HappyFeat — An interactive and efficient BCI framework for clinical applications

要約

ブレイン コンピューター インターフェイス (BCI) システムを使用すると、ユーザーは脳の活動をコマンドに変換することでアクションを実行できます。
このようなシステムには通常、記録された信号の特定の特徴を使用して精神状態を区別する分類アルゴリズムをトレーニングするトレーニング フェーズが必要です。
特徴の選択とトレーニングのこの段階は、BCI のパフォーマンスにとって非常に重要であり、脳卒中後のリハビリテーションなどの臨床状況において満たすべき特定の制約を示します。
この論文では、必要なすべての操作と分析を 1 つの便利な GUI に集め、実験または分析パラメータの自動化を通じて、モーター イメージ (MI) ベースの BCI 実験を容易にするソフトウェア HappyFeat を紹介します。
結果として得られるワークフローにより、最適な機能を簡単に選択できるようになり、時間に制約のある環境で良好な BCI パフォーマンスを達成するのに役立ちます。
機能的接続に基づく代替機能を使用し、パワー スペクトル密度と比較または組み合わせて、ネットワーク指向のアプローチを可能にすることができます。
次に、HappyFeat の主なメカニズムの詳細と、典型的な使用例でのパフォーマンスのレビューを説明します。
また、分類アルゴリズムをトレーニングするために、信号から抽出されたさまざまなメトリクスを比較するための効率的なツールとして使用できることも示します。
この目的を達成するために、一般的に使用されるパワー スペクトル密度と機能接続に基づくネットワーク メトリクスの比較を示します。
HappyFeat は、GitHub で自由にダウンロードできるオープンソース プロジェクトとして利用できます。

要約(オリジナル)

Brain-Computer Interface (BCI) systems allow users to perform actions by translating their brain activity into commands. Such systems usually need a training phase, consisting in training a classification algorithm to discriminate between mental states using specific features from the recorded signals. This phase of feature selection and training is crucial for BCI performance and presents specific constraints to be met in a clinical context, such as post-stroke rehabilitation. In this paper, we present HappyFeat, a software making Motor Imagery (MI) based BCI experiments easier, by gathering all necessary manipulations and analysis in a single convenient GUI and via automation of experiment or analysis parameters. The resulting workflow allows for effortlessly selecting the best features, helping to achieve good BCI performance in time-constrained environments. Alternative features based on Functional Connectivity can be used and compared or combined with Power Spectral Density, allowing a network-oriented approach. We then give details of HappyFeat’s main mechanisms, and a review of its performances in typical use cases. We also show that it can be used as an efficient tool for comparing different metrics extracted from the signals, to train the classification algorithm. To this end, we show a comparison between the commonly-used Power Spectral Density and network metrics based on Functional Connectivity. HappyFeat is available as an open-source project which can be freely downloaded on GitHub.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google