Methodenartikel

Een single-channel en niet-invasieve draagbare brein-computer interface voor de industrie en de gezondheidszorg

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 dit artikel

Samenvatting

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

Dit artikel bespreekt hoe een brein-computerinterface kan worden gebouwd door te vertrouwen op apparatuur van consumentenkwaliteit en steady-state visueel opgeroepen mogelijkheden. Hiervoor werd een eenkanaals elektro-encefalograaf die gebruik maakt van droge elektroden geïntegreerd met een augmented reality-bril voor de presentatie van stimuli en visualisatie van uitvoergegevens. Het uiteindelijke systeem was niet-invasief, draagbaar en draagbaar.

Samenvatting

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

Het huidige werk richt zich op het bouwen van een draagbare brein-computer interface (BCI). BCI's zijn een nieuw middel voor interactie tussen mens en computer dat afhankelijk is van directe metingen van hersensignalen om zowel mensen met een handicap als validen te helpen. Toepassingsvoorbeelden zijn robotbesturing, industriële inspectie en neurorevalidatie. Met name recente studies hebben aangetoond dat steady-state visueel opgeroepen potentialen (SSVEP's) bijzonder geschikt zijn voor communicatie- en besturingstoepassingen, en er worden momenteel inspanningen geleverd om BCI-technologie in het dagelijks leven te brengen. Om dit doel te bereiken, moet het uiteindelijke systeem vertrouwen op draagbare, draagbare en goedkope instrumenten. Bij het benutten van SSVEP's is een flikkerende visuele prikkel met vaste frequenties vereist. Bij het overwegen van beperkingen in het dagelijks leven werd in deze studie dus de mogelijkheid onderzocht om visuele stimuli te bieden door middel van een slimme bril. Bovendien werd, om de opgewekte potentialen te detecteren, een commercieel apparaat voor elektro-encefalografie (EEG) overwogen. Dit bestaat uit een enkel differentieel kanaal met droge elektroden (geen geleidende gel), waardoor de grootst mogelijke draagbaarheid en draagbaarheid wordt bereikt. In zo'n BCI kan de gebruiker communiceren met de slimme bril door alleen maar te staren naar pictogrammen die op het display verschijnen. Op basis van dit eenvoudige principe werd een gebruiksvriendelijke, goedkope BCI gebouwd door een extended reality (XR) -bril te integreren met een in de handel verkrijgbaar EEG-apparaat. De functionaliteit van deze draagbare XR-BCI werd onderzocht met een experimentele campagne met 20 proefpersonen. De classificatienauwkeurigheid lag gemiddeld tussen de 80% -95%, afhankelijk van de stimulatietijd. Gezien deze resultaten kan het systeem worden gebruikt als een mens-machine-interface voor industriële inspectie, maar ook voor revalidatie bij ADHD en autisme.

Inleiding

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

Een brain-computer interface (BCI) is een systeem dat communicatie met en/of controle van apparaten mogelijk maakt zonder natuurlijke neurale paden1. BCI-technologie komt het dichtst in de buurt van het besturen van objecten met de kracht van de geest. Vanuit technisch oogpunt werkt de systeemwerking door het meten van geïnduceerde of opgeroepen hersenactiviteit, die onvrijwillig of vrijwillig kan worden gegenereerd door het onderwerp2. Historisch gezien was onderzoek gericht op het helpen van mensen met motorische handicaps via BCI3, maar een groeiend aantal bedrijven biedt tegenwoordig BCI-gebaseerde instrumentatie voor gaming4, robotica5, industrie6 en andere toepassingen met interactie tussen mens en machine. Met name BCI's kunnen een rol spelen in de vierde industriële revolutie, namelijk industrie 4.07, waar cyber-fysieke productiesystemen de interactie tussen mensen en de omgeving veranderen8. In grote lijnen identificeerde het Europese project BNCI Horizon 2020 toepassingsscenario's zoals het vervangen, herstellen, verbeteren, verbeteren of aanvullen van verloren natuurlijke functies van het centrale zenuwstelsel, evenals het gebruik van BCI bij het onderzoeken van de hersenen9.

In dit kader betekenen recente technologische ontwikkelingen dat brein-computerinterfaces van toepassing kunnen zijn voor gebruik in het dagelijks leven10,11. Om dit doel te bereiken, is de eerste vereiste niet-invasiviteit, wat belangrijk is om de risico's van chirurgische ingrepen te vermijden en de gebruikersacceptatie te vergroten. Het is echter vermeldenswaard dat de keuze voor niet-invasieve neuroimaging de kwaliteit van gemeten hersensignalen beïnvloedt, en het BCI-ontwerp moet dan omgaan met de bijbehorende valkuilen12. Daarnaast zijn draagbaarheid en draagbaarheid vereist. Deze eisen zijn in lijn met de behoefte aan een gebruiksvriendelijk systeem, maar brengen ook enkele beperkingen met zich mee. Over het algemeen worden de genoemde hardwarebeperkingen aangepakt door het gebruik van een elektro-encefalografisch (EEG) -systeem met gelvrije elektroden6. Zo'n EEG-gebaseerde BCI zou ook goedkoop zijn. Ondertussen zou wat betreft de software minimale gebruikerstraining (of idealiter geen training) gewenst zijn; Het zou namelijk het beste zijn om lange perioden voor het afstemmen van het verwerkingsalgoritme te vermijden voordat de gebruiker het systeem kan gebruiken. Dit aspect is van cruciaal belang in BCI's vanwege inter-subject en intra-subject non-stationarity13,14.

Eerdere literatuur heeft aangetoond dat de detectie van opgeroepen hersenpotentialen robuust is met betrekking tot niet-stationariteit en ruis bij signaalacquisitie. Met andere woorden, BCI's die afhankelijk zijn van de detectie van opgewekt potentieel worden reactief genoemd en zijn de best presterende BCI's in termen van hersenpatroonherkenning15. Niettemin vereisen ze sensorische stimulatie, wat waarschijnlijk het belangrijkste nadeel is van dergelijke interfaces. Het doel van de voorgestelde methode is dus om een zeer draagbare en draagbare BCI te bouwen die afhankelijk is van draagbare, kant-en-klare instrumentatie. De zintuiglijke prikkels bestaan hier uit flikkerende lichten, gegenereerd door slimme brillen, die in staat zijn om steady-state visueel opgeroepen potentialen (SSVEP's) op te wekken. Eerdere werken hebben al overwogen om BCI te integreren met virtual reality, alleen of in combinatie met augmented reality16. Zo werd een BCI-AR-systeem voorgesteld om een quadcopter met SSVEP17 aan te sturen. Virtual reality, augmented reality en andere paradigma's worden aangeduid met de term extended reality. In een dergelijk scenario voldoet de keuze van een slimme bril aan de vereisten voor draagbaarheid en draagbaarheid en kan een slimme bril worden geïntegreerd met een minimale EEG-acquisitie-opstelling. Dit artikel toont aan dat op SSVEP gebaseerde BCI ook minimale training vereist en tegelijkertijd aanvaardbare classificatieprestaties bereikt voor communicatie- en besturingstoepassingen met lage tot gemiddelde snelheid. Vandaar dat de techniek wordt toegepast op BCI voor toepassingen in het dagelijks leven, en het lijkt vooral geschikt voor de industrie en de gezondheidszorg.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

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

De studie werd goedgekeurd door de Ethische Commissie voor Psychologisch Onderzoek van de afdeling Geesteswetenschappen van de Universiteit van Napels Federico II. De vrijwilligers ondertekenden geïnformeerde toestemming voordat ze deelnamen aan de experimenten.

1. Het voorbereiden van het niet-invasieve draagbare brein - computerinterface

  1. Verkrijg een goedkope elektro-encefalograaf van consumentenkwaliteit met droge elektroden en configureer deze voor gebruik via één kanaal.
    1. Sluit ongebruikte ingangskanalen op de goedkope elektro-encefalograaf kort of sluit deze aan op een interne referentiespanning zoals gespecificeerd in het inherente gegevensblad. Daarbij worden de ongebruikte kanalen uitgeschakeld en genereren ze geen overspraakruis.
    2. Pas de versterking van de elektro-encefalograaf aan (meestal via een component met variabele weerstand) om een ingangsbereik in de orde van 100 μV te hebben.
      OPMERKING: De te meten EEG-signalen zijn in volgorde van tientallen microV's. De droge elektroden worden echter sterk beïnvloed door bewegingsartefacten, die resulteren in oscillaties in de orde van grootte van 100 μV vanwege de variabiliteit in de elektrode-huidimpedantie. Het vergroten van het ingangsspanningsbereik helpt om de verzadiging van de EEG-versterker te beperken, maar het elimineert het niet volledig. Aan de andere kant zou het onhandig zijn om het ingangsspanningsbereik nog meer te vergroten, omdat dit de spanningsresolutie bij het meten van de gewenste EEG-componenten zou beïnvloeden. Uiteindelijk moeten de twee aspecten in evenwicht worden gebracht door ook rekening te houden met de bitresolutie van de analoog-naar-digitaal converter in de elektro-encefalograafkaart.
    3. Bereid drie droge elektroden voor om verbinding te maken met de elektro-encefalograafkaart. Gebruik een passieve elektrode (geen voorversterking) als referentie-elektrode. De overige twee meetelektroden moeten actieve zijn (d.w.z. voorversterking en eventuele analoge filtering).
      OPMERKING: Elektroden die op een behaard hoofdhuidgebied worden geplaatst, hebben pinnen nodig om de impedantie van elektrode-huidcontact te overwinnen. Soldeer indien mogelijk zilveren pinnen met platte koppen (om te veel pijn voor de gebruiker te voorkomen), of gebruik idealiter geleidend (zacht) rubber met een Ag/AgCl coating.
  2. Koop een commerciële slimme bril met een Android-besturingssysteem en een verversingssnelheid van 60 Hz. U kunt ook een lagere verversingssnelheid gebruiken. Een hogere verversingssnelheid zou wenselijk zijn voor stimuli omdat er minder oogvermoeidheid zou zijn, maar er zijn momenteel geen beschikbare oplossingen op de markt.
    1. Download de broncode van een Android-applicatie voor communicatie of controle, of ontwikkel er een.
    2. Vervang de virtuele knoppen in de toepassing door flikkerende pictogrammen door het inherente object te wijzigen (meestal in Java of Kotlin). Witte vierkanten met een schermafmeting van ten minste 5% worden aanbevolen. Meestal, hoe groter het stimulerende vierkant, hoe hoger de te detecteren SSVEP-component zal zijn, maar een optimum kan worden gevonden, afhankelijk van het specifieke geval. Aanbevolen frequenties zijn 10 Hz en 12 Hz flikkeren. Implementeer de flikkering op de grafische verwerkingseenheid (GPU) om overbelasting van de computereenheid (CPU) van de slimme bril te voorkomen. Gebruik hiervoor objecten uit de OpenGL-bibliotheek.
    3. Implementeer een module van de Android-applicatie voor real-time verwerking van de invoer-EEG-stream. De Android USB-service kan worden toegevoegd, zodat de stream via USB kan worden ontvangen. De real-time verwerking kan eenvoudig een schuifvenster op de EEG-stroom toepassen door rekening te houden met de binnenkomende pakketten. Bereken de vermogensspectrale dichtheden geassocieerd met de 10 Hz- en 12 Hz-frequenties via een snelle Fouriertransformatiefunctie. Een getrainde classificator kan dus onderscheiden dat de gebruiker naar het 10 Hz flikkerende pictogram of het 12 Hz flikkerende pictogram kijkt door de vermogensspectrale dichtheidskenmerken te classificeren.

2. Kalibreren van de SSVEP-gebaseerde hersenen - computer interface

OPMERKING: Gezonde vrijwilligers werden gekozen voor deze studie. Sluit proefpersonen uit met een voorgeschiedenis van hersenziekten. De betrokken proefpersonen moesten een normaal of gecorrigeerd tot normaal gezichtsvermogen hebben. Ze werden geïnstrueerd om ontspannen te zijn tijdens de experimenten en om onnodige bewegingen te vermijden, vooral van het hoofd.

  1. Laat de gebruiker de slimme bril dragen met de Android-applicatie.
  2. Laat de gebruiker een strakke hoofdband dragen om de elektroden vast te houden.
  3. Sluit de goedkope elektro-encefalograaf aan op een pc via een USB-kabel terwijl de pc is losgekoppeld van de hoofdvoeding.
    1. Koppel in eerste instantie alle elektroden los van het acquisitiebord van de elektro-encefalograaf om te beginnen met een bekende aandoening.
    2. In deze fase wordt de EEG-stream offline op de pc verwerkt met een script dat compatibel is met de verwerking die in de Android-applicatie is geïmplementeerd. Start het script om de EEG-signalen te ontvangen en te visualiseren.
  4. Controleer het weergegeven signaal dat offline wordt verwerkt. Dit moet alleen overeenkomen met de kwantisatieruis van de EEG-versterker.
  5. Sluit de elektroden aan.
    1. Breng de passieve elektrode aan op het linkeroor met een aangepaste clip of gebruik een oorclipelektrode. Het uitgangssignaal moet bij deze stap ongewijzigd blijven omdat het meetdifferentieel nog steeds een open circuit is.
    2. Sluit een actieve elektrode aan op de negatieve aansluiting van de differentiële ingang van het meet-EEG-kanaal en breng deze met een hoofdband aan op het frontale gebied (Fpz-standaardlocatie). Na een paar seconden zou het signaal terug moeten keren naar nul (kwantisatieruis).
    3. Sluit de andere actieve elektrode aan op de positieve aansluiting van de differentiële ingang van het meet-EEG-kanaal en breng deze met de hoofdband aan op het achterhoofdsgebied (Oz-standaardlocatie). Er wordt nu een hersensignaal weergegeven, dat overeenkomt met de visuele activiteit gemeten ten opzichte van het frontale hersengebied (daar is geen visuele activiteit voorzien).
  6. Verkrijg signalen voor systeemkalibratie.
    1. Stimuleer de gebruiker herhaaldelijk met 10 Hz en 12 Hz (en eventueel andere) flikkerende pictogrammen door het flikkerende pictogram in de Android-applicatie te starten en de inherente EEG-signalen te verkrijgen en op te slaan voor offline verwerking. Zorg ervoor dat elke stimulatie in deze fase bestaat uit een enkel pictogram dat gedurende 10 s flikkert en start het flikkerende pictogram door op het touchpad van de slimme bril te drukken terwijl u ook het EEG-acquisitie- en visualisatiescript start.
    2. Uit de 10 s-signalen die bij elke stimulatie horen, worden twee kenmerken geëxtraheerd met behulp van de snelle Fouriertransformatie: de vermogensspectrale dichtheid bij 10 Hz en bij 12 Hz. Overweeg ook tweede harmonischen (20 Hz en 24 Hz).
    3. Gebruik een weergave van de verkregen signalen in het domein features om een ondersteuningsvectormachineclassificatie te trainen. Gebruik een tool (in Matlab of Python) om de parameters van een hyperplane met een uiteindelijke kernel te identificeren op basis van de invoerfuncties. Het getrainde model zal in staat zijn om toekomstige waarnemingen van EEG-signalen te classificeren.

3. Monteer de uiteindelijke draagbare en draagbare SSVEP-gebaseerde interface

  1. Koppel de USB-kabel los van de pc en sluit deze rechtstreeks aan op de slimme bril.
  2. Voeg de parameters van de getrainde classifier in de Android-applicatie in. Het systeem is nu klaar.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

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

Een mogelijke implementatie van het hierboven beschreven systeem is weergegeven in figuur 1; Deze implementatie stelt de gebruiker in staat om in augmented reality te navigeren door hersenactiviteit. De flikkerende pictogrammen op het display van de smart glasses komen overeen met acties voor de toepassing (figuur 1A), en dus vertegenwoordigt deze bril een vervanging voor een traditionele interface op basis van knopdrukken of een...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

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

De goede werking van het systeem omvat twee cruciale aspecten: SSVEP-elicitatie en signaalacquisitie. Afgezien van de specifieke apparaten die voor de huidige studie zijn gekozen, kan SSVEP worden opgewekt met verschillende apparaten die een flikkerend licht bieden, hoewel slimme brillen de voorkeur hebben om draagbaarheid en draagbaarheid te garanderen. Analoog zou verder commercieel elektro-encefalografen kunnen worden overwogen, maar ze zouden draagbaar en draagbaar moeten zijn en een minimum aantal droge elektroden m...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

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

De auteurs hebben niets te onthullen.

Dankbetuigingen

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

Dit werk werd uitgevoerd als onderdeel van het ICT for Health-project, dat financieel werd ondersteund door het Italiaanse ministerie van Onderwijs, Universiteit en Onderzoek (MIUR), onder het initiatief Afdelingen van uitmuntendheid (Italiaanse begrotingswet nr. 232/2016), via een excellentiebeurs toegekend aan de afdeling Informatietechnologie en Elektrotechniek van de Universiteit van Napels Federico II, Napels, Italië. Het project werd inderdaad mogelijk gemaakt door de steun van het Res4Net-initiatief en de TC-06 (Emerging Technologies in Measurements) van de IEEE Instrumentation and Measurement Society. De auteurs willen ook L. Callegaro, A. Cioffi, S. Criscuolo, A. Cultrera, G. De Blasi, E. De Benedetto, L. Duraccio, E. Leone en M. Ortolano bedanken voor hun waardevolle bijdragen aan het ontwikkelen, testen en valideren van het systeem.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Leidbaar rubber met Ag/AgCl-coating ab medica s.p.a.N/AAlternatieve elektroden – type 2
Oorclip elektrodeOpenBCIN/AOorclip
EEG-AEOlimexN/AActieve elektroden
EEG-PEOlimexN/APassieve elektrode
EEG-SMTOlimexN/AGoedkope elektro-encefalograaf
Moverio BT-200EpsonN/ASlimme bril
Snap elektrodenOpenBCIN/AAlternatieve elektroden – type 1

Referenties

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

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Eenkanaals EEGsteady state visueel opgeroepen potentialenSSVEP BCIsmart glassesEEG signaalverwerkingSupport Vector Machinespectrale vermogensdichtheidindustri le inspectieneurorevalidatie

Gerelateerde artikelen