Name: SSVEP-basierten Versuchsdurchführung für Brain-Roboter-Interaktion mit Humanoide Roboter (Video) | JoVE Journal
Uploaded: 2015-11-24T15:00:00.000+00:00
Duration: 11 min 1 s
Description: Lernen Sie eine SSVEP-basierte Methode zur Gehirn-Roboter-Interaktion mit humanoiden Robotern. Diese Technik nutzt EEG-Signale und Software-Integration zur Steuerung von Robotern in Echtzeit.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Die Autoren möchten ihren Dank an Herrn Hong Hu für seine Hilfe bei der Durchführung der Versuche in dieser Veröffentlichung zum Ausdruck bringen. Diese Arbeit wurde zum Teil durch die National Natural Science Foundation of China (No. 61473207) unterstützt.

1. Der Erwerb EEG-Signale <ol><li> Erläutern Sie die Versuchsdurchführung an das Thema und erhalten eine schriftliche Einverständniserklärung an Versuchen. </li><li> Messen Sie den Umfang der Kopf der Person mit einem Maßband und wählen Sie das EEG Kappengröße, die in der Nähe der Messung ist. Die Elektroden-Anordnung ist auf der &quot;Internationalen 10-20 System&quot; 12 basiert. </li><li> Messen Sie den Abstand zwischen dem Nasion und Inion. Verwenden Sie einen Hautmarker Bleistift bis 10% des Abstandes als Referenz für die Ausrichtung der Kappe zu markieren, und markieren Sie den Mittelpunkt der Entfernung wie der Scheitelpunkt auf der Person Kopfhaut. </li><li> Legen Sie die EEG-Haube über das Thema durch Ausrichten der 10% Marke mit dem Mittelpunkt der FP1 und FP2 Elektroden. Position Elektrode Cz der Kappe auf dem Scheitel. </li><li> Sicherzustellen, dass der Fz, Cz, Pz und Oz sind auf der Mittellinie des Kopfes, und daß jedes Paar von Elektroden auf jeder Seite der Mittellinie angeordnet sind, in einer horizontalen Linie. </li><li>Schmieren die REF1 und REF2 Elektroden mit leitendem Gel. Legen Sie die Referenzelektroden, die auf der linken und rechten Mastoide mit medizinischem Klebeband. Ziehen Sie den Kinnriemen. </li><li> Legen Sie ein stumpfer Spitze Spritze in den Elektrodenhalter und injizieren leitfähiges Gel in jeder Elektrode in der folgenden Reihenfolge: zuerst die &quot;Masse&quot; Elektrode auf der Stirn und die zweite, die fünf Elektroden in dem Experiment verwendet, O2, O1, Oz, Pz und Cz. </li><li> Setzen Sie das Thema in einem bequemen Sessel 60 cm vor einem Konjunkturmonitor. Weisen Sie den Gegenstand, um seine / ihre Augen in der gleichen horizontalen Ebene mit der Mitte des Bildschirms zu halten. </li><li> Verbinden Sie die Elektrodendrähte an den EEG-Datenerfassungssystem. Konfigurieren Sie die Abtastrate auf 1 kHz. </li><li> Untersuchen Sie die EEG-Signalqualität auf dem dedizierten DPC. Wenn es ein Problem mit einer bestimmten Elektrode, erneut inject Gel die Impedanz des Kanals einzustellen. </li><li> Verwenden Sie die spezielle SPC zu vier Roboter Bilder bei Frequenzen von 4,615, 12, 15 und 20 flackernHz als visuelle Reize auf die Benutzerschnittstelle, wie in Abbildung 2 dargestellt. </li></ol> 2. Offline-Analyse SSVEP Eigenschaften <ol><li> Führen Sie 32 Studien mit Offline-Trainingsversuche für jeden Probanden und notieren ihre aus dem EEG-System während des gesamten Prozesses erworbenen Hirnsignale. Hinweis: Dieser Vorgang ist nur durch erstmalige Subjekte der Versuch durchgeführt, um ihre SSVEP Merkmalsvektoren zu schaffen und den Klassifikator zu trainieren. </li><li> Wenn ein Versuch gestartet wird, wählen Sie einen Stimulus als Ziel nach dem Zufallsprinzip und zeigt ein gelber Pfeil darüber. </li><li> 1 Sekunde später flackern die vier visuelle Reize bei verschiedenen Frequenzen auf der Benutzerschnittstelle für 5 Sekunden. </li><li> Fordern Sie den Gegenstand auf dem ausgewählten Zielreiz zu konzentrieren, während seine / ihre Körperbewegung auf ein Minimum. </li><li> Nach jedem Versuch geben, den Gegenstand 3 sec zu entspannen, und starten Sie dann den nächsten Versuch. </li><li> Wenn alle Prüfungen abgeschlossen haben, lesen Sie die gespeicherten Daten. Extrahieren Sie ein 3-sec Datenepoche sein<html> zwischen 2 Sekunden und 5 Sekunden nach dem Trigger die einen Stimulus als Target in jedem Versuch auswählt. </li><li> Berechnen Sie die Leistungsspektrumsdichte (PSD) der Daten Epochen mit der Offline-Data Analyzer in MATLAB-Skripte. Verwenden Sie das im Detail unten beschriebenen Verarbeitungsalgorithmus: <ol><li> Berechnen Sie die kanonische Korrelationsanalyse (CCA) Koeffizienten der Mehrkanal-EEG-Daten mit Referenzdaten. CCA ist ein multivariaten statistischen Verfahren für zwei Sätze von Daten verwendet werden, um die zugrunde liegenden Korrelations 13 finden. In Anbetracht der 3s Segment der Mehrkanal-EEG-Daten X und Referenzdaten Y der gleichen Länge, verwenden CCA, um die Gewichtsvektoren, W x und W y zu finden, um den Korrelationskoeffizienten ρ zwischen x = X T W x und y = Y T zu maximieren W y. Stellen Sie die Referenzdaten, um die periodische Signale an bestimmten Stimulusfrequenzen sein. /ftp_upload/53558/53558eq1.jpg &quot;/&gt; wobei f 1, f 2, f 3, f 4 die Funktion Frequenzen der vier visuellen Stimuli. </li><li> Räumlich filtern das Mehrkanal-EEG-Daten X unter Verwendung des berechneten CCA-Koeffizienten X, um eine eindimensionale gefilterten Daten x, der die prominentesten Korrelation mit der Linearkombination der Referenzdaten ist zu erhalten. </li><li> Berechnung der PSD der räumlich gefilterten Daten x unter Verwendung der schnellen Fourier-Transformation (FFT). <img alt="Gleichung 2" src="/files/ftp_upload/53558/53558eq2.jpg" /> wobei N FFT ist die Probengröße von Daten x und FFT (x, N FFT) liefert den N FFT -Punkt diskreten Fourier-Transformation von x. </li><li> Normalisieren der PSD in Bezug auf seinen Mittelwert zwischen 3 und 30 Hz. <img alt="Gleichung 3" src="/files/ftp_upload/53558/53558eq3.jpg" /> woher60; <img alt="Gleichung 3 Nenner" src="/files/ftp_upload/53558/53558eq3denominator.jpg" /> den Mittelwert des Leistungsspektrums von 3 bis 30 Hz. </li></ol></li><li> Kalibrieren Sie die Klassifikationsparameter für die vier Stimulusfrequenzen. Erstens, beachten Sie die normalisierten PSD-Spektrum, das seine Impulse Ziel entspricht und die Frequenz mit dem stärksten PSD Amplitude wie die Funktion Frequenz manuell zu konfigurieren. Auf der Grundlage der Merkmalsfrequenz, teilen die normalisierten PSD-Daten in zwei Gruppen: Die eine ist erworben, wenn die entsprechenden Impulse als das Ziel ausgewählt, und der andere wird erworben, wenn die Nicht-Zielstimuli ausgewählt sind. Berechnen Sie den Mittelwert der jeweils eingestellt sind. Bestimmen Sie die Schwelle durch den Median der beiden Mittelwerte zur Klassifizierung der Ziel- und Nichtzielsätze 14. </li></ol> 3. Online Verarbeitung Gehirn Signale <ol><li> Öffnen Sie die Online-Signalprozessor, wie in Abbildung 3, die b entwickelt wird gezeigt,auf der OpenViBE Umwelt und den MATLAB-Skripten, auf dem DPC für die Online-Verarbeitung Gehirnsignale ased. </li><li> Doppelklicken Sie auf die Erfassung und Verarbeitung Signal Box, die mit einem roten Zyklus in 3 gekennzeichnet ist, um die OpenViBE Einstellungsfenster zu öffnen. Konfigurieren Sie die Klassifikationsparameter für das Thema:. Die Abtastrate als 1 kHz, stellen Sie die Zeitdauer für die FFT als 3 Sekunden, und setzen Sie die Funktion Frequenzen gemäß den Ergebnissen der Offline-Analyse, beispielsweise 4,667, 24, 15 und 20 Hz . </li><li> Klicken Sie auf die Schaltfläche, um die Starts Online-Signalprozessor, der die Daten in Echtzeit mit dem folgenden Algorithmus in drei Schritten Prozesse laufen. </li><li> Zunächst wird der Algorithmus erwirbt EEG-Daten von den Kanälen Oz, O1, O2, Pz und CPZ des EEG-Systems alle 0,5s, und extrahiert die Daten-Segment in den letzten 3-Fettsäuren für die Online-Verarbeitung. </li><li> Zweitens, verarbeitet der Algorithmus die 3-sec-Datensegment unter Verwendung der in Schritt 2.7 beschriebenen Algorithmen und berechnet die Echtzeit-PSD für classification. </li><li> Drittens, der Algorithmus klassifiziert die Gehirnwellenmuster entsprechend den PSD Amplituden an den vier Spiel Frequenzen. Wenn die Amplitude der ein Merkmal Frequenz oberhalb einer gegebenen Schwelle, Klassifizieren des Reizes Flackern bei der entsprechenden Frequenz als SSVEP vorbei. </li></ol> 4. Anschließen des Humanoid Robot <ol><li> Drücken Sie die Brust-Taste des Menschenroboters und warten, bis es startet. Hinweis: Dieser Vorgang dauert ca. 1 min und ist abgeschlossen, wenn der Roboter sagt &quot;OGNAK GNOUK&quot;, während seine Brust Taste wird weiß. </li><li> Stellen Sie ihre Wireless Fidelity (WiFi) Verbindung mit dem DPC 15. </li><li> In Visual C ++ Skripts auf dem DPC öffnen Sie die Robotersteuerung programmiert. Der Controller empfängt die Klassifizierungsergebnisse aus dem Online-Prozessor über Signal Virtual-Reality-Peripherie Network (VRPN) -Schnittstelle, übersetzt sie in der Roboter Befehle und steuert die entsprechenden Verhaltensweisen des humanoid Roboter über eine drahtlose Verbindung. </li><li> Konfigurieren Sie die Robotersteuerung durch Eingabe der IP-Adresse des Roboters entsprechend seiner WiFi-Verbindung, definieren drei Sätze von Roboter Verhaltensweisen wider, die einfach umgeschaltet, um die drei verschiedene Aufgaben durchführen, und die Einstellung der Ausführungsparameter dieser Verhaltensweisen (z. B. Schrittgeschwindigkeit oder Abstand), um die Aufgabe Anforderung zu passen. HINWEIS: Weitere Einzelheiten zu diesen Verhaltensweisen werden in Schritten 5.2.1, 5.3.1 und 5.4.1 beschrieben. </li><li> Klicken Sie auf die Schaltfläche Erstellen der Visual Studio-Plattform an die Robotersteuerung ausführen. </li><li> Öffnen Sie die chorégraphe Programm auf der SPC. Klicken Sie auf &quot;Connect to&quot;, um Pop-up eine Verbindung Widget. Wählen Sie den Roboter nach seiner IP-Adresse gesteuert werden kann, und doppelklicken Sie auf das Symbol, um eine Verbindung herzustellen. </li><li> Öffnen Sie den Video-Monitor aus dem Menü Ansicht in der Menüleiste chorégraphe, und bewegen Sie den Monitor an der Frontseite der Benutzeroberfläche, um Live-Video-Feedback von der Roboterkamera anzuzeigen. </li></ol> &lt;p class = &quot;jove_title&quot;&gt; 5. Durchführung von Regel Experimente <ol><li> Fordern Sie das Thema auf drei spezifische Regelungsaufgaben in unterschiedlichen Umgebungen, um das Gehirn-Roboter-Interaktion Leistung zu bewerten durchzuführen. HINWEIS: Diese Aufgaben, die im Roboter-Anwendungen wichtig sind, weil sie hilfsbereit und half in ihrem täglichen Leben die behinderte und ältere Menschen sind, müssen verschiedene Roboter-Verhalten zu aktivieren. </li><li> Führen Sie die erste Regel Aufgabe, Telepräsenz kontrollieren die humanoiden Roboter über Hirnsignale, um durch Hindernisse zu gehen und drücken Sie einen Lichtschalter, um das Licht einzuschalten, wie in Abbildung 4 dargestellt. <ol><li> Um die erste Aufgabe zu erfüllen, die Kontrolle der Roboter Verhaltensweisen, die von den vier SSVEP Reize wie codiert werden: Schritt nach vorn mit einem festen Abstand von 0,15 m, biegen Sie links mit einem festen Einheitswinkel von 0,3 rad, nach rechts mit einer festen Einheitswinkel von 0,3 rad, und Drücken des Schalters mit seiner rechten Hand. HINWEIS: die ConfiguraProzess in Schritt 4.4 beschrieben. </li><li> Informieren den Gegenstand der Aufgabenziel und die vier Verhalten kontrolliert werden. </li><li> Führen Sie die Robotersteuerung wie in Schritten von 4,5 bis 4,7, und starten Sie das Experiment. Geben Sie dem Subjekt die Freiheit, die Umwelt wahrnehmen und Entscheidungen treffen, basierend auf Live-Video-Feedback, und die Roboter Verhaltensweisen durch starrte auf die entsprechenden Reize zu aktivieren. Anmerkung: keine Anweisung oder helfen sollen, die Gegenstand angewendet werden, wenn in Notfällen, beispielsweise etwa mit einem Hindernis kollidiert ist der Roboter.. </li></ol></li><li> Führen Sie die zweite Aufgabe, Telepräsenz kontrollieren die humanoiden Roboter über Hirnsignale in Richtung der Treppe zu Fuß nach der Ausfahrt, wie in Abbildung 5 dargestellt. Wenn konfrontiert die Passanten, fragen Sie den Gegenstand, um den Roboter zu steuern, zu sagen &quot;Entschuldigung&quot; und warten Sie die Passanten, nachzugeben. <ol><li> Steuerung der Roboterverhalten durch die vier SSVEP Reize codiert als: zu Fuß nach vorne continuously mit einer Geschwindigkeit von 0,05 m / sec, biegen kontinuierlich mit einer Geschwindigkeit von 0,1 rad / s nach links, mit einer Geschwindigkeit von 0,1 rad / s nach rechts laufend, und stoppen Sie alle zu Fuß Verhaltensweisen. </li><li> Schalten Sie die Robotersteuerung zu der Haltung abhängigen Steuerfunktion 16. HINWEIS: Wenn der Roboter geht, verwendet diese Funktion die vierte Konjunktur wie der Befehl zum Stoppen der Wanderverhalten; wenn der Roboter nicht zu Fuß, verwendet es die vierte Konjunktur, um den Roboter zu sagen &quot;Entschuldigung&quot; zu steuern. Die Funktion ist in C ++ Skripts durch Erfassen Fuß Status des Roboters implementiert. </li><li> Informieren Sie den Betreff der Aufgabe, objektive und die fünf Verhaltensweisen kontrolliert werden. </li><li> Führen Sie die Robotersteuerung und starten Sie das Experiment, wie in Schritt 5.2.3 beschrieben. </li></ol></li><li> Leiten die dritte Aufgabe, Telepräsenz kontrollieren die humanoiden Roboter in Richtung einer Ballon Ziel zu gehen, um ihn abzuholen, und sie auf die Hand der Person zu liefern, wie in Abbildung 6 gezeigt,. <ol><li> Steuerung der Roboterverhalten durch die vier SSVEP Reize codiert als: Schritt nach vorn mit einem festen Abstand von 0,15 m, biegen Sie links mit einem festen Einheitswinkel von 0,3 rad, nach rechts mit einer festen Einheitswinkel von 0,3 rad und Ergreifen von Gegenständen. </li><li> Aktivieren Sie die Haltung abhängige Steuerungsfunktion in der Robotersteuerung, die vierte Konjunktur wie der Befehl der Niederschlagung des Objekts, wenn es bereits abgeholt wiederverwenden. </li><li> Informieren Sie den Betreff der Aufgabe, objektive und die fünf Verhaltensweisen kontrolliert werden. </li><li> Führen Sie die Robotersteuerung und starten Sie das Experiment, wie in Schritt 5.2.3 beschrieben. </li></ol></li></ol>

<ol><li>McFarland, D. J., Wolpaw, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain-Computer+Interface+Operation+of+Robotic+and+Prosthetic+Devices%5BTitle%5D)+AND+%22Computer%22%5BJournal%5D)">Brain-Computer Interface Operation of Robotic and Prosthetic Devices.</a> Computer. 41, 52-56 (2008).</li>
<li>Lebedev, M. A., Nicolelis, M. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain-machine+interfaces%3A+Past%2C+present+and+future%5BTitle%5D)+AND+%22Trends+Neruosci%22%5BJournal%5D)">Brain-machine interfaces: Past, present and future.</a> Trends Neruosci. 29 (9), 536-546 (2006).</li>
<li>Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., Vaughan, T. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Brain-computer+interfaces+for+communication+and+control%5BTitle%5D)+AND+%22Clin.+Neurophysiol%22%5BJournal%5D)">Brain-computer interfaces for communication and control.</a> Clin. Neurophysiol. 113, 767-791 (2002).</li>
<li>Bell, C. J., Shenoy, P., Chalodhorn, R., Rao, R. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Control+of+a+humanoid+robot+by+a+noninvasive+brain-computer+interface+in+humans%5BTitle%5D)+AND+%22J.+Neural.+Eng%22%5BJournal%5D)">Control of a humanoid robot by a noninvasive brain-computer interface in humans.</a> J. Neural. Eng. 5, 214-220 (2008).</li>
<li>Li, W., Li, M., Zhao, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Control+of+humanoid+robot+via+motion-onset+visual+evoked+potentials%5BTitle%5D)+AND+%22Front.+Syst.+Neurosci%22%5BJournal%5D)">Control of humanoid robot via motion-onset visual evoked potentials.</a> Front. Syst. Neurosci. 8, 247(2014).</li>
<li>Regan, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Some+characteristics+of+average+steady-state+and+transient+responses+evoked+by+modulated+light%5BTitle%5D)+AND+%22Electroencephalogr.+Clin.+Neurophysiol%22%5BJournal%5D)">Some characteristics of average steady-state and transient responses evoked by modulated light.</a> Electroencephalogr. Clin. Neurophysiol. 20, 238-248 (1966).</li>
<li>Vialatte, F. B., Maurice, M., Dauwels, J., Cichocki, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Steady-state+visually+evoked+potentials%3A+focus+on+essential+paradigms+and+future+perspectives%5BTitle%5D)+AND+%22Prog.+Neurobiol%22%5BJournal%5D)">Steady-state visually evoked potentials: focus on essential paradigms and future perspectives.</a> Prog. Neurobiol. 90, 418-438 (2010).</li>
<li>Bin, G., Gao, X., Wang, Y., Li, Y., Hong, B., Gao, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+high-speed+BCI+based+on+code+modulation+VEP%5BTitle%5D)+AND+%22J.+Neural.+Eng%22%5BJournal%5D)">A high-speed BCI based on code modulation VEP.</a> J. Neural. Eng. 8, 025015(2011).</li>
<li>Sutton, S., Braren, M., Zubin, J., John, E. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evoked-potential+correlates+of+stimulus+uncertainty%5BTitle%5D)+AND+%22Science%22%5BJournal%5D)">Evoked-potential correlates of stimulus uncertainty.</a> Science. 150, 1187-1188 (1965).</li>
<li>Pfurtscheller, G., Lopes da Silva, H. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Event-related+EEG%2FMEG+synchronization+and+desynchronization%3A+basic+principles%5BTitle%5D)+AND+%22Clin.+Neurophysiol%22%5BJournal%5D)">Event-related EEG/MEG synchronization and desynchronization: basic principles.</a> Clin. Neurophysiol. 110, 1842-1857 (1999).</li>
<li>Zhao, J., Meng, Q., Li, W., Li, M., Sun, F., Chen, G. OpenViBE-based brainwave control system for Cerebot. Proc. IEEE International Conference on Robotics and Biomimetics. , 1169-1174 (2013).</li>
<li>Homan, R. W., Herman, J., Purdy, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Cerebral+location+of+international+10-20+system+electrode+placement%5BTitle%5D)+AND+%22Electroencephalogr.+Clin.+Neurophysiol%22%5BJournal%5D)">Cerebral location of international 10-20 system electrode placement.</a> Electroencephalogr. Clin. Neurophysiol. 66, 376-382 (1987).</li>
<li>Bin, G., Gao, X., Yan, Z., Hong, B., Gao, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+online+multi-channel+SSVEP-based+brain-computer+interface+using+a+canonical+correlation+analysis+method%5BTitle%5D)+AND+%22J.+Neural.+Eng%22%5BJournal%5D)">An online multi-channel SSVEP-based brain-computer interface using a canonical correlation analysis method.</a> J. Neural. Eng. 6, 046002(2009).</li>
<li>Wang, Y., Wang, R., Gao, X., Hong, B., Gao, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+practical+VEP-based+brain-computer+interface%5BTitle%5D)+AND+%22IEEE+Trans.+Neural+Syst.+Rehabil.+Eng%22%5BJournal%5D)">A practical VEP-based brain-computer interface.</a> IEEE Trans. Neural Syst. Rehabil. Eng. 14, 234-239 (2006).</li>
<li>Setting NAO's WiFi connection - Aldebaran 2.1.3.3 documentation [Internet]. , Aldebaran Robotics Co. Available from:
 <a target="_blank" href="http://doc.aldebaran.com/2-1/nao/nao-connecting.html">http://doc.aldebaran.com/2-1/nao/nao-connecting.html</a> (2015).</li>
<li>Chae, Y., Jeong, J., Jo, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Toward+brain-actuated+humanoid+robots%3A+asynchronous+direct+control+using+an+EEG-based+BCI%5BTitle%5D)+AND+%22IEEE+T.+Robot%22%5BJournal%5D)">Toward brain-actuated humanoid robots: asynchronous direct control using an EEG-based BCI.</a> IEEE T. Robot. 28, 1131-1144 (2012).</li>
<li>Croft, R. J., Barry, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Removal+of+ocular+artifact+from+the+EEG%3A+a+review%5BTitle%5D)+AND+%22Neurophysiol.+Clin%22%5BJournal%5D)">Removal of ocular artifact from the EEG: a review.</a> Neurophysiol. Clin. 30, 5-19 (2000).</li>
<li>Hwang, H. J., Hwan Kim, D., Han, C. H., Im, C. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+dual-frequency+stimulation+method+to+increase+the+number+of+visual+stimuli+for+multi-class+SSVEP-based+brain-computer+interface+%28BCI%29%5BTitle%5D)+AND+%22Brain+Res%22%5BJournal%5D)">A new dual-frequency stimulation method to increase the number of visual stimuli for multi-class SSVEP-based brain-computer interface (BCI).</a> Brain Res. 1515, 66-77 (2013).</li>
<li>Wang, M., Daly, I., Allison, B., Jin, J., Zhang, Y., Chen, L., Wang, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+new+hybrid+BCI+paradigm+based+on+P300+and+SSVEP%5BTitle%5D)+AND+%22J+Neurosci+Methods%22%5BJournal%5D)">A new hybrid BCI paradigm based on P300 and SSVEP.</a> J Neurosci Methods. 244, 16-25 (2015).</li>
<li>Allison, B. Z., Jin, J., Zhang, Y., Wang, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+four-choice+hybrid+P300+SSVEP+BCI+for+improved+accuracy%5BTitle%5D)+AND+%22Brain-Computer+Interfaces%22%5BJournal%5D)">A four-choice hybrid P300 SSVEP BCI for improved accuracy.</a> Brain-Computer Interfaces. 1, 17-26 (2014).</li>
<li>Pan, J. H., Xie, Q., Herman, Y., Wang, F., Di, H., Laureys, S., Yu, R., Li, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Detecting+awareness+in+patients+with+disorders+of+consciousness+using+a+hybrid+brain-computer+interface%5BTitle%5D)+AND+%22J.+Neural.+Eng%22%5BJournal%5D)">Detecting awareness in patients with disorders of consciousness using a hybrid brain-computer interface.</a> J. Neural. Eng. 11, 056007(2014).</li>
<li>Li, J., Ji, H., Cao, L., Zhang, D., Gu, R., Xia, B., Wu, Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+and+application+of+a+hybrid+brain+computer+interface+for+real+wheelchair+parallel+control+with+multi-degree+of+freedom%5BTitle%5D)+AND+%22Int+J+Neural+Syst%22%5BJournal%5D)">Evaluation and application of a hybrid brain computer interface for real wheelchair parallel control with multi-degree of freedom.</a> Int J Neural Syst. 24, 1450014-14 (2014).</li>
<li>Zhao, J., Meng, Q., Li, W., Li, M., Chen, G. SSVEP-based hierarchical architecture for control of a humanoid robot with mind. Proc. 11th World Congress on Intelligent Control and Automation. , 2401-2406 (2014).</li>
<li>Zhu, D., Bieger, J., Molina, G. G., Aarts, R. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+survey+of+stimulation+methods+used+in+SSVEP-based+BCIs%5BTitle%5D)+AND+%22Comput+Intell+Neurosci%22%5BJournal%5D)">A survey of stimulation methods used in SSVEP-based BCIs.</a> Comput Intell Neurosci. 2010, 1-12 (2010).</li>
<li>Muller-Putz, G. R., Scherer, R., Brauneis, C., Pfurtscheller, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Steady-state+visual+evoked+potential+%28SSVEP%29-based+communication%3A+impact+of+harmonic+frequency+components%5BTitle%5D)+AND+%22J+Neural+Eng%22%5BJournal%5D)">Steady-state visual evoked potential (SSVEP)-based communication: impact of harmonic frequency components.</a> J Neural Eng. 2, 123-130 (2005).</li>
</ol>

Die Autoren haben nichts offenzulegen.

Dieser Beitrag stellt eine SSVEP-basierten experimentellen Verfahren, um das Gehirn-Roboter-Interaktion System mit humanoiden Robotern durch die Integration mehrerer Software-Programme zu etablieren. Weil die menschliche Absicht wird durch Interpretieren Echtzeit-EEG-Signalen wahrgenommen wird, ist es entscheidend, den Elektrodenanschlüssen und EEG-Signalqualitäten vor der Durchführung des Experiments zu verifizieren. Wenn Signale von allen Elektroden erfasst sind von schlechter Qualität, ist es notwendig, die Verbindun...

Brain-Roboter-Interaktion (BRI), die eine innovative Kommunikationspfad zwischen den Menschen und einem Roboter-Vorrichtung über Gehirnsignale bietet, ist Interessenten zu helfen in ihrem täglichen Leben 1,2 Behinderte. Eine Vielzahl von Verfahren sind in der Lage, Gehirnsignale entweder invasiv oder nicht invasiv für den Aufbau der zu erwerben, wie Elektrokortikographie (ECoG), Elektroenzephalogramm (EEG), die funktionelle Magnetresonanztomographie (fMRI) usw. Die am häufigsten verwendeten nicht-invasive Methode BRI Systems ist es, EEG-Signale von Elektroden, die auf der Kopfhaut erhalten. Dieses Verfahren ist kostengünstig, leicht zu bedienen und bietet eine annehmbare Zeitauflösung 3. Unter einer Vielzahl von Robotervorrichtungen sind humanoide Roboter fortgeschritten wie sie erstellt werden, um einige der gleichen körperlichen und geistigen Aufgaben, die Menschen zu unterziehen täglich imitieren. BRI mit einem humanoiden Roboter werden eine wichtige Rolle bei der Unterstützung der Kranken und Alten, sowie die Durchführung von unhygienischen oder gefährliche Arbeiten zu spielen. Aber Steuereines humanoiden Roboters durch BRI-System ist eine große Herausforderung, da die humanoiden Roboter mit voller Körperbewegung wird entwickelt, um komplexe Aufgaben wie die persönliche Unterstützung 4, 5 durchzuführen. Steady-State visuell evozierten Potential (SSVEP) ist eine Art von Gehirnsignal durch die Modulation des optischen Reiz mit einer gegebenen Frequenz 6 hervorgerufen. Es enthält Sinuskurven bei den Grund- und Oberschwingungsfrequenzen des flackernden Reiz und prominent erscheint in der gesamten Sehrinde im Hinterkopf der Kopfhaut 7. Der Grund für die Wahl der SSVEP Signalen ist, dass die SSVEP basierte BRI-System ergibt relativ hohe Informationsübertragungsrate und erfordert weniger Trainings 8. Andere Arten von Gehirnwellen, wie beispielsweise ereigniskorrelierte Potenziale (ERP) 9 oder Motor-Bildern (MI) Potentiale 10, kann auch in diesem experimentellen Verfahren eingebettet werden. Unser Verfahren für Gehirn Roboter-Interaktion mit humanoidenRoboter auf Cerebot basiert - eine gedankengesteuerte humanoide Roboter-Plattform - bestehend aus einem EEG-Datenerfassungssystem und einen humanoiden Roboter 11. Die EEG-System ist in der Lage zu erfassen, Vorverarbeitung und Anzeige von verschiedenen Arten von Elektroden erfasst Biopotential-Signale. Es bietet mehrere analoge I / Os und digitalen I / Os und ist in der Lage die Aufzeichnung von bis zu 128 Signalkanäle gleichzeitig mit einer Abtastrate von 30 kHz mit 16-Bit-Auflösung. Seine Software Development Kits in C ++ und MATLAB sind für die Benutzer einfach, um die experimentellen Verfahren zu entwerfen. Der humanoide Roboter hat 25 Freiheitsgrade und ist mit mehreren Sensoren, darunter 2 Kameras, 4 Mikrofone, 2 Sonarentfernungsmesser, 2 IR-Sender und Empfänger, 1 Trägheitsplatte, 9 taktilen Sensoren, und 8 Drucksensoren ausgestattet. Es bietet chorégraphe und C ++ SDK zum Erstellen und Bearbeiten Bewegungen und interaktive Roboter Verhaltensweisen. Das übergeordnete Ziel dieses Verfahrens ist es, eine SSVEP-basierten experimentellen proce etablierendure durch die Integration mehrerer Software-Programme, wie zB OpenViBE, Choregraph, Zentral Software sowie Benutzer entwickelten Programme in C ++ und MATLAB geschrieben, um das Studium der Gehirn-Roboter-Interaktion mit humanoiden Robotern 11 zu ermöglichen. Abbildung 1 zeigt die Systemstruktur. Der dedizierte Reizdarbietung Computer (SPC) zeigt die Benutzerschnittstelle, um das Thema mit visuellen Reizen, Anweisungen und Umweltrückmeldungen liefern. Der dedizierte Datenverarbeitung Computer (DPC) wird mit der Data Recorder und das Offline-Data Analyzer in der Offline-Trainingsprozess, und betreibt das Online-Signal-Prozessor und der Robotersteuerung für die Online-Steuerung der humanoiden Roboter. Im Vergleich zu anderen SSVEP-basierte Steuerungssysteme, ist unser System zuverlässiger, flexibler und vor allem bequemer, wiederverwendet und aktualisiert, wie es durch die Integration einer Reihe von standardisierten Softwarepaketen wie OpenViBE, Choregraph, Zentral-Software entwickelt werden, und Module in C ++ geschriebenund MATLAB. Das folgende Verfahren wurde überprüft und von Tianjin Medical University General Hospital Ethik-Kommission genehmigt, und alle Fächer gab schriftlichen Zustimmung.

<table><tbody><tr><td>Cerebus EEG-Datenerfassungssystem</td><td>Blackrock Microsystems</td><td>4176-9967</td><td></td></tr><tr><td>NAO humanoider Roboter</td><td>Aldebaran Robotics</td><td>H25</td><td></td></tr><tr><td>EEG-Kappe</td><td>Neuroscan</td><td>8732</td><td></td></tr><tr><td>Ten20 Leitfähiges Gel</td><td>Weaver und Firma</td><td>10-20-8</td><td></td></tr></tbody></table>

ssvep-basierten versuchsdurchführung für brain-roboter-interaktion mit humanoide roboter

SSVEP-based Experimental Procedure for Brain-Robot Interaction with Humanoid Robots

Gehirn-Roboter-Interaktion (BRI), die einen innovativen Kommunikationsweg zwischen Mensch und Robotergerät über Gehirnsignale bietet, ist vielversprechend, um Behinderten in ihrem täglichen Leben zu helfen. Das übergeordnete Ziel unserer Methode ist es, ein SSVEP-basiertes experimentelles Verfahren zu etablieren, indem mehrere Softwareprogramme wie OpenViBE, Choregraph und Central Software sowie benutzerentwickelte Programme, die in C++ und MATLAB geschrieben sind, integriert werden, um die Untersuchung der Gehirn-Roboter-Interaktion mit humanoiden Robotern zu ermöglichen.
Dies wird erreicht, indem zuerst EEG-Elektroden an einem menschlichen Subjekt platziert werden, um die Gehirnreaktionen durch ein EEG-Datenerfassungssystem zu messen. Eine Benutzeroberfläche wird verwendet, um SSVEP-Antworten zu erheben und Video-Feedback in den Regelungsexperimenten anzuzeigen. Der zweite Schritt besteht darin, die EEG-Signale von Erstprobanden aufzuzeichnen, ihre SSVEP-Merkmale 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 Roboters konfiguriert. Als letzten Schritt führt der Proband drei spezifische Regelungsexperimente in verschiedenen Umgebungen durch, um die Leistung der Gehirn-Roboter-Interaktion zu bewerten.
Der Vorteil dieses Ansatzes ist seine Zuverlässigkeit und Flexibilität, da er durch die Integration mehrerer Softwareprogramme entwickelt wurde. Die Ergebnisse zeigen, dass der Proband mit diesem Ansatz in der Lage ist, über Gehirnsignale mit dem humanoiden Roboter zu interagieren. Dies ermöglicht es dem gedankengesteuerten humanoiden Roboter, typische Aufgaben auszuführen, die in der Roboterforschung beliebt sind und bei der Unterstützung von Behinderten hilfreich sind.

Die hier dargestellten Ergebnisse wurden aus einem männlichen Subjekt mit korrigierten-zu-normal erhalten Version. 7 zeigt das Verfahren der Verarbeitung von EEG-Daten, einschließlich der Extraktion eines Mehrkanal-Datenepoche (7A), räumliches Filtern der Daten unter Verwendung von CCA-Koeffizienten (7B) und Berechnen der normierten PSD (7C). Abbildung...

Das übergeordnete Ziel dieser Methode ist es, ein SSVEP-basiertes experimentelles Verfahren zu etablieren, indem mehrere Softwareprogramme integriert werden, um die Untersuchung der Gehirn-Roboter-Interaktion mit humanoiden Robotern zu ermöglichen, die sowohl bei der Unterstützung von Kranken und älteren Menschen als auch bei der Ausführung unhygienischer oder gefährlicher Arbeiten vielversprechend ist.

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

Brain-Robot Interaction (BRI), which provides an innovative communication pathway between human and a robotic device via brain signals, is prospective in ...

Das übergeordnete Ziel dieser Methode besteht darin, ein auf S-S-V-E-P basierendes experimentelles Vorgehen zu etablieren, indem mehrere Softwareprogramme integriert werden, um die Untersuchung der Gehirn-Roboter-Interaktion mit humanoiden Robotern zu ermöglichen. Dies wird erreicht, indem zunächst EEG-Elektroden am menschlichen Probanden angebracht werden, um die Gehirnreaktionen mittels eines EEG-Datenerfassungssystems zu messen. Eine Benutzeroberfläche dient zur Hervorrufung von S-S-V-E-P-Antworten und zur Anzeige von Video-Feedback in den Experimenten mit geschlossenem Regelkreis. Der zweite Schritt besteht darin, die EEG-Signale der Probanden bei ihrer ersten Aufnahme aufzuzeichnen, um die S-S-V-E-P-Merkmale offline zu analysieren und den Klassifikator für jeden Probanden zu trainieren. Anschließend werden der Online-Signalprozessor und der Robotercontroller für die Online-Steuerung eines humanoiden Robert eingerichtet. Im abschließenden Schritt führt der Proband drei spezifische Closed-Loop-Steuerungsexperimente in unterschiedlichen Umgebungen durch.Um die Leistung der Interaktion zwischen Gehirn und Robert zu bewerten, zeigen die Ergebnisse die normalisierte Leistungsdichtespektrum der Gehirnsignale, die erzeugt werden, während auf Reize gestarrt wird, die mit unterschiedlichen Frequenzen flimmern. Unser System übersetzt diese Gehirnwellenmuster in Befehle, um Robert-Verhaltensweisen zu steuern. Mit diesem Ansatz ist der Proband in der Lage, mittels Gehirnsignalen mit dem humanoiden Robert zu interagieren.Dies ermöglicht es dem humanoiden Roboter Robert, typische Aufgaben durchzuführen, die in der Robotikforschung verbreitet sind und bei der Unterstützung von Menschen mit Behinderungen hilfreich sind. Der Vorteil dieses Ansatzes liegt in seiner Zuverlässigkeit und Flexibilität, da er durch die Integration mehrerer Softwareprogramme wie Open Wide Graph und zentraler Software sowie benutzerdefinierter Programme in C++ und MATLAB entwickelt wurde. Diese Methode ermöglicht es, die Interaktion zwischen Gehirn und Roboter in Aktion mit dem humanoiden Roboter zu untersuchen.Diese Studie zielt darauf ab, kranke und ältere Menschen zu unterstützen sowie unhygienische oder gefährliche Arbeiten durchzuführen. Meine Teamkollegen, Lim und Han, werden nun die Platzierung der EEG-Sensoren demonstrieren und jeweils die Methode zum Anschließen am menschlichen, nicht am Roboter, zeigen. Erläutern Sie dem Probanden das Experiment und die Vorgehensweise.Holen Sie die Einwilligung zur Teilnahme an Experimenten ein. Messen Sie den Umfang des Probanden und wählen Sie die EEG-Kappengröße E, die der Messung am nächsten kommt. Messen Sie den Abstand zwischen der NAS-Markierung und 10 % der Distanz als Referenz zur Ausrichtung der Kappe.Markieren Sie den Mittelpunkt der Distanz am Scheitelpunkt auf der Position des Subjekts. Richten Sie am Scheitelpunkt die Elektrode Cz der EEG-Kappe so aus, dass die 10%-Markierung mit dem Mittelpunkt der Elektroden FP1 und FP2 übereinstimmt. Stellen Sie sicher, dass die Elektroden Fz, Cz, Pz und Oz auf der Mittellinie des Kopfes liegen.Tragen Sie das Referenzelektrodengel auf die Elektroden auf. Befestigen Sie die Referenzelektroden mit medizinischem Klebeband an der linken und rechten OID. Ziehen Sie den Kettengurt fest. Platzieren Sie die stumpfe Spritze in den Elektrodenhaltern und injizieren Sie leitfähiges Gel in jede Elektrode in der folgenden Reihenfolge: zuerst in die Erdungselektrode und anschließend in die fünf Elektroden, die im Experiment O 2 0 1 OZ.PZ und cz verwendet werden. Setzen Sie die Versuchsperson auf einen bequemen Stuhl, 60 Zentimeter vor einem Stimulationsmonitor.Schließen Sie die Elektrodenkabel an das EEG-Datenerfassungssystem an. Stellen Sie die Abtastrate auf ein Kilohertz ein. Überprüfen Sie die Qualität des EEG-Signals am dedizierten Datenverarbeitungscomputer.Wenn ein Problem mit der bestimmten Elektrode vorliegt, injizieren Sie erneut Gele, um die Impedanz des Kanals anzupassen. Blenden Sie vier Roboterbilder mit unterschiedlichen Frequenzen als visuelle Reize auf der Benutzeroberfläche ein.Führen Sie für die erste Versuchsperson das Offline-Trainingsexperiment durch, um ihre S-S-V-E-P-Merkmalvektoren zu ermitteln und den Klassifikator zu trainieren. Führen Sie 32 Durchläufe für jede Versuchsperson durch und nehmen Sie während des gesamten Vorgangs das Gehirnsignal auf. Wenn ein Durchlauf beginnt, wählen Sie zufällig einen Reiz als Ziel aus und zeigen Sie einen gelben Pfeil darüber an.Eine Sekunde. Danach flackern die vier visuellen Reize fünf Sekunden lang mit unterschiedlichen Frequenzen auf der Benutzeroberfläche auf; bitten Sie die Versuchsperson, sich auf das ausgewählte Stimulusziel zu konzentrieren und gleichzeitig die Körperbewegungen auf ein Minimum zu beschränken. Geben Sie der Versuchsperson nach jedem Durchgang drei Sekunden Zeit zur Entspannung, bevor der nächste Durchgang beginnt.Wenn alle Durchläufe abgeschlossen sind, lesen Sie die gespeicherten Daten aus. Vertikale orangefarbene Balken zeigen die Auslöser an, um einen Reiz als Zielreiz auszuwählen, während die Reize während des Fünf-Sekunden-Zeitraums flimmern. Extrahieren Sie in jedem Durchlauf eine dreisekündige Datenapo zwischen zwei und fünf Sekunden nach dem Auslöser.Berechnen Sie den CCA-Koeffizienten der multikanaligen EEG-Daten mit einem Referenzsignal y, das als periodisches Stimulussignal bei bestimmten Frequenzen festgelegt wird. Die CCA-Methode ermittelt die Linearkombinationsvektoren, um den Korrelationskoeffizienten zwischen den kombinierten Signalen zu maximieren. Filtern Sie die multikanaligen EEG-Daten räumlich unter Verwendung der berechneten CCA-Koeffizienten.Berechnen Sie die Leistungsdichtespektrum der Filterdaten mithilfe der schnellen Fourier-Transformation. Normalisieren Sie die Leistungsdichtespektrum bezüglich ihres Mittelwerts zwischen drei Hz und 40 Hz. Kalibrieren Sie anschließend die Klassifikationsparameter für jede Stimulationsfrequenz.Konfigurieren Sie die Klassifizierungsparameter für das Versuchssubjekt über ein geöffnetes Fenster zur Einstellung der Abwischung. Starten Sie den Online-Signalprozessor auf dem Datenverarbeitungsrechner. Erfassen Sie EEG-Daten von den Kanälen O 2 0 1 OZ PZ und CZ des EEG-Systems alle 0,5 Sekunden und extrahieren Sie den Datenabschnitt der letzten drei Sekunden zur Online-Verarbeitung.Verarbeiten Sie den Datenabschnitt mithilfe der Algorithmen, die im Offline-Verfahren beschrieben sind. Berechnen Sie die Echtzeit-Leistungsdichtespektrum zur Klassifizierung. Wenn die Amplitude einer Merkmalsfrequenz über einer bestimmten Schwelle liegt, wird der Reiz, der mit der entsprechenden Frequenz flimmert, klassifiziert.Starten Sie als SSV-EEP-Ziel den menschenähnlichen Noro-Roboter und stellen Sie die WLAN-Verbindung zum Datenverarbeitungsrechner her. Konfigurieren und betreiben Sie den Roboter-Controller, der die Klassifizierungsergebnisse vom Online-Signalprozessor erhält und die entsprechenden Verhaltensweisen des Humanoide Robert über eine drahtlose Verbindung steuert. Führen Sie das Choreograph-Programm auf dem dedizierten Rechner zur Stimuluspräsentation aus, um Live-Videorückmeldungen aus der Kamera des Robert auf der Benutzeroberfläche anzuzeigen.Bitten Sie die Versuchsperson, drei spezifische Closed-Loop-Kontrolltests in unterschiedlichen Umgebungen durchzuführen, um die Leistung der Gehirn-Roboter-Interaktion zu bewerten. Diese Tests sind in der Robotikforschung verbreitet und helfen dabei, behinderten und älteren Menschen im Alltag zu assistieren. Informieren Sie die Versuchsperson vor einer neuen Aufgabe über das Ziel der Aufgabe und die verfügbaren Steuerverhaltensweisen.Diese Ergebnisse zeigen das Verfahren zur Verarbeitung von EEG-Daten, einschließlich des Extrahierens der multikanaligen Datenepochen, der räumlichen Filterung der Daten mithilfe von CCA-Koeffizienten und der Berechnung der normalisierten Leistungsdichtespektrum. Das normalisierte Leistungsdichtespektrum, das in einzelnen Versuchsdurchgängen gewonnen wurde, während der Proband auf verschiedene flackernde Ziele starrte, ist hier dargestellt. In den ersten Closed-Loop-Kontrollexperimenten wurde der Mensch Noah Robert mittels Gehirnsignalen gesteuert, um Hindernisse zu umgehen und einen Lichtschalter an der Wand zu betätigen.Hirnsignale wurden in Echtzeit verarbeitet. Um die Steuerungsintention des Probanden zu klassifizieren, beobachtete dieser die Live-Videorückmeldung und steuerte das Verhalten des Robert, indem er die entsprechenden Reize fixierte. Nach Erreichen des Schalters steuerte der Proband den Robert an, um das Licht einzuschalten.Im zweiten Experiment wurde der Mensch-Roboter kontinuierlich anhand von Video-Rückmeldungen entlang des Ausgangsschilds zur Treppe gelenkt. Beim Begegnen mit einem Passanten steuerte der Proband den Robert an, um „Entschuldigung“ zu sagen, und wartete, bis der Passant Platz machte. Anschließend wurde der Robert gesteuert, um zur Treppe weiterzugehen.Im dritten Experiment wurde der humanoide Roboter Robert mit vollständigen Körperbewegungen gesteuert, um das Ballonziel zu erreichen, aufzuheben und es anhand von Live-Videorückmeldung in die Hand des Probanden abzuliefern. Da die menschliche Absicht durch die Interpretation von EEG-Signalen der LU-Zeit wahrgenommen wird, ist es entscheidend, vor Durchführung der Experimente die elektrischen Verbindungen sowie die Qualität der EEG-Signale zu überprüfen. Ein weiteres häufiges Problem beim Erfassen von EEG-Signalen sind Störungen oder Artefakte sowie Rauschen.Die Lendenwirbelsäule, bei uns eine solche Störung wird durch die Verringerung der Körpersbewegung des Probanden und die Nutzung der CCA-basierten Mehrkanaltechnik verbessert. Unsere Methode eignet sich effektiv zur Gestaltung einer Vielzahl experimenteller Verfahren und ist flexibel, um Algorithmen und Techniken für die Gehirn-Roboter-Interaktion zu untersuchen, insbesondere kann sie leicht zur Erforschung neuer Anwendungen der BRI verwendet werden.

ssvep-based-experimental-procedure-for-brain-robot-interaction-with

Research

Forschung

JoVE Journal

Engineering

Ingenieurwesen

Wir verwenden eine Closed-Loop-fly-Maschine-Schnittstelle auf allgemeine Prinzipien der neuronalen Steuerung zu untersuchen.

Eine experimentelle Plattform für die Closed-Loop-Performance von Brain-Machine Interfaces Study

In jüngster Zeit haben eine große Menge an Interessenten kommen für Mensch-Roboter-interaktive Systeme. In diesem Papier beschreiben wir die Integration eines neuen Roboter-Gerät mit Open-Source-Software, die schnell machen kann möglich eine Bibliothek von interaktiven Funktionen. Wir haben dann Umrisse einer klinischen Anwendung für eine Neurorehabilitation Anwendung.

Haptische / Graphic Rehabilitation: Integration eines Roboters in einer virtuellen Umgebung Bibliothek und ihre Anwendung auf die Therapie von Schlaganfällen

Die Anpassung und Nutzung eines haptischen Roboter in einem 3T fMRT beschrieben.

Anpassung eines Haptic Robot in einem 3T fMRT

In diesem Artikel wird ein experimenteller Rahmen zur Durchführung von Closed-Loop-Experimenten vorgestellt, in dem die Informationsverarbeitung (d.h. Codierung und Dekodierung) und das Lernen neuronaler Anordnungen während der kontinuierlichen Interaktion mit einem Roboterkörper untersucht werden.

Closed-loop Neuro-Roboter-Experimente zur Computational Eigenschaften Neuronale Netze Testen

In diesem Artikel wird eine neuartige, kostengünstige Mensch-Maschine-Schnittstelle für ein interaktives Rehabilitationssystem nach einem Schlaganfall vorgestellt. Das System integriert handelsübliche, kostengünstige Sensoren in Richtung eines willentlich getriebenen Elektrotherapie-Paradigmas. Die Proof-of-Concept-Softwareschnittstelle wird an gesunden Freiwilligen demonstriert.

Eine Mensch-Maschine-Schnittstelle Integration von Low-Cost-Sensoren mit einem Neuromuskuläre Elektrostimulation System zur Post-Stroke Balance Rehabilitation

Hier beschreiben wir virtuelle Hand und virtuellen Gesicht Illusion Paradigmen, die verwendet werden können, körperbezogene Selbstwahrnehmung / -Darstellung zu studieren. Sie wurden bereits in verschiedenen Studien verwendet wurde, das zu demonstrieren, unter bestimmten Bedingungen eine virtuelle Hand oder das Gesicht kann in eines der Körperdarstellung eingearbeitet werden, was darauf hindeutet, dass Körper Darstellungen sind ziemlich flexibel.

Virtuelle Hand und Virtual-face Illusions Erstellen zur Untersuchung der Selbstdarstellung

Wir präsentieren Protokolle und Methoden von Analysen, um koadaptive Schnittstellen zu erstellen, die menschliche Körper- und Herzsignale in enger Schleife streamen, parametrisieren, analysieren und modifizieren. Dieses Setup verbindet Signale, die vom peripheren und zentralen Nervensystem der Person abgeleitet werden, mit externen sensorischen Eingängen, um biophysikalische Veränderungen zu verfolgen.

Echtzeit-Proxy-Steuerung von re-parametrisierten Peripheriesignalen über eine Close-Loop-Schnittstelle

Es wird geschätzt, dass 1 von 6 Menschen weltweit in ihrem Leben einen Schlaganfall erleiden wird, der zu langfristigen Behinderungen führt, deren Rehabilitationsmechanismen noch wenig verstanden sind. Diese Studie schlägt ein Protokoll zur Bewertung der Gehirnaktivierung durch funktionelle Nahinfrarotspektroskopie (fNIRS) während einer Robotertherapiesitzung der unteren Extremitäten vor.

Ein Experiment mit funktioneller Nahinfrarotspektroskopie und robotergestützten Mehrgelenk-Zeigebewegungen der unteren Extremität

Motorische Bilder in einer Virtual-Reality-Umgebung haben breite Anwendungen in Gehirn-Computer-Schnittstellensystemen. Dieses Manuskript beschreibt die Verwendung personalisierter digitaler Avatare, die den Teilnehmern ähneln, die Bewegungen ausführen, die sich der Teilnehmer in einer Virtual-Reality-Umgebung vorstellt, um die Immersion und das Gefühl der Körperverantwortung zu verbessern.

Leistung der motorischen Bildgebung durch verkörperte digitale Zwillinge in einer Virtual-Reality-fähigen Gehirn-Computer-Schnittstellenumgebung

In dieser Studie wird ein Gehirn-Computer-Interface (BCI)-System für Schlaganfallpatienten vorgestellt, das Elektroenzephalographie- und Elektrookulographie-Signale kombiniert, um eine Roboterhand der oberen Gliedmaßen zu steuern und so die täglichen Aktivitäten zu verbessern. Bei der Evaluation wurde der Berliner Bimanuelle Test für Schlaganfall (BeBiTS) durchgeführt.

Gehirn-Computer-Schnittstelle-gesteuertes Robotersystem für die oberen Gliedmaßen zur Verbesserung der täglichen Aktivitäten bei Schlaganfallpatienten

Lernen Sie eine SSVEP-basierte Methode zur Gehirn-Roboter-Interaktion mit humanoiden Robotern. Diese Technik nutzt EEG-Signale und Software-Integration zur Steuerung von Robotern in Echtzeit.

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

Weitere Videos entdecken