题 ID.然后选择目标数字 N 并单击"预测"以获取测试参与者的预测准确性。

打开 CBLE 性能评估图形用户界面。在下拉菜单中，单击选择数据集格式，然后选择BCI2000选项。单击"选择输入文件夹"按钮以选择 EEG 数据集的目录。

输入要估算的参与者人数。选择抽取值并在 CBLE 窗口中指定原始值。然后选择字符编号 X.Next，在 ID length 字段中，输入数据集文件中的使用者 ID 长度。

在通道 ID 字段中，指示要分析的通道总数或特定通道号。检查数据格式后，指定训练和测试文件名。从BCI2000数据集中，检查测试文件。

然后在测试文件编号字段中，输入测试文件编号。现在单击"运行"，然后等待勾选清单中的所有参数。然后单击"准确率与 vCBLE"，观察所有参与者的总准确率与总 vCBLE 之间的关系。

最后，单击BCI和vCBLE的RMSE以显示BCI精度和vCBLE的RMSE曲线。在脑入侵者数据集中，BCI准确性与vCBLE之间观察到很强的负相关。针对不同测试数据集大小绘制的 vCBLE 的 RMSE 表明，vCBLE 的准确性优于 BCI。

vCBLE 仅使用七个字符即可预测 BCI 准确性。vCBLE 预测模型表明，需要 10 个人来构建 vCBLE 与特定实验范式准确性之间关系的回归模型。vCBLE模型在密歇根州数据集中显示出更好的性能，具有同一天的训练和测试数据集。

使用密歇根数据计算的 vCBLE 和准确度模型在三天内计算的平均 RMSE 表明，当测试包含少于 6 个字符时，vCBLE 拟合的 RMSE 较低。vCBLE 准确率的 RMSE 从三个字符到最佳数字仅下降了 0.025，这表明小型测试集在三个字符之外几乎没有增益。在这项工作中，我们使用简单的线性回归，但 CBLE 可以通过特征提取、特征选择和分类器的任何时间依赖组合来计算。

我们使用 CBLE 来减少测试集所需的数据。其他实验室已经用它来研究刺激和相关大脑反应之间的可变潜伏期。