Exploring new territory: Calibration-free decoding for c-VEP BCI

要約

この研究では、キャリブレーション セッションの必要性を排除することでブレイン コンピューター インターフェイス (BCI) の使いやすさを向上させることを目的とした 2 つのゼロ トレーニング方法を調査します。
我々は、事象関連電位（ERP）ドメインに根ざした新しい手法である教師なし平均最大化（UMM）を、高速コード変調視覚誘発電位（c-VEP）刺激プロトコルに導入します。
UMM を、正準相関分析 (CCA) を使用する最先端の c-VEP ゼロ トレーニング メソッドと比較します。
比較には、瞬時の分類と、CCA と UMM の両方について以前に分類された試験からの累積学習による分類が含まれます。
私たちの研究は、c-VEP データセットの複雑さをナビゲートする際の両方の方法の有効性を示し、それらの違いと明確な強みを強調しています。
この研究は、キャリブレーション不要の BCI メソッドの実際の実装に関する洞察を提供するだけでなく、さらなる探索と改良への道を切り開くものでもあります。
最終的に、CCA と UMM の融合は、さまざまなアプリケーション ドメインおよび多数の刺激プロトコルにわたる BCI システムのアクセシビリティと使いやすさを向上させる可能性を秘めています。

要約(オリジナル)

This study explores two zero-training methods aimed at enhancing the usability of brain-computer interfaces (BCIs) by eliminating the need for a calibration session. We introduce a novel method rooted in the event-related potential (ERP) domain, unsupervised mean maximization (UMM), to the fast code-modulated visual evoked potential (c-VEP) stimulus protocol. We compare UMM to the state-of-the-art c-VEP zero-training method that uses canonical correlation analysis (CCA). The comparison includes instantaneous classification and classification with cumulative learning from previously classified trials for both CCA and UMM. Our study shows the effectiveness of both methods in navigating the complexities of a c-VEP dataset, highlighting their differences and distinct strengths. This research not only provides insights into the practical implementation of calibration-free BCI methods but also paves the way for further exploration and refinement. Ultimately, the fusion of CCA and UMM holds promise for enhancing the accessibility and usability of BCI systems across various application domains and a multitude of stimulus protocols.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google