通过最大化期望判别增益实现基于 ERP 的脑机接口中的自适应刺激选择
人机交互
2017-07-04 v1 神经元与认知
摘要
脑机接口 (BCI) 可为患有严重神经肌肉障碍的个人提供一种替代通信手段。基于 P300 的 BCI 拼写器依赖于在脑电图 (EEG) 数据中诱发并检测瞬态事件相关电位 (ERP)，以响应用户在一系列非目标刺激中关注罕见出现的目标刺激。然而，在大多数 P300 拼写器实现中，待呈现的刺激是从有限选项集中随机选择的，且刺激选择和呈现并未基于先前的用户数据进行优化。在这项工作中，我们提出了一种基于期望判别增益度量的数据驱动刺激选择方法。该数据驱动方法根据先前观察到的刺激响应来选择刺激，旨在选择一组能提供最有关用户意图目标字符信息的刺激。我们的方法结合了实时 BCI 实施所施加的生理和系统约束知识。我们进行了模拟，将我们的刺激选择方法与行 - 列范式（P300 拼写器的传统刺激选择方法）进行了比较。模拟结果表明，我们的自适应刺激选择方法有可能显著优于传统方法：在 72 字符网格中，准确率最高提高 34%，拼写一个字符所需的平均刺激呈现次数减少 43%。此外，我们贪婪的刺激选择方法提供了适应设计约束的灵活性。
引用
@article{arxiv.1707.00375,
title = {Adaptive Stimulus Selection in ERP-Based Brain-Computer Interfaces by Maximizing Expected Discrimination Gain},
author = {Dmitry Kalika and Leslie M. Collins and Chandra S. Throckmorton and Boyla O. Mainsah},
journal= {arXiv preprint arXiv:1707.00375},
year = {2017}
}
备注
This paper has been accepted for the 2017 IEEE International Conference on Systems, Man and Cybernetics (SMC)