Detection of P300 component in single trials using an artificial neural network

Abstract

Bir işitme `oddball paradigması` denemesinden, P300 dalgasını sınıflandırabilmek için geriyayılım öğrenme yöntemine dayalı bir yapay sinir ağı gerçekleştirildi. Öğrenme döneminden sonra yapay sinir ağının, verilen yanıtları uygulanan seyrek (hedef) ve genel (hedef olmayan) uyarımın cinsine göre iki sınıfa ayırması beklendi. Geriyayılım öğrenme yönteminin en zayıf yanlarından biri olan gereğinden fazla öğrenmeyi önlemek için erken durdurma ve 10'lu çapraz onaylama uygulandı. Toplam veri kümesi 10 alt kümeye bölündü. Bunların sekiz tanesi öğrenme kümesi için kullanıldı. Bir alt küme onaylama kümesi için, ve geriye kalan, deneme kümesi için kullanıldı. Öğrenme, onaylama ve deneme kümelerinin bütün olası bileşimleri (90) dikkate alındı. Herhangi bir arıtma uygulanmamış veri kümesi ile öğretildikten sonra, yapay sinir ağı yanıtların %72'sini doğru sınıflandırabilmiştir. Ağ tarafından yanlış sınıflandırılan yanıtların ortalamaları çizilmiştir. Seyrek uyarımın sebep olduğu ancak ağ tarafından hedef olmayan olarak sınıflandırılan yanıtların, normal hedef uyarıma verilen yanıtlarındaki en belirgin parça olan P300'ü içermediği görülmüştür. Buna karşılık, hedef olarak sınıflandırılan ancak genel uyarımın sebep olduğu yanıtlar P300 içermiştir. Basit bir veri arıtma yöntemi önerilmiş, sinir ağının öğretiminden önce veri kümesine, uygulanmıştır. Arıtmadan sonra sinir ağı %96 doğru sınıflandırma başarısı göstermiştir. Beklenmedik yanıtların görülüp görülmediğini görmek için, 19 denekten alınan yanıtlar sinir ağında bireysel olarak denenmiştir. Beklenmedik yanıtların her denek tarafından bir miktar üretildiğine ilişkin sonuçlar bir tabloda sunulmuştur.

In order to classify the P300 wave in single trials of an auditory oddball paradigm, an artificial neural network based on backpropagation error learning algorithm is implemented. After training, the neural network is expected to classify the responses into two categories according to the applied rare (target) and common (non-target) stimuli types. To prevent overfitting, which is one of the most important weaknesses of the backpropagation, early stopping and 10-fold cross-validation are applied. The total data set is divided into 10 subsets. Eight of these are used for training the net. One of the remaining subsets is used for validation and the other is used for testing. All the possible combinations (90) of training, validation and test sets are considered. The neural network, after training with the original data set without any purification, can classify 72% of the responses correctly. The averages of the responses classified incorrectly by the network are plotted. It is observed that the responses to the target stimuli, classified as non-target by the network, contain no P300, which is the most obvious component in normal responses to the target stimuli. In turn, the responses to the non-target stimuli, classified as target by the network, contain the P300 wave. A simple data purification method is suggested and applied to purify the data set before training the neural network. After purification, the neural network shows an improved performance of 96% correct classifications. The responses from each of the 19 subjects are tested with the neural network individually to see whether or not unexpected responses are observed. The results are presented in a table indicating that each subject produces some number of the unexpected responses.