Recursive Bayesian Coding for BCIs.
Recursive Bayesian Coding for BCIs.
复制标题
DOI：
10.1109/tnsre.2016.2590959
复制
发表时间：
2017-06
期刊：
影响因子：
--
通讯作者：
Erdogmus D
中科院分区：
文献类型：
--
作者：
Higger M;Quivira F;Akcakaya M;Moghadamfalahi M;Nezamfar H;Cetin M;Erdogmus D
脑机接口（BCI）试图从大脑符号（可分类的生理状态）中推断出一些任务符号（与任务相关的指令）。例如，在运动想象机器人控制任务中，用户将指示他们从任务符号字典中的选择（向左旋转手臂、抓握等）。通过从较小的大脑符号词典（想象的左手或右手运动）中进行选择。我们研究如何BCI推断一个任务符号使用选择的大脑符号。我们提供了一个递归贝叶斯决策框架，它结合了上下文先验分布（例如，在拼写应用程序中的语言模型先验），占不同的大脑符号的准确性，是强大的单一的大脑符号查询错误。该框架与最大互信息（MMI）编码配对，最大化ITR的泛化。两者都适用于任何离散的任务和大脑现象（例如P300，SSVEP，MI）。为了证明我们的方法的有效性，我们进行SSVEP“洗牌”拼写实验，并比较我们的递归编码方案与传统的决策树方法，包括霍夫曼编码。MMI编码利用了分类器在特定用户的SSVEP响应中的错误的不对称性;这样做，它提供了33%的字母准确性增加，尽管在我们的实验中慢了13%。
Brain Computer Interfaces (BCI) seek to infer some task symbol, a task relevant instruction, from brain symbols, classifiable physiological states. For example, in a motor imagery robot control task a user would indicate their choice from a dictionary of task symbols (rotate arm left, grasp, etc.) by selecting from a smaller dictionary of brain symbols (imagined left or right hand movements). We examine how a BCI infers a task symbol using selections of brain symbols. We offer a recursive Bayesian decision framework which incorporates context prior distributions (e.g. language model priors in spelling applications), accounts for varying brain symbol accuracy and is robust to single brain symbol query errors. This framework is paired with Maximum Mutual Information (MMI) coding which maximizes a generalization of ITR. Both are applicable to any discrete task and brain phenomena (e.g. P300, SSVEP, MI). To demonstrate the efficacy of our approach we perform SSVEP “Shuffle” Speller experiments and compare our recursive coding scheme with traditional decision tree methods including Huffman coding. MMI coding leverages the asymmetry of the classifier’s mistakes across a particular user’s SSVEP responses; in doing so it offers a 33% increase in letter accuracy though it is 13% slower in our experiment.