Methodenartikel

Eine einkanalige und nicht-invasive tragbare Gehirn-Computer-Schnittstelle für Industrie und Gesundheitswesen

DOI:

10.3791/65007

⸱

7. Juli 2023

 ,  ,  , 
1Department of Electrical Engineering and Information Technology (DIETI), University of Naples Federico II, 2Interdepartmental Center for Research and Innovation in Management and Healthcare (CIRMIS), University of Naples Federico II, 3Advanced Metrological Services Center (CeSMA), University of Naples Federico II, 4Department of Innovation Engineering, University of Salento, 5Department of Electronics and Telecommunication (DET), Polytechnic of Turin

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

In diesem Artikel wird erörtert, wie eine Gehirn-Computer-Schnittstelle aufgebaut werden kann, indem man sich auf Geräte in Verbraucherqualität und stationäre, visuell evozierte Potenziale stützt. Zu diesem Zweck wurde ein Einkanal-Elektroenzephalograph, der trockene Elektroden nutzt, mit einer Augmented-Reality-Brille zur Reizdarstellung und Visualisierung der Ausgangsdaten integriert. Das endgültige System war nicht-invasiv, tragbar und tragbar.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die vorliegende Arbeit konzentriert sich auf den Aufbau eines tragbaren Brain-Computer-Interfaces (BCI). BCIs sind ein neuartiges Mittel der Mensch-Computer-Interaktion, das auf direkten Messungen von Gehirnsignalen beruht, um sowohl Menschen mit Behinderungen als auch Menschen mit Behinderungen zu unterstützen. Anwendungsbeispiele sind Robotersteuerung, industrielle Inspektion und Neurorehabilitation. Insbesondere haben neuere Studien gezeigt, dass sich stationäre visuell evozierte Potentiale (SSVEPs) besonders für Kommunikations- und Steuerungsanwendungen eignen, und es werden derzeit Anstrengungen unternommen, die BCI-Technologie in den Alltag zu bringen. Um dieses Ziel zu erreichen, muss sich das endgültige System auf tragbare, tragbare und kostengünstige Instrumente stützen. Bei der Ausnutzung von SSVEPs ist ein flackernder visueller Reiz mit festen Frequenzen erforderlich. Unter Berücksichtigung alltäglicher Einschränkungen wurde daher in dieser Studie die Möglichkeit untersucht, visuelle Reize mittels Datenbrillen zu setzen. Um die induzierten Potentiale zu detektieren, wurde zudem ein kommerzielles Gerät für die Elektroenzephalografie (EEG) in Betracht gezogen. Dieser besteht aus einem einzigen Differentialkanal mit trockenen Elektroden (kein leitfähiges Gel), wodurch ein Höchstmaß an Tragbarkeit und Tragbarkeit erreicht wird. In einem solchen BCI kann der Benutzer mit der Datenbrille interagieren, indem er lediglich auf Symbole starrt, die auf dem Display erscheinen. Nach diesem einfachen Prinzip wurde durch die Integration einer Extended-Reality-Brille (XR) in ein kommerziell erhältliches EEG-Gerät ein benutzerfreundliches, kostengünstiges BCI aufgebaut. Die Funktionalität dieses tragbaren XR-BCI wurde mit einer experimentellen Kampagne mit 20 Probanden untersucht. Die Klassifizierungsgenauigkeit lag je nach Stimulationszeit im Durchschnitt zwischen 80%-95%. Angesichts dieser Ergebnisse kann das System als Mensch-Maschine-Schnittstelle für die industrielle Inspektion, aber auch für die Rehabilitation bei ADHS und Autismus eingesetzt werden.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Eine Gehirn-Computer-Schnittstelle (BCI) ist ein System, das die Kommunikation mit und/oder die Steuerung von Geräten ohne natürliche neuronale Bahnen ermöglicht1. Die BCI-Technologie ist das, was der Menschheit am nächsten kommt, um Objekte mit der Kraft des Geistes zu kontrollieren. Aus technischer Sicht funktioniert die Systembedienung durch die Messung der induzierten oder evozierten Gehirnaktivität, die entweder unwillkürlich oder willentlich vom Subjekterzeugt werden kann 2. In der Vergangenheit konzentrierte sich die Forschung auf die Unterstützung von Menschen mit motorischen Behinderungen durch BCI3, aber eine wachsende Zahl von Unternehmen bietet heute BCI-basierte Instrumente für Spiele4, Robotik5, Industrie6 und andere Anwendungen mit Mensch-Maschine-Interaktion an. Insbesondere in der vierten industriellen Revolution, der Industrie 4.07, in der cyber-physische Produktionssysteme die Interaktion zwischen Mensch und Umwelt verändern8, könnten BCIs eine Rolle spielen. Im Großen und Ganzen identifizierte das europäische Projekt BNCI Horizon 2020 Anwendungsszenarien wie den Ersatz, die Wiederherstellung, die Verbesserung, die Verbesserung oder die Ergänzung verlorener natürlicher Funktionen des zentralen Nervensystems sowie den Einsatz von BCI bei der Untersuchung des Gehirns9.

In diesem Rahmen bedeuten die jüngsten technologischen Fortschritte, dass Gehirn-Computer-Schnittstellen für den Einsatz im täglichen Leben anwendbar sein können10,11. Um dieses Ziel zu erreichen, ist die erste Voraussetzung die Nicht-Invasivität, die wichtig ist, um die Risiken eines chirurgischen Eingriffs zu vermeiden und die Nutzerakzeptanz zu erhöhen. Es ist jedoch erwähnenswert, dass die Wahl der nicht-invasiven Neurobildgebung die Qualität der gemessenen Hirnsignale beeinflusst, und das BCI-Design muss sich dann mit den damit verbundenen Fallstricken auseinandersetzen12. Darüber hinaus sind Tragbarkeit und Tragbarkeit erforderlich. Diese Anforderungen stehen im Einklang mit dem Bedürfnis nach einem benutzerfreundlichen System, bringen aber auch einige Einschränkungen mit sich. Insgesamt werden die genannten Hardware-Einschränkungen durch die Verwendung eines elektroenzephalographischen (EEG) Systems mit gelfreien Elektroden6 adressiert. Ein solches EEG-basiertes BCI wäre auch kostengünstig. Währenddessen wäre in Bezug auf die Software eine minimale Benutzerschulung (oder idealerweise keine Schulung) wünschenswert; Es wäre nämlich am besten, lange Zeiträume für die Abstimmung des Verarbeitungsalgorithmus zu vermeiden, bevor der Benutzer das System verwenden kann. Dieser Aspekt ist in BCIs aufgrund der Nichtstationarität zwischen und innerhalb der Subjekte von entscheidender Bedeutung13,14.

Bisherige Literatur hat gezeigt, dass die Detektion evozierter Hirnpotentiale robust in Bezug auf Nichtstationarität und Rauschen bei der Signalerfassung ist. Mit anderen Worten, BCIs, die auf der Erkennung des evozierten Potenzials beruhen, werden als reaktiv bezeichnet und sind die leistungsstärksten BCIs in Bezug auf die Erkennung von Gehirnmustern15. Nichtsdestotrotz benötigen sie sensorische Stimulation, was wahrscheinlich der Hauptnachteil solcher Schnittstellen ist. Das Ziel der vorgeschlagenen Methode ist es daher, ein hochgradig tragbares und tragbares BCI zu bauen, das sich auf tragbare, handelsübliche Instrumente stützt. Die Sinnesreize bestehen hier aus flackernden Lichtern, die von Datenbrillen erzeugt werden und in der Lage sind, stationäre visuell evozierte Potentiale (SSVEPs) hervorzurufen. In früheren Arbeiten wurde bereits die Integration von BCI mit Virtual Reality entweder allein oder in Verbindung mit Augmented Reality in Betracht gezogen16. So wurde beispielsweise ein BCI-AR-System zur Steuerung eines Quadrocopters mit SSVEP17 vorgeschlagen. Virtual Reality, Augmented Reality und andere Paradigmen werden mit dem Begriff Extended Reality bezeichnet. In einem solchen Szenario entspricht die Wahl der Datenbrille den Anforderungen an Tragbarkeit und Tragbarkeit, und Datenbrillen können mit einem minimalen EEG-Erfassungssetup integriert werden. Dieses Dokument zeigt, dass SSVEP-basiertes BCI auch nur minimales Training erfordert und gleichzeitig eine akzeptable Klassifizierungsleistung für Kommunikations- und Steuerungsanwendungen mit niedriger bis mittlerer Geschwindigkeit erreicht. Daher wird die Technik auf BCI für Anwendungen im täglichen Leben angewendet und scheint besonders für die Industrie und das Gesundheitswesen geeignet zu sein.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Studie wurde von der Ethikkommission für psychologische Forschung der Fakultät für Geisteswissenschaften der Universität Neapel Federico II genehmigt. Die Probanden unterschrieben eine Einverständniserklärung, bevor sie an den Experimenten teilnahmen.

1. Vorbereitung der nicht-invasiven tragbaren Gehirn-Computer-Schnittstelle

  1. Besorgen Sie sich einen kostengünstigen Elektroenzephalographen mit trockenen Elektroden in Verbraucherqualität und konfigurieren Sie ihn für die Verwendung mit einem Kanal.
    1. Schließen Sie alle ungenutzten Eingangskanäle des kostengünstigen Elektroenzephalographen kurz, oder schließen Sie sie an eine interne Referenzspannung an, wie im inhärenten Datenblatt angegeben. Dabei werden die ungenutzten Kanäle deaktiviert und erzeugen kein Übersprechrauschen.
    2. Stellen Sie die Verstärkung des Elektroenzephalographen (in der Regel durch eine Komponente mit variablem Widerstand) so ein, dass sie einen Eingangsbereich in der Größenordnung von 100 μV hat.
      HINWEIS: Die zu messenden EEG-Signale liegen in der Größenordnung von zehn Mikrovolt. Die trockenen Elektroden sind jedoch stark von Bewegungsartefakten betroffen, die aufgrund der Variabilität der Elektroden-Haut-Impedanz zu Schwingungen in der Größenordnung von 100 μV führen. Die Erhöhung des Eingangsspannungsbereichs hilft, die Sättigung des EEG-Verstärkers zu begrenzen, beseitigt sie jedoch nicht vollständig. Andererseits wäre es umständlich, den Eingangsspannungsbereich noch weiter zu erhöhen, da dies die Spannungsauflösung bei der Messung der gewünschten EEG-Anteile beeinträchtigen würde. Letztendlich müssen die beiden Aspekte ausbalanciert werden, indem auch die Bitauflösung des Analog-Digital-Wandlers in der Elektroenzephalographenplatine berücksichtigt wird.
    3. Bereiten Sie drei trockene Elektroden für den Anschluss an die Elektroenzephalographenplatine vor. Verwenden Sie eine passive Elektrode (keine Vorverstärkung) als Referenzelektrode. Die verbleibenden zwei Messelektroden sollten aktiv sein (d. h. eine Vorverstärkung und eventuell eine analoge Filterung beinhalten).
      Anmerkungen: Elektroden, die auf einer behaarten Kopfhaut platziert werden, benötigen Stifte, um die Kontaktimpedanz zwischen Elektrode und Haut zu überwinden. Wenn möglich, löten Sie Silberstifte mit flachen Köpfen (um zu viel Schmerz für den Benutzer zu vermeiden) oder verwenden Sie idealerweise leitfähiges (weiches) Gummi mit einer Ag/AgCl-Beschichtung.
  2. Holen Sie sich handelsübliche Datenbrillen mit einem Android-Betriebssystem und einer Bildwiederholfrequenz von 60 Hz. Alternativ können Sie eine niedrigere Bildwiederholfrequenz verwenden. Eine höhere Bildwiederholfrequenz wäre für Stimuli wünschenswert, da es zu einer geringeren Ermüdung der Augen kommen würde, aber es gibt derzeit keine verfügbaren Lösungen auf dem Markt.
    1. Laden Sie den Quellcode einer Android-Anwendung für die Kommunikation oder Steuerung herunter oder entwickeln Sie eine.
    2. Ersetzen Sie die virtuellen Schaltflächen in der Anwendung durch flackernde Symbole, indem Sie das inhärente Objekt ändern (normalerweise in Java oder Kotlin). Empfohlen werden weiße Quadrate mit mindestens 5 % Rastermaß. In der Regel gilt: Je größer das stimulierende Quadrat, desto höher ist die zu detektierende SSVEP-Komponente, aber je nach Einzelfall kann ein Optimum gefunden werden. Empfohlene Frequenzen sind 10 Hz und 12 Hz Flackern. Implementieren Sie das Flimmern auf der Grafikverarbeitungseinheit (GPU), um eine Überlastung der Recheneinheit (CPU) der Datenbrille zu vermeiden. Verwenden Sie dazu Objekte aus der OpenGL-Bibliothek.
    3. Implementieren Sie ein Modul der Android-Anwendung für die Echtzeitverarbeitung des Eingangs-EEG-Streams. Der Android-USB-Dienst kann hinzugefügt werden, damit der Stream über USB empfangen werden kann. Die Echtzeitverarbeitung kann einfach ein gleitendes Fenster auf den EEG-Stream anwenden, indem die eingehenden Pakete berücksichtigt werden. Berechnen Sie die spektralen Leistungsdichten, die mit den Frequenzen 10 Hz und 12 Hz verbunden sind, durch eine schnelle Fourier-Transformationsfunktion. Ein trainierter Klassifikator kann daher unterscheiden, ob der Benutzer auf das 10-Hz-Flimmersymbol oder das 12-Hz-Flackersymbol blickt, indem er die Merkmale der spektralen Leistungsdichte klassifiziert.

2. Kalibrierung der SSVEP-basierten Gehirn-Computer-Schnittstelle

HINWEIS: Für diese Studie wurden gesunde Freiwillige ausgewählt. Schließen Sie Probanden mit einer Vorgeschichte von Gehirnerkrankungen aus. Die beteiligten Probanden mussten ein normales oder auf normales Sehvermögen korrigiertes Sehvermögen haben. Sie wurden angewiesen, sich während der Experimente entspannt zu verhalten und unnötige Bewegungen, insbesondere des Kopfes, zu vermeiden.

  1. Lassen Sie den Benutzer die Datenbrille mit der Android-Anwendung tragen.
  2. Lassen Sie den Benutzer ein enges Stirnband tragen, um die Elektroden zu halten.
  3. Schließen Sie den kostengünstigen Elektroenzephalographen über ein USB-Kabel an einen PC an, während der PC von der Hauptstromversorgung getrennt ist.
    1. Trennen Sie zunächst alle Elektroden von der Erfassungsplatine des Elektroenzephalographen, um von einem bekannten Zustand auszugehen.
    2. In dieser Phase wird der EEG-Stream offline auf dem PC mit einem Skript verarbeitet, das mit der in der Android-Anwendung implementierten Verarbeitung kompatibel ist. Starten Sie das Skript, um die EEG-Signale zu empfangen und zu visualisieren.
  4. Überprüfen Sie das angezeigte Signal, das offline verarbeitet wird. Dies muss nur dem Quantisierungsrauschen des EEG-Verstärkers entsprechen.
  5. Schließen Sie die Elektroden an.
    1. Bringen Sie die passive Elektrode mit einem speziellen Clip am linken Ohr an oder verwenden Sie eine Ohrclip-Elektrode. Das Ausgangssignal muss in diesem Schritt unverändert bleiben, da der Messdifferenzkanal noch ein offener Stromkreis ist.
    2. Schließen Sie eine aktive Elektrode an den Minuspol des differentiellen Eingangs des messenden EEG-Kanals an und bringen Sie sie mit einem Stirnband auf den vorderen Bereich (Fpz-Standardposition) auf. Nach einigen Sekunden sollte das Signal wieder auf Null sinken (Quantisierungsrauschen).
    3. Verbinden Sie die andere aktive Elektrode mit dem Pluspol des differentiellen Eingangs des messenden EEG-Kanals und tragen Sie sie mit dem Kopfband auf die Okzipitalregion (Oz-Standardposition) auf. Es wird nun ein Gehirnsignal angezeigt, das der gemessenen visuellen Aktivität in Bezug auf das frontale Hirnareal entspricht (dort ist keine visuelle Aktivität vorgesehen).
  6. Erfassen Sie Signale für die Systemkalibrierung.
    1. Stimulieren Sie den Benutzer wiederholt mit flackernden Symbolen mit 10 Hz und 12 Hz (und möglicherweise anderen), indem Sie das flackernde Symbol in der Android-Anwendung starten, und erfassen und speichern Sie die inhärenten EEG-Signale für die Offline-Verarbeitung. Stellen Sie sicher, dass jede Stimulation in dieser Phase aus einem einzigen Symbol besteht, das 10 Sekunden lang flackert, und starten Sie das flackernde Symbol, indem Sie auf das Touchpad der Datenbrille drücken, während Sie gleichzeitig das EEG-Erfassungs- und Visualisierungsskript starten.
    2. Extrahieren Sie aus den 10-s-Signalen, die jeder Stimulation zugeordnet sind, zwei Merkmale mithilfe der schnellen Fourier-Transformation: die spektrale Leistungsdichte bei 10 Hz und bei 12 Hz. Alternativ können Sie zweite Harmonische (20 Hz und 24 Hz) in Betracht ziehen.
    3. Verwenden Sie eine Darstellung der erfassten Signale in der Merkmalsdomäne, um einen Support-Vektor-Maschinenklassifikator zu trainieren. Verwenden Sie ein Werkzeug (in Matlab oder Python), um die Parameter einer Hyperebene mit einem eventuellen Kernel basierend auf den Eingabemerkmalen zu identifizieren. Das trainierte Modell wird in der Lage sein, zukünftige Beobachtungen von EEG-Signalen zu klassifizieren.

3. Stellen Sie die endgültige tragbare und tragbare SSVEP-basierte Schnittstelle zusammen

  1. Trennen Sie das USB-Kabel vom PC und schließen Sie es direkt an die Datenbrille an.
  2. Fügen Sie die Parameter des trainierten Klassifikators in die Android-Anwendung ein. Das System ist nun bereit.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Eine mögliche Implementierung des oben beschriebenen Systems ist in Abbildung 1 dargestellt; Diese Implementierung ermöglicht es dem Benutzer, in Augmented Reality durch Gehirnaktivität zu navigieren. Die flackernden Symbole auf dem Display der Datenbrille entsprechen Aktionen für die Anwendung (Abbildung 1A), und somit stellt diese Brille einen Ersatz für eine herkömmliche Benutzeroberfläche dar, die auf Tastendrücken oder einem...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das ordnungsgemäße Funktionieren des Systems umfasst zwei entscheidende Aspekte: die SSVEP-Hervorhebung und die Signalerfassung. Abgesehen von den spezifischen Geräten, die für die aktuelle Studie ausgewählt wurden, könnte SSVEP mit verschiedenen Geräten ausgelöst werden, die ein flackerndes Licht liefern, obwohl intelligente Brillen bevorzugt werden, um Tragbarkeit und Tragbarkeit zu gewährleisten. Analog könnten weitere kommerzielle Elektroenzephalographen in Betracht gezogen werden, aber sie müssten tragbar und tragba...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren haben nichts zu verraten.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Arbeiten wurden im Rahmen des Projekts ICT for Health durchgeführt, das vom italienischen Ministerium für Bildung, Universität und Forschung (MIUR) im Rahmen der Initiative Exzellenzabteilungen (italienisches Haushaltsgesetz Nr. 232/2016) durch einen Exzellenzzuschuss an die Fakultät für Informationstechnologie und Elektrotechnik der Universität Neapel Federico II finanziell unterstützt wurde. Neapel, Italien. Ermöglicht wurde das Projekt durch die Unterstützung der Res4Net-Initiative und des TC-06 (Emerging Technologies in Measurements) der IEEE Instrumentation and Measurement Society. Die Autoren danken auch L. Callegaro, A. Cioffi, S. Criscuolo, A. Cultrera, G. De Blasi, E. De Benedetto, L. Duraccio, E. Leone und M. Ortolano für ihre wertvollen Beiträge bei der Entwicklung, Erprobung und Validierung des Systems.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Leitfähiger Gummi mit Ag/AgCl-Beschichtung AB medica s.p.a.N/AAlternative Elektroden – Typ 2
Ohrclip-ElektrodeOpenBCIN/AOhrclip
EEG-AEOlimexN/AAktive Elektroden
EEG-PEOlimexN/APassive Elektrode
EEG-SMTOlimexN/AKostengünstiger Elektroenzephalograph
Moverio BT-200EpsonN/ASmart Gläser
SchnappelektrodenOpenBCIN/AAlternative Elektroden – Typ 1

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wolpaw, J. R., et al. Brain-computer interface technology: A review of the first international meeting. IEEE Transactions on Rehabilitation Engineering. 8 (2), 164-173 (2000).
  2. Zander, T. O., Kothe, C., Jatzev, S., Gaertner, M. Enhancing human-computer interaction with input from active and passive brain-computer interfaces. Brain-Computer Interfaces. Tan, D. S., Nijholt, A. , Springer. London, UK. 181-199 (2010).
  3. Ron-Angevin, R., et al. Brain-computer interface application: Auditory serial interface to control a two-class motor-imagery-based wheelchair. Journal of Neuroengineering and Rehabilitation. 14 (1), 49(2017).
  4. Ahn, M., Lee, M., Choi, J., Jun, S. C. A review of brain-computer interface games and an opinion survey from researchers, developers and users. Sensors. 14 (8), 14601-14633 (2014).
  5. Bi, L., Fan, X. A., Liu, Y. EEG-based brain-controlled mobile robots: A survey. IEEE Transactions on Human-Machine Systems. 43 (2), 161-176 (2013).
  6. Arpaia, P., Callegaro, L., Cultrera, A., Esposito, A., Ortolano, M. Metrological characterization of a low-cost electroencephalograph for wearable neural interfaces in industry 4.0 applications. IEEE International Workshop on Metrology for Industry 4.0 & IoT (MetroInd4. 0&IoT). , 1-5 (2021).
  7. Rüßmann, M., et al. Industry 4.0: The future of productivity and growth in manufacturing industries. Boston Consulting Group. 9 (1), 54-89 (2015).
  8. Angrisani, L., Arpaia, P., Moccaldi, N., Esposito, A. Wearable augmented reality and brain computer interface to improve human-robot interactions in smart industry: A feasibility study for SSVEP signals. IEEE 4th International Forum on Research and Technology for Society and Industry (RTSI). , 1-5 (2018).
  9. Brunner, C., et al. BNCI Horizon 2020: Towards a roadmap for the BCI community. Brain-Computer Interfaces. 2 (1), 1-10 (2015).
  10. Yin, E., Zhou, Z., Jiang, J., Yu, Y., Hu, D. A dynamically optimized SSVEP brain-computer interface (BCI) speller. IEEE Transactions on Biomedical Engineering. 62 (6), 1447-1456 (2014).
  11. Chen, L., et al. Adaptive asynchronous control system of robotic arm based on augmented reality-assisted brain-computer interface. Journal of Neural Engineering. 18 (6), 066005(2021).
  12. Ball, T., Kern, M., Mutschler, I., Aertsen, A., Schulze-Bonhage, A. Signal quality of simultaneously recorded invasive and non-invasive EEG. Neuroimage. 46 (3), 708-716 (2009).
  13. Grosse-Wentrup, M. What are the causes of performance variation in brain-computer interfacing. International Journal of Bioelectromagnetism. 13 (3), 115-116 (2011).
  14. Arpaia, P., Esposito, A., Natalizio, A., Parvis, M. How to successfully classify EEG in motor imagery BCI: A metrological analysis of the state of the art. Journal of Neural Engineering. 19 (3), (2022).
  15. Ajami, S., Mahnam, A., Abootalebi, V. Development of a practical high frequency brain-computer interface based on steady-state visual evoked potentials using a single channel of EEG. Biocybernetics and Biomedical Engineering. 38 (1), 106-114 (2018).
  16. Friedman, D. Brain-computer interfacing and virtual reality. Handbook of Digital Games and Entertainment Technologies. Nakatsu, R., Rauterberg, M., Ciancarini, P. , 151-171 (2015).
  17. Wang, M., Li, R., Zhang, R., Li, G., Zhang, D. A wearable SSVEP-based BCI system for quadcopter control using head-mounted device. IEEE Access. 6, 26789-26798 (2018).
  18. Arpaia, P., Callegaro, L., Cultrera, A., Esposito, A., Ortolano, M. Metrological characterization of consumer-grade equipment for wearable brain-computer interfaces and extended reality. IEEE Transactions on Instrumentation and Measurement. 71, 1-9 (2021).
  19. Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., Vaughan, T. M. Brain-computer interfaces for communication and control. Clinical Neurophysiology. 113 (6), 767-791 (2002).
  20. Duszyk, A., et al. Towards an optimization of stimulus parameters for brain-computer interfaces based on steady state visual evoked potentials. PLoS One. 9 (11), 112099(2014).
  21. Prasad, P. S., et al. SSVEP signal detection for BCI application. IEEE 7th International Advance Computing Conference (IACC). , 590-595 (2017).
  22. Xing, X., et al. A high-speed SSVEP-based BCI using dry EEG electrodes). Scientific Reports. 8, 14708(2018).
  23. Luo, A., Sullivan, T. J. A user-friendly SSVEP-based brain-computer interface using a time-domain classifier. Journal of Neural Engineering. 7 (2), 026010(2010).

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

Single Channel EEGSteady State Visually Evoked PotentialsSSVEP BCISmart GlassesEEG Signal ProcessingSupport Vector MachinePower Spectral DensityIndustrial InspectionNeurorehabilitation

Verwandte Artikel