SSVEP basé procédure expérimentale pour Brain-Robot Interaction avec des robots humanoïdes

L’objectif global de cette méthode est d’établir une procédure expérimentale basée sur S-S-V-E-P en intégrant plusieurs logiciels pour permettre l’étude de l’interaction des robots cérébraux avec les robots humanoïdes. Ceci est réalisé en plaçant la première place dans les électrodes EEG sur un sujet humain pour mesurer les réponses cérébrales grâce à un système d’acquisition de données EEG. Une interface utilisateur est utilisée pour obtenir des réponses S-S-V-E-P et pour afficher un retour vidéo dans les expériences de contrôle en boucle fermée.

La deuxième étape consiste à enregistrer les signaux EEG des sujets pour la première fois afin d’analyser votre caractéristique S-S-V-E-P hors ligne et d’entraîner le classificateur pour chaque sujet. Ensuite, le processeur de signal en ligne et le contrôleur du robot sont configurés pour le contrôle en ligne d’un humanoïde Robert. Comme dernière étape, le sujet réalise trois expériences spécifiques de contrôle en boucle fermée dans différents environnements.

Afin d’évaluer les performances d’interaction cérébrale Robert, les résultats montrent la densité spectrale de puissance normalisée des signaux cérébraux générés lors de l’observation des stimuli scintillant à différentes fréquences. Notre système traduit ces modèles d’ondes cérébrales en commandes pour contrôler les comportements de Robert. En utilisant cette approche, le sujet est capable d’interagir avec les signaux cérébraux humanoïdes Robert Bio.

Cela permet à l’humanoïde Robert d’effectuer des tâches typiques qui sont populaires dans la recherche robotique et sont utiles pour aider les personnes handicapées. L’avantage de cette approche est sa fiabilité et sa flexibilité car elle est développée en intégrant plusieurs logiciels tels que les graphes ouverts et les logiciels centraux, ainsi que les programmes développés par l’utilisateur liés à c plus plus et match lab. Cette méthode permet d’étudier le robot cérébral en action avec le robot humanoïde.

Cette étude est prospective pour aider les malades et les personnes âgées ainsi que pour effectuer des travaux insalubres ou dangereux. Mes coéquipiers, Lim et Han, vont maintenant démontrer l’emplacement des capteurs EEG et montrer la méthode de connexion à l’humain sans robot respectivement. Expliquez l’expérience à la procédure au sujet.

Obtenir le consentement pour participer à des expériences. Mesurez la circonférence du sujet, sélectionnez la taille du casque EEG E qui est proche de la mesure. Mesurez la distance entre la marque NAS 10 % de distance comme référence pour le doublage du bouchon.

Marquez le milieu de la distance au sommet sur la position cul du sujet. L’électrode cz du capuchon EEG E sur le sommet aligne la marque des 10 % avec le point médian des électrodes FP un et FP deux. Assurez-vous que les électrodes fz, cz, PZ et OZ se trouvent sur la ligne médiane de la tête.

Enduire la référence de référence des électrodes avec du gel conducteur. Placez les électrodes de référence sur les OID gauche et droit à l’aide de ruban adhésif. Serrez la sangle en chaîne.

Placez la seringue à embout émoussé dans les doseurs d’électrodes et injectez des gels conducteurs dans chaque électrode dans l’ordre suivant. D’abord, l’électrode de terre et deuxièmement, les cinq électrodes utilisées dans l’expérience O 2 0 1 OZ. PZ et cz. Asseyez le sujet dans un fauteuil confortable, à 60 centimètres devant un moniteur de stimulus.

Connectez les fils d’électrode au système d’acquisition de données EEG. Configurez la fréquence d’échantillonnage à un kilohertz. Examinez la qualité du signal EEG sur l’ordinateur de traitement des données dédié.

S’il y a un problème avec l’électrode en question. Réinjectez des gels pour ajuster l’impédance du canal. Scintillez quatre images de robots qui différentes fréquences comme stimuli visuels sur l’interface utilisateur.

Pour la première fois, effectuez l’expérience d’entraînement hors ligne pour établir leurs vecteurs de caractéristiques S-S-V-E-P et pour entraîner le classifieur. Effectuez 32 essais pour chaque sujet et enregistrez votre signal cérébral tout au long de ce processus. Lorsqu’un essai commence, sélectionnez au hasard un stimulus comme cible et affichez une flèche jaune au-dessus de celui-ci.

Une seconde. Plus tard, faites clignoter les quatre stimuli visuels à différentes fréquences sur l’interface utilisateur pendant cinq secondes, demandez au sujet de se concentrer sur la cible du stimulus sélectionnée tout en réduisant au minimum les mouvements du corps. Après chaque essai, donnez au sujet trois secondes pour se détendre, puis commencez l’essai suivant.

Lorsque toutes les versions d’essai sont terminées, lisez les données enregistrées. Les barres orange verticales indiquent les déclencheurs pour sélectionner un stimulus comme cible, les stimuli clignotent pendant la période de cinq secondes. Dans chaque essai, extrayez un apo de données de trois secondes entre deux secondes et cinq secondes après le déclenchement.

Calculez le coefficient CCA des données EEG multicanaux avec un signal de référence y, qui est défini comme étant le signal de stimulus périodique à certaines fréquences. La méthode CCA trouve les vecteurs de combinaison linéaires pour maximiser le coefficient de corrélation entre les signaux combinés. Filtrez spatialement les données EEG multicanaux à l’aide des coefficients CCA calculés.

Calculez la densité spectrale de puissance des données de filtre à l’aide de la transformée de foyer rapide. Normaliser la densité spectrale de puissance par rapport à sa valeur moyenne entre trois hutz et 40 hutz. Calibrez ensuite les paramètres de classification pour chaque fréquence de stimulus.

Configurez les paramètres de classification du sujet à l’aide d’une fenêtre de réglage d’effacement ouverte. Démarrez le processeur de signal en ligne sur l’ordinateur de traitement des données. Acquérez les données EEG des canaux O, 2, 0, 1 OZ, PZ et CZ du système EEG toutes les 0,5 seconde et extrayez le segment de données des trois dernières secondes pour le traitement en ligne.

Traitez le segment de données à l’aide des algorithmes décrits dans le processus hors ligne. Calculez la densité spectrale de puissance en temps réel pour la classification. Lorsque l’amplitude d’une fréquence de caractéristique est supérieure à un seuil donné, le stimulus scintillant à la fréquence correspondante est classé.

En tant que cible SSV EEP, démarrez le robot humain Noro et établissez sa connexion wifi avec l’ordinateur de traitement des données. Configurez et exécutez le contrôleur du robot, qui a reçu les résultats de la classification du processeur de signal en ligne et contrôle les comportements correspondants de l’humanoïde Robert via une connexion sans fil. Exécutez le programme chorégraphique sur l’ordinateur de présentation des stimulus dédié pour afficher le retour vidéo en direct de la caméra Roberts sur l’interface utilisateur.

Demandez au sujet d’effectuer trois tests spécifiques de contrôle en boucle fermée dans différents environnements afin d’évaluer les performances d’interaction avec le cerveau Robert. Ces tests sont populaires dans la recherche robotique et sont utiles pour aider les personnes handicapées et les personnes âgées dans leur vie quotidienne. Avant une nouvelle tâche, informez le sujet de l’objectif de la tâche et des comportements disponibles pour le contrôle.

Ces résultats montrent le processus de traitement des données EEG, y compris l’extraction de l’époque des données multicanaux, le filtrage spatial des données à l’aide de coefficients CCA et le calcul de la densité spectrale de puissance normalisée. La densité spectrale de puissance normalisée obtenue lors d’essais uniques dans lesquels le sujet fixe différentes cibles scintillantes est montrée ici. Dans les premières expériences de contrôle en boucle fermée, l’humain Noah Robert a été contrôlé par des signaux cérébraux pour traverser des obstacles et appuyer sur un interrupteur sur le mur.

Les signaux cérébraux étaient possédés en temps réel. Pour classer l’intention de contrôle du sujet, le sujet a regardé le retour vidéo en direct et a contrôlé le comportement de Robert en fixant les stimuli correspondants. Après avoir atteint l’interrupteur, le sujet a contrôlé le Robert pour allumer la lumière.

Dans la deuxième expérience, le robot humain a été guidé en continu vers l’escalier en suivant le panneau de sortie sur la base d’un retour vidéo. Lors de la confrontation avec l’espion du passeur, le sujet a ordonné au Robert de dire, excusez-moi, et d’attendre que l’espion du passeur cède. Le Robert a ensuite été ordonné de marcher vers l’escalier.

Dans la troisième expérience, l’humanoïde Robert a été contrôlé avec un mouvement complet du corps pour atteindre et ramasser la cible du ballon et la livrer dans la main du sujet en fonction du retour vidéo en direct. Étant donné que l’intention humaine est perçue en interprétant les signaux EEG en temps LU, il est essentiel de vérifier les connexions électriques et les qualités du signal EEG avant de mener des expériences. Un autre problème courant lors de l’acquisition de signaux EEG est une interférence ou des artefacts et des bruits.

Les reins, notre moi, une telle interférence est améliorée en réduisant le sujet de mouvement du corps et en utilisant une technique multicanal basée sur l’ACC. Notre méthode est efficace pour concevoir une variété de procédures expérimentales et flexible pour étudier les algorithmes et les techniques d’interaction cerveau-robot en particulier, elle peut être facilement utilisée pour explorer de nouvelles applications BRI.