基于分类器的潜伏期估计对P300脑机接口拼写系统性能的评估

对于涉及脑机接口的任何研究或临床应用而言，性能测量都至关重要。CBLE 有助于评估系统对特定用户的有效性。CBLE 可用于仅根据三到八个字符的数据来预测用户 P300 拼写器的准确率。

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

在下拉菜单中，单击“选择数据集格式”并选择所需的选项。接下来，单击“选择输入文件夹”按钮以选择脑电图数据集的目录。在“参与者数量”文本框中，输入用于估算的参与者人数。

若使用 Brain Invader 数据，请指定数据集的采样率。选择一个下采样值，将数据集降采样至约 20 赫兹。以毫秒为单位指定分类的时间窗口。

然后以毫秒为单位定义 CBLE 的偏移窗口。完成后，单击“设置参数”按钮以设定分析参数。如需分割数据集，请选择训练集大小对应的目标数量。

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，使用公式二对训练数据集进行线性回归。接着，单击“预测准确率”按钮，将训练好的分类器模型应用于测试特征集，并使用公式一预测准确率。

选择测试集考虑的最大目标数 X，然后点击“查找 X 目标准确率”按钮。接着点击“查找 vCBLE”按钮，以获得所有目标的 vCBLE。点击“计算 RMSE”按钮，计算基于 vCBLE 的预测与基于 X 目标准确率的预测相对于 BCI 准确率的均方根误差（RMSE）。

现在点击准确率与vCBLE的关系图，以观察所有参与者总准确率与总vCBLE之间的关系。点击BCI与vCBLE的均方根误差（RMSE），以显示BCI准确率和vCBLE的RMSE曲线。若要预测子ID（Sub ID）中某位个体参与者的准确率，请输入受试者ID，然后选择目标数量N并点击“预测”，以获得该测试参与者的预测准确率。

打开CBLE性能估计图形用户界面。在下拉菜单中，点击选择数据集格式，并选择BCI2000选项。点击选择输入文件夹按钮，以选定EEG数据集所在的目录。

输入用于估算的参与者数量。选择一个下采样值，并在 CBLE 窗口中指定原始数据。然后选择字符编号 X。接下来，在 ID 长度字段中，输入数据集文件中的受试者 ID 长度。

在通道 ID 字段中，注明用于分析的通道总数或特定通道编号。检查数据格式后，指定训练和测试文件的名称。从 BCI2000 数据集中，选择测试文件。

然后在测试文件编号字段中输入测试文件编号。现在点击“运行”，并等待核对清单中的所有参数均被勾选。随后点击“准确率与vCBLE的关系”，以观察所有参与者总准确率与总vCBLE之间的关系。

最后，单击 BCI 和 vCBLE 的均方根误差（RMSE），以显示 BCI 准确率和 vCBLE 的 RMSE 曲线。在 braininvaders 数据集上，BCI 准确率与 vCBLE 之间呈现出强烈的负相关关系。将 vCBLE 与不同测试数据集大小绘制的 RMSE 结果表明，vCBLE 的表现优于 BCI 准确率。

vCBLE 能够仅用七个字符预测 BCI 准确性。vCBLE 预测模型表明，需要 10 名受试者来构建特定实验范式下 vCBLE 与准确率之间关系的回归模型。在密歇根数据集上，当日训练与测试数据集条件下，vCBLE 模型表现出更优的性能。

使用密歇根数据计算vCBLE和准确性模型在三天内的平均均方根误差（RMSE）结果显示，当测试包含的字符少于六个时，vCBLE拟合的RMSE更低。vCBLE准确性的RMSE从三个字符到最优字符数仅下降0.025，表明对于小型测试集而言，超过三个字符带来的提升有限。在本研究中，我们使用了简单的线性回归，但CBLE可通过任何与时间相关的特征提取、特征选择和分类器组合进行计算。

我们已使用CBLE来减少测试集所需的数据量。其他实验室则利用它来研究刺激与相关脑反应之间变化的潜伏期。