Adding Real-Time Bayesian Ranks to Error-Related Potential Scores Improves Error Detection and Auto-Correction in a P300 Speller
Notice bibliographique
Résumé
Brain-computer interface (BCI) spellers could improve access to communication for people with profound physical disabilities; however, improved speed and accuracy of these spellers is required to make them practical for everyday use. Here we introduce the combination of P300-speller confidence with the error-related potential (ErrP) to improve online single-trial error detection and correction accuracies in a BCI speller. First, we present a mechanism for obtaining P300-confidence using a real-time Bayesian dynamic stopping framework that makes novel use of additional stimuli that occur due to epoch and filter delays. Second, we propose an ensemble of decision trees to combine ErrP and P300-confidence features. Third, we describe the unique attentional differences between error and correct feedback in our spelling interface and discuss how these differences affect ErrP physiology. We tested online error detection on 11 typically developed adults using a BCI system trained on a previous day and found an average sensitivity of 86.67% and specificity of 96.59%. Automatic correction increased selection accuracy by 13.67% and utility grew by a factor of 4.48. We found, however, that the improved performance was primarily attributable to the inclusion of P300 confidence in error detection, calling into question the significance of single-trial ErrP detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».