向以用户为中心的BCI设计:基于马尔科夫链的心理图像EEG-BCI的用户评估
Nicolas Ivanov1,2, Aaron Lio3, Tom Chau1,2
1Bloorview Research Institute, Holland Bloorview Kids Rehabilitation Hospital, Toronto, ON, Canada.
Journal of neural engineering
|December 21, 2023
概括
基于脑电图 (EEG) 的脑电脑接口 (BCI) 的新指标通过分析不同的任务模式和一致性来评估用户技能. 这些指标与性能相关,为BCI培训和设计提供了比仅精度更深入的见解.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 生物医学工程 生物医学工程
背景情况:
- 基于脑电图 (EEG) 的脑电脑接口 (BCI) 显示出临床前景,但受用户性能变化的限制.
- 目前的评估方法,主要是分类准确性,缺乏描述能力来理解用户在BCI任务中的技能.
- 需要改进的方法来描述个人用户的能力,以加强BCI训练和信号处理.
研究的目的:
- 开发和验证用于评估基于EEG的BCI用户技能的新型指标.
- 评估一种结合无监督集群和马尔科夫链模型的方法,用于用户评估.
- 为了提供一个比传统的准确度措施更具描述性的用户性能理解.
主要方法:
- 利用无监督的K-means集群来将EEG信号空间分割成不同的模式状态.
- 在使用马尔科夫链的任务中模拟用户在模式状态之间的过渡.
- 引入了两个指标",taskDistinct"和"relativeTaskInconsistency",这些指标来自马尔科夫链属性,用于量化用户性能.
主要成果:
- 提出的指标"taskDistinct"和"relativeTaskInconsistency"显示了与14名青少年BCI使用者的F1分数的显著相关性.
- 分析揭示了对用户性能的描述性见解,这些见解仅从分类准确性来看是不清楚的.
- 模式状态和马尔科夫链模型为用户如何生成特定任务的EEG模式提供了细致的观点.
结论:
- 这种新的评估方法结合了集群和马尔科夫链,为了解BCI中的用户技能提供了一个强大的工具.
- 这些指标可以补充现有的基于准确性的评估,帮助开发个性化的用户培训策略.
- 这些发现支持使用这些描述性指标来增强BCI用户培训和分类器设计,以提高性能.
