Figure 9. 12 Channel montage used i

Figure 9. 12 Channel montage used in the study with FPz as reference voI tage and left mastoid as ground.
3. DATA ANALYSIS
3.1. Data pre-processing Methods As each of the five stimuli (mVEP buttons) were a target for 60 trials for each game level, we were able to record a total of 300 trials per level from each subject. Data epochs were derived in association with each motion onset stimulus, beginning 200ms prior to the motion onset and lasting for 1200ms. All single trials were baseline corrected with respect to the mean voltage over the 200ms preceding motion onset. Data were digitally filtered using a low-pass Butterworth filter (order 5, with cut-off at 10Hz) and subsequently resampled at 20Hz. Features were extracted between the lOOms and 500ms epoch post stimulus which normally contains the most reactive mVEP components e.g. N200, P300 and N400. This yields nine features for each channel. Data were averaged over five trials yielding twelve feature vectors per stimulus for each level. Data were initially split into target vs. non-target where for each non-target feature vector five randomly selected nontarget trials were used. mY EP is time locked and phase locked to the motion onset stimulus therefore mVEP induced from the motion stimuli could be obtained through the above simple averaging procedure [15].
3.2. Channel Selection A Linear Discriminant Analysis (LDA) classifier was trained to discriminate target vs. non target feature vectors extracted from single channels in a Leave One Out (LOO) cross validation on 50% of the data (the remaining 50% was held out for final

testing). For each of the twelve channels the average LOO classification accuracy (LOO-CA) was determined and channels were ranked by accuracy. The most commonly highest ranked channels across all subjects consisted of 01, P7 and TP7. The top three ranked channels were concatenated to form a new feature vector (27 features per vector) and a further LOO cross validation was performed. The results of this are reported as LOO-CA3. A single trial test of target vs. non target is also applied on the training data (Target vs. Non Target - Single Trial).
3.3. m VEP Classification - 5 Class Using all the training data (50% of data) a new LDA classifier is produced to classify target vs. non target data. To classify individual symbols in a single trial test each feature vector associated with each stimulus in a trial is classified as either target or nontarget. The LDA classifier produced a distance value, D, reflecting the distance from the hyper plane separating target and non-target features (D>O for target and DO, however the value of D is normally maximal among the target stimulus i.e., the stimulus on which the user is focused). Single trial results for five class are reported for the training data and then the setup is applied on the remaining 50% of the data, unseen testing data. Offline analysis was performed using customised MATLAB code along with the BioSig [36] and LIBSVM [37] toolboxes.
4. RESULTS
4.1. Offline Testing Data from all ten subjects were analysed for each of the 5 game levels with the addition of the training level and the Crash Bandicoot game with the white background omitted from the button controller area. Four methods are used to analyse the subjects data namely, LOO-CA3 (test 1), target vs. non target single trial (training) (test 2), single trial 5 class (training) (test 3) and single trial 5 class (testing) (test 4). Fig. 10 shows the average test 1 result for all ten subjects

ผลลัพธ์ (ไทย) 1:

รูปที่ 9 12 ช่องสัญญาณภาพที่มีอยู่ใช้ในการศึกษากับ FPz tage วอยมีส์อ้างอิงและ mastoid ซ้ายเป็นพื้น 3. ข้อมูลวิเคราะห์ 3.1 ข้อมูลก่อนการประมวลผลวิธีการเป็นแต่ละของสิ่งเร้าที่ห้า (mVEP ปุ่ม) มีเป้าหมายในการทดลองในแต่ละระดับเกม 60 เราไม่สามารถบันทึกจำนวน 300 การทดลองแต่ละระดับจากแต่ละหัวข้อ ข้อมูล epochs ได้มาเชื่อมโยงกับแต่ละเคลื่อนไหวเริ่มกระตุ้น เริ่มต้น 200ms ก่อนเริ่มมีอาการเคลื่อนไหว และยาวนานสำหรับ 1200ms ทดลองเดี่ยวทั้งหมดมีพื้นฐานแก้ไขเกี่ยวกับแรงดันไฟฟ้าเฉลี่ยมากกว่า 200ms การเริ่มเคลื่อนไหวก่อนหน้านี้ ข้อมูลดิจิทัลถูกกรองโดยใช้ตัวกรองต่ำผ่านบัตเตอร์เวิร์ท (ลำดับที่ 5 กับตัดที่ 10Hz) และปรับจำนวนพิกเซลต่อที่ 20 Hz. คุณลักษณะที่แยกระหว่าง lOOms และกระตุ้นลง 500ms ยุคซึ่งปกติประกอบด้วยส่วนประกอบ mVEP สุดปฏิกิริยาเช่น N200, P300 และ N400 นี้ทำให้คุณลักษณะ 9 สำหรับแต่ละช่อง ข้อมูลถูก averaged ผ่านทดลองห้าสิบสองเวกเตอร์คุณลักษณะต่อกระตุ้นในแต่ละระดับผลผลิต ข้อมูลเริ่มต้นได้ถูกแบ่งออกเป็นเป้าหมายเทียบกับไม่ใช่เป้าหมายที่สำหรับแต่ละเวกเตอร์ไม่ใช่เป้าหมายคุณลักษณะ ห้าสุ่มเลือก nontarget ทดลองใช้ EP ของฉันเป็นเวลาล็อคและล็อคไว้ระยะกระตุ้นเริ่มเคลื่อนไหวดังนั้น mVEP ที่เกิดจากสิ่งเร้าเคลื่อนไหวไม่ได้ผ่านกระบวนการข้างง่าย averaging [15] 3.2. ช่องเลือก A เส้น (LDA) การวิเคราะห์ Discriminant classifier ถูกฝึกให้เหยียดเป้าหมายเทียบกับเวกเตอร์คุณลักษณะเป้าหมายไม่ใช่สกัดจากลาตัวหนึ่งออก (LOO) ข้ามตรวจสอบบน 50% (50% ที่เหลือถูกจัดออกสำหรับสุดท้ายข้อมูลช่องเดียว ทดสอบ) แต่ละช่อง 12 LOO เฉลี่ยกำหนดประเภทความแม่นยำ (LOO-CA) และช่องถูกจัดอันดับ โดยความถูกต้อง ช่องอันดับสูงสุดทั่วทั้งเรื่องทั้งหมดประกอบด้วย 01, P7 และ TP7 ช่องอันดับสามด้านบนได้รับการรวมแบบเวกเตอร์คุณลักษณะใหม่ (27 คุณลักษณะต่อเวกเตอร์) และ LOO การข้ามการตรวจสอบดำเนินการ มีรายงานผลนี้เป็น LOO CA3 ข้อมูลการฝึกอบรม (เป้าหมายเทียบกับไม่ใช่เป้าหมาย - ทดลองเดียว) ยังใช้ทดสอบทดลองเดียวเป้าหมายเทียบกับเป้าหมายที่ไม่ใช่ 3.3. m VEP ประเภท - 5 คลาสโดยใช้ข้อมูลทั้งหมดฝึกอบรม (50 ข้อมูล) ผลิตเพื่อจัดประเภทเป้าหมายเทียบกับเป้าหมายที่ไม่ใช่ข้อมูลที่ classifier LDA ใหม่ การจัดประเภทสัญลักษณ์แต่ละตัวในการทดสอบทดลองเดียว แต่ละเวกเตอร์คุณลักษณะที่เกี่ยวข้องกับการกระตุ้นในการทดลองแต่ละเป็นลับเป้าหมายใด หรือ nontarget ระยะทางค่า D สะท้อนให้เห็นถึงระยะห่างจากเครื่องบินไฮเปอร์แยกเป้าหมายและเป้าหมายไม่ใช่ผลิต LDA classifier (D > O เป้าหมายและ DO อย่างไรก็ตาม ค่าของ D ปกติสูงสุดระหว่างกระตุ้นเป้าหมายเช่น กระตุ้นเศรษฐกิจจะเน้นผู้ใช้) มีรายงานผลการทดลองเดียวสำหรับคลาส 5 สำหรับข้อมูลการฝึกอบรม และจากนั้น ใช้การตั้งค่าบนเหลือ 50% ของข้อมูล ข้อมูล unseen ทดสอบ วิเคราะห์แบบออฟไลน์ที่ดำเนินการโดยใช้โปรแกรม MATLAB รหัส BioSig [36] และ LIBSVM [37] toolboxes 4. ผลลัพธ์ 4.1. ออฟไลน์ข้อมูลทดสอบจากทั้งหมด 10 เรื่องถูก analysed สำหรับแต่ละระดับเกม 5 แห่งระดับฝึกอบรม และเกม Bandicoot ชนกับพื้นหลังสีขาวละจากปุ่มควบคุมพื้นที่ ใช้วิธีที่ 4 การวิเคราะห์ข้อมูลเรื่อง (ทดสอบ 1) การ LOO สินค้าการ CA3 สินค้าได้แก่ เป้าหมายเทียบกับเป้าหมายที่ไม่ใช่ทดลองเดียว (ฝึกอบรม) (ทดสอบ 2), ชั้นเดียว 5 ทดลอง (ฝึกอบรม) (ทดสอบ 3) และชั้นเดียวทดลอง 5 (ทดสอบ) (ทดสอบ 4) Fig. 10 แสดงผลการทดสอบค่าเฉลี่ย 1 วิชาทั้งหมด 10

ผลลัพธ์ (ไทย) 2:

รูปที่ 9 12 การตัดต่อช่องใช้ในการศึกษามี FPZ เป็น Tage Voi อ้างอิงและขมับซ้ายเป็นพื้นดิน.
3 การวิเคราะห์ข้อมูล
3.1 วิธีการประมวลผลข้อมูลก่อนขณะที่แต่ละห้าสิ่งเร้า (ปุ่ม mVEP) เป็นเป้าหมายสำหรับการทดลอง 60 สำหรับแต่ละระดับเกมที่เราสามารถที่จะบันทึกรวม 300 ทดลองต่อระดับจากแต่ละเรื่อง epochs ข้อมูลที่ได้มาร่วมกับการเคลื่อนไหวในแต่ละมาตรการกระตุ้นเศรษฐกิจที่เริ่มมีอาการเริ่มต้น 200ms ก่อนที่จะเริ่มมีอาการเคลื่อนไหวและยาวนานสำหรับ 1200ms การทดลองทั้งหมดเดียวได้รับการแก้ไขพื้นฐานที่เกี่ยวกับแรงดันไฟฟ้าเฉลี่ยมากกว่า 200ms ก่อนการโจมตีการเคลื่อนไหว กรองข้อมูลดิจิทัลโดยใช้บัตเตอร์เวิต่ำผ่านการกรอง (ลำดับที่ 5 ด้วยการตัดที่ 10Hz) และในเวลาต่อมา resampled 20Hz คุณสมบัติสกัดระหว่าง looms และกระตุ้นการโพสต์ยุค 500ms ซึ่งปกติจะมีปฏิกิริยามากที่สุดส่วนประกอบ mVEP เช่น N200, N400 และ P300 นี้อัตราผลตอบแทนเก้าคุณสมบัติสำหรับแต่ละช่อง ข้อมูลเฉลี่ยกว่าห้าสิบสองการทดลองผลผลิตเวกเตอร์คุณลักษณะต่อการกระตุ้นเศรษฐกิจในแต่ละระดับ ข้อมูลถูกแบ่งออกเป็นครั้งแรกเมื่อเทียบกับเป้าหมายที่ไม่ใช่เป้าหมายที่สำหรับแต่ละคุณลักษณะไม่ใช่เป้าหมายเวกเตอร์ห้าสุ่มเลือกทดลอง nontarget ถูกนำมาใช้ อีฉันคือเวลาล็อคและขั้นตอนการล็อคเพื่อโจมตีการเคลื่อนไหวกระตุ้นจึง mVEP เหนี่ยวนำให้เกิดการกระตุ้นจากการเคลื่อนไหวอาจจะได้ผ่านขั้นตอนง่ายๆข้างต้นเฉลี่ย [15].
3.2 ช่องทางเลือกเชิงเส้นจำแนกวิเคราะห์ (LDA) จําแนกได้รับการฝึกฝนในการแยกแยะเป้าหมายกับคุณลักษณะเวกเตอร์ที่ไม่ใช่เป้าหมายที่สกัดได้จากช่องทางเดียวในการลาออกหนึ่ง (LOO) การตรวจสอบข้าม 50% ของข้อมูล (ส่วนที่เหลืออีก 50% ถือออกมา สุดท้ายการทดสอบ) สำหรับแต่ละสิบสองช่องทางที่ถูกต้องจำแนก LOO เฉลี่ย (LOO-CA) ถูกกำหนดและช่องทางที่ได้รับการจัดอันดับโดยถูกต้อง ช่องทางมากที่สุดอันดับสูงสุดทั่วทุกวิชาประกอบด้วย 01, P7 และ TP7 ชั้นสามช่องอันดับที่ถูกตัดแบ่งในรูปแบบคุณลักษณะใหม่เวกเตอร์ (27 คุณสมบัติต่อเวกเตอร์) และอีก LOO ข้ามการตรวจสอบได้ดำเนินการ ผลจากการนี้จะมีการรายงานเป็น LOO-CA3 การทดสอบการทดลองเดียวของเป้าหมายเมื่อเทียบกับเป้าหมายที่ไม่ได้ถูกนำไปใช้ยังอยู่ในข้อมูลการฝึกอบรม (เทียบกับเป้าหมายที่ไม่ใช่เป้าหมาย - ทดลองเดี่ยว). 3.3 ม. VEP การจัดหมวดหมู่ - 5 ชั้นโดยใช้ข้อมูลการฝึกอบรม (50% ของข้อมูล) ลักษณนาม LDA ใหม่ที่ผลิตในการจำแนกเป้าหมายเทียบกับข้อมูลที่ไม่ใช่เป้าหมาย การจำแนกสัญลักษณ์ของแต่ละบุคคลในการทดสอบทดลองเดียวเวกเตอร์แต่ละคุณลักษณะที่เกี่ยวข้องกับการกระตุ้นเศรษฐกิจในการพิจารณาคดีในแต่ละจัดเป็นเป้าหมายอย่างใดอย่างหนึ่งหรือ nontarget ลักษณนาม LDA ผลิตค่าระยะไกล, D, สะท้อนให้เห็นถึงระยะทางจากเครื่องบินไฮเปอร์แยกเป้าหมายและคุณลักษณะไม่ใช่เป้าหมาย (D> O เป้าหมายและ D


O แต่ค่าของ D เป็นปกติสูงสุดในกลุ่มคือกระตุ้นเป้าหมายกระตุ้นที่ผู้ใช้จะเน้น) ผลการทดลองเดี่ยวห้าชั้นเรียนจะมีการรายงานข้อมูลการฝึกอบรมและการติดตั้งแล้วถูกนำไปใช้ในส่วนที่เหลืออีก 50% ของข้อมูลข้อมูลการทดสอบที่มองไม่เห็น การวิเคราะห์ออฟไลน์ได้ดำเนินการใช้รหัส MATLAB กำหนดเองพร้อมกับ BioSig [36] และ LIBSVM [37] toolboxes.
4 ผล
4.1 ออฟไลน์ข้อมูลจากการทดสอบทั้งสิบวิชาวิเคราะห์สำหรับแต่ละเกม 5 ระดับด้วยการเพิ่มระดับการฝึกอบรมและเกมหนูพุกชนกับพื้นหลังสีขาวตัดออกจากพื้นที่ควบคุมปุ่ม สี่วิธีการที่ใช้ในการวิเคราะห์ข้อมูลอาสาสมัครคือ LOO-CA3 (ทดสอบ 1) เป้าหมายกับการพิจารณาคดีที่ไม่ใช่เป้าหมายเดียว (ฝึกอบรม) (ทดสอบที่ 2) การพิจารณาคดี 5 ชั้นเดียว (ฝึกอบรม) (ทดสอบ 3) และการพิจารณาคดี 5 ชั้นเดียว (การทดสอบ) (ทดสอบ 4) มะเดื่อ. 10 แสดงให้เห็นว่าการทดสอบค่าเฉลี่ย 1 ผลสำหรับทุกสิบเรื่อง

ผลลัพธ์ (ไทย) 3:

รูปที่ 9 12 ช่อง ตัดต่อที่ใช้ในการศึกษา fpz เป็นวันสามารถอ้างอิง และกกหูซ้ายเป็นดิน
3 การวิเคราะห์ข้อมูล
3.1 . การประมวลผลข้อมูลในวิธีที่แต่ละของห้าสิ่งเร้า ( ปุ่ม mvep ) เป็นเป้าหมาย 60 การทดลองสำหรับแต่ละระดับของเกม เราสามารถที่จะบันทึกจำนวน 300 คดีต่อระดับจากแต่ละเรื่อง ยุคสมัยโดยเก็บรวบรวมข้อมูลในแต่ละการเคลื่อนไหวร่วมกับการกระตุ้นเริ่มต้น 200ms ก่อนที่จะเริ่มเคลื่อนไหว และยั่งยืนสำหรับ 1200ms ทดลองเดี่ยวทั้งหมดมีพื้นฐานการแก้ไขเกี่ยวกับค่าเฉลี่ยแรงดันมากกว่า 200ms ที่ผ่านมาเคลื่อนไหวการโจมตี กรองข้อมูลแบบดิจิทัลโดยใช้ผ่านต่ํา บัตเตอร์เวิร์ธกรอง ( สั่ง 5 , กับตัดที่ 10Hz ) และต่อมาซึ่งจะช่วยลดเวลาที่ 20Hz .คุณสมบัติสกัดระหว่าง looms และ 500ms ยุคโพสต์กระตุ้นซึ่งปกติมีมากที่สุดเป็นส่วนประกอบ เช่น mvep 200 ของ n400 , และ . นี้ผลผลิตเก้าคุณสมบัติสำหรับแต่ละช่อง ข้อมูลโดยเฉลี่ยมากกว่าห้าการทดลองที่มีคุณลักษณะสิบสองเวกเตอร์ต่อสิ่งเร้าสำหรับแต่ละระดับ ข้อมูลในขั้นแรกแบ่งเป้าหมายกับไม่ใช่เป้าหมายที่ไม่ใช่เป้าหมายสำหรับแต่ละคุณลักษณะเวกเตอร์ห้าสุ่ม nontarget การทดลองใช้ ตอนที่ฉันเวลาล็อคและล็อคระยะการเคลื่อนไหวการกระตุ้นเศรษฐกิจจึง mvep ที่เกิดจากการเคลื่อนไหว โดยอาจจะได้รับผ่านขั้นตอนง่ายๆข้างต้นเฉลี่ย [ 15 ]
2 . การเลือกเส้นจำแนกการวิเคราะห์ช่องทาง ( lda ) แบบฝึกเพื่อเป้าหมายและแบ่งแยกไม่ใช่เป้าหมายคุณลักษณะเวกเตอร์สกัดจากช่องทางเดียวในการปล่อยออก ( ลู ) ข้ามการตรวจสอบใน 50% ของข้อมูล ( ที่เหลือ 50% ถูกจัดขึ้นสำหรับการทดสอบสุดท้าย

) สำหรับแต่ละสิบสองช่องเฉลี่ยลู ความแม่นยำในการจำแนก ( loo-ca ) ตั้งใจและช่องทางที่ถูกจัดอันดับโดยความถูกต้อง มากที่สุดโดยทั่วไป ลำดับช่องข้ามทั้งหมด จำนวน 1 , p7 และ tp7 .สามอันดับช่องก็มารูปแบบเวกเตอร์คุณลักษณะใหม่ ( 27 คุณลักษณะต่อเวกเตอร์ ) และห้องน้ำเพิ่มเติมข้ามการตรวจสอบประเมินผล ผลนี้จะรายงานเป็น loo-ca3 . ทดสอบทดลองเดียวของเป้าหมาย และเป้าหมายคือ ไม่ใช้ข้อมูลที่สอน ( เป้าหมายและไม่ใช่เป้าหมายเดียว -- ทดลองใช้ )
3.3 .M vep หมวดหมู่ - 5 ระดับ โดยใช้ข้อมูลการฝึกทั้งหมด ( 50 % ข้อมูลใหม่ lda ลักษณนามที่จำแนกเป้าหมายและไม่ใช่เป้าหมายข้อมูล แยกสัญลักษณ์ในแต่ละทดสอบแต่ละคุณลักษณะการทดลองเดียวเวกเตอร์ที่เกี่ยวข้องกับแต่ละมาตรการในการพิจารณาจัดเป็นทั้งเป้าหมายหรือ nontarget . การ lda ลักษณนามผลิตระยะทางค่า Dสะท้อนให้เห็นถึงระยะทางจาก Hyper เครื่องบินแยกเป้าหมายและไม่ใช่เป้าหมายคุณสมบัติ ( D > O < O D สำหรับเป้าหมายและเป้าหมายไม่ใช่ ) เวกเตอร์ที่สร้างค่าระยะห่างสูงสุดที่จัดสิ่งเร้า ( ในบางกรณีไม่มีข้อมูลเป้าหมายผลิต D > O อย่างไรก็ตามค่า D ปกติสูงสุดของเป้าหมายกระตุ้นเช่น การกระตุ้นที่ผู้ใช้จะเน้น )ผลการทดลองเดียวห้าชั้นมีรายงานข้อมูลการฝึกอบรมและการตั้งค่าที่ใช้ในส่วนที่เหลืออีก 50% ของข้อมูล ข้อมูลการทดสอบที่มองไม่เห็น การวิเคราะห์โดยใช้โปรแกรม MATLAB ครับเป็นรหัสพร้อมกับ biosig [ 36 ] และ [ 37 ] libsvm toolboxes .
4 ผลลัพธ์
4.1 .ครับทดสอบข้อมูลจาก 10 คน ทั้งหมดมีจำนวน 5 คน ระดับเกมกับการเพิ่มของระดับการฝึกอบรมและ Crash Bandicoot เกมที่มีพื้นหลังสีขาว ละเว้นจากปุ่มควบคุมบริเวณ สี่วิธีการที่ใช้วิเคราะห์ข้อมูล ได้แก่ แบบทดสอบ loo-ca3 , 1 ) เป้าหมายและไม่ใช่เป้าหมายทดลองเดี่ยว ( ฝึกอบรม ) ( ทดสอบ 2 )คลาสทดลอง 5 เดี่ยว ( ฝึกอบรม ) ( ทดสอบ 3 ) และชั้นพิจารณาคดี 5 เดี่ยว ( ทดสอบ ) ( แบบที่ 4 ) รูปที่ 10 แสดงผลทดสอบ 1 จำนวน 10 คน ทั้งหมด