Exploiting error-related potentials in cognitive task based BCI
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Brain-computer interfaces (BCIs) can make mistakes in recognizing user intention. It has been well-established that for reactive and motor imagery (MI) BCIs, an error-related potential (ErrP) occurs subsequent to such mistakes, and can be used to improve BCI performance. However, the presence of ErrPs in active BCIs based on non-MI cognitive tasks has not been confirmed. In this study, we attempted to elicit ErrPs in a BCI based on non-MI mental tasks. Twelve typically developed young adults participated in two sessions each. Participants performed multiple iterations of five different mental tasks (mental arithmetic, counting, word generation, figure rotation and idle state) to ‘knock down’ one of 4 targets on a graphical interface (each mental task was associated with a different target). To simulate errors, a random subset of 20% of the trials were followed by incorrect feedback (i.e., the wrong target fell). Our findings confirmed the presence of an interaction ErrP, with a negative peak at ∼180 ms, followed by two positive peaks, respectively, at ∼400 and ∼630 ms post-feedback onset. The classification of mental tasks and error versus non-error trials were both performed using a pseudo-online paradigm where the last quarter of trials were used for testing. For binary (task and idle) and ternary (2 tasks and idle) classification, across-participant average accuracies of 76% ± 12 and 63%±12, respectively, were attained. An average area under curve (AUC) of 0.83 was reached across participants for the detection of ErrPs. After applying ErrP-based error correction, the average binary and ternary classification accuracies of mental tasks improved by 9% and 14%, respectively. Our findings support the addition of ErrP detection and ErrP-informed correction to maximize the accuracy of BCIs based on cognitive tasks.
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.
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 découle