Estimativa de desempenho do corretor ortográfico da interface cérebro-computador baseada em P300 com estimativa de latência baseada em classificador

A medição do desempenho é crucial para qualquer pesquisa ou aplicação clínica envolvendo interfaces cérebro-computador. O CBLE ajuda a avaliar a eficácia de um sistema para qualquer usuário em particular. O CBLE pode ser usado para prever a precisão do P300 Speller do usuário de apenas três a oito caracteres de dados.

Para começar, instale a interface gráfica do usuário de estimativa de desempenho do CBLE. Abra o MATLAB e altere o diretório atual para a pasta da interface gráfica do usuário. Clique na guia Aplicativos, selecione Meus aplicativos e escolha Estimativa de desempenho CBLE.

No menu suspenso, clique em Selecionar formato de conjunto de dados e escolha a opção desejada. Em seguida, clique no botão Selecionar pasta de entrada para escolher o diretório para o conjunto de dados EEG. Na caixa de texto número de participantes, insira o número de participantes para a estimativa.

Se estiver usando dados do Brain Invader, especifique a taxa de amostragem do conjunto de dados. Escolha um valor de dizimação para reduzir a amostra do conjunto de dados para aproximadamente 20 hertz. Especifique a janela de tempo para a classificação em milissegundos.

Em seguida, defina a janela de deslocamento para CBLE em milissegundos. Uma vez feito, clique no botão Definir parâmetros para definir parâmetros de análise. Para dividir o conjunto de dados, selecione o número de destinos para o tamanho do conjunto de treinamento.

Clique no botão Dividir o conjunto de dados para dividir o conjunto de dados em conjuntos de treinamento e teste. Para Braininvaders, clique no botão treinar um modelo para aplicar regressão linear usando a equação dois no conjunto de dados de treinamento. Em seguida, clique em Prever Precisão para aplicar o modelo de classificador treinado ao conjunto de recursos de teste e prever as precisões usando a equação um.

Selecione o número máximo de destino X para consideração do conjunto de teste e pressione localizar a precisão do alvo X. Em seguida, clique no botão localizar vCBLE para obter o vCBLE para todos os destinos. Clique no botão Calcular RMSE para calcular o RMSE entre ambas as previsões com base em vCBLE com precisão BCI e precisão de alvo X com precisão BCI.

Agora clique em precisão versus vCBLE para observar a relação entre acurácia total e total vCBLE para todos os participantes. Clique em RMSE de BCI e vCBLE para exibir a curva RMSE de precisão BCI e vCBLE. Para prever a precisão de um participante individual no Sub ID, insira o ID do assunto.Em seguida, selecione um número de destino N e clique em Prever para obter a precisão prevista do participante do teste.

Abra a interface gráfica do usuário do CBLE Performance Estimation. No menu suspenso, clique em Selecionar formato de conjunto de dados e escolha a opção BCI2000. Clique no botão Selecionar pasta de entrada para escolher o diretório para o conjunto de dados EEG.

Insira o número de participantes para a estimativa. Escolha um valor de dizimação e especifique o original na janela CBLE. Em seguida, escolha o número do caractere X.Em seguida, no campo Comprimento do ID, insira o comprimento do ID do assunto dos arquivos do conjunto de dados.

No campo ID do canal, indique o número total de canais ou números de canal específicos para análise. Depois de verificar o formato de dados, especifique nomes de arquivo de treinamento e teste. No conjunto de dados BCI2000, verifique o arquivo de teste.

Em seguida, nos campos número do arquivo de teste, insira o número do arquivo de teste. Agora clique em Executar e aguarde até que todos os parâmetros da lista de verificação sejam marcados. Em seguida, clique em Acurácia versus LEBCv para observar a relação entre a acurácia total e o LEBC total para todos os participantes.

Finalmente, clique em RMSE de BCI e vCBLE para exibir a curva RMSE de precisão BCI e vCBLE. Uma forte correlação negativa foi observada entre a acurácia do BCI plotado contra o vCBLE para o conjunto de dados braininvaders. O RMSE do vCBLE plotado contra diferentes tamanhos de conjunto de dados de teste mostrou que o vCBLE tem um desempenho melhor do que a precisão do BCI.

O vCBLE é capaz de prever a precisão do BCI usando apenas sete caracteres. Os modelos de predição do LECBv indicaram que 10 indivíduos foram necessários para construir o modelo de regressão para a relação entre o LECBv e a acurácia para um determinado paradigma experimental. O modelo vCBLE mostrou melhor desempenho para o conjunto de dados de Michigan com conjuntos de dados de treinamento e teste no mesmo dia.

O RMSE médio calculado ao longo de três dias para os modelos de vCBLE e acurácia usando dados de Michigan mostrou que o ajuste do vCBLE teve um RMSE menor quando o teste incluiu menos de seis caracteres. O RMSE da precisão do vCBLE cai em apenas 0,025 de três caracteres para o número ideal, sugerindo pouco ganho além de três caracteres para o pequeno conjunto de teste. Neste trabalho, usamos regressão linear simples, Mas o CBLE pode ser calculado com qualquer combinação dependente de tempo de extração de característica, seleção de característica, e classificador.

Usamos o CBLE para reduzir os dados necessários para nossos conjuntos de teste. Outros laboratórios o usaram para investigar a latência variável entre estímulos e as respostas cerebrais relacionadas.