Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Eksperymentalna procedura oparta na SSVEP dla interakcji mózg-robot z robotami humanoidalnymi

12.7K wyświetleń

⸱

DOI:

10.3791/53558

⸱

24 listopada 2015

 ,  ,  , 
1School of Electrical Engineering and Automation, Tianjin University, 2Department of Computer & Electrical Engineering and Computer Science, California State University

W tym artykule

Podsumowanie

Ogólnym celem tej metody jest ustanowienie eksperymentalnej procedury opartej na SSVEP poprzez integrację wielu programów komputerowych, aby umożliwić badanie interakcji mózg-robot z robotami humanoidalnymi, co jest perspektywiczne w pomaganiu chorym i starszym, a także wykonywaniu niehigienicznych lub niebezpiecznych prac.

Streszczenie

Interakcja mózg-robot (BRI), która zapewnia innowacyjną ścieżkę komunikacji między człowiekiem a urządzeniem robotycznym za pomocą sygnałów mózgowych, jest perspektywiczna w pomaganiu niepełnosprawnym w ich codziennym życiu. Ogólnym celem naszej metody jest ustanowienie procedury eksperymentalnej opartej na SSVEP poprzez integrację wielu programów, takich jak OpenViBE, Choregraph i oprogramowanie centralne, a także programów opracowanych przez użytkownika napisanych w C++ i MATLAB, aby umożliwić badanie interakcji mózg-robot z robotami humanoidalnymi.

Osiąga się to poprzez pierwsze umieszczenie elektrod EEG na człowieku, aby zmierzyć reakcje mózgu za pomocą systemu akwizycji danych EEG. Interfejs użytkownika służy do wywoływania odpowiedzi SSVEP i wyświetlania informacji zwrotnych wideo w eksperymentach kontrolnych w pętli zamkniętej. Drugim krokiem jest zarejestrowanie sygnałów EEG osób po raz pierwszy, przeanalizowanie ich cech SSVEP w trybie offline i wytrenowanie klasyfikatora dla każdego pacjenta. Następnie procesor sygnałowy online i kontroler robota są konfigurowane do sterowania online robotem humanoidalnym. Ostatnim krokiem jest przeprowadzenie trzech konkretnych eksperymentów kontrolnych w pętli zamkniętej w różnych środowiskach, aby ocenić wydajność interakcji mózg-robot.

Zaletą tego podejścia jest jego niezawodność i elastyczność, ponieważ jest ono rozwijane przez integrację wielu programów. Wyniki pokazują, że przy użyciu tego podejścia badany jest w stanie wchodzić w interakcje z humanoidalnym robotem za pomocą sygnałów mózgowych. Dzięki temu sterowany umysłem robot humanoidalny może wykonywać typowe zadania, które są popularne w badaniach robotycznych i są pomocne w pomocy osobom niepełnosprawnym.

Wprowadzenie

Interakcja mózg-robot (BRI), która zapewnia innowacyjną ścieżkę komunikacji między człowiekiem a urządzeniem robotycznym za pomocą sygnałów mózgowych, jest perspektywiczna w pomaganiu osobom niepełnosprawnym w ich codziennym życiu 1,2. Różne metody są w stanie pozyskiwać sygnały mózgowe zarówno inwazyjnie, jak i nieinwazyjnie, takie jak elektrokortykografia (ECoG), elektroencefalograf (EEG), funkcjonalny rezonans magnetyczny (fMRI) itp. Najczęściej stosowaną nieinwazyjną metodą budowy systemu BRI jest pozyskiwanie sygnałów EEG z elektrod umieszczonych na skórze głowy. Ta metoda jest niedroga, łatwa w użyciu i zapewnia akceptowalną rozdzielczość czasową 3. Wśród różnych urządzeń robotycznych, roboty humanoidalne są zaawansowane, ponieważ są tworzone tak, aby naśladować niektóre z tych samych zadań fizycznych i umysłowych, które ludzie wykonują codziennie. BRI z robotem humanoidalnym będzie odgrywał ważną rolę w pomocy osobom chorym i starszym, a także w wykonywaniu niehigienicznych lub niebezpiecznych prac. Jednak sterowanie robotem humanoidalnym za pomocą systemu BRI jest bardzo trudne, ponieważ robot humanoidalny z ruchem całego ciała został opracowany do wykonywania złożonych zadań, takich jak asysta osobista 4, 5.

Wizualny potencjał wywołany w stanie ustalonym (SSVEP) to rodzaj sygnału mózgowego wywoływanego przez modulację bodźca wzrokowego o danej częstotliwości 6. Zawiera sinusoidy o podstawowych i harmonicznych częstotliwościach bodźca migotania i wyraźnie pojawia się w całej korze wzrokowej w okolicy potylicznej skóry głowy 7. Powodem wyboru sygnałów SSVEP jest fakt, że system BRI oparty na SSVEP zapewnia stosunkowo wysoką szybkość przesyłania informacji i wymaga mniej szkoleń 8. Inne rodzaje fal mózgowych, takie jak potencjały związane ze zdarzeniami (ERP) 9 lub potencjały obrazowania motorycznego (MI) 10, mogą być również wbudowane w tę procedurę eksperymentalną.

Nasza procedura interakcji mózg-robot z humanoidalnymi robotami opiera się na Cerebot - sterowanej umysłem platformie robotów humanoidalnych - składającej się z systemu akwizycji danych EEG i humanoidalnego robota 11. System EEG jest w stanie rejestrować, wstępnie przetwarzać i wyświetlać sygnały biopotencjału pozyskane przez różne typy elektrod. Zapewnia wiele analogowych i cyfrowych wejść/wyjść i jest w stanie nagrywać do 128 kanałów sygnałowych jednocześnie z częstotliwością próbkowania 30 kHz z rozdzielczością 16-bitową. Zestawy programistyczne w C++ i MATLAB są łatwe do zaprojektowania przez użytkowników procedur eksperymentalnych. Humanoidalny robot ma 25 stopni swobody i jest wyposażony w wiele czujników, w tym 2 kamery, 4 mikrofony, 2 dalmierze sonarowe, 2 nadajniki i odbiorniki podczerwieni, 1 płytkę inercyjną, 9 czujników dotykowych i 8 czujników ciśnienia. Udostępnia Choregraphe i C++ SDK do tworzenia i edytowania ruchów oraz interaktywnych zachowań robotów.

Ogólnym celem tej metody jest ustanowienie eksperymentalnej procedury opartej na SSVEP poprzez integrację wielu programów, takich jak OpenViBE, Choregraph, oprogramowanie Central, a także programy opracowane przez użytkowników napisane w C++ i MATLAB, aby umożliwić badanie interakcji mózg-robot z robotami humanoidalnymi 11. Rysunek 1 przedstawia strukturę systemu. Dedykowany komputer do prezentacji bodźców (SPC) wyświetla interfejs użytkownika, aby dostarczyć badanemu bodźce wizualne, instrukcje i informacje zwrotne od otoczenia. Dedykowany komputer przetwarzający dane (DPC) uruchamia rejestrator danych i analizator danych offline w procesie szkolenia offline, a także uruchamia procesor sygnału online i kontroler robota do sterowania robotem humanoidalnym online. W porównaniu z innymi systemami sterowania opartymi na SSVEP, nasz system jest bardziej niezawodny, bardziej elastyczny, a przede wszystkim wygodniejszy do ponownego użycia i aktualizacji, ponieważ jest rozwijany poprzez integrację szeregu standardowych pakietów oprogramowania, takich jak OpenViBE, Choregraph, oprogramowanie Central oraz moduły napisane w C++ i MATLAB.

Poniższa procedura została sprawdzona i zatwierdzona przez komisję etyki szpitala medycznego Uniwersytetu Medycznego w Tianjin, a wszyscy badani wyrazili pisemną zgodę.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

1. Pozyskiwanie sygnałów EEG

  1. Wyjaśnij badanemu procedurę eksperymentalną i uzyskaj pisemną świadomą zgodę na udział w badaniach.
  2. Zmierz obwód głowy badanego za pomocą centymetra krawieckiego i wybierz rozmiar czepek EEG najbliższy uzyskanemu pomiarowi. Rozmieszczenie elektrod opiera się na „Międzynarodowym systemie 10-20” 12.
  3. Zmierz odległość między nasion a inion. Za pomocą pisaka dermatologicznego zaznacz 10% tej odległości jako punkt odniesienia do wyrównania czepek oraz zaznacz punkt środkowy tej odległości jako vertex na skórze głowy badanego.
  4. Załóż czepek EEG na głowę badanego, wyrównując zaznaczenie 10% z punktem środkowym między elektrodami FP1 a FP2. Umieść elektrodę Cz czepek w punkcie vertex.
  5. Upewnij się, że elektrody Fz, Cz, Pz i Oz znajdują się na linii środkowej głowy, a każda para elektrod znajdujących się po obu stronach linii środkowej leży w jednej linii poziomej.
  6. Posmaruj elektrody REF1 i REF2 żelem przewodzącym. Umieść elektrody referencyjne na lewym i prawym wyrostku sutkowatym, mocując je za pomocą taśmy medycznej. Zaciśnij pasek podbródkowy.
  7. Włóż strzykawkę z tępym końcem do uchwytów elektrod i wstrzyknij żel przewodzący do każdej elektrody w następującej kolejności: najpierw do elektrody „masowej” na czole, a następnie do pięciu elektrod wykorzystywanych w eksperymencie: O2, O1, Oz, Pz i Cz.
  8. Posadź badanego na wygodnym krześle 60 cm przed monitorem bodźców. Poleć badanemu utrzymywanie oczu na tym samym poziomie poziomym co środek monitora.
  9. Podłącz przewody elektrod do systemu akwizycji danych EEG. Skonfiguruj częstotliwość próbkowania na 1 kHz.
  10. Sprawdź jakość sygnału EEG na dedykowanym komputerze DPC. W przypadku problemów z konkretną elektrodą wstrzyknij ponownie żel, aby skorygować impedancję kanału.
  11. Użyj dedykowanego komputera SPC, aby wyświetlać migające obrazy czterech robotów z częstotliwościami 4,615, 12, 15 i 20 Hz jako bodźce wizualne w interfejsie użytkownika, zgodnie z ryciną 2.

2. Analiza cech SSVEP w trybie offline

  1. Przeprowadź 32 próby eksperymentów szkoleniowych w trybie offline dla każdego badanego i zapisz sygnały mózgowe rejestrowane przez system EEG w trakcie tego procesu.
    UWAGA: proces ten jest przeprowadzany wyłącznie u osób biorących udział w eksperymencie po raz pierwszy w celu ustalenia ich wektorów cech SSVEP oraz wytrenowania klasyfikatora.
  2. W momencie rozpoczęcia próby losowo wybierz jeden bodziec jako cel i wyświetl nad nim żółtą strzałkę.
  3. Po 1 sec migaj czterema bodźcami wizualnymi z różnymi częstotliwościami na interfejsie użytkownika przez 5 sec.
  4. Poproś badanego o skupienie uwagi na wybranym celu bodźca przy jednoczesnym ograniczeniu ruchów ciała do minimum.
  5. Po każdej próbie daj badanemu 3 sec na relaks, a następnie rozpocznij kolejną próbę.
  6. Po zakończeniu wszystkich prób odczytaj zapisane dane. Wyodrębnij 3-sekundową epokę danych pomiędzy 2 sec a 5 sec po wyzwalaczu, który w każdej próbie wybiera bodziec jako cel.
  7. Oblicz gęstość widmową mocy (PSD) epok danych za pomocą narzędzia Offline Data Analyzer w skryptach MATLAB. Zastosuj algorytm przetwarzania opisany szczegółowo poniżej:
    1. Oblicz współczynniki kanonicznej analizy korelacyjnej (CCA) wielokanałowych danych EEG względem danych referencyjnych. CCA jest wielowymiarową metodą statystyczną stosowaną dla dwóch zestawów danych w celu znalezienia ich podstawowej korelacji 13. Przyjmując 3-sekundowy segment wielokanałowych danych EEG X oraz dane referencyjne Y o tej samej długości, użyj CCA do znalezienia wektorów wag, Wx i Wy, aby zmaksymalizować współczynnik korelacji ρ pomiędzy x = XTWx a y = YTWy. Ustaw dane referencyjne jako sygnały okresowe o określonych częstotliwościach bodźców.
      Matematyka: Równanie macierzowe funkcji sinusoidalnych, schemat składowych cosinusa i sinusa.
      gdzie f1, f2, f3, f4 to częstotliwości cech czterech bodźców wizualnych.
    2. Przefiltruj przestrzennie wielokanałowe dane EEG X za pomocą obliczonych współczynników CCA Wx, aby uzyskać jednowymiarowe dane przefiltrowane x, które wykazują najsilniejszą korelację z kombinacją liniową danych referencyjnych.
    3. Oblicz PSD przestrzennie przefiltrowanych danych x za pomocą szybkiej transformaty Fouriera (FFT).
      Równanie widma mocy, P(f)=|FFT(x,N_FFT)|²/N_FFT, wzór na analizę częstotliwości.
      gdzie NFFT to wielkość próbki danych x, a FFT(x, NFFT) zwraca dyskretną transformatę Fouriera x o długości NFFT.
    4. Znormalizuj PSD względem jej wartości średniej w zakresie od 3 do 30 Hz.
      Schemat wzoru normalizacji częstotliwości, \(P_N(f)=\frac{P(f)}{\text{mean}_{3 \text{Hz} \leq f \leq 30 \text{Hz}}(P(f))}\).
      gdzie Równanie analizy częstotliwości, średnia gęstość widmowa mocy, 3Hz≤f≤30Hz, schemat wzoru. oznacza średnią widma mocy pomiędzy 3 a 30 Hz.
  8. Skalibruj parametry klasyfikacji dla czterech częstotliwości bodźców. Najpierw zaobserwuj znormalizowane widmo PSD odpowiadające danemu celowi bodźca i ręcznie ustaw częstotliwość o najsilniejszej amplitudzie PSD jako częstotliwość cechy. Na podstawie częstotliwości cechy podziel znormalizowane dane PSD na dwa zestawy: jeden pozyskany, gdy odpowiedni bodziec został wybrany jako cel, a drugi pozyskany, gdy wybrano bodźce niebędące celem. Oblicz odpowiednio wartość średnią dla każdego zestawu. Wyznacz próg jako medianę tych dwóch wartości średnich, aby sklasyfikować zestawy celowe i niecelowe 14.

3. Przetwarzanie sygnałów mózgowych w czasie rzeczywistym

  1. Otwórz On-line Signal Processor, przedstawiony na Rysunku 3, opracowany w środowisku OpenViBE oraz z wykorzystaniem skryptów MATLAB, na komputerze DPC w celu przetwarzania sygnałów mózgowych w trybie online.
  2. Kliknij dwukrotnie pole Acquire and Process Signal, zaznaczone czerwonym okręgiem na Rysunku 3, aby otworzyć okno ustawień OpenViBE. Skonfiguruj parametry klasyfikacji dla badanego: ustaw częstotliwość próbkowania na 1 kHz, długość czasu dla FFT na 3 s oraz częstotliwości cech zgodnie z wynikami analizy offline, np. 4,667, 24, 15 i 20 Hz.
  3. Kliknij przycisk Starts, aby uruchomić On-line Signal Processor, który przetwarza dane w czasie rzeczywistym przy użyciu następującego algorytmu w trzech krokach.
  4. Po pierwsze, algorytm pobiera dane EEG z kanałów Oz, O1, O2, Pz i CPz systemu EEG co 0,5 s i wyodrębnia segment danych z ostatnich 3 s do przetwarzania online.
  5. Po drugie, algorytm przetwarza 3-sekundowy segment danych przy użyciu algorytmów opisanych w kroku 2.7 i oblicza PSD w czasie rzeczywistym w celu klasyfikacji.
  6. Po trzecie, algorytm klasyfikuje wzorce fal mózgowych na podstawie amplitud PSD dla czterech częstotliwości cech. Gdy amplituda jednej częstotliwości cechy przekroczy określony próg, mruganie bodźca o odpowiadającej jej częstotliwości zostaje sklasyfikowane jako cel SSVEP.

4. Podłączanie robota humanoidalnego

  1. Naciśnij przycisk na klatce piersiowej robota humanoidalnego i poczekaj na jego uruchomienie.
    UWAGA: proces ten trwa około 1 min i kończy się, gdy robot wypowie frazę „OGNAK GNOUK”, a przycisk na klatce piersiowej zmieni kolor na biały.
  2. Ustanów połączenie Wireless Fidelity (WiFi) robota z DPC 15.
  3. Otwórz sterownik robota (Robot Controller) zaprogramowany w skryptach Visual C++ na DPC. Sterownik odbiera wyniki klasyfikacji z procesora sygnałów online (Online Signal Processor) poprzez interfejs Virtual-Reality Peripheral Network (VRPN), tłumaczy je na polecenia dla robota i steruje odpowiednimi zachowaniami robota humanoidalnego za pomocą połączenia bezprzewodowego.
  4. Skonfiguruj sterownik robota, wprowadzając adres IP robota zgodnie z jego połączeniem WiFi, definiując trzy zestawy zachowań robota, które można łatwo przełączać w celu wykonania trzech różnych zadań, oraz ustawiając parametry wykonawcze tych zachowań (np. prędkość chodu lub dystans), aby dostosować je do wymagań zadania.
    UWAGA: więcej szczegółów na temat tych zachowań opisano w krokach 5.2.1, 5.3.1 i 5.4.1.
  5. Kliknij przycisk Build w platformie Visual Studio, aby uruchomić sterownik robota.
  6. Otwórz program Choregraphe na SPC. Kliknij przycisk „Connect to”, aby wyświetlić okno połączenia (Connection widget). Wybierz robota do sterowania na podstawie jego adresu IP i kliknij dwukrotnie jego ikonę, aby się z nim połączyć.
  7. Otwórz monitor wideo z menu widoku (view menu) w pasku menu Choregraphe i przesuń monitor na przedni plan interfejsu użytkownika, aby wyświetlić podgląd wideo na żywo z kamery robota.

5. Przeprowadzanie eksperymentów sterowania w pętli zamkniętej

  1. Poproś badanego o wykonanie trzech konkretnych zadań sterowania w pętli zamkniętej w różnych środowiskach, aby ocenić wydajność interakcji mózg-robot.
    UWAGA: zadania te, które są istotne w aplikacjach robotycznych, ponieważ pomagają osobom niepełnosprawnym i starszym w ich codziennym życiu, wymagają aktywacji różnych zachowań robota.
  2. Przeprowadź pierwsze zadanie sterowania w pętli zamkniętej, polegające na zdalnym sterowaniu robotem humanoidalnym za pomocą sygnałów mózgowych w celu przejścia przez przeszkody i naciśnięcia przełącznika światła, jak pokazano na Ryc. 4.
    1. Aby zrealizować pierwsze zadanie, steruj zachowaniami robota zakodowanymi przez cztery bodźce SSVEP jako: krok do przodu o stałej odległości 0,15 m, obrót w lewo o stały kąt 0,3 rad, obrót w prawo o stały kąt 0,3 rad oraz naciśnięcie przełącznika prawą ręką.
      UWAGA: proces konfiguracji opisano w kroku 4.4.
    2. Poinformuj badanego o celu zadania i czterech zachowaniach, którymi ma sterować.
    3. Uruchom Robot Controller zgodnie z krokami 4.5-4.7 i rozpocznij eksperyment. Pozwól badanemu na swobodną percepcję otoczenia i podejmowanie decyzji na podstawie podglądu wideo na żywo oraz na aktywowanie zachowań robota poprzez wpatrywanie się w odpowiednie bodźce.
      UWAGA: badanemu nie należy udzielać żadnych instrukcji ani pomocy, chyba że w sytuacjach awaryjnych, np. gdy robot ma zamiar zderzyć się z przeszkodą.
  3. Przeprowadź drugie zadanie, polegające na zdalnym sterowaniu robotem humanoidalnym za pomocą sygnałów mózgowych w celu dojścia do schodów, kierując się znakiem wyjścia, jak pokazano na Ryc. 5. W przypadku napotkania przechodniów poproś badanego o sterowanie robotem tak, aby powiedział „przepraszam” i poczekał, aż przechodnie ustąpią miejsca.
    1. Steruj zachowaniami robota zakodowanymi przez cztery bodźce SSVEP jako: ciągłe chodzenie do przodu z prędkością 0,05 m/sec, ciągły obrót w lewo z prędkością 0,1 rad/sec, ciągły obrót w prawo z prędkością 0,1 rad/sec oraz zatrzymanie wszystkich zachowań związanych z chodzeniem.
    2. Przełącz Robot Controller na funkcję sterowania zależną od postawy 16.
      UWAGA: gdy robot idzie, funkcja ta wykorzystuje czwarty bodziec jako polecenie zatrzymania chodzenia; gdy robot nie idzie, wykorzystuje czwarty bodziec do sterowania robotem, aby powiedział „przepraszam”. Funkcja ta jest zaimplementowana w skryptach C++ poprzez wykrywanie stanu chodzenia robota.
    3. Poinformuj badanego o celu zadania i pięciu zachowaniach, którymi ma sterować.
    4. Uruchom Robot Controller i rozpocznij eksperyment, jak opisano w kroku 5.2.3.
  4. Przeprowadź trzecie zadanie, polegające na zdalnym sterowaniu robotem humanoidalnym w celu dojścia do celu w postaci balonu, podniesienia go i dostarczenia go do ręki badanego, jak pokazano na Ryc. 6.
    1. Steruj zachowaniami robota zakodowanymi przez cztery bodźce SSVEP jako: krok do przodu o stałej odległości 0,15 m, obrót w lewo o stały kąt 0,3 rad, obrót w prawo o stały kąt 0,3 rad oraz podnoszenie przedmiotów.
    2. Aktywuj funkcję sterowania zależną od postawy w Robot Controller, aby ponownie wykorzystać czwarty bodziec jako polecenie odłożenia przedmiotu po jego uprzednim podniesieniu.
    3. Poinformuj badanego o celu zadania i pięciu zachowaniach, którymi ma sterować.
    4. Uruchom Robot Controller i rozpocznij eksperyment, jak opisano w kroku 5.2.3.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Przedstawione tutaj wyniki uzyskano od mężczyzny z korygowaną do normy ostrością widzenia. Rysunek 7 przedstawia procedurę przetwarzania danych EEG, obejmującą wyodrębnianie wielokanałowej epoki danych (Rysunek 7A), filtrowanie przestrzenne danych przy użyciu współczynników CCA (Rysunek 7B) oraz obliczanie znormalizowanej PSD (Rysunek 7C).

Rycina 8

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

W artykule przedstawiono eksperymentalną procedurę opartą na SSVEP w celu ustanowienia systemu interakcji mózg-robot z robotami humanoidalnymi poprzez integrację wielu programów. Ponieważ ludzka intencja jest postrzegana poprzez interpretację sygnałów EEG w czasie rzeczywistym, bardzo ważne jest, aby przed przeprowadzeniem eksperymentu zweryfikować połączenia elektrod i jakość sygnału EEG. Jeśli sygnały odbierane ze wszystkich elektrod są złej jakości, należy najpierw sprawdzić połączenie elektrod masowych i referencyjny...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy nie mają nic do ujawnienia.

Podziękowania

Autorzy chcieliby wyrazić swoją wdzięczność Panu Hong Hu za pomoc w przeprowadzaniu eksperymentów opisanych w tym artykule. Praca ta była częściowo wspierana przez Narodową Fundację Nauk Przyrodniczych Chin (nr 61473207).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
System akwizycji danych EEG Cerebus BlackrockMicrosystems4176-9967
Robot humanoidalny NAOAldebaran RoboticsH25
Czapka EEGNeuroscan8732
Ten20 Żel przewodzącyWeaver i spółka10-20-8

Bibliografia

  1. McFarland, D. J., Wolpaw, J. R. Brain-Computer Interface Operation of Robotic and Prosthetic Devices. Computer. 41, 52-56 (2008).
  2. Lebedev, M. A., Nicolelis, M. A. Brain-machine interfaces: Past, present and future. Trends Neruosci. 29 (9), 536-546 (2006).
  3. Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., Vaughan, T. M. Brain-computer interfaces for communication and control. Clin. Neurophysiol. 113, 767-791 (2002).
  4. Bell, C. J., Shenoy, P., Chalodhorn, R., Rao, R. P. Control of a humanoid robot by a noninvasive brain-computer interface in humans. J. Neural. Eng. 5, 214-220 (2008).
  5. Li, W., Li, M., Zhao, J. Control of humanoid robot via motion-onset visual evoked potentials. Front. Syst. Neurosci. 8, 247(2014).
  6. Regan, D. Some characteristics of average steady-state and transient responses evoked by modulated light. Electroencephalogr. Clin. Neurophysiol. 20, 238-248 (1966).
  7. Vialatte, F. B., Maurice, M., Dauwels, J., Cichocki, A. Steady-state visually evoked potentials: focus on essential paradigms and future perspectives. Prog. Neurobiol. 90, 418-438 (2010).
  8. Bin, G., Gao, X., Wang, Y., Li, Y., Hong, B., Gao, S. A high-speed BCI based on code modulation VEP. J. Neural. Eng. 8, 025015(2011).
  9. Sutton, S., Braren, M., Zubin, J., John, E. R. Evoked-potential correlates of stimulus uncertainty. Science. 150, 1187-1188 (1965).
  10. Pfurtscheller, G., Lopes da Silva, H. F. Event-related EEG/MEG synchronization and desynchronization: basic principles. Clin. Neurophysiol. 110, 1842-1857 (1999).
  11. 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).
  12. Homan, R. W., Herman, J., Purdy, P. Cerebral location of international 10-20 system electrode placement. Electroencephalogr. Clin. Neurophysiol. 66, 376-382 (1987).
  13. Bin, G., Gao, X., Yan, Z., Hong, B., Gao, S. An online multi-channel SSVEP-based brain-computer interface using a canonical correlation analysis method. J. Neural. Eng. 6, 046002(2009).
  14. Wang, Y., Wang, R., Gao, X., Hong, B., Gao, S. A practical VEP-based brain-computer interface. IEEE Trans. Neural Syst. Rehabil. Eng. 14, 234-239 (2006).
  15. Setting NAO's WiFi connection - Aldebaran 2.1.3.3 documentation [Internet]. , Aldebaran Robotics Co. Available from: http://doc.aldebaran.com/2-1/nao/nao-connecting.html (2015).
  16. Chae, Y., Jeong, J., Jo, S. Toward brain-actuated humanoid robots: asynchronous direct control using an EEG-based BCI. IEEE T. Robot. 28, 1131-1144 (2012).
  17. Croft, R. J., Barry, R. J. Removal of ocular artifact from the EEG: a review. Neurophysiol. Clin. 30, 5-19 (2000).
  18. Hwang, H. J., Hwan Kim, D., Han, C. H., Im, C. H. A new dual-frequency stimulation method to increase the number of visual stimuli for multi-class SSVEP-based brain-computer interface (BCI). Brain Res. 1515, 66-77 (2013).
  19. Wang, M., Daly, I., Allison, B., Jin, J., Zhang, Y., Chen, L., Wang, X. A new hybrid BCI paradigm based on P300 and SSVEP. J Neurosci Methods. 244, 16-25 (2015).
  20. Allison, B. Z., Jin, J., Zhang, Y., Wang, X. A four-choice hybrid P300 SSVEP BCI for improved accuracy. Brain-Computer Interfaces. 1, 17-26 (2014).
  21. Pan, J. H., Xie, Q., Herman, Y., Wang, F., Di, H., Laureys, S., Yu, R., Li, Y. Detecting awareness in patients with disorders of consciousness using a hybrid brain-computer interface. J. Neural. Eng. 11, 056007(2014).
  22. Li, J., Ji, H., Cao, L., Zhang, D., Gu, R., Xia, B., Wu, Q. Evaluation and application of a hybrid brain computer interface for real wheelchair parallel control with multi-degree of freedom. Int J Neural Syst. 24, 1450014-14 (2014).
  23. 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).
  24. Zhu, D., Bieger, J., Molina, G. G., Aarts, R. M. A survey of stimulation methods used in SSVEP-based BCIs. Comput Intell Neurosci. 2010, 1-12 (2010).
  25. Muller-Putz, G. R., Scherer, R., Brauneis, C., Pfurtscheller, G. Steady-state visual evoked potential (SSVEP)-based communication: impact of harmonic frequency components. J Neural Eng. 2, 123-130 (2005).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Akwizycja danych EEGsterowanie w pętli zamkniętejsterowanie robotem humanoidalnymtrening offlineprzetwarzanie sygnałów onlinekanoniczna analiza korelacjigęstość widmowa mocysprzężenie zwrotne wideo
Eksperymentalna procedura oparta na SSVEP dla interakcji mózg-robot z robotami humanoidalnymi
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.