[论文解读] Comparison of the P300 detection accuracy related to the BCI speller and image recognition scenarios

Sarvnaz Karimi, Amirmohammad Mijani+2 more|arXiv (Cornell University)|Dec 24, 2019

EEG and Brain-Computer Interfaces参考文献 22被引用 4

一句话总结

本研究通过脑-计算机接口（BCI）拼写器与图像识别场景中使用脑电信号，比较了P300检测的准确率。结果表明，在图像识别任务中P300模式比在BCI拼写器范式中更具可分性，且在不同通道数（4、8、16）和试验数下，SVM、贝叶斯LDA和稀疏逻辑回归三种分类器均实现了更高的分类准确率。

ABSTRACT

There are several protocols in the Electroencephalography (EEG) recording scenarios which produce various types of event-related potentials (ERP). P300 pattern is a well-known ERP which produced by auditory and visual oddball paradigm and BCI speller system. In this study, P300 and non-P300 separability are investigated in two scenarios including image recognition paradigm and BCI speller. Image recognition scenario is an experiment that examines the participants, knowledge about an image that shown to them before by analyzing the EEG signal recorded during the observing of that image as visual stimulation. To do this, three types of famous classifiers (SVM, Bayes LDA, and sparse logistic regression) were used to classify EEG recordings in six classes problem. Filtered and down-sampled (temporal samples) of EEG recording were considered as features in classification P300 pattern. Also, different sets of EEG recording including 4, 8 and 16 channels and different trial numbers were used to considering various situations in comparison. The accuracy was increased by increasing the number of trials and channels. The results prove that better accuracy is observed in the case of the image recognition scenario for the different sets of channels and by using the different number of trials. So it can be concluded that P300 pattern which produced in image recognition paradigm is more separable than BCI (matrix speller).

研究动机与目标

• 评估并比较在两种不同的基于EEG的场景中P300事件相关电位的可检测性：BCI拼写器和图像识别。
• 研究EEG通道数量和试验次数如何影响两种范式中P300分类准确率。
• 评估三种广泛使用的分类器——SVM、贝叶斯LDA和稀疏逻辑回归——在两种实验设置中P300检测中的性能表现。

提出的方法

• 在两种场景下记录了视觉刺激期间的EEG信号：BCI拼写器矩阵激活和先前暴露于图像以进行识别。
• 信号预处理包括滤波和时间降采样，以提取用于分类的相关特征。
• 应用了三种分类器——支持向量机（SVM）、具有贝叶斯估计的线性判别分析（LDA）和稀疏逻辑回归——以分类P300与非P300响应。
• 研究评估了多种配置下的性能：4、8和16个EEG通道，以及不同数量的试验。
• 分类准确率作为两种场景下的主要性能度量指标。
• 分析聚焦于P300模式的可分性，定义为分类器区分P300与非P300事件的能力。

实验结果

研究问题

• RQ1 BCI拼写器与图像识别EEG范式中P300检测准确率有何不同？
• RQ2 增加EEG通道数量在两种场景中对P300分类准确率的提升程度如何？
• RQ3 试验次数如何影响两种实验情境中P300响应的可分性？
• RQ4 在两种范式中，SVM、贝叶斯LDA或稀疏逻辑回归这三种分类器中，哪一种在区分P300与非P300事件方面表现最佳？
• RQ5 与传统的BCI拼写器系统相比，P300响应在图像识别任务中是否更可靠地被检测到？

主要发现

• 在所有测试的通道数量下，图像识别场景中的P300检测准确率始终高于BCI拼写器范式。
• 在两种场景中，随着EEG通道数量的增加（4、8、16），准确率均有所提高，但图像识别中的增益更为显著。
• 增加试验次数显著提升了分类性能，当使用更多试验时，图像识别中的准确率最高。
• SVM、贝叶斯LDA和稀疏逻辑回归的组合产生了出色的分类结果，且在所有条件下并无单一分类器始终优于其他两者。
• 在图像识别过程中诱发的P300模式比在BCI拼写器情境中的P300模式更易于与非P300响应分离，表明其具有更稳健的神经表征。
• 结果表明，图像识别任务可能为基于P300的脑-计算机交互提供更优的信噪环境。