Yöntem makalesi

Endüstri ve sağlık hizmetleri için tek kanallı ve non-invaziv giyilebilir beyin-bilgisayar arayüzü

DOI:

10.3791/65007

⸱

7 Temmuz 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

Bu makalede

Özet

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

Bu makale, tüketici sınıfı ekipmanlara ve kararlı durum görsel olarak uyarılmış potansiyellere dayanarak bir beyin-bilgisayar arayüzünün nasıl oluşturulacağını tartışmaktadır. Bunun için, kuru elektrotlardan yararlanan tek kanallı bir elektroensefalograf, uyaran sunumu ve çıktı verisi görselleştirmesi için artırılmış gerçeklik gözlükleriyle entegre edildi. Son sistem invaziv olmayan, giyilebilir ve taşınabilirdi.

Özet

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

Bu çalışma, giyilebilir bir beyin-bilgisayar arayüzünün (BCI) nasıl oluşturulacağına odaklanmaktadır. BCI'lar, hem engelli insanlara hem de bedensel olarak yetenekli olanlara yardımcı olmak için beyin sinyallerinin doğrudan ölçümlerine dayanan yeni bir insan-bilgisayar etkileşimi aracıdır. Uygulama örnekleri arasında robotik kontrol, endüstriyel muayene ve nörorehabilitasyon sayılabilir. Özellikle, son zamanlarda yapılan çalışmalar, kararlı durum görsel olarak uyarılmış potansiyellerin (SSVEP'ler) iletişim ve kontrol uygulamaları için özellikle uygun olduğunu ve şu anda BCI teknolojisini günlük hayata getirmek için çaba sarf edildiğini göstermiştir. Bu amaca ulaşmak için, nihai sistem giyilebilir, taşınabilir ve düşük maliyetli enstrümantasyona dayanmalıdır. SSVEP'lerden yararlanırken, sabit frekanslı titreşen bir görsel uyaran gereklidir. Bu nedenle, günlük yaşam kısıtları göz önüne alındığında, akıllı gözlükler aracılığıyla görsel uyaran sağlama olasılığı araştırılmıştır. Ayrıca, ortaya çıkan potansiyelleri tespit etmek için, elektroensefalografi (EEG) için ticari bir cihaz düşünülmüştür. Bu, kuru elektrotlara sahip tek bir diferansiyel kanaldan oluşur (iletken jel içermez), böylece en üst düzeyde giyilebilirlik ve taşınabilirlik elde edilir. Böyle bir BCI'da, kullanıcı yalnızca ekranda görünen simgelere bakarak akıllı gözlüklerle etkileşime girebilir. Bu basit prensip üzerine, genişletilmiş gerçeklik (XR) gözlüklerini ticari olarak temin edilebilen bir EEG cihazıyla entegre ederek kullanıcı dostu, düşük maliyetli bir BCI üretildi. Bu giyilebilir XR-BCI'nın işlevselliği, 20 deneği içeren deneysel bir kampanya ile incelendi. Sınıflandırma doğruluğu stimülasyon süresine bağlı olarak ortalama %80-95 arasındaydı. Bu sonuçlar göz önüne alındığında, sistem endüstriyel denetim için bir insan-makine arayüzü olarak değil, aynı zamanda DEHB ve otizmde rehabilitasyon için de kullanılabilir.

Giriş

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

Bir beyin-bilgisayar arayüzü (BCI), doğal sinir yolları olmadan cihazlarla iletişime ve / veya cihazların kontrolüne izin veren bir sistemdir1. BCI teknolojisi, insanlığın nesneleri zihnin gücüyle kontrol etmeye en yakın olduğu şeydir. Teknik açıdan bakıldığında, sistem çalışması, konu2'den istemsiz veya gönüllü olarak üretilebilecek indüklenmiş veya uyarılmış beyin aktivitesini ölçerek çalışır. Tarihsel olarak, araştırmalar BCI3 aracılığıyla motor engelli insanlara yardım etmeye odaklandı, ancak günümüzde giderek artan sayıda şirket, oyun4, robotik5, endüstri6 ve insan-makine etkileşimini içeren diğer uygulamalar için BCI tabanlı enstrümantasyon sunuyor. Özellikle, BCI'lar dördüncü sanayi devriminde, yani siber-fiziksel üretim sistemlerinin insanlar ve çevre arasındaki etkileşimi değiştirdiği endüstri 4.07'de rol oynayabilir8. Genel olarak, Avrupa projesi BNCI Horizon 2020, merkezi sinir sisteminin kayıp doğal fonksiyonlarının değiştirilmesi, geri yüklenmesi, iyileştirilmesi, geliştirilmesi veya desteklenmesi gibi uygulama senaryolarının yanı sıra BCI'nın beynin araştırılmasında kullanılması gibi uygulama senaryolarını tanımladı9.

Bu çerçevede, son teknolojik gelişmeler beyin-bilgisayar arayüzlerinin günlük yaşamda kullanım için uygun olabileceği anlamına gelmektedir10,11. Bu amaca ulaşmak için ilk gereklilik, cerrahi müdahale risklerinden kaçınmak ve kullanıcı kabulünü artırmak için önemli olan non-invazivliktir. Bununla birlikte, non-invaziv nörogörüntüleme seçiminin ölçülen beyin sinyallerinin kalitesini etkilediğini ve BCI tasarımının daha sonra ilişkili tuzaklarla başa çıkması gerektiğini belirtmek gerekir12. Ek olarak, giyilebilirlik ve taşınabilirlik gereklidir. Bu gereksinimler, kullanıcı dostu bir sisteme duyulan ihtiyaçla uyumludur, ancak aynı zamanda bazı kısıtlamalar da getirmektedir. Genel olarak, söz konusu donanım kısıtlamaları, jel içermeyen elektrotlara sahip bir elektroensefalografik (EEG) sistemin kullanılmasıyla elealınmaktadır 6. Böyle bir EEG tabanlı BCI da düşük maliyetli olacaktır. Bu arada, yazılım açısından, minimum kullanıcı eğitimi (veya ideal olarak hiçbir eğitim) istenmeyecektir; Yani, kullanıcı sistemi kullanmadan önce işleme algoritmasını ayarlamak için uzun sürelerden kaçınmak en iyisi olacaktır. Bu yön, BCI'larda özneler arası ve özne içi durağanlık olmaması nedeniyle kritik öneme sahiptir13,14.

Önceki literatür, uyarılmış beyin potansiyellerinin tespitinin, sinyal alımındaki durağanlık ve gürültü açısından sağlam olduğunu göstermiştir. Başka bir deyişle, uyarılmış potansiyelin tespitine dayanan BCI'lar reaktif olarak adlandırılır ve beyin paterni tanıma açısından en iyi performans gösteren BCI'lardır15. Bununla birlikte, muhtemelen bu tür arayüzlerin ana dezavantajı olan duyusal stimülasyona ihtiyaç duyarlar. Bu nedenle, önerilen yöntemin amacı, giyilebilir, kullanıma hazır enstrümantasyona dayanan son derece giyilebilir ve taşınabilir bir BCI oluşturmaktır. Buradaki duyusal uyaranlar, akıllı gözlükler tarafından üretilen, kararlı durum görsel olarak uyarılmış potansiyelleri (SSVEP'ler) ortaya çıkarabilen titreşen ışıklardan oluşur. Önceki çalışmalar, BCI'yı sanal gerçeklikle tek başına veya artırılmış gerçeklik16 ile birlikte entegre etmeyi zaten düşünmüştü. Örneğin, SSVEP17 ile bir quadcopter'ı kontrol etmek için bir BCI-AR sistemi önerildi. Sanal gerçeklik, artırılmış gerçeklik ve diğer paradigmalar, genişletilmiş gerçeklik terimiyle anılır. Böyle bir senaryoda, akıllı gözlük seçimi giyilebilirlik ve taşınabilirlik gereksinimlerine uygundur ve akıllı gözlükler minimum EEG edinme kurulumu ile entegre edilebilir. Bu makale, SSVEP tabanlı BCI'nın düşük-orta hızlı iletişim ve kontrol uygulamaları için kabul edilebilir sınıflandırma performansı elde ederken minimum eğitim gerektirdiğini göstermektedir. Bu nedenle, teknik günlük yaşam uygulamaları için BCI'ya uygulanır ve özellikle endüstri ve sağlık hizmetleri için uygun görünmektedir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

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

Çalışma, Napoli Üniversitesi Federico II Beşeri Bilimler Bölümü Psikolojik Araştırmalar Etik Kurulu tarafından onaylanmıştır. Gönüllüler deneylere katılmadan önce bilgilendirilmiş onam imzaladılar.

1. Non-invaziv giyilebilir beynin hazırlanması - bilgisayar arayüzü

  1. Kuru elektrotlu düşük maliyetli tüketici sınıfı bir elektroensefalograf edinin ve tek kanallı kullanım için yapılandırın.
    1. Düşük maliyetli elektroensefalograftaki kullanılmayan giriş kanallarını kısa devre yapın veya doğal veri sayfasında belirtildiği gibi dahili bir referans voltajına bağlayın. Bunu yaparken, kullanılmayan kanallar devre dışı bırakılır ve çapraz konuşma gürültüsü oluşturmazlar.
    2. Elektroensefalograf kazancını (tipik olarak değişken dirence sahip bir bileşen aracılığıyla) 100 μV mertebesinde bir giriş aralığına sahip olacak şekilde ayarlayın.
      NOT: Ölçülecek EEG sinyalleri onlarca mikrovolt mertebesindedir. Bununla birlikte, kuru elektrotlar hareket artefaktlarından büyük ölçüde etkilenir, bu da elektrot-cilt empedansındaki değişkenlik nedeniyle 100 μV mertebesinde salınımlara neden olur. Giriş voltajı aralığının arttırılması, EEG amplifikatör doygunluğunu sınırlamaya yardımcı olur, ancak bunu tamamen ortadan kaldırmaz. Öte yandan, giriş voltajı aralığını daha da artırmak sakıncalı olacaktır, çünkü bu, istenen EEG bileşenlerinin ölçülmesinde voltaj çözünürlüğünü etkileyecektir. Sonuçta, elektroensefalograf kartı içindeki analog-dijital dönüştürücünün bit çözünürlüğü de dikkate alınarak iki yön dengelenmelidir.
    3. Elektroensefalograf panosuna bağlanmak için üç kuru elektrot hazırlayın. Referans elektrot olarak pasif bir elektrot (ön amplifikasyon yok) kullanın. Kalan iki ölçüm elektrodu aktif olmalıdır (yani, ön amplifikasyon ve nihai analog filtrelemeyi içerir).
      NOT: Tüylü bir kafa derisi bölgesine yerleştirilen elektrotlar, elektrot-cilt temas empedansının üstesinden gelmek için pimler gerektirir. Mümkünse, düz başlı gümüş pimleri lehimleyin (kullanıcı için çok fazla acı çekmemek için) veya ideal olarak Ag / AgCl kaplamalı iletken (yumuşak) kauçuk kullanın.
  2. Android işletim sistemine ve 60 Hz yenileme hızına sahip ticari akıllı gözlükler edinin. Daha az göz yorgunluğu olacağı için uyaranlar için daha yüksek bir yenileme hızı arzu edilir, ancak piyasada şu anda mevcut bir çözüm yoktur.
    1. İletişim veya kontrol için bir Android uygulamasının kaynak kodunu indirin veya bir tane geliştirin.
    2. Doğal nesneyi değiştirerek uygulamadaki sanal düğmeleri titreşen simgelerle değiştirin (genellikle Java veya Kotlin'de). En az %5 ekran boyutuna sahip beyaz kareler önerilir. Genellikle, uyarıcı kare ne kadar büyük olursa, tespit edilecek SSVEP bileşeni o kadar yüksek olur, ancak belirli bir duruma bağlı olarak optimum bulunabilir. Önerilen frekanslar 10 Hz ve 12 Hz titreşmedir. Akıllı gözlüklerin bilgi işlem biriminin (CPU) aşırı yüklenmesini önlemek için titreşimi grafik işlem birimine (GPU) uygulayın. Bu amaçla, OpenGL kitaplığındaki nesneleri kullanın.
    3. Giriş EEG akışının gerçek zamanlı olarak işlenmesi için Android uygulamasının bir modülünü uygulayın. Android USB Hizmeti, akışın USB üzerinden alınabilmesi için eklenebilir. Gerçek zamanlı işleme, gelen paketleri dikkate alarak EEG akışına kayan bir pencere uygulayabilir. Hızlı bir Fourier dönüşüm fonksiyonu ile 10 Hz ve 12 Hz frekanslarıyla ilişkili güç spektral yoğunluklarını hesaplayın. Bu nedenle, eğitimli bir sınıflandırıcı, güç spektral yoğunluk özelliklerini sınıflandırarak kullanıcının 10 Hz titreşen simgeye veya 12 Hz titreşen simgeye baktığını ayırt edebilir.

2. SSVEP tabanlı beynin kalibre edilmesi - bilgisayar arayüzü

NOT: Bu çalışma için sağlıklı gönüllüler seçilmiştir. Beyin hastalıkları öyküsü olan denekleri hariç tutun. İlgili deneklerin normal veya düzeltilmiş normal görüşe sahip olmaları gerekiyordu. Deneyler sırasında rahat olmaları ve özellikle başın gereksiz hareketlerinden kaçınmaları talimatı verildi.

  1. Android uygulaması ile kullanıcının akıllı gözlük takmasına izin verin.
  2. Kullanıcının elektrotları tutmak için sıkı bir kafa bandı takmasına izin verin.
  3. Düşük maliyetli elektroensefalografı, PC ana güç kaynağından çıkarılırken bir USB kablosuyla bir PC'ye bağlayın.
    1. Başlangıçta, bilinen bir durumdan başlamak için tüm elektrotları elektroensefalograf edinme kartından ayırın.
    2. Bu aşamada, EEG akışı, Android uygulamasında uygulanan işlemle uyumlu bir komut dosyasıyla PC'de çevrimdışı olarak işlenir. EEG sinyallerini almak ve görselleştirmek için komut dosyasını başlatın.
  4. Çevrimdışı işlenen görüntülenen sinyali kontrol edin. Bu sadece EEG amplifikatörünün niceleme gürültüsüne karşılık gelmelidir.
  5. Elektrotları bağlayın.
    1. Pasif elektrodu sol kulağa özel bir klipsle uygulayın veya bir kulak klipsi elektrodu kullanın. Çıkış sinyali bu adımda değişmeden kalmalıdır, çünkü ölçüm diferansiyel kanalı hala açık bir devredir.
    2. Aktif bir elektrotu ölçüm EEG kanalının diferansiyel girişinin negatif terminaline bağlayın ve bir kafa bandı ile frontal bölgeye (Fpz standart konumu) uygulayın. Birkaç saniye sonra, sinyal sıfıra dönmelidir (niceleme gürültüsü).
    3. Diğer aktif elektrodu, ölçüm EEG kanalının diferansiyel girişinin pozitif terminaline bağlayın ve kafa bandı ile oksipital bölgeye (Oz standart konumu) uygulayın. Şimdi, frontal beyin bölgesine göre ölçülen görsel aktiviteye karşılık gelen bir beyin sinyali görüntülenir (orada görsel aktivite öngörülmez).
  6. Sistem kalibrasyonu için sinyalleri alın.
    1. Android uygulamasında titreşen simgeyi başlatarak kullanıcıyı 10 Hz ve 12 Hz (ve nihayetinde diğer) titreşen simgelerle tekrar tekrar uyarın ve çevrimdışı işleme için doğal EEG sinyallerini alın ve kaydedin. Bu aşamadaki her stimülasyonun 10 saniye boyunca titreşen tek bir simgeden oluştuğundan emin olun ve EEG alma ve görselleştirme komut dosyasını başlatırken akıllı gözlüklerin dokunmatik yüzeyine basarak titreşen simgeyi başlatın.
    2. Her stimülasyonla ilişkili 10 s sinyallerinden, hızlı Fourier dönüşümünü kullanarak iki özelliği çıkarın: 10 Hz ve 12 Hz'de güç spektral yoğunluğu. Alternatif olarak, ikinci harmonikleri (20 Hz ve 24 Hz) düşünün.
    3. Bir destek vektörü makine sınıflandırıcısını eğitmek için özellikler etki alanında edinilen sinyallerin bir temsilini kullanın. Giriş özelliklerine dayalı olarak nihai çekirdeğe sahip bir hiperdüzlemin parametrelerini tanımlamak için bir araç (Matlab veya Python'da) kullanın. Eğitilen model, EEG sinyallerinin gelecekteki gözlemlerini sınıflandırabilecektir.

3. Son giyilebilir ve taşınabilir SSVEP tabanlı arayüzü bir araya getirin

  1. USB kablosunu PC'den çıkarın ve doğrudan akıllı gözlüklere bağlayın.
  2. Eğitilen sınıflandırıcının parametrelerini Android uygulamasına ekleyin. Sistem artık hazır.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

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

Yukarıda açıklanan sistemin olası bir uygulaması Şekil 1'de gösterilmiştir; Bu uygulama, kullanıcının beyin aktivitesi yoluyla artırılmış gerçeklikte gezinmesini sağlar. Akıllı gözlük ekranındaki titreşen simgeler, uygulamanın eylemlerine karşılık gelir (Şekil 1A) ve bu nedenle, bu gözlükler düğmeye basmaya veya dokunmatik yüzeye dayanan geleneksel bir arayüzün yerini alır. Böyle bir etkileşimin etkinliği, titremenin uyandırdığı ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

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

Sistemin düzgün çalışması iki önemli yönü içerir: SSVEP uyarımı ve sinyal alımı. Mevcut çalışma için seçilen belirli cihazların yanı sıra, SSVEP, titreşen bir ışık sağlayan farklı cihazlarla ortaya çıkarılabilir, ancak giyilebilirlik ve taşınabilirliği sağlamak için akıllı gözlükler tercih edilir. Benzer şekilde, daha fazla ticari elektroensefalograf düşünülebilir, ancak giyilebilir, taşınabilir olmaları ve kullanıcı dostu olmaları için minimum sayıda kuru elektrot içermeleri gerekir. Ayrıca, sistem programlanması kolay ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

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

Yazarların açıklayacak hiçbir şeyi yok.

Teşekkürler

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

Bu çalışma, İtalya Eğitim, Üniversite ve Araştırma Bakanlığı (MIUR) tarafından Mükemmellik Bölümleri (232/2016 sayılı İtalyan Bütçe Kanunu) girişimi kapsamında, Napoli Federico II Üniversitesi Bilgi Teknolojileri ve Elektrik Mühendisliği Bölümü'ne verilen bir mükemmellik hibesi ile finansal olarak desteklenen Sağlık için BİT projesinin bir parçası olarak gerçekleştirilmiştir. Napoli, İtalya. Proje gerçekten de Res4Net girişiminin ve IEEE Enstrümantasyon ve Ölçüm Topluluğu'nun TC-06 (Ölçümlerde Gelişen Teknolojiler) desteğiyle mümkün olmuştur. Yazarlar ayrıca L. Callegaro, A. Cioffi, S. Criscuolo, A. Cultrera, G. De Blasi, E. De Benedetto, L. Duraccio, E. Leone ve M. Ortolano'ya sistemin geliştirilmesi, test edilmesi ve doğrulanmasındaki değerli katkıları için teşekkür eder.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Ag / AgCl kaplamalı iletken kauçuk AB Medica S.p.A.N/AAlternatif elektrotlar ve tip 2
Kulak klipsi elektroduOpenBCI/AKulak klipsi
EEG-AEOlimexN/AAktif elektrotlar
EEG-PEOlimexN/APasif elektrot
EEG-SMTOlimexN/ADüşük maliyetli elektroensefalograf
Moverio BT-200EpsonN/ASmart gözlük
Çıtçıtlı elektrotlarOpenBCIN/AAlternatif elektrotlar ve ndash; tip 1
N

Kaynaklar

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

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

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

İlgili makaleler