P300 Tabanlı Beyin-Bilgisayar Arayüzü Yazım Denetleyicisi Performans Tahmini ile Sınıflandırıcı Tabanlı Gecikme Tahmini

Performansın ölçülmesi, beyin bilgisayar arayüzlerini içeren herhangi bir araştırma veya klinik uygulama için çok önemlidir. CBLE, herhangi bir kullanıcı için bir sistemin etkinliğini değerlendirmeye yardımcı olur. CBLE, kullanıcının P300 Speller doğruluğunu yalnızca üç ila sekiz karakterlik verilerden tahmin etmek için kullanılabilir.

Başlamak için, CBLE performans tahmini grafik kullanıcı arayüzünü yükleyin. MATLAB'ı açın ve geçerli dizini grafik kullanıcı arabirimi klasörüne değiştirin. Uygulamalar sekmesine tıklayın, Uygulamalarım'ı seçin ve CBLE Performans Tahmini'ni seçin.

Açılır menüde Veri kümesi biçimini seç'e tıklayın ve istediğiniz seçeneği belirleyin. Ardından, EEG veri kümesinin dizinini seçmek için Giriş klasörünü seç düğmesine tıklayın. Katılımcı sayısı metin kutusuna, tahmin için katılımcı sayısını girin.

Brain Invader verileri kullanılıyorsa, veri kümesinin örnekleme oranını belirtin. Veri kümesini yaklaşık 20 hertz'e örneklemek için bir ondalık değeri seçin. Sınıflandırma için zaman penceresini milisaniye cinsinden belirtin.

Ardından CBLE için vardiya penceresini milisaniye cinsinden tanımlayın. Bittiğinde, tıklayın Parametreleri ayarla Analiz parametrelerini ayarlamak için düğmesine basın. Veri kümesini bölmek için, eğitim kümesi boyutu için hedef sayısını seçin.

Veri kümesini eğitim ve test kümelerine bölmek için Veri kümesini böl düğmesine tıklayın. Braininvaders için, eğitim veri kümesinde ikinci denklemi kullanarak doğrusal regresyon uygulamak için bir model eğit düğmesine tıklayın. Ardından, eğitilen sınıflandırıcı modelini test özellik kümesine uygulamak ve birinci denklemi kullanarak doğrulukları tahmin etmek için Doğruluğu Tahmin Et'e tıklayın.

Test seti değerlendirmesi için maksimum hedef numarası X'i seçin ve X hedef doğruluğunu bul'a basın. Ardından, tüm hedefler için vCBLE'yi almak için vCBLE'yi bul düğmesine tıklayın. BCI doğruluğu ile vCBLE'ye ve BCI doğruluğu ile X hedef doğruluğuna dayalı her iki tahmin arasındaki RMSE'yi hesaplamak için RMSE'yi Hesapla düğmesine tıklayın.

Şimdi, tüm katılımcılar için toplam doğruluk ve toplam vCBLE arasındaki ilişkiyi gözlemlemek için vCBLE'ye karşı doğruluk'a tıklayın. BCI doğruluğu ve vCBLE'nin RMSE eğrisini görüntülemek için BCI ve vCBLE'nin RMSE'sine tıklayın. Alt Kimlik'te tek bir katılımcının doğruluğunu tahmin etmek için konu kimliğini girin.Ardından bir hedef sayı N seçin ve test katılımcısının tahmin edilen doğruluğunu elde etmek için Tahmin Et'e tıklayın.

CBLE Performans Tahmini grafik kullanıcı arabirimini açın. Açılır menüde Veri kümesi biçimini seç'e tıklayın ve BCI2000 seçeneğini belirleyin. EEG veri kümesinin dizinini seçmek için Giriş klasörü seç düğmesine tıklayın.

Tahmin için katılımcı sayısını girin. Bir ondalık değer seçin ve orijinali CBLE penceresinde belirtin. Ardından X karakter numarasını seçin.Ardından, kimlik uzunluğu alanına veri kümesi dosyalarından konu kimliği uzunluğunu girin.

Kanal Kimliği alanında, analiz için toplam kanal sayısını veya belirli kanal numaralarını belirtin. Veri formatını kontrol ettikten sonra, eğitim ve test dosyası adlarını belirtin. BCI2000 veri kümesinden test dosyasını denetleyin.

Ardından test dosyası numarası alanlarına test dosyası numarasını girin. Şimdi Çalıştır'a tıklayın ve kontrol listesindeki tüm parametreler işaretlenene kadar bekleyin. Ardından, tüm katılımcılar için toplam doğruluk ve toplam vCBLE arasındaki ilişkiyi gözlemlemek için Doğruluk ve vCBLE'ye tıklayın.

Son olarak, BCI doğruluğu ve vCBLE'nin RMSE eğrisini görüntülemek için BCI ve vCBLE'nin RMSE'sine tıklayın. Braininvaders veri seti için vCBLE'ye karşı çizilen BCI doğruluğu arasında güçlü bir negatif korelasyon gözlendi. Farklı test veri kümesi boyutlarına karşı çizilen vCBLE'nin RMSE'si, vCBLE'nin BCI doğruluğundan daha iyi performans gösterdiğini gösterdi.

vCBLE, yalnızca yedi karakter kullanarak BCI doğruluğunu tahmin edebilir. vCBLE tahmin modelleri, belirli bir deneysel paradigma için vCBLE ve doğruluk arasındaki ilişki için regresyon modelini oluşturmak için 10 kişinin gerekli olduğunu göstermiştir. vCBLE modeli, aynı gün eğitim ve test veri kümeleriyle Michigan veri kümesi için daha iyi performans gösterdi.

Michigan verileri kullanılarak vCBLE ve doğruluk modelleri için üç gün boyunca hesaplanan ortalama RMSE, test altıdan az karakter içerdiğinde vCBLE uyumunun daha düşük bir RMSE'ye sahip olduğunu gösterdi. vCBLE doğruluğunun RMSE'si, üç karakterden optimum sayıya yalnızca 0,025 düşer, bu da küçük test seti için üç karakterin ötesinde çok az kazanç olduğunu gösterir. Bu çalışmada basit doğrusal regresyon kullanıyoruz, ancak CBLE herhangi bir zamana bağlı özellik çıkarma, özellik seçimi ve sınıflandırıcı kombinasyonu ile hesaplanabilir.

Test setlerimiz için gereken verileri azaltmak için CBLE kullandık. Diğer laboratuvarlar, uyaranlar ve ilgili beyin tepkileri arasındaki değişken gecikmeyi araştırmak için kullandılar.