Artykuł metodologiczny

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

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

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

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

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

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

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

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

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

1. Odbieranie sygnałów EEG

  1. Wyjaśnij uczestnikowi procedurę eksperymentalną i uzyskaj pisemną świadomą zgodę na udział w eksperymentach.
  2. Zmierz obwód głowy osoby badanej za pomocą taśmy mierniczej i wybierz rozmiar czepka EEG, który jest zbliżony do pomiaru. Układ elektrod oparty jest na "Międzynarodowym systemie 10-20" 12.
  3. Zmierz odległość między nasionami a nasionami. Użyj ołówka do markera do skóry, aby zaznaczyć 10% odległości jako odniesienie do wyrównania czapki, a następnie zaznacz punkt środkowy odległości jako wierzchołek na skórze głowy fotografowanej osoby.
  4. Umieść czepek EEG na badanym, wyrównując znak 10% z punktem środkowym elektrod FP1 i FP2. Ustawić elektrodę Cz nasadki na wierzchołku.
  5. Upewnij się, że Fz, Cz, Pz i Oz znajdują się na linii środkowej głowy i że każda para elektrod znajdujących się po obu stronach linii środkowej znajduje się w linii poziomej.
  6. Posmaruj elektrody REF1 i REF2 żelem przewodzącym. Umieść elektrody referencyjne na lewym i prawym wyrostku sutkowatym za pomocą taśmy medycznej. Zaciśnij pasek podbródkowy.
  7. Umieść strzykawkę z końcówką w uchwytach elektrod i wstrzyknij żel przewodzący do każdej elektrody w następującej kolejności: najpierw elektroda "masująca" na czole, a po drugie, pięć elektrod użytych w eksperymencie, O2, O1, Oz, Pz i Cz.
  8. Posadź osobę badaną na wygodnym krześle 60 cm przed monitorem bodźców. Poinstruuj badanego, aby trzymał oczy 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 DPC. Jeśli wystąpi problem z konkretną elektrodą, ponownie wstrzyknij żel, aby wyregulować impedancję kanału.
  11. Użyj dedykowanego SPC, aby migotać cztery obrazy robotów na częstotliwościach 4.615, 12, 15 i 20 Hz jako bodźce wizualne w interfejsie użytkownika, jak pokazano na rysunku 2.

2. Analiza offline funkcji SSVEP

  1. Przeprowadź 32 próby eksperymentów szkoleniowych offline dla każdego uczestnika i rejestruj jego sygnały mózgowe uzyskane z systemu EEG przez cały ten proces.
    UWAGA: proces ten jest przeprowadzany tylko przez osoby biorące udział w eksperymencie po raz pierwszy w celu ustalenia wektorów cech SSVEP i wytrenowania klasyfikatora.
  2. Po rozpoczęciu próby wybierz losowo jeden bodziec jako cel i wyświetl nad nim żółtą strzałkę.
  3. 1 sekundę później migoczące cztery bodźce wizualne o różnych częstotliwościach w interfejsie użytkownika przez 5 sekund.
  4. Poproś badanego, aby skupił się na wybranym celu bodźca, jednocześnie ograniczając ruchy swojego ciała do minimum.
  5. Po każdej próbie daj badanemu 3 sekundy na relaks, a następnie rozpocznij następną próbę.
  6. Po zakończeniu wszystkich prób odczytaj zapisane dane. Wyodrębnij 3-sekundową epokę danych z zakresu od 2 do 5 sekund po wyzwalaczu, który wybiera bodziec jako cel w każdej próbie.
  7. Oblicz gęstość widma mocy (PSD) epok danych za pomocą analizatora danych offline w skryptach MATLAB. Użyj algorytmu przetwarzania opisanego szczegółowo poniżej:
    1. Oblicz współczynniki analizy korelacji kanonicznej (CCA) wielokanałowych danych EEG z danymi referencyjnymi. CCA jest wielowymiarową metodą statystyczną stosowaną do dwóch zestawów danych w celu znalezienia ich podstawowej korelacji 13. Biorąc pod uwagę segment 3s wielokanałowych danych EEG X i danych referencyjnych Y o tej samej długości, użyj CCA, aby znaleźć wektory wagowe, Wx i Wy, aby zmaksymalizować współczynnik korelacji ρ między x = XTWx i y = YTWy. Ustaw dane referencyjne tak, aby były sygnałami okresowymi o określonych częstotliwościach bodźców.
      figure-protocol-1
      gdzie f1, f2, f3, f4 są częstotliwościami cech czterech bodźców wzrokowych.
    2. Przefiltruj przestrzennie wielokanałowe dane EEG X przy użyciu obliczonych współczynników CCA Wx, aby uzyskać jednowymiarowe przefiltrowane dane x, które mają najbardziej wyraźną korelację z liniową kombinacją danych referencyjnych.
    3. Oblicz PSD danych filtrowanych przestrzennie x za pomocą szybkiej transformaty Fouriera (FFT).
      figure-protocol-2
      gdzie NFFT jest wielkością próbki danych x, a FFT(x, NFFT) zwraca N dyskretną transformatę Fouriera w punkcie FFT x.
    4. Znormalizować PSD w odniesieniu do jego średniej wartości w zakresie od 3 do 30 Hz.
      figure-protocol-3
      gdzie figure-protocol-4 oznacza średnią z zakresu mocy od 3 do 30Hz.
  8. Skalibruj parametry klasyfikacji dla czterech częstotliwości bodźców. Najpierw obserwuj znormalizowane widmo PSD, które odpowiada docelowemu bodźcowi, i ręcznie skonfiguruj częstotliwość o najsilniejszej amplitudzie PSD jako częstotliwość funkcji. Na podstawie częstotliwości cech podziel znormalizowane dane PSD na dwa zestawy: jeden jest pozyskiwany, gdy odpowiedni bodziec jest wybrany jako cel, a drugi jest pozyskiwany, gdy wybrane są bodźce niedocelowe. Oblicz odpowiednio średnią wartość każdego zestawu. Określ próg na podstawie mediany dwóch średnich wartości, aby sklasyfikować zestawy docelowe i niedocelowe 14.

3. Przetwarzanie sygnałów mózgowych online

  1. Otwórz procesor sygnałowy online, jak pokazano na rysunku 3, który został opracowany w oparciu o środowisko OpenViBE i skrypty MATLAB, na DPC do przetwarzania sygnałów mózgowych w trybie online.
  2. Kliknij dwukrotnie pole Sygnał pozyskiwania i przetwarzania, które jest oznaczone czerwonym cyklem na rysunku 3, aby otworzyć okno ustawień OpenViBE. Skonfiguruj parametry klasyfikacji dla obiektu: ustaw częstotliwość próbkowania na 1 kHz, ustaw długość czasu dla FFT na 3 sekundy i ustaw częstotliwości funkcji zgodnie z wynikami analizy offline, np. 4.667, 24, 15 i 20 Hz.
  3. Kliknij przycisk Start, aby uruchomić procesor sygnału online, który przetwarza dane w czasie rzeczywistym przy użyciu następującego algorytmu w trzech krokach.
  4. Po pierwsze, algorytm pozyskuje dane EEG z kanałów Oz, O1, O2, Pz i CPz systemu EEG co 0,5 s i wyodrębnia segment danych z ostatnich 3 sekund do przetwarzania online.
  5. Po drugie, algorytm przetwarza 3-sekundowy segment danych przy użyciu algorytmów opisanych w kroku 2.7 i oblicza plik PSD w czasie rzeczywistym na potrzeby klasyfikacji.
  6. Po trzecie, algorytm klasyfikuje wzorce fal mózgowych zgodnie z amplitudami PSD przy czterech częstotliwościach cech. Gdy amplituda jednej częstotliwości cechy jest wyższa od danego progu, należy sklasyfikować bodziec migoczący z odpowiednią częstotliwością jako cel SSVEP.

4. Podłączanie robota humanoidalnego

  1. Naciśnij przycisk klatki piersiowej humanoidalnego robota i poczekaj, aż się uruchomi.
    UWAGA: ten proces trwa około 1 minuty i kończy się, gdy robot powie "OGNAK GNOUK", podczas gdy jego przycisk klatki piersiowej zmieni kolor na biały.
  2. Nawiąż połączenie Wireless Fidelity (WiFi) z DPC 15.
  3. Otwórz kontroler robota zaprogramowany w skryptach Visual C++ na DPC. Sterownik odbiera wyniki klasyfikacji z procesora sygnałowego online za pośrednictwem interfejsu sieci peryferyjnej rzeczywistości wirtualnej (VRPN), tłumaczy je na polecenia robota i kontroluje odpowiednie zachowania robota humanoidalnego za pośrednictwem połączenia bezprzewodowego.
  4. Skonfiguruj kontroler robota, wprowadzając adres IP robota zgodnie z jego połączeniem Wi-Fi, definiując trzy zestawy zachowań robota, które można łatwo przełączyć, aby wykonać trzy różne zadania, oraz ustawiając parametry wykonania tych zachowań (np. prędkość chodzenia lub odległość), aby dopasować 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 Konstruuj platformy Visual Studio, aby uruchomić kontroler robota.
  6. Otwórz program Choregraphe na SPC. Kliknij przycisk "Połącz z", aby wyświetlić widżet połączenia. Wybierz robota, który ma być sterowany, zgodnie z jego adresem IP i kliknij dwukrotnie jego ikonę, aby się z nim połączyć.
  7. Otwórz monitor wideo z view menu na pasku menu Choregraphe i przesuń monitor na przód interfejsu użytkownika, aby wyświetlić na żywo informacje zwrotne wideo z kamery robota.

5. Przeprowadzanie eksperymentów kontrolnych w pętli zamkniętej

  1. Poproś podmiot o wykonanie trzech konkretnych zadań kontrolnych w pętli zamkniętej w różnych środowiskach w celu oceny wydajności interakcji mózg-robot.
    UWAGA: te zadania, które są ważne w zastosowaniach robotycznych, ponieważ są pomocne w pomaganiu osobom niepełnosprawnym i starszym w ich codziennym życiu, muszą aktywować różne zachowania robotów.
  2. Przeprowadź pierwsze zadanie sterowania w pętli zamkniętej, aby telepresence sterować humanoidalnym robotem za pomocą sygnałów mózgowych, aby przejść przez przeszkody i nacisnąć włącznik światła, aby włączyć światło, jak pokazano na rysunku 4.
    1. Aby wykonać pierwsze zadanie, kontroluj zachowania robota, które są kodowane przez cztery bodźce SSVEP jako: krok do przodu ze stałą odległością 0,15 m, skręt w lewo ze stałym radianem 0,3 rad, skręt w prawo ze stałym radianem 0,3 rad i naciśnięcie przełącznika prawą ręką.
      UWAGA: proces konfiguracji jest opisany w kroku 4.4.
    2. Poinformuj podmiot o celu zadania i czterech zachowaniach, które mają być kontrolowane.
    3. Uruchom kontroler robota zgodnie z krokami 4.5-4.7 i rozpocznij eksperyment. Daj badanemu swobodę postrzegania otoczenia i podejmowania decyzji w oparciu o informacje zwrotne wideo na żywo oraz aktywowania zachowań robota poprzez wpatrywanie się w odpowiednie bodźce.
      UWAGA: nie należy udzielać obiektowi żadnych instrukcji ani pomocy, chyba że w sytuacjach awaryjnych, np. robot ma zamiar zderzyć się z przeszkodą.
  3. Wykonaj drugie zadanie, aby zdalnie sterować humanoidalnym robotem za pomocą sygnałów mózgowych, aby szedł w kierunku schodów zgodnie ze znakiem wyjścia, jak pokazano na rysunku 5. Podczas konfrontacji z przechodniami poproś testera, aby sterował robotem, aby powiedział "przepraszam" i poczekał, aż przechodnie ustąpią.
    1. Kontroluj zachowania robota zakodowane przez cztery bodźce SSVEP jako: ciągłe chodzenie do przodu z prędkością 0,05 m/s, ciągłe skręcanie w lewo z prędkością 0,1 rad/s, ciągłe skręcanie w prawo z prędkością 0,1 rad/s i zatrzymywanie wszystkich zachowań związanych z chodzeniem.
    2. Przełącz sterownik robota na funkcję sterowania w zależności od postawy 16.
      UWAGA: gdy robot chodzi, ta funkcja wykorzystuje czwarty bodziec jako polecenie zaprzestania zachowań związanych z chodzeniem; Kiedy robot nie chodzi, wykorzystuje czwarty bodziec do sterowania robotem, aby powiedzieć "przepraszam". Funkcja jest zaimplementowana w skryptach C++ poprzez wykrywanie stanu chodzenia robota.
    3. Poinformuj podmiot o celu zadania i pięciu zachowaniach, które mają być kontrolowane.
    4. Uruchom kontroler robota i rozpocznij eksperyment zgodnie z opisem w kroku 5.2.3.
  4. Wykonaj trzecie zadanie, aby zdalnie sterować humanoidalnym robotem, aby szedł w kierunku celu balonu, podniósł go i dostarczył do ręki badanego, jak pokazano na rysunku 6.
    1. Kontroluj zachowania robota zakodowane przez cztery bodźce SSVEP jako: krok do przodu ze stałą odległością 0,15 m, skręt w lewo ze stałym radianem 0,3 rad, skręt w prawo ze stałym radianem 0,3 rad i podnoszenie przedmiotów.
    2. Aktywuj funkcję sterowania zależnego od postawy w sterowniku robota, aby ponownie wykorzystać czwarty bodziec jako polecenie odłożenia przedmiotu, gdy został już podniesiony.
    3. Poinformuj podmiot o celu zadania i pięciu zachowaniach, które mają być kontrolowane.
    4. Uruchom kontroler robota i rozpocznij eksperyment zgodnie z opisem w kroku 5.2.3.

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

Wyniki

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

Przedstawione tutaj wyniki uzyskano od mężczyzny, który został skorygowany do wersji normalnej. Rysunek 7 przedstawia procedurę przetwarzania danych EEG, w tym wyodrębnienie wielokanałowej epoki danych (Rysunek 7A), przestrzenne filtrowanie danych przy użyciu współczynników CCA (Rysunek 7B) i obliczenie znormalizowanego PSD (Rysunek 7C).

Rysunek 8

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

Dyskusja

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

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

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

Autorzy nie mają nic do ujawnienia.

Podziękowania

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

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

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

Poproś o pozwolenie na ponowne wykorzystanie tekstu lub ilustracji tego artykułu JoVE

Poproś o pozwolenie

Tagi

SSVEPBrain Robot InteractionEEG Data AcquisitionClosed Loop ControlHumanoid Robot ControlOffline TrainingOnline Signal ProcessingCanonical Correlation AnalysisPower Spectral DensityVideo Feedback

Powiązane artykuły