SSVEP-basierten Versuchsdurchführung für Brain-Roboter-Interaktion mit Humanoide Roboter

Das übergeordnete Ziel dieser Methode ist es, ein S-S-V-E-P-basiertes experimentelles Verfahren durch die Integration mehrerer Softwareprogramme zu etablieren, um die Untersuchung der Interaktion von Gehirn-Robotern mit humanoiden Robotern zu ermöglichen. Dies wird durch den ersten Platz in EEG-Elektroden am Menschen erreicht, um die Gehirnreaktionen durch ein EEG-Datenerfassungssystem zu messen. Eine Benutzeroberfläche wird verwendet, um S-S-V-E-P-Antworten hervorzurufen und Video-Feedback in den Regelungsexperimenten anzuzeigen.

Der zweite Schritt besteht darin, die EEG-Signale der Erstprobanden aufzuzeichnen, Ihr S-S-V-E-P-Merkmal offline zu analysieren und den Klassifikator für jeden Probanden zu trainieren. Als nächstes werden der Online-Signalprozessor und die Robotersteuerung für die Online-Steuerung eines humanoiden Robert konfiguriert. Als letzten Schritt führt der Proband drei spezifische Regelungsexperimente in verschiedenen Umgebungen durch.

Um die Robert-Interaktionsleistung des Gehirns zu bewerten, zeigen die Ergebnisse die normierte spektrale Leistungsdichte von Gehirnsignalen, die beim Starren auf die bei unterschiedlichen Frequenzen flackernden Reize erzeugt werden. Unser System übersetzt diese Gehirnwellenmuster in Befehle, um Roberts Verhalten zu kontrollieren. Mit diesem Ansatz ist das Subjekt in der Lage, mit den humanoiden Gehirnsignalen von Robert Bio zu interagieren.

Dies ermöglicht es dem humanoiden Robert, typische Aufgaben auszuführen, die in der Roboterforschung beliebt sind und bei der Unterstützung von Behinderten hilfreich sind. Der Vorteil dieses Ansatzes ist seine Zuverlässigkeit und Flexibilität, da er durch die Integration mehrerer Softwareprogramme wie Open Wide Graph und zentrale Software sowie von Benutzern entwickelte Programme, die mit C Plus Plus und Match Lab in Verbindung stehen, entwickelt wird. Diese Methode ermöglicht es, Gehirnroboter in Aktion mit dem humanoiden Roboter zu untersuchen.

Diese Studie ist prospektiv für die Unterstützung von Kranken und älteren Menschen sowie für die Ausübung unhygienischer oder gefährlicher Arbeiten. Meine Teamkollegen, Lim und Han, werden nun die Platzierung von EEG-Sensoren demonstrieren und die Methode der Verbindung mit dem Menschen ohne Roboter zeigen. Erklären Sie dem Probanden das Experiment zum Verfahren.

Einholung der Zustimmung zur Teilnahme an Experimenten. Messen Sie den Umfang des Probanden und wählen Sie die Größe der E-EEG-Kappe, die nahe an der Messung liegt. Messen Sie den Abstand zwischen den NAS-Markierungen 10 % des Abstands als Referenz für die Auskleidung der Kappe.

Markieren Sie den Mittelpunkt des Abstands am Scheitelpunkt auf der Position des Motivs. Die Elektrode cz der E-EEG-Kappe auf dem Scheitelpunkt richtet die 10%-Markierung mit dem Mittelpunkt der Elektroden FP eins und FP zwei aus. Stellen Sie sicher, dass sich die Elektroden fz, cz, PZ und OZ auf der Mittellinie des Kopfes befinden.

Schmieren Sie die Referenzreferenz auf Elektroden mit leitfähigem Gel ab. Platzieren Sie die Referenzelektroden mit medizinischem Klebeband auf den linken und rechten OIDs. Ziehen Sie das Kettenband fest.

Legen Sie die stumpfe Spritze in Elektrodenbehälter und injizieren Sie leitfähige Gele in der folgenden Reihenfolge in jede Elektrode. Zum einen die Masseelektrode und zum anderen die fünf Elektroden, die im Versuch O 2 0 1 OZ verwendet wurden. PZ und cz. Setzen Sie den Probanden in einen bequemen Stuhl, 60 Zentimeter vor einem Reizmonitor.

Verbinden Sie die Elektrodendrähte mit dem EEG-Datenerfassungssystem. Konfigurieren Sie die Abtastrate auf einen Kilohertz. Untersuchen Sie die Qualität des EEG-Signals auf dem dedizierten Datenverarbeitungsrechner.

Wenn es ein Problem mit der jeweiligen Elektrode gibt. Injizieren Sie Gele erneut, um die Impedanz des Kanals einzustellen. Vier Roboterbilder flimmern mit unterschiedlichen Frequenzen als visuelle Reize auf die Benutzeroberfläche.

Führen Sie zum ersten Mal das Offline-Trainingsexperiment durch, um ihre S-S-V-E-P-Merkmalsvektoren zu ermitteln und den Klassifikator zu trainieren. Führen Sie 32 Versuche für jeden Probanden durch und zeichnen Sie während dieses Prozesses Ihr Gehirnsignal auf. Wenn ein Versuch beginnt, wählen Sie zufällig einen Stimulus als Ziel aus und zeigen Sie einen gelben Pfeil darüber an.

Eine Sekunde. Später flackern die vier visuellen Reize in unterschiedlichen Frequenzen fünf Sekunden lang auf der Benutzeroberfläche und fordern den Probanden auf, sich auf das ausgewählte Reizziel zu konzentrieren, während die Körperbewegung auf ein Minimum reduziert wird. Geben Sie dem Probanden nach jedem Versuch drei Sekunden Zeit, sich zu entspannen, und beginnen Sie dann mit dem nächsten Versuch.

Wenn alle Tests abgeschlossen sind, lesen Sie die gespeicherten Daten. Vertikale orangefarbene Balken zeigen Auslöser an, um einen Stimulus als Ziel auszuwählen, bei dem die Stimuli während des Zeitraums von fünf Sekunden flackern. Extrahieren Sie in jedem Versuch einen drei Sekunden langen Daten-Apo zwischen zwei Sekunden und fünf Sekunden nach dem Trigger.

Berechnen Sie den CCA-Koeffizienten der Mehrkanal-EEG-Daten mit einem Referenzsignal y, das bei bestimmten Frequenzen als periodisches Stimulussignal eingestellt ist. Die CCA-Methode findet die linearen Kombinationsvektoren, um den Korrelationskoeffizienten zwischen den kombinierten Signalen zu maximieren. Filtern Sie die mehrkanaligen EEG-Daten räumlich anhand der berechneten CCA-Koeffizienten.

Berechnen Sie die spektrale Leistungsdichte der Filterdaten mit Hilfe der schnellen Foyer-Transformation. Normalisieren Sie die spektrale Leistungsdichte in Bezug auf ihren Mittelwert zwischen drei Hutz und 40 Hutz. Kalibrieren Sie dann die Klassifizierungsparameter für jede Stimulusfrequenz.

Konfigurieren Sie die Klassifizierungsparameter für den Betreff über ein geöffnetes Fenster mit den Löscheinstellungen. Starten Sie den Online-Signalprozessor auf dem Datenverarbeitungsrechner. Erfassen Sie alle 0,5 Sekunden EEG-Daten von den Kanälen O 2, 0, 1 OZ, PZ und CZ des EEG-Systems und extrahieren Sie das Datensegment der letzten drei Sekunden für die Online-Verarbeitung.

Verarbeiten Sie das Datensegment mit den Algorithmen, die im Offlineprozess beschrieben sind. Berechnen Sie die spektrale Leistungsdichte in Echtzeit für die Klassifizierung. Wenn die Amplitude einer Merkmalsfrequenz über einem gegebenen Schwellenwert liegt, wird der Stimulus, der mit der entsprechenden Frequenz flackert, klassifiziert.

Als SSV-EEP-Ziel starten Sie den menschlichen Noro-Roboter und stellen seine WLAN-Verbindung zum Datenverarbeitungscomputer her. Konfigurieren und betreiben Sie die Robotersteuerung, die die Klassifizierungsergebnisse vom Online-Signalprozessor erhielt und die entsprechenden Verhaltensweisen des humanoiden Robert über eine drahtlose Verbindung steuert. Führen Sie das Choreografieprogramm auf dem speziellen Stimulus-Präsentationscomputer aus, um Live-Video-Feedback von der Roberts-Kamera auf der Benutzeroberfläche anzuzeigen.

Fordern Sie den Probanden auf, drei spezifische Kontrolltests mit geschlossenem Regelkreis in verschiedenen Umgebungen durchzuführen, um die Leistung der Robert-Interaktion im Gehirn zu bewerten. Diese Tests sind in der Roboterforschung beliebt und helfen Behinderten und älteren Menschen in ihrem täglichen Leben. Informieren Sie das Subjekt vor einer neuen Aufgabe über das Ziel der Aufgabe und die verfügbaren Verhaltensweisen zur Kontrolle.

Diese Ergebnisse zeigen das Verfahren der Verarbeitung von EEG-Daten, einschließlich der Extraktion der Mehrkanal-Datenepoche, der räumlichen Filterung der Daten mit Hilfe von CCA-Koeffizienten und der Berechnung der normierten spektralen Leistungsdichte. Die normierte spektrale Leistungsdichte, die in Einzelversuchen erhalten wurde, in denen der Proband auf verschiedene flackernde Ziele starrt, ist hier dargestellt. In den ersten Experimenten mit geschlossenem Regelkreis wurde der Mensch Noah Robert durch Gehirnsignale gesteuert, durch Hindernisse zu gehen und einen Lichtschalter an der Wand zu drücken.

Gehirnsignale wurden in Echtzeit besessen. Um die Kontrollabsicht des Probanden zu klassifizieren, sah sich der Proband das Live-Videofeedback an und kontrollierte das Verhalten von Robert, indem er auf die entsprechenden Reize starrte. Nachdem er den Schalter erreicht hatte, steuerte der Proband den Robert, um das Licht einzuschalten.

Im zweiten Experiment wurde der menschliche Roboter anhand eines Videofeedbacks kontinuierlich in Richtung Treppe navigiert, indem er dem Ausgangsschild folgte. Bei der Konfrontation mit einem Passantspion kontrollierte das Subjekt den Robert so, dass er sagte: "Entschuldigung" und "Warten", bis der Passantspion nachgab. Der Robert wurde dann dazu gebracht, auf die Treppe zuzugehen.

Im dritten Experiment wurde der humanoide Robert mit Ganzkörperbewegungen gesteuert, um das Ballonziel zu erreichen, aufzunehmen und es auf der Grundlage des Live-Videofeedbacks in die Hand des Probanden zu bringen. Da die menschliche Absicht durch die Interpretation von LU-Zeit-EEG-Signalen wahrgenommen wird, ist es wichtig, die elektrischen Verbindungen und die Qualität der E-EEG-Signale vor der Durchführung von Experimenten zu überprüfen. Ein weiteres häufiges Problem bei der Erfassung von EEG-Signalen sind Interferenzen oder Artefakte und Rauschen.

Die Lenden, unsere mir solche Interferenzen werden verbessert, indem das Körperbewegungssubjekt reduziert und die CCA-basierte Mehrkanaltechnik verwendet wird. Unsere Methode ist effektiv, um eine Vielzahl von experimentellen Verfahren zu entwerfen, und flexibel, um Algorithmen und Techniken für die Gehirn-Roboter-Interaktion zu untersuchen, insbesondere kann sie leicht zur Erforschung neuer BRI-Anwendungen verwendet werden.