Artykuł metodologiczny

Jednokanałowy i nieinwazyjny interfejs mózg-komputer do noszenia na ciele dla przemysłu i opieki zdrowotnej

DOI:

10.3791/65007

⸱

7 lipca 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

W tym artykule

Podsumowanie

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

Ten artykuł omawia, jak zbudować interfejs mózg-komputer, opierając się na sprzęcie klasy konsumenckiej i wizualnie wywoływanych potencjałach w stanie ustalonym. W tym celu jednokanałowy elektroencefalograf wykorzystujący suche elektrody został zintegrowany z okularami rzeczywistości rozszerzonej do prezentacji bodźców i wizualizacji danych wyjściowych. Ostateczny system był nieinwazyjny, przenośny i ubieralny.

Streszczenie

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

Obecna praca skupia się na tym, jak zbudować przenośny interfejs mózg-komputer (BCI). BCI to nowatorski sposób interakcji człowiek-komputer, który opiera się na bezpośrednich pomiarach sygnałów mózgowych, aby pomóc zarówno osobom niepełnosprawnym, jak i pełnosprawnym. Przykłady zastosowań obejmują sterowanie robotami, inspekcję przemysłową i neurorehabilitację. Warto zauważyć, że ostatnie badania wykazały, że wizualne potencjały wywołane w stanie ustalonym (SSVEP) są szczególnie odpowiednie do zastosowań komunikacyjnych i kontrolnych, a obecnie podejmowane są wysiłki w celu wprowadzenia technologii BCI do codziennego życia. Aby osiągnąć ten cel, ostateczny system musi opierać się na przenośnym i niedrogim oprzyrządowaniu. Do wykorzystania SSVEP wymagany jest migoczący bodziec wizualny o stałych częstotliwościach. W związku z tym, biorąc pod uwagę ograniczenia życia codziennego, w tym badaniu zbadano możliwość dostarczania bodźców wzrokowych za pomocą inteligentnych okularów. Ponadto, aby wykryć wywołane potencjały, rozważano komercyjne urządzenie do elektroencefalografii (EEG). Składa się on z pojedynczego kanału różnicowego z suchymi elektrodami (bez żelu przewodzącego), dzięki czemu osiąga się najwyższą wygodę noszenia i przenośność. W takim BCI użytkownik może wchodzić w interakcję z inteligentnymi okularami, po prostu wpatrując się w ikony pojawiające się na wyświetlaczu. Opierając się na tej prostej zasadzie, zbudowano przyjazny dla użytkownika, niedrogi BCI, integrując okulary rozszerzonej rzeczywistości (XR) z dostępnym na rynku urządzeniem EEG. Funkcjonalność tego urządzenia do noszenia XR-BCI została zbadana w ramach kampanii eksperymentalnej z udziałem 20 osób. Dokładność klasyfikacji wynosiła średnio od 80% do 95% w zależności od czasu stymulacji. Biorąc pod uwagę te wyniki, system może być używany jako interfejs człowiek-maszyna do inspekcji przemysłowej, ale także do rehabilitacji w ADHD i autyzmie.

Wprowadzenie

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

Interfejs mózg-komputer (BCI) to system umożliwiający komunikację i/lub kontrolę urządzeń bez naturalnych ścieżek neuronowych1. Technologia BCI jest najbliższą rzeczą, jaką ludzkość ma do kontrolowania obiektów za pomocą siły umysłu. Z technicznego punktu widzenia, działanie systemu działa poprzez pomiar indukowanej lub wywołanej aktywności mózgu, która może być mimowolnie lub dobrowolnie wygenerowana przez subject2. Historycznie rzecz biorąc, badania koncentrowały się na pomocy osobom z niepełnosprawnością ruchową poprzez BCI3, ale obecnie coraz więcej firm oferuje oprzyrządowanie oparte na BCI do gier4, robotics5, industry6 i innych zastosowań wymagających interakcji człowiek-maszyna. Warto zauważyć, że BCI mogą odegrać rolę w czwartej rewolucji przemysłowej, a mianowicie w przemyśle 4.07, gdzie cyber-fizyczne systemy produkcyjne zmieniają interakcję między ludźmi a otaczającym środowiskiem8. Ogólnie rzecz biorąc, w ramach europejskiego projektu BNCI Horyzont 2020 zidentyfikowano scenariusze zastosowań, takie jak zastępowanie, przywracanie, ulepszanie, wzmacnianie lub uzupełnianie utraconych naturalnych funkcji ośrodkowego układu nerwowego, a także wykorzystanie BCI w badaniu mózgu9.

W tym kontekście, ostatnie osiągnięcia technologiczne oznaczają, że interfejsy mózg-komputer mogą być stosowane do użytku w codziennym życiu10,11. Aby osiągnąć ten cel, pierwszym wymogiem jest nieinwazyjność, co jest ważne dla uniknięcia ryzyka interwencji chirurgicznej i zwiększenia akceptacji użytkowników. Warto jednak zauważyć, że wybór nieinwazyjnego neuroobrazowania wpływa na jakość mierzonych sygnałów mózgowych, a projekt BCI musi wtedy radzić sobie z powiązanymi pułapkami12. Ponadto wymagana jest łatwość noszenia i przenośność. Wymagania te są zgodne z potrzebą systemu przyjaznego dla użytkownika, ale stwarzają również pewne ograniczenia. Ogólnie rzecz biorąc, wspomniane ograniczenia sprzętowe są rozwiązywane poprzez zastosowanie systemu elektroencefalograficznego (EEG) z elektrodami bezżelowymi6. Taki BCI oparty na EEG byłby również tani. Tymczasem, jeśli chodzi o oprogramowanie, pożądane byłoby minimalne szkolenie użytkowników (lub najlepiej brak szkolenia); Mianowicie, najlepiej byłoby unikać długich okresów na dostrojenie algorytmu przetwarzania, zanim użytkownik będzie mógł korzystać z systemu. Ten aspekt jest krytyczny w BCI ze względu na niestacjonarność między przedmiotami i wewnątrzprzedmiotami13,14.

Poprzednia literatura wykazała, że wykrywanie wywołanych potencjałów mózgu jest skuteczne w odniesieniu do niestacjonarności i szumów w akwizycji sygnału. Innymi słowy, BCI polegające na wykrywaniu potencjału wywołanego są określane jako reaktywne i są najlepiej działającymi BCI pod względem rozpoznawania wzorców mózgowych15. Niemniej jednak wymagają stymulacji sensorycznej, co jest prawdopodobnie główną wadą takich interfejsów. Celem proponowanej metody jest zatem zbudowanie wysoce poręcznego i przenośnego BCI opartego na gotowym do noszenia oprzyrządowaniu. Bodźce sensoryczne składają się tutaj z migoczących świateł, generowanych przez inteligentne okulary, które są w stanie wywołać wizualnie wywołane potencjały w stanie ustalonym (SSVEP). Wcześniejsze prace rozważały już integrację BCI z rzeczywistością wirtualną, samodzielnie lub w połączeniu z rzeczywistością rozszerzoną16. Na przykład, zaproponowano system BCI-AR do sterowania quadkopterem z SSVEP17. Rzeczywistość wirtualna, rzeczywistość rozszerzona i inne paradygmaty są określane terminem rzeczywistość rozszerzona. W takim scenariuszu wybór inteligentnych okularów jest zgodny z wymaganiami dotyczącymi możliwości noszenia i przenośności, a inteligentne okulary można zintegrować z minimalną konfiguracją akwizycji EEG. Niniejszy artykuł pokazuje, że BCI oparty na SSVEP wymaga również minimalnego szkolenia, osiągając akceptowalną wydajność klasyfikacji dla aplikacji komunikacyjnych i kontrolnych o niskiej i średniej prędkości. W związku z tym technika ta jest stosowana w BCI do zastosowań w życiu codziennym i wydaje się szczególnie odpowiednia dla przemysłu i opieki zdrowotnej.

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

Protokół

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

Badanie zostało zatwierdzone przez Komisję Etyczną Badań Psychologicznych Wydziału Nauk Humanistycznych Uniwersytetu Neapolitańskiego Federico II. Ochotnicy podpisali świadomą zgodę przed wzięciem udziału w eksperymentach.

1. Przygotowanie nieinwazyjnego mózgu do noszenia - interfejs komputerowy

  1. Zaopatrz się w tani elektroencefalograf klasy konsumenckiej z suchymi elektrodami i skonfiguruj go do użytku jednokanałowego.
    1. Zewrzeć lub podłączyć wszystkie nieużywane kanały wejściowe taniego elektroencefalografu do wewnętrznego napięcia odniesienia, jak określono w odpowiednim arkuszu danych. W ten sposób nieużywane kanały są wyłączone i nie generują szumów przesłuchów.
    2. Dostosuj wzmocnienie elektroencefalografu (zwykle przez element o zmiennej rezystancji) tak, aby miało zakres wejściowy rzędu 100 μV.
      UWAGA: Sygnały EEG, które mają być mierzone, są rzędu kilkudziesięciu mikrowoltów. Jednak na suche elektrody duży wpływ mają artefakty ruchu, które powodują oscylacje rzędu 100 μV ze względu na zmienność impedancji elektroda-powłoka. Zwiększenie zakresu napięcia wejściowego pomaga ograniczyć nasycenie wzmacniacza EEG, ale nie eliminuje go całkowicie. Z drugiej strony, niewygodne byłoby jeszcze większe zwiększanie zakresu napięcia wejściowego, ponieważ wpłynęłoby to na rozdzielczość napięcia przy pomiarze pożądanych składowych EEG. Ostatecznie te dwa aspekty muszą zostać zrównoważone, biorąc pod uwagę również rozdzielczość bitową przetwornika analogowo-cyfrowego wewnątrz płytki elektroencefalografu.
    3. Przygotuj trzy suche elektrody do połączenia z płytą elektroencefalografu. Użyj elektrody pasywnej (bez wstępnego amplifikacji) jako elektrody odniesienia. Pozostałe dwie elektrody pomiarowe powinny być aktywne (tzn. obejmują wstępne wzmocnienie i ewentualne filtrowanie analogowe).
      UWAGA: Elektrody umieszczone na owłosionej skórze głowy wymagają szpilek, aby pokonać impedancję kontaktu elektroda-skóra. Jeśli to możliwe, srebrne piny z płaskimi (aby uniknąć zbyt dużego bólu dla użytkownika) lub najlepiej użyj przewodzącej (miękkiej) gumy z powłoką Ag/AgCl.
  2. Uzyskaj komercyjne inteligentne okulary z systemem operacyjnym Android i częstotliwością odświeżania 60 Hz. Alternatywnie użyj niższej częstotliwości odświeżania. Wyższa częstotliwość odświeżania byłaby pożądana w przypadku bodźców, ponieważ zmęczenie oczu byłoby mniejsze, ale obecnie na rynku nie ma dostępnych rozwiązań.
    1. Pobierz kod źródłowy aplikacji na Androida do komunikacji lub sterowania albo opracuj ją.
    2. Zastąp wirtualne przyciski w aplikacji migoczącymi ikonami, zmieniając nieodłączny obiekt (zwykle w Javie lub Kotlinie). Zalecane są białe kwadraty o co najmniej 5% wymiarze ekranu. Zwykle im większy kwadrat stymulacyjny, tym wyższy będzie komponent SSVEP do wykrycia, ale optimum można znaleźć w zależności od konkretnego przypadku. Zalecane częstotliwości to 10 Hz i 12 Hz migotanie. Zaimplementuj migotanie na procesorze graficznym (GPU), aby uniknąć przeciążenia jednostki obliczeniowej (CPU) inteligentnych okularów. W tym celu należy wykorzystać obiekty z biblioteki OpenGL.
    3. Zaimplementuj moduł aplikacji Android do przetwarzania w czasie rzeczywistym wejściowego strumienia EEG. Usługę USB systemu Android można dodać, aby strumień mógł być odbierany przez USB. Przetwarzanie w czasie rzeczywistym może po prostu zastosować przesuwane okno do strumienia EEG, biorąc pod uwagę przychodzące pakiety. Oblicz gęstości widmowe mocy związane z częstotliwościami 10 Hz i 12 Hz za pomocą szybkiej funkcji transformaty Fouriera. Wytrenowany klasyfikator może w ten sposób odróżnić, że użytkownik patrzy na ikonę migotania 10 Hz lub ikonę migotania 12 Hz, klasyfikując cechy gęstości widmowej mocy.

2. Kalibracja mózgu opartego na SSVEP - interfejs komputerowy

UWAGA: Do tego badania wybrano zdrowych ochotników. Wyklucz osoby z historią chorób mózgu. Badani musieli mieć normalne lub skorygowane do normalnego widzenie. Zostali poinstruowani, aby podczas eksperymentów byli zrelaksowani i unikali niepotrzebnych ruchów, zwłaszcza głowy.

  1. Pozwól użytkownikowi nosić inteligentne okulary z aplikacją na Androida.
  2. Pozwól użytkownikowi nosić ciasny pałąk do trzymania elektrod.
  3. Podłącz tani elektroencefalograf do komputera za pomocą USB, gdy komputer jest odłączony od głównego źródła zasilania.
    1. Początkowo odłącz wszystkie elektrody od płytki akwizycji elektroencefalografu, aby zacząć od znanego stanu.
    2. W tej fazie strumień EEG jest przetwarzany w trybie offline na komputerze za pomocą skryptu kompatybilnego z przetwarzaniem zaimplementowanym w aplikacji na Androida. Uruchom skrypt, aby odbierać sygnały EEG i wizualizować je.
  4. Sprawdź wyświetlany sygnał, który jest przetwarzany w trybie offline. Musi to odpowiadać tylko szumowi kwantyzacji wzmacniacza EEG.
  5. Podłącz elektrody.
    1. Przyłóż elektrodę pasywną do lewego ucha za pomocą niestandardowego klipsa lub użyj elektrody z klipsem do ucha. Na tym etapie sygnał wyjściowy musi pozostać niezmieniony, ponieważ pomiarowy kanał różnicowy jest nadal obwodem otwartym.
    2. Podłącz aktywną elektrodę do ujemnego zacisku wejścia różnicowego kanału pomiarowego EEG i nałóż na obszar czołowy (standardowe położenie Fpz) za pomocą opaski na głowę. Po kilku sekundach sygnał powinien powrócić do zera (szum kwantyzacji).
    3. Podłącz drugą aktywną elektrodę do dodatniego zacisku wejścia różnicowego kanału pomiarowego EEG i przyłóż do okolicy potylicznej (standardowa lokalizacja Oz) za pomocą opaski. Wyświetlany jest teraz sygnał mózgowy, który odpowiada aktywności wzrokowej mierzonej w odniesieniu do czołowego obszaru mózgu (nie przewiduje się tam żadnej aktywności wzrokowej).
  6. Zbieraj sygnały do kalibracji systemu.
    1. Wielokrotnie stymuluj użytkownika za pomocą migoczących ikon 10 Hz i 12 Hz (i ewentualnie innych), uruchamiając ikonę migotania w aplikacji na Androida, a następnie zbieraj i zapisuj nieodłączne sygnały EEG do przetwarzania w trybie offline. Upewnij się, że każda stymulacja w tej fazie składa się z pojedynczej ikony migoczącej przez 10 sekund i uruchom migoczącą ikonę, naciskając touchpad inteligentnych okularów, jednocześnie uruchamiając skrypt akwizycji i wizualizacji EEG.
    2. Z 10-sekundowych sygnałów związanych z każdą stymulacją wyodrębnij dwie cechy za pomocą szybkiej transformaty Fouriera: gęstość widmową mocy przy 10 Hz i przy 12 Hz. Alternatywnie rozważ drugie harmoniczne (20 Hz i 24 Hz).
    3. Użyj reprezentacji uzyskanych sygnałów w domenie cech, aby wytrenować klasyfikator maszynowy wektorów nośnych. Użyj narzędzia (w Matlabie lub Pythonie), aby zidentyfikować parametry hiperpłaszczyzny z ostatecznym jądrem na podstawie cech wejściowych. Wyszkolony model będzie w stanie klasyfikować przyszłe obserwacje sygnałów EEG.

3. Zmontuj ostateczny przenośny interfejs oparty na SSVEP

  1. Odłącz USB od komputera i podłącz go bezpośrednio do inteligentnych okularów.
  2. Wstaw parametry wytrenowanego klasyfikatora do aplikacji systemu Android. System jest już gotowy.

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

Wyniki

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

Możliwa implementacja systemu opisanego powyżej jest pokazana w Rysunek 1; Ta implementacja pozwala użytkownikowi poruszać się w rzeczywistości rozszerzonej poprzez aktywność mózgu. Migoczące ikony na wyświetlaczu inteligentnych okularów odpowiadają działaniom aplikacji (Rysunek 1A), a zatem okulary te stanowią substytut tradycyjnego interfejsu opartego na naciskaniu przycisków lub panelu dotykowym. Skuteczność takiego oddziaływania jest ś...

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

Dyskusja

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

Prawidłowe funkcjonowanie systemu obejmuje dwa kluczowe aspekty: pozyskiwanie SSVEP i akwizycję sygnału. Oprócz konkretnych urządzeń wybranych do niniejszego badania, SSVEP można wywołać za pomocą różnych urządzeń zapewniających migoczące światło, chociaż preferowane są inteligentne okulary, aby zapewnić wygodę noszenia i przenośność. Analogicznie można by rozważyć dalsze komercyjne elektroencefalografy, ale musiałyby one nadawać się do noszenia, przenosić i zawierać minimalną liczbę suchych elektrod, aby były przyjazne ...

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

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

Ta praca została wykonana w ramach projektu ICT for Health, który był wspierany finansowo przez włoskie Ministerstwo Edukacji, Szkolnictwa Wyższego i Badań (MIUR), w ramach inicjatywy Departments of Excellence (włoska ustawa budżetowa nr 232/2016), poprzez grant doskonałości przyznany Wydziałowi Technologii Informacyjnych i Inżynierii Elektrycznej Uniwersytetu Neapolitańskiego Federico II, Neapol, Włochy. Realizacja projektu była możliwa dzięki wsparciu inicjatywy Res4Net oraz TC-06 (Emerging Technologies in Measurements) organizacji IEEE Instrumentation and Measurement Society. Autorzy pragną również podziękować L. Callegaro, A. Cioffi, S. Criscuolo, A. Cultrera, G. De Blasi, E. De Benedetto, L. Duraccio, E. Leone i M. Ortolano za ich cenny wkład w rozwój, testowanie i walidację systemu.

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

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Guma przewodząca z powłoką Ag/AgCl AB Medica S.p.A.Nie dotyczyAlternatywne elektrody – typ 2
Elektroda do uchaOpenBCIN/AKlips na ucho
EEG-AEOlimexN/AElektrody aktywne
EEG-PEOlimexN/AElektroda pasywna
EEG-SMTOlimexN/ATani elektroencefalograf
Moverio BT-200EpsonN/ASmart okulary
Elektrody zatrzaskoweOpenBCIN/AElektrody alternatywne – typ 1

Bibliografia

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

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

Single Channel EEGSteady State Visually Evoked PotentialsSSVEP BCISmart GlassesEEG Signal ProcessingSupport Vector MachinePower Spectral DensityIndustrial InspectionNeurorehabilitation

Powiązane artykuły