在线检测P300和潜力在BCI拼字错误

文摘

错误势(ErrPs),脑电图的改变跟踪相关主题的看法错误的反应,被认为是一种优雅的方式认识到误解命令在脑机接口(BCI)系统。我们实现了一个P300-based BCI拼字,利用遗传算法(GA) p300检测,并添加一个自动纠错系统(ECS)基于ErrPs的单扫描检测。发达系统联机测试三个科目在这里,我们报告的初步结果。在三分之二的科目,遗传算法提供了一个良好的性能在P300检测(90%和60%的准确率5重复),和可以检测ErrP精度(大约60%)远高于水平的机会。在我们所知,这是第一次P300-based BCI ErrP检测在线执行。初步结果是鼓舞人心的,但还需要进一步的改进来提高性能。

1。介绍

脑-机接口(BCI)是一个接口,不需要肌肉运动,但是它绕过任何肌肉或神经中介和连接电脑直接与大脑的大脑活动产生的信号。

在不同的大脑活动,可用于BCI,P300现象已经知道(1)和研究多年。这是一个与事件相关电位(ERP),传统上被描述为一个积极的峰值出现在脑电图记录从一个事件约300毫秒。它遵循出人意料,罕见,或特别的刺激,它通常是更强的顶叶区域。P300的形状取决于刺激的特征及其表现。

对于BCI的应用程序,“确切”P300的形状并不重要,因为有一个检测方法。检测P300在一个试验是非常困难的,因此,反复刺激通常被用来促进生成的选择一个P300。重复的次数可以预定为每个用户获得最佳的速度和准确度之间的权衡。

在[2),第一P300-based BCI Donchin及其同事提出,也称为P300拼字,它允许拼写单词。网格的字母和符号呈现给用户,和整个列或行闪现一个接一个以随机的顺序(见图1一个例子)。当列/行包含所需的字母是闪现,P300是引起。Donchin的工作,分类是通过逐步判别分析(SWDA)应用于平均样本时期相对于相同的刺激(同一行或同一列)。

其他BCI接口使用P300协议开发。在[3),提出了一个虚拟现实系统,通过P300科目选择操作对象。分类是由比较单一的平均响应的相关目标和不属预定目标的响应。在[4),主体(健康受损的)控制光标选择中四个命令(上,下,左,右)通过P300。在这种情况下,执行单扫描检测:独立分量分析(ICA)是用来分解EEG信号,模糊分类器识别候选人在ICA提取的P300成分,以及神经网络分类目标或不属预定目标的。系统更有效的健康受试者,尽管没有确切的原因可能是查明。最后,在[5),首次尝试使用BCI在家庭环境报道:肌萎缩性脊髓侧索硬化症患者使用P300每天拼字。

另一个相关与事件相关电位潜在的错误(ErrP以后),当一个主体生成一个错误,BCI应用程序更有趣的是,当机器的行为不同于用户的意图。已知自1980年代末(6,7),ErrPs被描述为消极转变的电势fronto-central地区(从系统Fz Cz的10 - 20)50 - 100毫秒后发生一个错误的响应(错误消极- ne或错误消极白尾海雕)和随后的顶叶区域的积极转变,其最大女士在200年和500年之间发生错误(后错误的积极性pe)。高可变性的形状、大小和延迟Ne和Pe组件已经被观察到的不同的底层机制的影响,其性质是不确定8]。

在[9]在BCI ErrPs范式的存在(由μ和β节律光标移动)透露,作为一个积极的峰值在Cz 40毫秒结束后错误的试验。这一发现提出了一个有趣的应用程序:自动检测错误由BCI的识别用户的意图和改善其性能的方法。文澜和他的同事们(10,11)与ErrPs实验发现motor-imagery BCI。他们训练高斯分类器自动识别ErrPs,达成精度约为80%。

在这个工作我们现在我们的经验在检测P300和ErrP P300-based拼字和一个集成的自动纠错系统(ECS)基于单扫描ErrP检测。

2。实验设置

我们开发了一个基于P300古典BCI, P300的拼字,并综合使用ErrP。我们P300拼字非常相似的外观和功能范式描述Donchin et al。2:36符号上处理网格,整个行和列的符号闪烁在随机顺序一个接一个。网格图的符号是可见的1。从字母表的字母,一些数字,空间,退格,表示为BS正确的底部角落。行和列的强化持续125毫秒之间的矩阵仍然是125 ms空白连续两个闪光。每行和每列完全闪过一次在第12刺激(12块连续刺激称为重复);然后另一轮的12个重复刺激,闪烁的行和列完成一个新的随机顺序。我们用5重复重复之间没有停顿。请注意,重复的次数比平时更低。选择仪器压力系统在不利形势下,因此收集大量的拼写错误的字母。

第五重复后,P300系统检测到的行和列更有可能引起P300,并选择他们的十字路口的信。后暂停1 s,这封信是呈现给用户弹出一个大矩形网格(见图1)。信的表现应引起ErrP如果信P300预测的系统不同于一个用户的目的。

ErrP检测系统数据如果任何ErrP被选定的表示字母了,在这种情况下,覆盖了P300拼字和取消最后选择;否则,这封信是附加到顶部的文本。2 - 3 s的停顿之后(该参数调到每个主题的需求),拼字的开始一个新的一系列的刺激下一个字母。一个试验,在这种情况下,整个系列60行/列闪光(12闪光* 5重复)一起拼字的选择为每个字母的反馈,也就是说,一个单一的审判是由60 P300刺激和1 ErrP刺激(审判长约15秒)。

在网络实验,用户与拼字的在两个方面:复制模式他们被要求选择字母表示的BCI在每次试验之前,以简化性能的评价;在免费模式自己选择的科目拼写单词。在复制模式为每个字母,系统执行一个试验,它继续下一个单词即使P300分类器是错误的;在这种模式下ErrP校正系统是不活跃的。在免费模式ErrP校正系统活跃,用户必须击中退格纠正拼写错误的信只有当错误是不会自动识别。在培训期间,拼字的使用复制模式只有。GA和ErrP培训是按顺序执行的。ErrP训练,为了引出错误的反应,这封信反馈选择错误在20%的时间和正确的在80%的情况下。

我们已经实现的拼字是基于BCI2000 [12),沃兹沃斯中心的通用软件系统开发的纽约州卫生署在奥尔巴尼,纽约,美国为脑-机接口(BCI)研究。我们开发了三个主要组件:一个源模块,获得脑电图数据从我们的放大器,一个应用程序由内置的P300拼字,和一个dual-classifier处理模块来处理P300和ErrP分类。应用程序模块实现了P300与ErrP-based纠错拼字,如上所述,[中描述和精确的同步系统(完全13])。EEG信号的处理模块分裂时代同步刺激瞬间,处理数据,并执行根据两个不同时代的分类处理链,一个用于p300和一个用于ErrPs,简述如下。

3所示。数据处理

脑电图数据获取与EBNeuro光放大器在位置Fz, Cz, Pz,盎司,512赫兹的频率。同时,小城镇是记录的右眼。此次不用于分类,但它是用来丢弃嘈杂的时代在训练和保持对未来的分析。P300检测,物流分类器(14使用),通过遗传算法训练特征提取。

遗传算法是一种优化算法,模拟自然进化的工作方式。在遗传算法中,一组可能的解决方案的一个优化问题中编码的字符串染色体;解决方案评估和最好的(最高健身)选择和组合在一起,形成新的可能的解决方案,在一个模仿在生物进化的过程。经过一些重复的过程,良好的解决方案出现。

在这项工作中使用的遗传算法中,每个个体(染色体)代表一组可能的特性差别的存在P300在脑电图记录。每个基因编码的特性和脑电图通道提取;功能是通过脑电图通道乘以权重函数,其确切的形状是由参数编码基因(见图2权重函数的例子)。遗传算子的变体1点交叉和均匀变异,与精英主义和锦标赛选择使用。染色体是4倍的健身旨在培训物流分类器获得的性能从训练集的编码特性。算法的完整描述,请参见[15]。

分析的结合遗传算法和特征提取的训练集上的分类器训练允许计算权重分配给个人脑电图样本。通过这种方式,最终的分类器是非常快在网上申请。

ErrP检测,一个简单的方法是使用,也因为更少的训练数据是可用的(每个字母有一个ErrP刺激P300与60)。

脑电图数据分段在时代的极端与算法发现下面的解释。时代过滤在乐队1 - 10赫兹提高信噪比通过消除频率成分ErrPs无关。脑电图样本被送入分类器训练通过线性判别分析(LDA)。

平均ErrP和non-ErrP时代的区别只在一些可观测间隔分段的时代,这些间隔取决于主题。由于这些原因,我们开发了一种方法来自动确定显著间隔ErrP分类的训练数据。训练数据首先被分割在时代之前从100 ms刺激后即时(反馈开始)到500 ms。时代包含强烈的此次活动(> 100在任何时候)会自动丢弃之前进一步分析。然后应用一个滤波器通带滤波器1 - 10赫兹。对于每一个通道和时间点,信号从ErrP时代和从non-ErrP时期可以看作是两个随机变量。一个以及用于检查,对于任何给定的和的意思是的意思是有很大区别的;被选为0.01显著性水平,但小得多P价值观是经常发现在分析数据。的以及使用只找到一个时间间隔为分类使用,因此其假设的有效性(与平等的方差高斯分布)不是很重要;然而,我们进行了一些统计测试数据和他们满意。

点探测到以及往往在于团体,因为过滤信号有很强的自相关短暂的滞后。然而,许多大小不一的间隔,之间有“洞”(见图的顶部3为例),通常发现,而我们只找到一个连续的包含所有的有趣的特征信号的时间间隔。我们使用DBSCAN [16),基于密度的聚类算法,来填补漏洞和抛弃孤立点或小间隔。最大的选择区间和用于分类。

训练阶段产生时间间隔和一个线性分类器。在在线分类,过程非常快。脑电图时代根据区间发现,减少滤波器通带过滤和分类器应用于时代。

4所示。结果

三个科目参加了第一套在线实验。P300的拼字的重复使用5每封信的刺激;为主题B1我们不得不减少重复4为了有一个合理的数量的错误(在线性能复制模式为主题B1是90% 5重复)。另一方面,B2主题表现不佳主要是由于低浓度;关注的主题报告问题的任务,可能因为电脑屏幕的亮度调节的失败影响在线录音。所有结果证实的离线数据15),并确认遗传分类方法的有效性。

受试者B1和B3使用BCI拼写单词免费模式启用,纠错机制。结果如表所示1并确认分类器发现的遗传算法可以用来驱动BCI的应用程序。主题B2可能试图利用拼字的通过增加数量的重复,但也作为数据记录评估错误的潜力,这将使录音更长。

在线实验结果如表所示2。分类器进行测试的会议不同于用于训练,所以他们很可能表明在线使用。对用户分类性能远高于水平的机会,但这并不足以表示ErrP检测是否已经为这样的用户有用。测试,我们计算了获得通过包含一个自动ErrP校正系统。的获得是基于计算实用程序度量我们最近提议(见[17]详情):为主题B1我们获得一个小改进(增益= 1.0011),而在主题B3的损害表现观察(增益= 0.8733)。

5。讨论

在本文中,我们提出了一个实验——我们的知识——第一次尝试使用一个集成的P300 BCI基于ErrPs纠错机制。虽然参与的在线研究相当有限,结果是鼓舞人心的和确认的可行性ErrP单扫描检测已经证实等更密集的离线研究[18]或[13]。

使用遗传算法的定义的特性应用于P300检测已经证实了它的力量也在网上使用,好的结果后离线分析(15]。原则上,同一算法可以用于ErrP功能设计,但这是某种程度上预防减少数量的例子,可以聚集在训练。能够设计出一种不同的策略自动收集ErrP例子在我们P300-based BCI的使用应用程序。在自由模式下每个回空间可以被视为一个明确的标签ErrP的用户。这个策略,数据收集将仍然耗时(虽然可能性不大,我们没有改变ErrP启发),但它可能会更容易接受的用户,可能增强她的经历与拼字的人随着时间的流逝。

给出的结果是鼓舞人心的,但仍然需要一些额外的工作来提高性能。尤其重要的是,ErrP检测达到精度高,高于P300检测。原因是ErrP刺激生成每个字母后只有一次选择,和检测ErrP这是唯一的机会了。精度高于机会是不够的,有一个可用的接口或一个重大的进步,测量获得的记录。此外,包含ErrP修正更有利可图,ErrP分类器的表现应该针对不同的用户分别调整。这可能是由上述收益最大化。这不是做摘要,我们没有调整ErrP分类器的假阳性(或假阴性(19])。

此外,为了使系统更有用的在实践中,我们计划改进我们的处理方法和演示界面(更好地捕捉的主题关注),以增加ErrP分类器的性能;在更广泛的研究中有更多的科目我们将评估网络的性能提高。

确认

这项工作已经部分支持的意大利理工学院(IIT),和授予“脑-机接口在日常应用”从米兰理工大学和Regione伦巴蒂大区。

引用

1. 萨顿,m . Braren j .位于Zubin和e·r·约翰,“诱发电位刺激相关的不确定性,”科学,卷150,不。3700年,第1188 - 1187页,1965年。视图:谷歌学术搜索
2. e . Donchin k·m·斯宾塞和r . Wijesinghe”精神假肢:评估的速度P300-based“脑机接口”IEEE康复工程,8卷,不。2、174 - 179年,2000页。视图:出版商的网站|谷歌学术搜索
3. j·d·贝利斯s a Inverso, a . Tentler改变P300脑计算机接口,“《网络心理学和行为,7卷,不。6,694 - 704年,2004页。视图:出版商的网站|谷歌学术搜索
4. f . Piccione f . Giorgi p Tonin et al .,“P300-based大脑计算机接口:可靠性和性能在健康和瘫痪的参与者,”临床神经生理学,卷117,不。3、531 - 537年,2006页。视图:出版商的网站|谷歌学术搜索
5. t·m·沃恩·d·j·麦克法兰g . Schalk et al .,”沃兹沃思BCI研究和发展项目:在家BCI,”IEEE神经系统和康复工程,14卷,不。2、229 - 233年,2006页。视图:出版商的网站|谷歌学术搜索
6. m . Falkenstein j . Hohnsbein j . Hoormann l·布兰科,“交叉分散注意对后期的影响ERP组件。二世。在选择反应任务错误处理”,脑电图与临床神经生理学,卷78,不。6,447 - 455年,1991页。视图:谷歌学术搜索
7. w·j·格林b·戈斯·m·g·h·科尔斯·d·e·迈耶和e . Donchin”误差检测和补偿,神经系统”心理科学,4卷,不。6,385 - 390年,1993页。视图:出版商的网站|谷歌学术搜索
8. m . Falkenstein“ERP相关错误的性能,”错误、冲突和大脑:当前的性能监控的意见、m Ullsperger和m . Falkenstein Eds。,为5 - 14,2004页。视图:谷歌学术搜索
9. g . Schalk j·r·沃尔波d·j·麦克法兰和g . Pfurtscheller”EEG-based交流:存在一个错误的潜力。”临床神经生理学,卷111,不。12日,第2144 - 2138页,2000年。视图:出版商的网站|谷歌学术搜索
10. p . w . Ferrez和j·德尔·r·文澜,“你错了!自动检测脑电波的交互错误”19学报》国际联合会议上人工智能(IJCAI 05展出)英国爱丁堡,页1413 - 1418,,2005年8月。视图:谷歌学术搜索
11. 文澜p . w . Ferrez和j·德尔·r·”,同时实时检测错误相关的运动图像和潜力BCI的准确性,改善”诉讼的第四届国际脑机接口研讨会和培训课程奥地利格拉茨,页197 - 202,,2008年9月。视图:谷歌学术搜索
12. j .悟道,g . Schalk BCI2000: BCI研究通用软件平台”对脑-机接口,g . Dornhege文澜j·德尔·r·t·Hinterberger d·j·麦克法兰和K.-R。穆勒,Eds。,MIT Press, Cambridge, Mass, USA, 2007.视图:谷歌学术搜索
13. b . Dal Seno向一个集成的P300和ErrP-based脑机接口、博士论文、米兰理工大学、米兰,意大利,2009年。
14. 美国勒Cessie和j·c·范·Houwelingen“岭估计在逻辑回归,”应用统计学第41卷。。1,第201 - 191页,1992。视图:谷歌学术搜索
15. b . Dal Seno、m . Matteucci和l .曼拉德“遗传算法进行自动特征提取在P300检测,”程序的国际联合会议上神经网络(IJCNN 08年)香港,页3145 - 3152年,2008年。视图:出版商的网站|谷歌学术搜索
16. m .酯H.-P。Kriegel, j·桑德,X.-A。徐”density-based算法发现集群与噪音,大型空间数据库”第二届国际会议上知识发现和数据挖掘(KDD ' 96)AAAI出版社,页226 - 231年,波特兰,矿石,美国,1996年8月。视图:谷歌学术搜索
17. b . Dal Seno、m . Matteucci和l .曼拉德”效用度量:一种新颖的方法来评估整体性能的离散的脑-机接口,“IEEE神经系统和康复工程。在出版社。视图:谷歌学术搜索
18. b·g·维斯孔蒂Dal Seno, m . Matteucci和l .曼拉德”自动识别错误的潜力在P300-based“脑机接口”诉讼的第四届国际脑机接口研讨会和培训课程奥地利格拉茨,页238 - 243,,2008年9月。视图:谷歌学术搜索
19. Blankertz b, g . Dornhege r . Krepki et al .,“促进比特率和错误检测的分类基于实验脑电图分析快节奏的运动命令,“IEEE神经系统和康复工程,11卷,不。2、127 - 131年,2003页。视图:出版商的网站|谷歌学术搜索

版权

版权©2010 Bernardo Dal Seno等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。