Ograniczanie wyników
Czasopisma help
Autorzy help
Lata help
Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 37

Liczba wyników na stronie
first rewind previous Strona / 2 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  BCI
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 2 next fast forward last
1
Content available remote Mózgi na celowniku. W sieci jak w Matrixie
EN
Brain-computer interface (BCI) is a device which allows paralyzed people to navigate a robot, prosthesis or wheelchair using only their own brains reactions. By creating a direct communication pathway between the human brain and a machine, without muscles contractions or activity from within the peripheral nervous system, BCI makes mapping persons intentions onto directive signals possible. One of the most commonly utilized phenomena in BCI is steady-state visually evoked potentials (SSVEP). If subject focuses attention on the flashing stimulus (with specified frequency) presented on the computer screen, a signal of the same frequency will appear in his or hers visual cortex and from there it can be measured. When there is more than one stimulus on the screen (each flashing with a different frequency) then based on the outcomes of the signal analysis we can predict at which of these objects (e.g., rectangles) subject was/is looking at that particular moment. Proper preprocessing steps have taken place in order to obtain maximally accurate stimuli recognition (as the specific frequency). In the current article, we compared various preprocessing and processing methods for BCI purposes. Combinations of spatial and temporal filtration methods and the proceeding blind source separation (BSS) were evaluated in terms of the resulting decoding accuracy. Canonical-correlation analysis (CCA) to signals classification was used.
PL
Sygnały bioelektryczne emitowane przez mózg mogą być rejestrowane i po przetworzeniu oraz poprawnej klasyfikacji wykorzystane do sterowania urządzeniem zewnętrznym. W tym celu zostało zaprojektowane urządzenie działające w oparciu o platformę Arduino Uno R3 odbierające i wyświetlające przetworzone i zaklasyfikowane sygnały mózgowe jako komendy sterujące. Sygnały te są przetwarzane i klasyfikowane poprzez algorytmy zaimplementowane w środowisku Matlab a następnie przesyłane poprzez protokół komunikacji bezprzewodowej Bluetooth do urządzenia zewnętrznego. Efektem wizualnym sygnałów sterujących wysyłanych z mózgu jest zapalenie się na urządzeniu zewnętrznym diody zielonej lub czerwonej wskazującej na wykonanie komendy dotyczącej myślenia o ruchu prawą lub lewą ręką. W wyniku bezprzewodowej komunikacji urządzenie sterowane za pomocą sygnałów mózgowych może znajdować się w oddaleniu od osoby wykonującej zadania myślowe i od urządzenia klasyfikującego.
EN
Bioelectric signals emitted by the human brain can be registered and used to control an external device after they have been processed and correctly classified. The device which was designed for this purpose used platform Arduino Uno R3, which receives and displays the command signals coming from the brain after these have been processed and classified. The processing and classifying of these signals is accomplished by means of algorithms implemented in the Matlab computing environment and transmitted to the external device via wireless communication Bluetooth protocol. The visual effect of the control signals coming from the brain is such that a green or red diode light is turned on and is visible on the external device indicating sending the mental command of a right or left hand movement. As a result of wireless communication the device controlled by brain signals can be placed at a distance from both the person conducting the brain tasks or the classifying device.
EN
Nowadays, brain-computer interfaces are gaining more and more popularity. Research centers develop new methods of human communication with devices through thoughts. There are many methods used for this kind of interfaces, however, the most widespread is electroencephalography (EEG). There are many reasons for this fact, it is a method that is relatively cheap compared to other methods. Less complex technical tools and apparatus are required to operate it. Another advantage of this method, unlike others, is its non-invasiveness. Unfortunately, current brain-computer interfaces do not offer high data rates. However, time plays a smaller role when we are dealing with a disabled person who regains the ability to communicate with the world through the interface controlled by thoughts. This paper is the beginning of a series of papers in which the author will describe in detail the elements of brain-computer interfaces, as well as improvements that can be applied to them to improve their properties.
PL
W obecnych czasach interfejsy mózg-komputer zyskują coraz większą popularność. Ośrodki badawcze opracowują nowe metody komunikacji człowieka z urządzeniami za pomocą myśli. Jest wiele metod stosowanych do tego rodzajów interfejsów jednak najbardziej rozpowszechnioną jest Elektroencefalografia. Jest wiele powodów tego faktu, jest to metoda która jest stosunkowo tania w porównaniu z innymi metodami. Do jej obsługi wymagane są mniej złożone technicznie narzędzia i aparatura. Kolejnym atutem tej metody w przeciwieństwie do innych jest jej nieinwazyjność. Niestety obecne interfejsy mózg-komputer nie oferują wysokiej szybkości przesyłania danych. Jednak czas odgrywa mniejszą rolę gdy mamy do czynienia z osobą niepełnosprawną, która odzyskuję możliwość komunikacji ze światem za pomocą interfejsu sterowanego myślami. Niniejszy artykuł jest początkiem serii artykułów w których autor będzie szczegółowo opisywał elementy interfejsów mózg-komputer, a także usprawnienia jakie można do nich zastosować aby polepszyć ich właściwości.
5
EN
Steady State Visual Evoke Potentials (SSVEPs) are responses of a human brain to outside periodical stimulations. Their particular feature is the fact that the frequency of brain response is the same as the stimulation frequency. This does not mean that SSVEP appears with any stimulation frequency. First of all, the stimulation frequencies evoking SSVEPs are subject-depended, and hence the same stimulation frequency can evoke a prominent SSVEP for one subject, and nothing at all for another one. Second, to evoke the brain response, the stimulus has to be strong enough and has to be delivered with a steady frequency. With brain-computer interfaces (BCIs), using SSVEPs as control signals, often the problem is how to provide a set of stimuli capable of evoking a large number of brain responses. In this paper a proposition of a low cost stimulation system delivering light stimuli is presented. The paper presents both, the structure of the proposed platform and the test results obtained with a real subject. 85 stimulation frequencies from 5 to 31.25Hz were tested during the experiment and for 47 of them the prominent SSVEPs were obtained.
PL
Wywołany potencjał wzrokowy stanu ustalonego (SSVEP) to odpowiedź ludzkiego mózgu na zewnętrzną okresowo pojawiającą się stymulację. Szczególną cechą tego rodzaju potencjałów jest fakt, że częstotliwość odpowiedzi jest taka sama jak częstotliwość bodźca. To nie oznacza jednak, że potencjał SSVEP wystąpi przy każdej częstotliwości bodźca. Po pierwsze, częstotliwości wywołujące SSVEP są zależne od indywidualnych cech badanego podmiotu Po drugie, aby wywołać odpowiedź mózgu, bodźce muszą być odpowiednio silne i muszą być dostarczane ze stałą częstotliwością. Jednym z problemów, który można napotkać w trakcie realizacji interfejsów mózg-komputer wykorzystujących SSVEP jako sygnały sterujące jest właśnie problem dokładnego generowania bodźców w jak największym zakresie częstotliwości. Niniejszy artykuł przedstawia propozycję nisko budżetowego systemu do generowania stymulacji świetlnych, który może zostać zastosowany w interfejsie mózgkomputer. W artykule przedstawiono zarówno sposób budowy systemu, jak i wyniki otrzymane w eksperymencie z rzeczywistym podmiotem. W trakcie eksperymentu wygenerowano 85 sekwencji bodźców o różnej częstotliwości stymulacji (w zakresie od 5 do 31.25 Hz). Dla 47 sekwencji bodźców uzyskano prawidłową odpowiedź mózgu (SSVEP).
PL
Interfejs mózg - komputer (ang. Brain - Computer Interfaces - BCI) to system, w którym polecenia przekazywane są do komputera za pomocą sygnałów generowanych w mózgu BCI mogą być oparte na sygnałach ECoG (elektrokortygrafia),MEG(magnetoencefalografia), PET (pozytonowa tomografia emisyjna), fMRI (funkcjonalny rezonans magnetyczny), NIRS (obrazowanie optyczne) lub innych. Najczęściej jednak stosuje się interfejsy mózg - komputer oparte na sygnałach EEG. Wśród najczęstszych zastosowań BCI należy wymienić bezdotykowe sterowanie urządzeniami elektronicznymi, bezdotykową obsługę komputera (w tym bezdotykowe przeszukiwanie Internetu), uwierzytelnianie biometryczne użytkowników oraz sterowanie procesami przez osoby o ograniczonej sprawności ruchowej. W artykule przedstawiono koncepcję zastosowania interfejsu mózg-komputer wykorzystującego sygnały EEG do monitorowania wybranych stanów emocjonalnych pracownika, takich jak zaangażowanie uwagi, zamyślenie, frustracja, ekscytacja. Koncepcję oparto na wykorzystaniu neurohełmu, działającego na zasadzie uproszczonego elektroencefalografii.
EN
Brain-Computer Interface (BCI) is a system m which commands are transferred to a computer by Signals generated in the brain BCI may be based on ECoG signals (electrocortiogram), MEG signals (magnetoencephalography), PET signals (positron emission tomography), fMRI signals (functional magnetic resonance), NIRS signals (optical imaging) or others Most commonly, BCI is based on EEG signals Among the most common BCI applications are touchless controlling of electronic devices, touchless computer operating (including touchless Internet searching), biometric user authentication and process controlling by people with reduced mobility. This article presents the concept of using the brain-computer interface, which uses EEG signals to monitor selected emotional states of a worker, such as mental engagement, thought, frustration, excitement. The concept is based on the use of a neurohelmet, which uses simplified electroencephalography.
7
PL
Artykuł opisuje test aplikacji interfejs mózg-komputer z wykorzystaniem paradygmatu SSVEP. Przy realizacji projektu dokonano przeglądu dostępnych metod badania aktywności mózgu oraz wybrano odpowiednie urządzenie do akwizycji. Kolejne etapy działania interfejsu, czyli przetwarzanie oraz klasyfikacja, opracowano i zaprezentowano w środowisku OpenViBE. Ostatecznie, ocenę użyteczności i sprawności zaprezentowano na zaprojektowanej aplikacji.
EN
The aim of the article is to test the brain-computer interface application using the SSVEP paradigm. During the realization of the project various methods of recording brain activity were tested, and the suitable acquisition device was chosen. Consecutive stages of the interface operation, which are data processing and classification, were presented in the OpenVibe environment. Finally, the usefulness and efficiency were estimated using a designed application.
8
EN
The paper presents a process of stimuli design for SSVEP-based brain computer-interface. A brain computerinterface can be used in direct communication between a brain and a computer, without using muscles. This device is useful for paralyzed people to communicate with the surrounding environment. Design process should provide high accuracy recognition of presented stimuli and high user comfort. It is widely known how to make stimuli for BCI which are using high-grade EEG. Over recent years cheaper EEGs are becoming more and more popular, for example OpenBCI, which uses ADS1299 amplifier. In this article we review past works of other authors and compare it with our results, obtained using EEG mentioned before. We try to confirm that it is possible to use successfully OpenBCI in BCI projects.
PL
Celem artykułu jest zaprezentowanie wyników testowania algorytmu do klasyfikacji sygnałów EEG opartego na rozwiązywaniu zagadnienia odwrotnego. W wyniku rozwiązania zagadnienia odwrotnego uzyskano pewne przybliżenie lokalizacji aktywnych obszarów mózgu. Wszystkie obliczenia były realizowane dla sygnałów z H eadsetu Emotiv EPOC (wstępnie przetworzonych) dotyczących ruchu prawą i lewą ręką. Wzięto pod uwagę sygnały o częstotliwości 12 Hz związane z wyobrażaniem ruchu. Do przeprowadzenia klasyfikacji sygnałów wykorzystano algorytm Gowera. Podstawą do zastosowania tego algorytmu jest t-statystyka oraz zjawisko synchronizacji i desynchronizacji ERD/ERS występujące przy wyobrażeniu ruchu prawą i lewą ręką.
EN
The purpose of the article is to present the outcomes of testing algorithm for the classification of EEG signals based on the inverse solution. As a result of finding the solution to the inverse problem a certain approximation of active areas of the brain is received. All the calculations were made with the use of signals provided by Headset Emotiv EPOC (after preprocessing) for the left and the right hand movement. The signals frequency 12 Hz connected with movement activity and imagining of movement activity was taken into account. Gowert’s algorithm was used to construct the algorithm used for classification. The base to use this algorithm are both t-statistics and the phenomenon of ERD/ERS occurring when imagining of right and left hand movement.
PL
Celem artykułu jest przedstawienie algorytmu klasyfikacji sygnałów EEG opartego na rozwiązywaniu zagadnienia odwrotnego. Proponowana metoda klasyfikacji wykorzystuje teorię grafów. Dla surowych sygnałów zastosowano algorytm wyznaczania widmowej gęstości mocy (PSD). Wykonane testy potwierdziły poprawność klasyfikacji na poziomie przekraczającym 90%. Dzięki rozwiązaniu zagadnienia odwrotnego można było uzyskać informację o miejscach, w których sygnały związane z planowaniem ruchu mają swoje źródło.
EN
The purpose of the article is to present the testing algorithm for the classification of EEG signals based on the inverse solution. The proposed method of classification is based on the graph theory. The algorithm for determining the power spectral density (PSD) was used for the raw signals. The tests performed with the use of the automatic algorithm confirmed the accuracy of classification at the level exceeding 90%. With the solution of the inverse problem information was obtained about places where signals associated with planning movement have their sources.
EN
A very interesting research goal is to find underlying sources generating the EEG signal–referred to as the ‘‘EEG inverse problem’’. Its aim is to determine spatial distribution of brain activity, described by local brain currents density, on the basis of potentials measured on the scalp as EEG signal. The purpose of the research presented in the article was to check whether the results of the inverse problem solution, obtained by the LORETA algorithm for the reduced set of 8 electrodes selected by the authors will be close to the results for the initial set of 32 electrodes. EEG signals were registered during the BCI operation based on ERD/ERS potentials. Obtained results showed no significant differences in the location of the most important sources in both cases. It is worth emphasizing that reducing the number of electrodes would have a significant impact on an BCI ergonomics.
EN
The classic genetic algorithm has been successfully applied to many optimization problems. However, its usefulness is limited when it comes to feature selection, particularly if a high reduction rate is expected. The algorithm, in its classic version, returns feature sets containing approximately 50% of the total number of features. In order to decrease this rate, a penalty term penalizing individuals of too many features is often added to the fitness function. This solution seems to be reasonable but, as will be shown in this paper, provides only a slight improvement in the reduction rate. In order to obtain a satisfactory classification accuracy and a high reduction rate, not only the fitness function but also other algorithm elements must be reconsidered.
PL
Klasyczny algorytm genetyczny był z powodzeniem stosowany w wielu problemach optymalizacyjnych, jednakże jego użyteczność jest ograniczona w problemach selekcji cech, zwłaszcza jeżeli wymagana jest wysoka stopa redukcji cech. Algorytm, w jego klasycznej wersji, zwraca zbiory cech zawierające około 50% pierwotnej liczby cech. W celu zmniejszenia tej liczby, do funkcji przystosowania algorytmu dołącza się często człon kary, karzący osobniki kodujące zbiory o zbyt dużej liczbie cech. Takie rozwiązanie wydaje się być rozsądne, ale, jak zostanie to przedstawione w artykule pozwala jedynie na niewielką poprawę stopy redukcji. Stąd, w celu uzyskania satysfakcjonującej dokładności klasyfikacji i wysokiej stopy redukcji, nie tylko funkcja przystosowania, ale również inne elementy algorytmu muszą zostać wzięte pod uwagę.
EN
Brain computer interface (BCI) is a system allows a user to control external devices or to communicate with other people using only his or her thoughts. The P300 speller is one such BCI in which users input letters. For inputting letters via the P300 speller, higher accuracy and shorter input times are needed, especially given densely populated display screens. We propose a new interface with a second display in the P300 speller that the user can switch to and from by selecting the “next” or “back” commands, therby reducing the density of displayed letters and improving the performance of the P300 speller. We show the comparison results in terms of accuracy and input times between the conventional interface and proposed interface.
EN
The article describes the algorithm of EEG signal classification with reference to the movement which was used in BCI. The algorithm is based on the reconstruction of signals performed as a result of solving the inverse problem. The data for testing the algorithm were taken from the IDIAP database. Moreover, processed data on the 18-26 Hz frequency from the headset were used. The article presented both the algorithm and the example of the test that was performed. The test included cortical areas of the brain connected with Brodmann areas 4 and 6. The correctness of the classification depends on the precision of defining the movement areas involving the kind of movement (in the case under investigation moving the right and left hand). For the data obtained from the headset, the quality of the classification depends on preprocessing of the signal and the time that the classifier devoted to learning.
PL
W artykule opisano algorytm klasyfikacji sygnałów EEG dotyczących ruchu, który wykorzystano w BCI. Algorytm jest oparty na rekonstrukcji źródeł sygnałów wykonanej w wyniku rozwiązania zagadnienia odwrotnego. Dane do testowania algorytmu zostały wzięte z bazy IDIAP. Wykorzystano też przetworzone dane z headsetu dla częstotliwości 18-26 Hz. W artykule przedstawiono zarówno algorytm jak i przykład przeprowadzonego testu. W teście uwzględniono obszary kory mózgowej związane z polami Brodmanna 4 i 6. Poprawność klasyfikacji zależy od tego, jak precyzyjnie są brane pod uwagę obszary związane z polami ruchowymi dotyczącymi rodzaju ruchu (w rozpatrywanym przypadku dotyczące ruchu prawą i lewą ręką). W przypadku danych uzyskiwanych z headsetu jakość klasyfikacji zależy od wstępnego przetworzenia sygnału oraz od czasu nauki klasyfikatora.
EN
This article is an introduction to issues related to the brain-computer interfaces (BCI). It introduces the reader to the topic and presents a methodology for scientific research.
PL
W artykule zaprezentowano wyniki analiz dotyczących aktywności elektrycznej mózgu ukierunkowanych na możliwość redukcji liczby elektrod w badaniu EEG wykonywanym na potrzeby asynchronicznego interfejsu mózg-komputer (BCI). Stosowne obliczenia potwierdzają zasadność wyboru zestawu 8 elektrod (tzn. F3, T7, C3, Cp1, C4, T8, F4 i Cz) w systemie BCI, wykorzystującym wyspecjalizowany wzmacniacz EEG firmy g.tec, skonstruowanym w IETiSIP Politechniki Warszawskiej.
EN
The subject of the paper is evaluation of the brain electrical activity associated with imagining some specific motor actions for the needs of asynchronous Brain-Computer Interface (BCI) [1-4]. These analysis, called EEG inverse problems, can be useful among others to optimize the number and placement of electrodes. Dedicated calculations were carried out using the algorithm sLORETA (Section 3) [5-13]. The basis of the BCI interface is the ability to detect differences between the considered classes of tasks. In the case of asynchronous interfaces, the evaluation of brain activity in the frequency domain provides much more conclusive information than the time-domain analysis. These indicate that, although the best conditions for synchronous neuronal activity are in the range of delta waves (up to 4 Hz), the biggest differences between the compared classes are apparent in the alpha band (8-12 Hz) in the central parts of the cortex (Section 5; pic. 2,3). Moreover, the performed calculations show no significant difference in the location of the brain activity sources for the results obtained using the set of 32 electrodes and after the fourfold reduction in the number of electrodes. Thus, they confirm the relevance of the set of 8 electrodes (i.e. F3, T7, C3, CP1, C4, T8, F4, and Cz) in the BCI system constructed and used in the Department of Information and Measuring Systems of the Warsaw University of Technology (Sections 6,7; Fig. 5; Tab. 2).
17
Content available remote Common Spatial Patterns in a few channel BCI interface
EN
One source of EEG data quality deterioration is noise. The others are artifacts, such as the eye blinking, oculogyration, heart beat, or muscle activity. All these factors mentioned above contribute to the disappointing and poor quality of EEG signals. There are some solutions which allow increase of this signals quality. One of them is Common Spatial Patterns. Some scientific papers report that CSP can only be effectively used if there are many electrodes available. The aim of this paper is to use CSP method applied in the process of creating a brain computer interface in order to find out if there are any benefits of using this method in 3 channels BCI system.
PL
Interfejsy mózg-komputer (Brain-Computer Interface) wykorzystują właściwości fal elektromagnetycznych mózgu rejestrowane za pomocą technik elektroencefalograficznych (EEG). Fale te są rejestrowane za pomocą elektrod na powierzchni głowy. Położenie źródeł sygnałów oraz ich natężenie znajdowane jest poprzez rozwiązanie zagadnienia odwrotnego. Proponowany w artykule algorytm do klasyfikacji sygnałów oparty jest na rekonstrukcji źródeł sygnałów. Algorytm przetestowano dla sygnałów związanych z ruchem prawą i lewą ręką, dlatego obliczenia przeprowadzono przede wszystkim dla fal o częstotliwości 20 Hz związanych m.in. z aktywnością myślową i ruchową. Użyte w teście dane były przetworzone i pochodziły z bazy Idiap. W artykule uwzględniono wyniki testów dla trzech zestawów danych, ale wobec niewielkiej różnicy między otrzymanymi wynikami, przedstawiono je tylko dla jednego zestawu. Wykorzystanie atlasów mózgu może poprawić wyniki klasyfikacji przez bardziej precyzyjne uwzględnienie obszarów mózgu związanych z konkretnym rodzajem aktywności.
EN
Brain-Computer Interfaces use the features of the electromagnetic brain waves registered with the use of electroencephalographic techniques (EEG). Signals are recorded from the surface of the scalp by means of electrodes. Source locations of signals and their strength are obtained when finding the solution to the inverse problem. The algorithm for signal classification proposed in this article is based on source reconstruction. The algorithm was tested for signals connected to the right and left hand movement, therefore calculations were conducted mainly for 20 Hz frequency waves connected with movement and imagining movement activities. The data used in the experiment, which were taken from the Idiap data base, were preprocessed. The article describes test results for three data sets, but due to the insignificant difference, the results are presented for one data set. Classification results may be improved with the use of brain atlases by taking into consideration more precise areas of the brain connected to the given activity.
PL
Interfejs mózg-komputer to system pozwalający na bezpośrednią komunikację pomiędzy mózgiem a urządzeniem zewnętrznym. Każda aktywność mózgu przejawia się w postaci pojawiającego się w nim potencjału elektrycznego. Jego pomiar możliwy jest za pomocą elektroencefalografu wyposażonego w elektrody zamontowane na powierzchni czaszki. Jest to rozwiązanie najczęściej obecnie stosowane w interfejsach mózg-komputer. Poza prezentacją aktualnego stanu wiedzy, celem niniejszej pracy jest prezentacja prostego interfejsu mózg-komputer. W tym rozwiązaniu sygnał z powierzchni czaszki jest mierzony za pomocą jednoelektrodowego urządzenia MindWave firmy NeuroSky, a następnie bezprzewodowo przekazywany do układu Arduino. Układ Arduino, na podstawie otrzymanego sygnału, steruje jeżdżącą platformą. U użytkownika skupiającego uwagę (np. na wspomnianej platformie) w sygnale pomierzonym z powierzchni czaszki, pojawiają się tzw. fale beta. Na podstawie wartości ich amplitudy (czyli przekroczenia określonego progu), układ Arduino decyduje o ewentualnym ruchu platformy.
EN
The brain-computer interface makes possible to do the direct connection between brain and an external device. Every brain activity causes a rise in electrical potential. Measurement of that potential is possible by electrodes mounted on the surface of the skull. This method is the most popular and is called electroencephalography. This article presents brain-computer interface technology overview and its simple implementation. In this implementation, signal is measured by one-electrode device MindWave from NeuroSky, and then it is wirelessly transmitted to Arduino board. Microcontroller controls the mobile platform based on the received signal. When the user is focusing his attention, for example, on a mobile platform, it is possible to measure the beta waves from the surface of the skull. If the threshold value is exceeded, Arduino moves of the mobile platform.
EN
The article presents applications of BCI - Brain Computer Interfaces technology in the control processes based on the infrastructure of an IPC - an Industrial PC. Methods of the EEG signal analysis such as the PCA the Principal Component Analysis and the ICA the Independent Component Analysis are also discussed. Nowadays industrial computers are increasingly used in production, due to their specific technical parameters conducive to working in difficult conditions. The use of control based on brain-computer interface speed definitely rate the performance of the employees, reduce the response time to the case and allows you to remotely perform the activity.
first rewind previous Strona / 2 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.