摘要 - 稳态视觉诱发电位(SSVEP)当前是脑部计算机界面(BCI)中使用最广泛的范例之一。尽管SSVEP-BCI的特征是它们的高且稳健的分类性能,但从用户体验的角度来看,反式刺激的重复表现是不舒服的。的确,SSVEP刺激的低水平视觉特征使它们随着时间的流逝而紧张,并且可能会破坏需要持续关注的任务。他们甚至可以诱导癫痫发作。本研究探讨了刺激幅度深度(90%的幅度降低),以设计SSVEP刺激,以改善用户舒适性的解决方案。在低振幅和标准的全幅度SSVEP刺激之间,系统比较了不同管道获得的分类精度。结果揭示了使用与任务相关的组件分析(TRCA)分类方法的高(99.8%)和低幅度(80.2%)刺激的高分类精度。目前的发现证明了减少SSVEP刺激幅度以增加用户舒适度为透明BCI操作铺平道路的有效性。
1个心理科学学院,澳大利亚墨尔本莫纳什大学医学院,护理与健康科学学院; 2英国牛津大学医学院实验心理学系; 3墨尔本墨尔本大学心理科学学院,澳大利亚墨尔本; 4澳大利亚堪培拉大学卫生学院心理学学科; 5特纳大脑与心理健康研究所,澳大利亚墨尔本莫纳什大学医学院,护理与健康科学学院; 6日本苏亚国家信息与通信技术学院(NICT)信息与神经网络中心(Cinet); 7高级电信研究计算神经科学实验室,2-2-2 Hikaridai,Seika-Cho,Soraku-Gun,京都,日本,日本
背景是大脑计算机界面(BCI)分类的第一代多通道脑电图(EEG)信号,通过优化的空间滤波器增强。第二代基于直接向前算法(例如最小距离至riemannian-mean)(MDRM)的直接算法,直接根据EEG信号估算了Covari-Ance矩阵。分类结果差异很大,具体取决于所选的riemannian距离或分歧,其定义和参考文献分布在广泛的数学上。方法本文审查了所有Riemannian距离和分歧,以处理协方差,并具有与BCI约束兼容的实现。使用不同指标的影响对稳态的视觉诱发电势(SSVEP)数据集进行了评估,从而评估了类别和clasifitation精度的中心。结果和结论Riemannian方法具有嵌入至关重要的特性来处理脑电图数据。Riemannian课程中心的表现要优于OfflINE和在线设置的欧几里得。一些Riemannian
摘要 — 基于 SSVEP 的 BCI 在速度和准确性方面是最有前途的 BCI 之一。然而,尽管社区付出了巨大的努力使它们更加实用和用户友好,但它们使用起来仍然特别烦人。在本文中,我们研究了 SSVEP 视觉刺激的大小和对比度对分类准确性和界面烦恼的影响,总体目标是在性能和用户友好性之间找到一个平衡点。我们对十二 (12) 名参与者进行了用户研究,以评估不同刺激大小和对比度对虚拟现实环境中 SSVEP 分类准确性的联合影响。该实验的结果表明,刺激的大小对分类准确性(低于某个阈值)和感知烦恼都有显著影响。然而,对比度对分类准确性和感知烦恼都没有影响,这表明使用较低对比度的刺激仍然可以准确地操作基于 SSVEP 的 BCI。索引术语 — 组件、格式、样式、样式、插入
一般权利一般权利所有珍珠中的内容均受版权法保护。根据发布者政策提供作者手稿。请仅使用项目记录或文档中提供的详细信息引用发布的版本。在没有公开许可证的情况下(例如Creative Commons),应从出版商或作者那里寻求进一步重用内容的许可。取消策略取消政策,如果您认为本文档违反版权,请联系提供详细信息的图书馆,我们将立即删除对工作的访问并调查您的索赔。遵循以下工作:https://pearl.plymouth.ac.uk/ada-research
1 CIBIT – 科英布拉大学科英布拉生物医学成像和转化研究中心,科英布拉,葡萄牙 2 ICNAS – 科英布拉大学健康应用核科学研究所,科英布拉,葡萄牙 3 ISR – 科英布拉大学系统与机器人研究所,科英布拉,葡萄牙 4 IPT – 托马尔理工学院,托马尔,葡萄牙 5 FCTUC – 科英布拉大学科学与技术学院,科英布拉,葡萄牙 6 FMUC – 科英布拉大学医学院生理学系,科英布拉,葡萄牙 7 LASI – 联合实验室,吉马良斯,葡萄牙 8 LASI – 北里约格兰德联邦大学 (UFRN) 脑研究所,巴西 * 同等贡献 通讯作者 (Miguel Castelo-Branco) 的电子邮件地址:mcbranco@fmed.uc.pt 资金:FCT/UIDP&B/4950
摘要 - 大脑计算机界面(BCIS)的快速演变显着影响了人类计算机相互作用的领域,具有稳态的视觉诱发电势(SSVEP),作为一种尤其是强大的范式。这项研究探讨了高级分类技术利用可解释的模糊转移学习(IFUzzyTL)来增强基于SSVEP系统的适应性和性能。最近的努力通过创新的转移学习方法加强了减少校准要求,从而通过策略性地应用域适应性和很少的动作学习策略来完善跨主题的生成性并最大程度地减少校准。深度学习中的开创性发展还提供了有希望的增强功能,促进了稳健的领域适应性,并显着提高了SSVEP分类的系统响应能力和准确性。但是,这些方法通常需要复杂的调整和广泛的数据,从而限制了立即适用性。ifuzzytl引入了一个自适应框架,该框架将模糊逻辑原理与神经网络体系结构相结合,重点关注有效的知识传递和域自适应。ifuzzytl通过整合模糊的推理系统和注意机制来完善人类干预格式的输入信号处理和分类。这种方法通过有效管理脑电图数据的固有可变性和不确定性来增强模型的精度,并与现实世界的运营需求保持一致。在三个数据集中证明了该模型的功效:12JFPM(1s的12JFPM(89.70%精度为149.58),基准(ITR为85.81%,ITR的精度为85.81%),ITR的准确性为213.99)和Eldbeta(76.50%的IT and and and and ath and and and and and and and and and and and and and and and aft)and 94.63)和94.63)和94.63) SSVEP BCI性能的基准。
摘要 - 大脑计算机界面(BCI)使人们能够直接与外围设备进行通信和操作。由于其快速通信速率和高信号噪声比,近年来,基于稳态的视觉诱发电位(SSVEP) - 基于BCI的系统已被广泛研究。许多当前的SSVEP识别方法通过发现最大的相关系数来确定目标类别。但是,当最大的系数与其余值没有显着差异时,分类性能通常会降低。这项研究提出了一种基于贝叶斯的分类置信估计方法,以增强基于SSVEP的BCI系统的目标识别性能。在我们的方法中,使用基本目标识别方法产生的最大值和其他值之间的差异用于在训练过程中定义特征向量。使用高斯混合模型(GMM)来估计正确与错误分类的特征向量的概率密度函数。随后,在测试程序中通过贝叶斯推断计算出准确和错误分类的后验概率。基于两个后验概率提出了分类置信值(CCVALUE),以估计分类信心。最后,决策规则可以确定是否应接受或拒绝当前的分类结果。对开放式基准数据集和自收集的数据集进行了广泛的评估研究。实验结果证明了提出的方法提高基于SSVEP的BCI系统的可靠性的有效性和可行性。
根据频率范围,EEG 信号可以区分出六种不同的大脑节律:delta(0.5 至 4 Hz)、theta(4 至 8 Hz)、alpha(8 至 13 Hz)、mu(8 至 13 Hz)、beta(13 至 30 Hz)和 gamma(25 至 100 Hz)。delta 节律发生在幼儿或成人深睡或脑部异常的人身上,由低于 3.5 Hz 的频率成分组成。theta 节律发生在人疲劳且无法集中注意力时,主要出现在颞叶和顶叶区域。枕叶用于记录 alpha 节律。当人们睡着时,这种节律会完全消失,但当他们平静而清醒、困倦但清醒且疲劳时,它就会出现。此外,如果人们试图保持清醒,alpha 将占主导地位。beta 节律主要在顶叶和额叶区域产生。当一个人注意力集中、兴奋或激动时,就会出现 Beta 节律(Brismar,2007;Miller,2007;Foong 等人,2019)。mu 节律和 gamma 节律可以分别从感觉运动区域和躯体感觉皮层记录下来。gamma 节律在学习、记忆和处理数据方面至关重要。此外,它还出现在高级认知任务中(Herrmann 和 Demiralp,2005;Fazel-Rezai 等人,2013)。