P300 əsaslı beyin–kompüter interfeysi (Brain–Computer Interface, BCI), istifadəçinin vizual hədəflərə verdiyi hadisə ilə əlaqəli EEG cavablarını təsnif edərək kompüter sisteminə komanda ötürməyi hədəfləyən insan–maşın qarşılıqlı əlaqə üsuludur. Bu tədqiqat ənənəvi səkkizkanallı P300-BCI sisteminin elektrod sayını azaldarkən təsnifat performansını və istifadəçi təcrübəsini nə dərəcədə qoruya bildiyini araşdırmışdır. Tədqiqatçılar Genetic Algorithm (GA) ilə Bayesian Linear Discriminant Analysis (BLDA) üsulunu birlikdə istifadə edərək F3, F4, C3, C4, P3, P4, O1 və O2 kanallarından sabit üçkanallı bir düzülüş seçmiş və bütün 48 iştirakçı üçün istifadə olunacaq yekun kombinasiyanı C3, C4 və P4 olaraq müəyyən etmişlər.

Tədqiqata 18-26 yaş arasında 48 sağlam könüllü qatılmışdır; 12 iştirakçı qadın, 36 iştirakçı kişidir. İştirakçıların normal və ya korreksiya edilmiş normal görmə qabiliyyətinə malik olduğu, nevroloji və ya psixiatrik xəstəlik tarixçələrinin olmadığı və daha əvvəl EEG təcrübələrində iştirak etmədikləri bildirilmişdir. EEG məlumatları 250 Hz nümunələmə tezliyində səkkiz yaş elektrodla qeydə alınmış; təmas impedansı bütün kanallarda 10 kΩ-dan aşağı salınmışdır.

GA-BLDA kanal seçimində hər iştirakçının məlumatı əvvəlcə ayrıca işlənmişdir. GA daxilində hər namizəd kanal kombinasiyası səkkiz bitlik ikili vektorla təmsil edilmiş, seçilmiş kanallarla öyrədilən BLDA təsnifatçısının 10-qatlı çarpaz doğrulama dəqiqliyi hesablanmış və artıq kanal istifadəsi fitness funksiyasında cəzalandırılmışdır. Daha sonra 48 şəxsdə tapılan optimal kombinasiyalar bir araya gətirilmiş, kanalların seçilmə tezlikləri hesablanmış və ən çox rast gəlinən üç kanal C3, C4 və P4 kimi sabitlənmişdir.

Üçkanallı quruluş oflayn təcrübənin sonuncu, yəni 10. stimullaşdırma turunda %86,67 orta dəqiqliyə çatarkən səkkizkanallı sistem %91,88 dəqiqlik təmin etmişdir. Bu mərhələdə fərq təxminən 5,2 faiz bəndidir və 7-10. turlarda səkkiz kanalın xeyrinə statistik cəhətdən əhəmiyyətli fərq bildirilmişdir. Eyni 10. turda informasiya ötürmə sürəti üç kanalda 22,47 bit/dk, səkkiz kanalda 24,60 bit/dk-dir.

Onlayn doğrulamada üçkanallı sistemin orta dəqiqliyi %90,21 ± 5,36, səkkizkanallı sistemin orta dəqiqliyi %92,40 ± 5,55 olaraq müəyyən edilmişdir. Mənbə onlayn dəqiqlik fərqinin statistik əhəmiyyət həddinə çatmadığını bildirir. Orta onlayn informasiya ötürmə sürəti isə üç kanalda 23,66 ± 4,02 bit/dk və səkkiz kanalda 27,52 ± 3,76 bit/dk-dir.

Elektrod sayının səkkizdən üçə endirilməsi yalnız təsnifat sisteminin fiziki mürəkkəbliyini azaltmamış, istifadəçinin hazırlıq müddətini də 30 dkiqədən 3 dkiqəyə endirmişdir. Mənbə bu dəyişikliyi hazırlıq müddətində %90 azalma kimi bildirir. Təcrübədən sonrakı təmizləmə müddəti də %80 azalmışdır. NASA-TLX qiymətləndirməsində üçkanallı quruluş mental demand, physical demand və mənbədə “performance” adlandırılan ölçüdə daha aşağı ballar göstərmişdir.

Bu nəticələr üç elektrodun hər şəraitdə səkkiz elektrodla tamamilə eyni məlumatı daşıdığı demək deyil. Oflayn 7-10. turlarda səkkizkanallı sistem statistik cəhətdən əhəmiyyətli performans üstünlüyü göstərmişdir. Bundan əlavə, tədqiqat yalnız sağlam gənc yetkinlərdə, idarə olunan virtual reallıq mühitində və yaş elektrodlarla aparılmışdır. Klinik xəstələrdə, yaşlı populyasiyada, quru elektrodlarda, intensiv hərəkət və ətraf mühit səs-küyünün olduğu real həyat şəraitində eyni performansın qorunacağı bu tədqiqatla göstərilməmişdir.

Beyin–kompüter interfeysi nədir?

Beyin–kompüter interfeysi beyin fəaliyyətindən ölçülən siqnalları kompüterin və ya xarici cihazın anlaya biləcəyi komandalara çevirən insan–maşın rabitə sistemidir. Bu tədqiqatda beyin siqnalı elektroensefaloqrafiya (Electroencephalography, EEG) ilə baş dərisi üzərindən ölçülür. İstifadəçi əzələ hərəkəti ilə düyməyə basmaq əvəzinə virtual mühitdə müəyyən bir vizual hədəfə fokuslanır və sistem EEG cavabından hədəfin hansı olduğunu təxmin edir.

P300 nəyi ifadə edir?

P300 hədəfə və ya nadir stimula diqqət yetirildikdə EEG-də yarana bilən hadisə ilə əlaqəli elektrik cavab komponentlərindən biridir. Adı adətən stimuldan sonra yüzlərlə millisaniyəlik zaman miqyasında müşahidə olunan müsbət potensial komponentinə əsaslanır. Bu tədqiqat tək bir dar zaman nöqtəsindən istifadə etmək əvəzinə stimulun başlanmasından sonrakı 0-600 ms intervalındakı EEG məlumatını təsnifat məqsədilə emal etmişdir.

P300 əsaslı BCI-nin əsas məntiqi belədir: ekrandakı bir çox seçim növbə ilə yanıb-sönür; istifadəçi yalnız hədəf seçimə diqqət edir; hədəf və hədəf olmayan stimullar EEG-də eyni statistik cavabı yaratmır. Təsnifatçı bu fərqi öyrənərək istifadəçinin hansı seçimi etməyə çalışdığını təxmin edir.

Niyə daha az EEG kanalı istənilir?

Çoxkanallı EEG sistemi daha geniş məkan məlumatı toplaya bilər; lakin hər yeni elektrod başlığın hazırlanması, keçirici gelin tətbiqi, impedansın yoxlanması, kabelləşdirmə və təcrübədən sonrakı təmizləmə əməliyyatlarını artırır. Buna görə kanal sayını azaltmaq yalnız hesablama yükünü deyil, real istifadəçiyə düşən fiziki hazırlıq prosesini də azalda bilər.

Bunun müqabilində mühüm bir risk yaranır: kanal sayı azaldıqca baş dərisinin daha kiçik hissəsi nümunələnir və bəzi siqnal məlumatlarının itirilməsi ehtimalı artır. Buna görə əsas sual “mümkün olan ən az elektroddan istifadə etmək” deyil. Elmi problem performans itkisini məqbul səviyyədə saxlayaraq elektrod sayının nə qədər azaldıla biləcəyini tapmaqdır.

EEG elektrodları hara yerləşdirildi?

Başlanğıc sistemi beynəlxalq 10-20 elektrod yerləşdirmə standartına uyğun olaraq səkkiz kanal istifadə etmişdir:

C3 və C4 mərkəzi bölgə, P4 isə parietal bölgə etiketidir. Tədqiqatın kanal seçimi alqoritmi bu üç kanalı bütün 48 iştirakçının oflayn seçim nəticələrinin ortaq tezlik sıralamasından əldə etmişdir.

EEG siqnalı necə qeydə alındı?

Tədqiqatda South China Brain Control Technology Co., Ltd. tərəfindən hazırlanmış taxıla bilən EEG başlığı istifadə edilmişdir. Sistem kompüterə Bluetooth 4.2 ilə qoşulmuş və səkkiz kanal real vaxt rejimində qeydə alınmışdır.

Nümunələmə tezliyi:

\[ f_s=250\ \mathrm{Hz} \]

olduğuna görə sistem hər kanal üçün saniyədə 250 nümunə qeydə alır. Yaş elektrodların təmas sahəsinə keçirici pasta tətbiq edilmiş və təmas impedansı:

\[ Z<10\ \mathrm{k\Omega} \]

olacaq şəkildə hazırlanmışdır. Aşağı və nəzarətdə saxlanılan elektrod-dəri impedansı EEG kimi mikrovolt miqyaslı biopotensial siqnalların daha sabit qeydə alınması baxımından mühümdür.

Bir EEG seqmenti necə ilkin emal edildi?

Hər ayrıca vizual flash üçün stimulun başlanğıcı \(t=0\) qəbul edilmiş və:

\[ [-200,\ 600]\ \mathrm{ms} \]

intervalındakı EEG seqmenti çıxarılmışdır.

İlkin emal zənciri aşağıdakı ardıcıllıqla aparılmışdır:

1. −200 ilə 0 ms arasındakı stimulöncəsi hissənin orta amplitudası hesablanır.
2. Bu orta qiymət bütün −200 ilə 600 ms seqmentindən çıxılaraq baseline correction aparılır.
3. Dördüncü dərəcəli IIR band-pass filtrlə 0,1-25 Hz zolağı saxlanılır.
4. 50 Hz elektrik şəbəkəsi müdaxiləsini azaltmaq üçün notch filtr tətbiq olunur.
5. Filtrlənmiş siqnal 5 dəfə downsample edilir.

250 Hz başlanğıc nümunələmə tezliyinin 5 dəfə downsample edilməsi emal olunan məlumat sırasının effektiv nümunələmə sıxlığını beşdə birə endirir. Mənbə bunu xüsusilə məlumat ölçüsünü və sonrakı hesablama yükünü azaltmaq məqsədilə tətbiq etmişdir.

Baseline correction niyə aparılır?

Bir EEG seqmentinin mütləq gərginlik səviyyəsi P300 cavabından asılı olmayan yavaş sürüşmələr və ya seqmentlərarası başlanğıc fərqləri daşıya bilər. Baseline correction stimuldan əvvəlki −200-0 ms intervalının orta qiymətini istinad kimi qəbul edərək bütün seqmenti bu istinada görə yenidən mərkəzləşdirir.

İzahedici formada əməliyyat:

\[ x_{\mathrm{corr}}(t) = x(t) - \overline{x}_{[-200,0]} \]

şəklində düşünülə bilər. Bu riyazi göstərim mənbədə nömrələnmiş ayrıca tənlik deyil; mənbənin mətnlə təsvir etdiyi baseline çıxarma əməliyyatının izahedici göstərimidir.

Xüsusiyyət çıxarılması necə aparıldı?

Filtrləmə və downsampling-dən sonra stimuldan sonrakı 0-600 ms hissə analiz pəncərəsi kimi istifadə edilmişdir. Mənbə bu intervalın başlanğıcdakı 250 Hz nümunələmədə 150 nümunə, 5 dəfə downsampling-dən sonra isə 30 nümunə ehtiva etdiyini bildirir.

0-600 ms pəncərə dörd bərabər alt pəncərəyə bölünmüşdür:

0-150 ms, 150-300 ms, 300-450 ms və 450-600 ms.

Hər alt pəncərədə zaman sahəsinə aid iki xüsusiyyət hesablanmışdır:

• orta EEG amplitudası,
• EEG amplitudasının variasiyası.

Seçilmiş bütün kanalların bu xüsusiyyətləri birləşdirilərək bir stimullaşdırma turunun xüsusiyyət vektoru yaradılmışdır.

Daha sonra eyni hədəf üçün aparılan 10 stimullaşdırma turunun xüsusiyyət vektorları üst-üstə qoyulub ortalanmışdır. Məqsəd spontan EEG fon səs-küyünü azaltmaq və hədəflə əlaqəli təkrarlana bilən P300 məlumatını gücləndirməkdir.

Bu averaging yanaşmasının təbii bir əvəzi vardır: daha çox stimullaşdırma turu təsnifat dəqiqliyini yüksəldə bildiyi halda komandanın verilməsi üçün tələb olunan müddəti uzadır. Tədqiqatda Accuracy yüksələrkən ITR-nin tur sayı ilə azalmasının əsas riyazi səbəbi də budur.

10-qatlı çarpaz doğrulama nə edir?

10-fold cross-validation məlumat dəstini on hissəyə bölərək modelin eyni məlumatlara yalnız əzbərlənmiş formada uyğunlaşmasının qarşısını almağa çalışan qiymətləndirmə quruluşudur. Mənbə məlumat bölgüsünü trial səviyyəsində aparmış və hər iterasiyada məlumatların təxminən %90-ni təlim, %10-ni isə test üçün istifadə etmişdir.

On hissənin hər biri növbə ilə test bölməsi olur. Beləliklə performans tək bir təsadüfi təlim-test bölgüsündən asılı qalmır.

Kanal seçimindəki fitness dəqiqliyi də BLDA-nın bu 10-qatlı çarpaz doğrulama performansına əsaslanır.

GA-BLDA Kanal Seçimi Necə İşləyir?

GA-BLDA çərçivəsində Genetic Algorithm səkkiz EEG kanalından mümkün alt çoxluqları qlobal şəkildə axtaran seçim mexanizmi, BLDA isə hər namizəd kanal çoxluğunun təsnifat dəqiqliyini qiymətləndirən fitness təsnifatçısıdır; GA-nın hər şəxs üzrə tapdığı optimal alt çoxluqlar daha sonra 48 iştirakçı üzrə tezlikləndirilərək sabit C3-C4-P4 düzülüşünə çevrilmişdir.

Bir kanal kombinasiyası genetik alqoritmdə necə kodlanır?

Hər namizəd həll səkkiz elementli ikili vektordur:

\[ \mathbf{x}_i= [x_{i1},x_{i2},\ldots,x_{i8}] \]

Burada:

\[ x_{ij}= \begin{cases} 1,& j.\ kanal\ seçilmişse\\ 0,& j.\ kanal\ seçilmemişse \end{cases} \]

Məsələn, bir fərd yalnız C3, C4 və P4-ü təmsil edən üç mövqedə 1 daşıya bilər. Mənbə ilkin populyasiyanı təsadüfi yaradır; beləliklə başlanğıcda müəyyən bir elektrodun seçiləcəyinə dair şəxsə xas ilkin fərziyyə tətbiq edilmir.

Fitness funksiyası niyə yalnız dəqiqlikdən ibarət deyil?

Yalnız təsnifat dəqiqliyini maksimumlaşdıran alqoritm daha çox kanal istifadə etməyə üstünlük verə bilər. Tədqiqatın məqsədi isə həm yüksək dəqiqlik, həm də az kanal olduğuna görə mənbə aşağıdakı tək məqsədli çəkili fitness funksiyasından istifadə etmişdir:

\[ f(\mathbf{x}) = Acc(\mathbf{x}) - \lambda \frac{\|\mathbf{x}\|_1}{N} \tag{4} \]

Burada:

• \(f(\mathbf{x})\): namizəd kanal kombinasiyasının fitness balı,
• \(Acc(\mathbf{x})\): BLDA və 10-fold cross-validation ilə hesablanan təsnifat dəqiqliyi,
• \(\lambda\): kanal sayına tətbiq ediləcək cəzanın gücünü idarə edən çəki əmsalı,
• \(\|\mathbf{x}\|_1\): seçilmiş kanalların sayı,
• \(N=8\): ümumi namizəd kanal sayıdır.

\(\|\mathbf{x}\|_1/N\) seçilmiş kanal nisbətidir. Daha çox kanal istifadə edildikcə bu termin böyüyür və fitness balından daha böyük cəza çıxılır.

Məsələn, dəqiqliyi eyni olan iki həlldən üç kanal istifadə edən həll, səkkiz kanal istifadə edən həllə nisbətən daha kiçik kanal-cəza termininə malik olur. Beləliklə alqoritm yalnız “ən dəqiq” həlli deyil, dəqiqliyi qoruyarkən daha seyrək elektrod düzülüşü təmin edən kombinasiyanı axtarır.

Yenidən istehsal oluna bilmə qeydi: Mənbə \(\lambda\)-nın nəyi idarə etdiyini izah edir, lakin istifadə olunan ədədi \(\lambda\) dəyərini bildirmir. Buna görə fitness funksiyasının tam ədədi yenidən istehsalı yalnız PDF-dəki məlumatlarla mümkün deyil.

Genetik əməliyyatlar hansılardır?

Mənbə üç əsas mexanizmdən istifadə edir:

• Elitizm: həmin nəsildə ən yüksək fitness dəyərinə malik həll dəyişdirilmədən yeni populyasiyaya ötürülür.
• Exchange/Crossover: digər fərdlərin kanal bitləri arasında hissələr dəyişdirilərək yeni kombinasiyalar yaradılır.
• Variation/Mutation: bəzi bitlər ehtimal əsasında 0-dan 1-ə və ya 1-dən 0-a çevrilərək yeni axtarış nöqtələri yaradılır.

Elitizmin vəzifəsi mövcud ən yaxşı həllin genetik əməliyyatlar zamanı itməsinin qarşısını almaqdır. Crossover mövcud həllərin strukturlarını yenidən birləşdirir. Mutation isə populyasiyada yeni kanal kombinasiyaları yaradaraq axtarışın erkən mərhələdə yerli həldə ilişib qalma riskini azaldır.

GA nə vaxt dayanır?

Mənbə iki dayandırma şərtindən istifadə edir:

1. Mövcud optimal həll müəyyən edilmiş sayda ardıcıl iterasiya boyunca dəyişməzsə.
2. Maksimum iterasiya sayına çatılarsa.

İkinci sərhəd son optimallaşdırma parametrində 10 iterasiyadır. Buna qarşılıq ilk şərtdə ardıcıl eyni optimal həll sayını göstərən \(T\) parametrinin ədədi dəyəri PDF-də verilməmişdir.

GA parametrləri necə seçildi?

Tədqiqatçılar dörd GA parametrini birbaşa tək bir dəyərlə başlatmaq əvəzinə ortoqonal təcrübə dizaynı ilə yoxlamışlar:

Dörd amil və beş səviyyəli \(L_{25}(5^4)\) ortoqonal dizaynla bütün nəzəri kombinasiyaları bir-bir sınamaq əvəzinə 25 parametr kombinasiyası qiymətləndirilmişdir.

Ən yüksək üçkanallı dəqiqlik Orthogonal Experiment 12 konfiqurasiyasında %88,0 olaraq müəyyən edilmişdir. Sonrakı analizlərdə istifadə olunan GA parametrləri:

Mənbə crossover üçün ayrıca ehtimal parametri bildirmir; Exchange əməliyyatının yerinə yetirildiyini qeyd edir.

Təsadüfilik necə nəzarətdə saxlanıldı?

GA-nın başlanğıc populyasiyası, cross-validation məlumat bölgüsü, crossover nöqtələri və mutation əməliyyatları təsadüfilik ehtiva edir. Tədqiqatçılar bu dəyişkənliyə nəzarət etmək üçün Python mühitində sabit qlobal pseudorandom seed müəyyən etdiklərini bildirmişlər.

Mənbə bunun sayəsində eyni oflayn məlumat və parametrlərlə alqoritmik yolun təkrarlana biləcəyini irəli sürür.

Lakin PDF-də seed-in ədədi dəyəri bildirilmir. Buna görə “fixed seed istifadə edildi” məlumatı metodun məntiqini izah edir, amma məqalə mətni təkbaşına müstəqil tədqiqatçının eyni random state-i qurması üçün kifayət etmir.

Kanalların seçilmə tezliyi necə idi?

Niyə iki və ya dörd deyil, üç kanal seçildi?

Mənbə Orthogonal Experiment 12 parametrlərində kanal sayını artıraraq orta dəqiqliyi müqayisə etmişdir:

Bir kanaldan üç kanala keçərkən dəqiqlik nəzərəçarpacaq dərəcədə artır. Üç kanaldan sonra isə əlavə elektrodların verdiyi qazanc azalır. Mənbə bu performans platosunu elektrod sayı ilə dəqiqlik arasında ən uyğun tarazlıq nöqtəsi kimi şərh etmiş və yekun azkanallı sistem üçün üç kanalı seçmişdir.

Bu Sistem Həqiqətən “Kalibrasiyasız” BCI-dırmı?

Xeyr; tədqiqat yeni istifadəçi üçün GA əsaslı kanal axtarışını və kanal kombinasiyasının yenidən hesablanmasını aradan qaldırır, lakin formal onlayn təcrübədən əvvəl şəxsə aid oflayn calibration məlumatları ilə BLDA təsnifatçısı öyrədilir; buna görə “zero-calibration-cost” ifadəsi ümumi EEG təsnifatçısı kalibrasiyasının deyil, istifadəçiyə xas kanal-seçim alqoritmi xərcinin aradan qaldırılması kimi başa düşülməlidir.

İlkin təcrübə ilə formal təcrübə niyə ayrılmışdır?

Tədqiqatda eyni məlumatın həm üç kanalı aşkar etmək, həm də üç kanalın üstünlüyünü doğrulamaq üçün birbaşa eyni formada istifadəsinin yarada biləcəyi optimizmi azaltmaq məqsədilə proses zaman baxımından ayrılmışdır.

İlk mərhələdə bütün 48 şəxsin səkkizkanallı oflayn məlumatı toplanmış və C3-C4-P4 kombinasiyasını çıxarmaq üçün GA-BLDA kanal seçimi tətbiq edilmişdir.

İki həftə sonra formal müqayisəli təcrübə başladılmışdır. Formal oflayn calibration məlumatı bu dəfə BLDA modelini öyrətmək üçün istifadə edilmiş, ardınca onlayn idarəetmə həyata keçirilmişdir.

Beləliklə sabit kanal siyahısı əvvəlcədən müəyyən edilmiş olsa da real vaxt təsnifatçısı istifadəçi məlumatından tamamilə müstəqil pretrained universal model deyil.

AB/BA crossover dizaynı necə quruldu?

48 şəxs təsadüfi şəkildə iki bərabər qrupa bölünmüşdür:

Crossover dizaynında eyni şəxs hər iki sistemdən istifadə etdiyinə görə şəxslərarası EEG fərqlərinin müqayisəyə təsiri azaldıla bilər. Sistemlər arasındakı statistik müqayisənin paired-sample t-test ilə aparılmasının məntiqi də eyni iştirakçının iki şəraitdəki nəticələrinin cütləşdirilməsidir.

Mənbə 48 saatlıq fasiləni yorğunluq və öyrənmə/muscle-memory təsirlərini azaltmaq üçün washout kimi istifadə etmişdir. Bununla belə ayrıca period effect, sequence effect və ya carryover-effect statistik modeli bildirilmir.

VR P300 tapşırığı necə işlədi?

Unity3D 2022.3 LTS ilə “otaq funksiyalarının idarə edilməsi” adlı virtual reallıq səhnəsi hazırlanmışdır. Vizual interfeys 1920 × 1080 təsvir ölçülü, 60 Hz monitorda təqdim edilmişdir.

Səhnədə pərdə, televizor, qapı və işıq kimi interaktiv obyektlərin altında virtual idarəetmə düymələri yerləşir. Düymələr üç vəziyyətdən istifadə edir:

• standart vəziyyətdə qara,
• cue və ya recognition feedback zamanı 2 saniyə qırmızı,
• stimulation mərhələsində qara ilə yaşıl arasında 0,1 saniyəlik flash keçidləri.

İstifadəçidən hədəf düymə yaşıl rəngə keçəndə səssizcə sayması və hədəf olmayan düymələr yanıb-sönərkən baxışını sabit saxlaması istənmişdir.

Offline calibration təcrübəsi necə aparıldı?

Hər iştirakçı 20 trial tamamlamışdır. Bir trial ümumilikdə 20 saniyədir:

Hər stimullaşdırma turu 1,6 saniyədir. Səkkiz düymənin hər biri pseudo-random ardıcıllıqla bir dəfə flash edir və bir flash cycle 0,2 saniyədir: 0,1 saniyə qara fon və 0,1 saniyə yaşıl vurğu.

Onlayn təcrübə nə ilə fərqlənirdi?

Onlayn doğrulamanın ümumi paradiqması oflayn mərhələyə bənzəyir, lakin bir hədəfin tanınma müddəti 16,8 saniyəyə qısaldılmış və stimullaşdırma sayı 10 turdan 8 tura endirilmişdir.

Səkkiz tur tamamlandıqdan sonra əvvəlcədən öyrədilmiş BLDA modeli real vaxt EEG xüsusiyyətlərindən hədəfi təxmin etmiş, təxmin edilən düymə 2 saniyə qırmızı göstərilmiş və uyğun Unity komandası icra edilmişdir.

BLDA-nın əsas riyazi modeli

Mənbə BLDA-nı xətti reqressiya formasında aşağıdakı əlaqə ilə müəyyən edir:

\[ Y=\boldsymbol{\omega}^{T}F_i+z \tag{1} \]

Burada:

• \(Y\): reqressiya hədəfi,
• \(F_i\): \(i\). EEG xüsusiyyət vektoru,
• \(\boldsymbol{\omega}\): xüsusiyyət çəkiləri vektoru,
• \(z\): Gaussian paylanmalı səs-küy terminidir.

\(\boldsymbol{\omega}^{T}F_i\), xüsusiyyətlərin çəkili xətti kombinasiyasıdır. Böyük mütləq çəki daşıyan xüsusiyyətlər proqnoz nəticəsinə daha güclü töhfə verir.

Bayesian yanaşmanın əsas fərqi \(\boldsymbol{\omega}\)-nı yalnız tək sabit optimal vektor kimi qəbul etmək əvəzinə çəki qeyri-müəyyənliyini ehtimal paylanması daxilində qiymətləndirməsidir.

Mənbə yeni bir \(F\) nümunəsinin predictive distribution funksiyasını:

\[ p(y\mid\beta,\alpha,F,S) = \int p(y\mid\beta,F,\boldsymbol{\omega}) p(\boldsymbol{\omega}\mid\beta,\alpha,S) \,d\boldsymbol{\omega} \tag{2} \]

kimi verir.

İnteqral müxtəlif mümkün çəki vektorları üzrə proqnozları onların posterior çəkiləri ilə birləşdirir. Başqa sözlə, model yalnız tək bir \(\boldsymbol{\omega}\) dəyəri üzrə qərar vermək əvəzinə çəki qeyri-müəyyənliyini marjinallaşdırır.

Mənbəyə görə \(\beta\), səs-küy \(z\)-nin inverse variance parametri; \(\alpha\) isə çəkilərlə əlaqəli prior variasiya parametridir.

Notasiya qeydi: Mənbə mətni \(p(\boldsymbol{\omega}\mid\beta,\alpha,S)\) ifadəsini “predicted value y-nin posterior distribution-ı” kimi izah edir; lakin riyazi ifadədə paylanma dəyişəni \(\boldsymbol{\omega}\)-dır. Verianla bu terminoloji ifadəni yeni tənliklə səssizcə dəyişdirmir, riyazi göstərimi mənbədəki formada qoruyur. Bundan əlavə, \(S\) simvolunun bu bölmədə ayrıca və açıq tərifi verilməmişdir.

Proqnoz paylanmasına uyğun reqressiya hədəf dəyəri:

\[ u=\boldsymbol{\mu}^{T}F \tag{3} \]

ilə hesablanır. Mənbədə \(\boldsymbol{\mu}\), posterior paylanmanın orta qiymətini təmsil edir.

Bayesian yanaşma EEG üçün niyə faydalı ola bilər?

EEG şəxsdən şəxsə və zamana görə dəyişə bilən, səs-küylü bioloji siqnaldır. BLDA-nın çəkilərə Bayesian yanaşma tətbiq etməsi xüsusiyyət əmsallarını qeyri-müəyyənlik altında tənzimləyərək xüsusilə yüksəkölçülü və səs-küylü EEG xüsusiyyətlərində həddindən artıq uyğunlaşma riskini məhdudlaşdırmağa kömək edə bilən təsnifat çərçivəsi təqdim edir.

Bu tədqiqat BLDA-nı yeni metod kimi inkişaf etdirmir. BLDA GA tərəfindən yaradılan kanal namizədlərinin performansını qiymətləndirən təsnifatçı və formal təcrübədə hədəf proqnozu verən decoder kimi istifadə olunur.

Dəqiqlik necə hesablandı?

Mənbə təsnifat dəqiqliyini:

\[ Acc= \frac{TP+TN} {TP+TN+FP+FN} \tag{5} \]

kimi müəyyən edir.

Burada:

• \(TP\): true positive,
• \(TN\): true negative,
• \(FP\): false positive,
• \(FN\): false negative sayıdır.

Surət düzgün qərarları, məxrəc isə bütün təsnifat qərarlarını təmsil edir. Nəticə 0 ilə 1 arasında nisbət və ya faiz formasında bildirilə bilər.

İnformasiya ötürmə sürəti necə hesablandı?

BCI-də yalnız dəqiqlik kifayət deyil. Sistem düzgün komandanı çox uzun müddətdə verirsə real vaxt qarşılıqlı əlaqənin səmərəliliyi aşağı ola bilər. Buna görə tədqiqat Information Transfer Rate (ITR) metrikasından istifadə etmişdir:

\[ ITR= \frac{60}{RT} \left[ \log_2 M + Acc\log_2 Acc + (1-Acc) \log_2 \left( \frac{1-Acc}{M-1} \right) \right] \tag{6} \]

Burada:

• \(M\): seçilə bilən ümumi komanda sayı,
• \(Acc\): təsnifat dəqiqliyi,
• \(RT\): sistemin response time-ıdır.

Kvadrat mötərizə daxilindəki ifadə bir seçimin nə qədər məlumat daşıdığını bitlə ifadə edir. \(60/RT\) amili isə seçim başına məlumat miqdarını zamanla miqyaslayaraq nəticəni bit/dkiqə formasına çevirir.

Dəqiqlik yüksəldikdə ITR-nin məlumat termini adətən yüksəlir. Bunun əksinə, daha çox stimulus round istifadə edildikdə response time uzanır və \(60/RT\) kiçilir. Buna görə daha çox təkrarla daha yüksək dəqiqlik əldə etmək ITR-nin mütləq artmasını təmin etmir.

Üçkanallı Sistem Həqiqətən Səkkizkanallı Sistemlə Eyni Performansı Göstərdimi?

Tam olaraq yox: üçkanallı sistem ümumilikdə səkkiz kanala yaxın və onlayn dəqiqlik baxımından statistik olaraq müqayisə edilə bilən performans göstərmişdir, lakin oflayn 7-10. stimullaşdırma turlarında səkkiz kanal həm dəqiqlik, həm də ITR baxımından əhəmiyyətli üstünlük göstərmişdir; buna görə nəticə “performans tamamilə eynidir” deyil, “elektrodların əhəmiyyətli dərəcədə azaldılmasına baxmayaraq performansın böyük hissəsi qorunmuşdur” kimi şərh edilməlidir.

Oflayn dəqiqlik necə dəyişdi?

Hər iki sistemdə stimulus round sayı artdıqca dəqiqlik yüksəlmişdir. Bunun səbəbi təkrarlanan P300 cavablarının averaging əməliyyatı ilə hədəflə əlaqəli siqnalı spontan EEG səs-küyünə nisbətən daha görünən etməsidir.

Lakin mənbə Figure 9-un bütün aralıq tur ortalamalarını ədədi cədvəl formasında vermədiyinə görə Verianla 2-9. turlara aid yeni dəqiq dəyərlər yaratmır.

Oflayn ITR necə dəyişdi?

Accuracy-nin yüksəlməsinə baxmayaraq ITR-nin azalması ziddiyyət deyil. Daha çox stimulus round sistemə daha çox məlumat verir, lakin komandanın yaradılması müddətini də uzadır. ITR düsturu dəqiqlik ilə sürət arasındakı bu tarazlığı eyni metrikada qiymətləndirir.

Mənbədaxili qeyri-müəyyənlik qeydi: Discussion bölməsində oflayn son tur ITR dəyərləri olan 22,47 və 24,60 bit/dk-ə müvafiq olaraq ±4,02 və ±3,76 əlavə edilir. Eyni ± dəyərlər Table 3-də onlayn ITR standart sapmalarıdır. Figure 10 Results mətni oflayn final-round dəyərləri üçün bu standart sapmaları ayrıca bildirmədiyinə görə Verianla onları oflayn Figure 10-a aid doğrulanmış SD dəyərləri kimi istifadə etmir.

Onlayn performans necə oldu?

Üçkanallı düzülüşdə S26, S39, S41, S44 və S45 nömrəli beş iştirakçı %100 onlayn dəqiqlik əldə etmişdir. Mənbə həmçinin bəzi iştirakçıların öz səkkizkanallı nəticələrindən daha yüksək üçkanallı nəticə göstərdiyini bildirir.

Bu fərdi nəticələr “üç kanal bioloji baxımdan hər şəxsdə daha yaxşıdır” demək deyil. Fərdi EEG dəyişkənliyinə görə bəzi şəxslər müəyyən sessiyada üçkanallı sistemlə daha yüksək nəticə göstərmişdir.

Mənbənin “əhəmiyyətli performans itkisi yoxdur” ifadəsi necə başa düşülməlidir?

Abstract və conclusion üçkanallı sistemi ümumilikdə səkkiz kanal ilə müqayisə edilə bilən və əhəmiyyətli performans çatışmazlığı olmayan sistem kimi xülasə edir. Ətraflı Results bölməsi isə daha nüanslıdır:

• Offline rounds 7-10 dəqiqliyində səkkiz kanal əhəmiyyətli dərəcədə yüksəkdir.
• Offline rounds 7-10 ITR-sində səkkiz kanal əhəmiyyətli dərəcədə yüksəkdir.
• Oflayn son turdakı dəqiqlik fərqi mütləq olaraq təxminən 5,2 faiz bəndidir.
• Oflayn son tur ITR fərqi 2,13 bit/dk-dir.
• Onlayn dəqiqlik fərqi mənbədə p > 0,05-dir.

Buna görə Verianla qiymətləndirməsində “əhəmiyyətli itki yoxdur” cümləsi bütün alt analizlərə şamil edilmir.

Digər kanal seçimi üsulları ilə aparılan yenidən müqayisə

Tədqiqatçılar üç təmsilçi yanaşmanı öz 48 iştirakçılı oflayn məlumat dəstlərində eyni qiymətləndirmə mühitində yenidən tətbiq etmişlər:

Bu cədvəldəki p dəyərləri yalnız oflayn Accuracy üçün paired-sample t-test müqayisəsidir.

Mənbədaxili uyğunluq qeydi: Table 5-dən əvvəlki müzakirə cümləsi DFGA [13] və Adaptive Sparse Bayesian [34] üsulları üçün müvafiq olaraq %87,50 və %88,10 yazır; lakin dərc olunmuş Table 5 sətirlərində Ma et al. [34] %87,50, Martínez-Cagigal et al. [13] %88,10-dur. Verianla cədvəl sətirlərini mənbədə dərc edilmiş formada qoruyur və iki dəyərin yerini səssizcə dəyişmir.

NASA-TLX nədir?

NASA Task Load Index (NASA-TLX) tapşırığın istifadəçi üzərində yaratdığı subyektiv iş yükünü bir neçə ölçüdə qiymətləndirən sorğu üsuludur. Bu tədqiqatda altı ölçü istifadə edilmişdir:

• Mental Demand,
• Physical Demand,
• Temporal Demand,
• Frustration,
• Performance,
• Effort.

Hər ölçü 0-100 şkalasında qiymətləndirilmişdir.

Üç kanal istifadəçi yükünü azaltdımı?

Mənbə daha aşağı Mental Demand və Physical Demand dəyərlərini daha aşağı koqnitiv və fiziki yük kimi şərh edir. Performance alt ölçüsündə də daha aşağı balı daha yaxşı nəticə kimi qiymətləndirir.

Temporal Demand, Frustration və Effort üçün üçkanallı sistemin ortalamaları əsasən daha aşağı olsa da fərq statistik əhəmiyyətli deyil. Buna görə bu üç ölçüdə qəti yaxşılaşmanın göstərildiyi deyilə bilməz.

Hazırlıq və təmizləmə müddəti

Bu nəticə tədqiqatın praktik tətbiq iddiasındakı ən güclü üstünlüklərdən biridir. Elektrod sayının azalması yalnız alqoritmik hesablama ölçüsünü deyil, fiziki başlıq qurulumunu da azaltmışdır.

Tədqiqatın Metodu və Nəticələri

İştirakçı nümunəsi

Bu nümunə sağlam gənc yetkinlərdən ibarətdir. Buna görə hərəkət məhdudiyyəti olan xəstələr, onurğa beyni zədəsi olan şəxslər, ALS xəstələri, yaşlı istifadəçilər və ya başqa klinik qruplar üzərində birbaşa klinik performans göstərilməmişdir.

EEG avadanlığı və ilkin emal parametrləri

Proqram təminatı və hesablama mühiti

Təcrübənin iki əsas məlumat mərhələsi

İlkin təcrübə: Bütün 48 şəxsdən səkkizkanallı oflayn EEG toplanmışdır. Bu məlumatlar GA-BLDA vasitəsilə sabit üç kanalı aşkar etmək üçün istifadə edilmişdir.

Formal təcrübə: İki həftə sonra AB/BA crossover müqayisəsi aparılmışdır. Hər kanal şəraitində offline calibration və online validation mərhələsi tətbiq edilmişdir.

Bu iki məlumat istifadəsinin məqsədi bir-birindən ayrılmalıdır. İlkin təcrübə kanal düzülüşünü aşkar edir; formal təcrübə isə seçilmiş düzülüşlə səkkiz kanalın performansını müqayisə edir.

Kanal seçiminin əsas nəticəsi

C3 bütün iştirakçılarda ən yüksək sırada yer almış və mənbə onun tezliyini 1,00 olaraq vermişdir. C4 0,95, P4 isə 0,90 tezliyə malikdir. Beləliklə C3-C4-P4 yekun sabit kanal kombinasiyası olmuşdur.

Mənbə C4-ün 46 şəxs tərəfindən C3 ilə birlikdə ikikanallı kombinasiyaya seçildiyini ayrıca bildirir. Tezlik dəyərləri mənbədə iki onluq mərtəbəli nisbətlər şəklində bildirildiyinə görə Verianla digər kanallar üçün bu nisbətlərdən dəqiq şəxs sayını geriyə hesablamır.

Oflayn nəticələrin xülasəsi

Stimulus round sayı artdıqca hər iki sistemin də dəqiqliyi artmış və ITR-si azalmışdır.

Mənbə 7-10. turlarda həm Accuracy, həm də ITR üçün səkkiz kanalın xeyrinə p < 0,05 bildirir.

Onlayn nəticələrin xülasəsi

Onlayn testdə üçkanallı sistem yüksək dəqiqliyi qorumuşdur:

Mənbə Results mətnində onlayn Accuracy fərqini p > 0,05 kimi bildirir. Onlayn ITR üçün eyni bölmədə ayrıca p dəyəri verilməmişdir.

Hazırlıq asanlığı ilə performans arasındakı mübadilə

Üçkanallı sistemin əsas üstünlüyü yalnız dəqiqlik metrikasında deyil, sistem qurulumundadır. Elektrod sayı:

\[ 8\rightarrow3 \]

olaraq azaldılmışdır. Bu, beş elektrodun sistemdən çıxarılması deməkdir.

Hazırlıq müddəti:

\[ 30\ \mathrm{dk} \rightarrow 3\ \mathrm{dk} \]

olmuş və mənbə %90 azalma bildirmişdir.

Bunun qarşılığında oflayn son tur dəqiqliyi:

\[ 91{,}88\% \rightarrow 86{,}67\% \]

olmuşdur.

Tədqiqatın mühəndislik töhfəsi bu trade-off-da yerləşir: kiçik performans fərqi müqabilində fiziki qurulumun böyük dərəcədə sadələşdirilməsi.

Statistik analiz necə şərh edilməlidir?

Sistemlər eyni iştirakçılar üzərində müqayisə edildiyinə görə mənbə paired-sample t-test istifadə etmişdir. Müxtəlif analizlərdə:

• \(p<0,05\),
• \(p<0,01\),
• və \(p>0,05\)

hədləri bildirilmişdir.

p dəyəri müşahidə olunan fərqin böyüklüyü ilə eyni şey deyil. Məsələn, oflayn 10. tur dəqiqliyindəki təxminən 5,2 faiz bəndlik fərq statistik baxımdan əhəmiyyətlidir; buna görə həm p dəyəri, həm də mütləq fərq birlikdə qiymətləndirilməlidir.

Mənbə ayrıca confidence interval və ya standartlaşdırılmış effect size bildirmir. Bundan əlavə, bir neçə tur və NASA-TLX alt ölçüsü üzrə aparılan paired t-testlər üçün ayrıca multiple-comparison correction üsulu bildirilməmişdir. Verianla buna görə p dəyərlərini mənbədə verildiyi formada ötürür; yeni düzəldilmiş p dəyəri hesablamır.

Mənbədəki mühüm uyğunluq və yenidən istehsal oluna bilmə məqamları

1. Fitness cəzası \(\lambda\): Riyazi rolu izah edilmiş, ədədi dəyəri verilməmişdir.

2. GA stop parametri \(T\): Optimal həllin ardıcıl neçə iterasiya dəyişməməli olduğu ədədi şəkildə verilməmişdir.

3. Random seed: Sabit qlobal seed istifadə edildiyi bildirilmiş, seed dəyəri açıqlanmamışdır.

4. “Zero-calibration-cost” ifadəsi: Kanal seçimi üçün istifadəçiyə xas GA-nın yenidən işə salınmasını aradan qaldırır; formal onlayn BCI doğrulamasında oflayn BLDA calibration yenə mövcuddur.

5. Oflayn və onlayn “əhəmiyyətli fərq yoxdur” şərhi: Ətraflı oflayn Results, 7-10. turlarda səkkiz kanalın xeyrinə əhəmiyyətli fərq bildirir. Ümumi abstract/conclusion cümləsi bu alt nəticəni təkbaşına təmsil etmir.

6. Discussion bölməsindəki oflayn ITR ± dəyərləri: Son tur oflayn ITR-yə əlavə edilən ±4,02 və ±3,76 dəyərləri Table 3-dəki onlayn ITR standart sapmaları ilə eynidir; mənbə oflayn Figure 10 üçün bu SD-ləri Results bölməsində ayrıca vermir.

7. Table 5 üsul/dəyər sıralaması: Müzakirə mətnindəki “respectively” sırası ilə Table 5 sətirlərində 87,50 və 88,10 dəyərlərinin uyğunlaşdırılması tam üst-üstə düşmür. Verianla cədvəli dərc edildiyi formada qoruyur.

8. Etika komitəsi nömrəsi: Guangzhou Maritime University Ethics Committee təsdiqi bildirilmişdir, lakin mənbədə protokol/approval nömrəsi göstərilmir.

Tədqiqatın dəstəklədiyi nəticələr

• GA-BLDA istifadə edilərək C3, C4 və P4-dən ibarət sabit üçkanallı P300-BCI düzülüşü əldə edilmişdir.
• C3, C4 və P4 bütün 48 nəfərlik analizdə ən yüksək üç kanal seçilmə tezliyinə malikdir.
• Üç kanal bir və iki kanaldan nəzərəçarpacaq dərəcədə daha yüksək dəqiqlik təmin etmişdir.
• Dörd və ya daha çox kanala keçildikdə Orthogonal Experiment 12 analizində üç kanala nisbətən əhəmiyyətli dəqiqlik artımı bildirilməmişdir.
• Oflayn 10. tur dəqiqliyi üç kanalda %86,67, səkkiz kanalda %91,88-dir.
• Oflayn 10. tur ITR-si üç kanalda 22,47, səkkiz kanalda 24,60 bit/dk-dir.
• Onlayn dəqiqlik üç kanalda %90,21 ± 5,36, səkkiz kanalda %92,40 ± 5,55-dir.
• Mənbə onlayn Accuracy fərqini p > 0,05 kimi bildirmişdir.
• Üçkanallı düzülüş hazırlıq müddətini 30 dkiqədən 3 dkiqəyə endirmişdir.
• Təcrübədən sonrakı təmizləmə müddəti %80 azaldılmışdır.
• Mental Demand və Physical Demand üçkanallı sistemdə əhəmiyyətli dərəcədə aşağıdır.
• Üçkanallı quruluş idarə olunan VR P300 tapşırığında praktiklik-performans tarazlığı təmin edə bilmişdir.

Tədqiqatın dəstəkləmədiyi nəticələr

• Üç kanalın səkkiz kanalla hər performans metrikasında tamamilə bərabər olduğu göstərilməmişdir.
• Oflayn 7-10. turlardakı səkkiz kanal üstünlüyü aradan qalxmış deyil.
• Sistem tamamilə kalibrasiyasız BCI deyil; onlayn istifadədən əvvəl BLDA calibration tətbiq edilmişdir.
• C3-C4-P4 düzülüşünün dünyadakı bütün istifadəçilər üçün şəxsə xas düzülüşdən daha yaxşı olduğu göstərilməmişdir.
• Hərəkət məhdudiyyəti olan, onurğa beyni zədəsi olan, ALS-li, yaşlı və ya digər klinik populyasiyalarda performans doğrulanmamışdır.
• Quru elektrodlarla eyni dəqiqlik və istifadəçi təcrübəsi göstərilməmişdir.
• İntensiv hərəkət, mobil istifadə və güclü ətraf mühit səs-küyü şəraitində dayanıqlılıq göstərilməmişdir.
• Üç kanalın yüksək sıxlıqlı EEG-nin bütün məkan məlumatını qoruduğu göstərilməmişdir.
• Hazırlıq müddətindəki %90 azalma başqa EEG başlığı və ya elektrod texnologiyalarında avtomatik olaraq eyni deyil.
• NASA-TLX nəticələri klinik effektivlik və ya uzunmüddətli gündəlik istifadə sübutu deyil.

Tədqiqatın əsas məhdudiyyətləri

Azaldılmış məkan ayırdetmə qabiliyyəti: Üç kanal səkkiz və ya daha yüksək sıxlıqlı EEG sistemlərinə nisbətən daha az baş dərisi mövqeyini nümunələyir və siqnal ehtiyatlılığını azaldır.

Səs-küy və motion artifact riski: Daha az kanal yüksək səs-küylü mobil mühitdə alternativ təmiz siqnal mənbələrinin azalmasına səbəb ola bilər.

İştirakçı populyasiyası: Nümunə yalnız 18-26 yaşlı sağlam gənc yetkinlərdən ibarətdir.

Sabit universal düzülüş: C3-C4-P4 bütün iştirakçılar üçün sabitlənmişdir; fərdi EEG fərqlərini tam optimallaşdırmaya bilər.

Yaş elektrod: Tədqiqatın praktiklik iddiasına baxmayaraq EEG hələ də conductive paste tələb edən wet-electrode sistemi ilə toplanmışdır.

İdarə olunan mühit: Nəticələr Unity əsaslı idarə olunan vizual tapşırıq mühitində əldə edilmişdir; real mobil gündəlik həyat şəraiti deyil.

Çatışmayan GA parametrləri: \(\lambda\), sabit seed dəyəri və stop patience \(T\) kimi bəzi yenidən istehsal oluna bilmə təfərrüatları ədədi şəkildə bildirilməmişdir.

Statistik hesabat: Confidence interval, standartlaşdırılmış effect size və multiple-comparison correction təfərrüatları bildirilməmişdir.

Mənbə gələcək tədqiqatlar üçün nə təklif edir?

Müəlliflər üç əsas istiqamət təklif edirlər:

1. Universal sabit düzülüşlə fərdi fərqləri birlikdə nəzərə alan dinamik kanal optimallaşdırması.
2. Kanal azaldılmasından yaranan məlumat itkisini kompensasiya etmək üçün deep learning modelləri.
3. Multi-task interference və mobil ssenarilər kimi daha mürəkkəb real dünya mühitlərində sistem sabitliyinin sınaqdan keçirilməsi.

Bundan əlavə, quru elektrod sistemlərində və klinik populyasiyalarda ayrıca doğrulamanın zəruri olduğu açıq şəkildə bildirilir.

Bu tədqiqatın praktik dəyəri nədir?

Tədqiqatın əsas töhfəsi “ən yüksək təsnifat dəqiqliyini hansı sistem verir?” sualından bir qədər fərqlidir. Səkkiz və ya daha çox elektrodun kiçik performans üstünlüyü ola bilər; lakin gündəlik istifadəyə yararlı BCI üçün hazırlanma müddəti, təmizləmə, rahatlıq və hesablama xərci də vacibdir.

Bu tədqiqat səkkiz kanaldan üç kanala keçildikdə onlayn dəqiqliyin yüksək qala bildiyini və fiziki hazırlığın çox böyük ölçüdə azala bildiyini göstərir. Buna görə C3-C4-P4 düzülüşü xüsusilə istifadə rahatlığı ilə təsnifat performansı arasında mühəndislik uzlaşması kimi qiymətləndirilməlidir.

Bunun klinik köməkçi texnologiyaya çevrilə bilməsi üçün xəstə qruplarında, yaşlı istifadəçilərdə, quru elektrodlarda, hərəkətli mühitlərdə və daha uzunmüddətli real istifadədə müstəqil doğrulamalar tələb olunur. Bunlar mövcud tədqiqatın nəticələri deyil, mövcud sübutun tətbiqə daşınması üçün zəruri növbəti doğrulama mərhələləridir.

Mənbə və Metod Qeydi

Orijinal başlıq: A Few-Channel Brain–Computer Interface System Based on a Heuristic Algorithm.

Müəlliflər: Junhong Luo; Jianbin Yu; Hui Cao; Qiyue Tan; Jinheng Chen; Jing Xiao.

Müəllif sırası: Mənbədəki sıra olduğu kimi qorunmuşdur.

Bərabər töhfə: Junhong Luo və Jianbin Yu bərabər töhfə vermişdir.

Məsul müəllif: Jing Xiao.

Qurum 1: School of Artificial Intelligence, Guangzhou Maritime University, Guangzhou 510725, China.

Qurum 2: School of Mathematics and Statistics, Guangdong University of Technology, Guangzhou 510520, China.

Qurum 3: School of Electronics and Communication Engineering, Guangzhou University, Guangzhou 510006, China.

Jurnal: Biomimetics.

Nəşriyyat: MDPI.

Cild / nömrə / məqalə nömrəsi: 11 / 9 / 613.

DOI: 10.3390/biomimetics11090613.

Rəsmi keçid: https://doi.org/10.3390/biomimetics11090613

Təqdim tarixi: 21 iyun 2026.

Reviziya tarixi: 15 avqust 2026.

Qəbul tarixi: 17 avqust 2026.

Nəşr tarixi: 1 sentyabr 2026.

Mənbə növü: Rəyçilərdən keçmiş orijinal tədqiqat məqaləsi; idarə olunan insan EEG təcrübəsi, P300 beyin–kompüter interfeysi və evristik kanal seçimi tədqiqatı.

Preprint statusu: Mənbə PDF və rəsmi MDPI Version of Record qeydlərində ayrıca preprint nömrəsi göstərilmir.

Lisenziya: Creative Commons Attribution (CC BY).

Nümunə: 48 sağlam iştirakçı; 12 qadın, 36 kişi; 18-26 yaş.

Etika: Guangzhou Maritime University Ethics Committee təsdiqi bildirilmişdir. Mənbədə ayrıca protokol/approval nömrəsi göstərilmir.

Məlumatlandırılmış razılıq: Bütün iştirakçılardan yazılı məlumatlandırılmış razılıq alınmışdır.

EEG avadanlığı: South China Brain Control Technology Co., Ltd. wearable EEG cap; Bluetooth 4.2.

Elektrodlar: F3, F4, C3, C4, P3, P4, O1 və O2; yaş elektrod; International 10-20 yerləşim sistemi.

Nümunələmə tezliyi: 250 Hz.

Təmas impedansı: Bütün kanallarda 10 kΩ-dan aşağı.

İlkin emal: −200 ilə 600 ms epoch, −200 ilə 0 ms baseline correction, 0,1-25 Hz dördüncü dərəcəli IIR band-pass, 50 Hz notch və 5 dəfə downsampling.

Xüsusiyyət çıxarılması: 0-600 ms analiz pəncərəsi; dörd ədəd 150 ms alt pəncərə; hər alt pəncərədə orta qiymət və variasiya; eyni hədəf üçün 10 stimulus round xüsusiyyətlərinin averaging əməliyyatı.

Cross-validation: 10-fold; trial səviyyəsində təxminən 9:1 təlim-test bölgüsü.

Decoder: Bayesian Linear Discriminant Analysis (BLDA).

Kanal seçimi: Genetic Algorithm + BLDA fitness qiymətləndirilməsi.

GA parametr taraması: Dörd amil × beş səviyyə, 25 kombinasiyalı \(L_{25}(5^4)\) ortoqonal dizayn.

Seçilmiş GA parametrləri: Populyasiya 30, maksimum iterasiya 10, mutation rate 0,07, elite retention rate 0,05.

Bildirilməyən kritik GA dəyərləri: Fitness kanal-cəzası \(\lambda\) ədədi dəyəri, stop patience \(T\) dəyəri və qlobal random seed-in ədədi dəyəri.

Yekun kanal düzülüşü: C3, C4 və P4.

Kanal tezlikləri: C3=1,00; C4=0,95; P4=0,90; P3=0,80; F3=0,50; F4=0,40; O2=0,20; O1=0,10.

Formal təcrübə dizaynı: AB/BA crossover; Group A n=24, Group B n=24; sistem dəyişməsindən əvvəl 48 saat washout.

Offline calibration: Hər iştirakçı üçün 20 trial; hər trial üçün 2 s cue, 16 s stimulus və 2 s rest; stimulus mərhələsində 10 round.

Online validation: Səkkiz stimulus round; bir hədəfin tanınma müddəti 16,8 s; BLDA proqnozundan sonra 2 s recognition feedback və Unity komandasının icrası.

Performans metrikaları: Classification Accuracy və Information Transfer Rate.

İstifadəçi yükü: NASA-TLX; Mental Demand, Physical Demand, Temporal Demand, Frustration, Performance və Effort.

Statistika: Sistem müqayisələrində paired-sample t-test. Mənbə müxtəlif analizlərdə p < 0,05, p < 0,01 və p > 0,05 səviyyələri bildirir.

Çoxsaylı müqayisə qeydi: Mənbə multiple-comparison correction üsulu, standartlaşdırılmış effect size və ya confidence interval bildirmir.

Proqram təminatı: Python 3.9; Unity3D 2022.3 LTS.

Avadanlıq mühiti: Intel Core i7-11700K @ 3.60 GHz; 32 GB RAM; Windows 10 64-bit.

Maliyyələşdirmə: Tədqiqat xarici maliyyələşdirmə almamışdır.

Məlumatların əlçatanlığı: Məlumatların corresponding author-dan sorğu əsasında əldə edilə biləcəyi bildirilmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bəyan etmişlər.

Süni intellekt istifadəsi bəyanatı: Mənbə məqalənin son bəyanatlar bölməsində ayrıca generativ süni intellekt istifadəsi açıqlaması bildirilmir.

Müəllif töhfələri: Konseptuallaşdırma Jing Xiao və Junhong Luo; metod Junhong Luo; proqram təminatı Junhong Luo və Qiyue Tan; doğrulama Jianbin Yu və Jinheng Chen; formal analiz Junhong Luo və Jianbin Yu; tədqiqat Junhong Luo; resurslar Hui Cao və Jing Xiao; məlumatların kurasiyası Jianbin Yu; ilkin layihə Junhong Luo; nəzərdən keçirmə/redaktə Jianbin Yu, Jing Xiao və Hui Cao; vizuallaşdırma Jianbin Yu; nəzarət Jing Xiao və Hui Cao; layihənin idarə edilməsi Jing Xiao; maliyyələşdirmənin əldə edilməsi Jing Xiao və Hui Cao tərəfindən bildirilib.

Əsas şərh sərhədi: Tədqiqat üçkanallı sabit C3-C4-P4 düzülüşünün 48 sağlam gənc yetkində idarə olunan P300-VR tapşırığında praktik və yüksək performanslı ola biləcəyini göstərir. Nəticələr klinik xəstə populyasiyalarında, quru elektrod sistemlərində, uzunmüddətli ev istifadəsində və ya intensiv hərəkət/səs-küy ehtiva edən real dünya mobil mühitlərində birbaşa doğrulanmayıb.

“Kalibrasiya” şərh sərhədi: Sabit kanal düzülüşü yeni istifadəçi üçün GA əsaslı subject-specific kanal axtarışını aradan qaldırır; lakin formal onlayn təcrübə üçün şəxsə aid oflayn calibration məlumatı ilə BLDA təlimi aparılmışdır. Buna görə tədqiqat tamamilə calibration-free BCI göstərmir.

Mənbədaxili performans qeydi: Abstract/conclusion ümumilikdə əhəmiyyətli performans çatışmazlığının olmadığını bildirsə də ətraflı oflayn Results, rounds 7-10-da səkkiz kanalın xeyrinə əhəmiyyətli Accuracy və ITR fərqləri bildirir. Verianla ətraflı nəticələri görünən şəkildə qoruyub.

Mənbədaxili ITR qeydi: Discussion bölməsində oflayn final-round ITR dəyərlərinə əlavə edilən ±4,02 və ±3,76 dəyərləri onlayn Table 3-dəki ITR standart sapmaları ilə eynidir. Mənbənin Results bölməsi Figure 10 final-round oflayn dəyərləri üçün bu SD-ləri ayrıca bildirmədiyinə görə Verianla onları oflayn SD kimi yenidən istifadə etmir.

Mənbədaxili Table 5 qeydi: Müzakirə mətnində DFGA və Adaptive Sparse Bayesian üçün istifadə olunan “respectively” sırası ilə Table 5-də 87,50 və 88,10 dəyərlərinin üsullara bağlanması üst-üstə düşmür.