Wyniki wyszukiwania - BazTech

1

Hybrid EEG-fNIRS brain-computer interface based on the non-linear features extraction and stacking ensemble learning

Maher Asmaa, Mian Qaisar Saeed, Salankar N., Jiang Feng, Tadeusiewicz Ryszard, Pławiak Paweł, Abd El-Latif Ahmed A., Hammad Mohamed

Biocybernetics and Biomedical Engineering

|

2023

|

Vol. 43, no. 2

463--475

EN

The Brain-computer interface (BCI) is used to enhance the human capabilities. The hybridBCI (hBCI) is a novel concept for subtly hybridizing multiple monitoring schemes to maximize the advantages of each while minimizing the drawbacks of individual methods. Recently, researchers have started focusing on the Electroencephalogram (EEG) and ‘‘Functional Near-Infrared Spectroscopy” (fNIRS) based hBCI. The main reason is due to the development of artificial intelligence (AI) algorithms such as machine learning approaches to better process the brain signals. An original EEG-fNIRS based hBCI system is devised by using the non-linear features mining and ensemble learning (EL) approach. We first diminish the noise and artifacts from the input EEG-fNIRS signals using digital filtering. After that, we use the signals for non-linear features mining. These features are ‘‘Fractal Dimension” (FD), ‘‘Higher Order Spectra” (HOS), ‘‘Recurrence Quantification Analysis” (RQA) features, and Entropy features. Onward, the Genetic Algorithm (GA) is employed for Features Selection (FS). Lastly, we employ a novel Machine Learning (ML) technique using several algorithms namely, the ‘‘Naïve Bayes” (NB), ‘‘Support Vector Machine” (SVM), ‘‘Random Forest” (RF), and ‘‘K-Nearest Neighbor” (KNN). These classifiers are combined as an ensemble for recognizing the intended brain activities. The applicability is tested by using a publicly available multi-subject and multiclass EEG-fNIRS dataset. Our method has reached the highest accuracy, F1-score, and sensitivity of 95.48%, 97.67% and 97.83% respectively.

2

Concept of using the brain-computer interface to control hand prosthesis

Żaba Julia, Paszkiel Szczepan

Journal of Automation Mobile Robotics and Intelligent Systems

|

2022

|

Vol. 16, No. 4

3--12

EN

This study examines the possibility of implementing intelligent artificial limbs for patients after injuries or amputations. Brain-computer technology allows signals to be acquired and sent between the brain and an external device. Upper limb prostheses, however, are quite a complicated tool, because the hand itself has a very complex structure and consists of several joints. The most complicated joint is undoubtedly the saddle joint, which is located at the base of the thumb. You need to demonstrate adequate anatomical knowledge to construct a prosthesis that will be easy to use and resemble a human hand as much as possible. It is also important to create the right control system with the right software that will easily work together with the brain-computer interface. Therefore, the proposed solution in this work consists of three parts, which are: the Emotiv EPOC + Neuroheadsets, a control system made of a servo and an Arduino UNO board (with dedicated software), and a hand prosthesis model made in the three-dimensional graphic program Blender and printed using a 3D printer. Such a hand prosthesis controlled by a signal from the brain could help people with disabilities after amputations and people who have damaged innervation at the stump site.

3

Efektywność klasyfikacji mrugnięcia z wykorzystaniem wybranych sieci neuronowych

Galas Krzysztof

Studia i Materiały Informatyki Stosowanej

|

2021

|

nr 1

11--16

PL

Głównym celem badania było porównanie i wykazanie, która z przedstawionych typów sieci neuronowych najlepiej sklasyfikuje pobierany sygnał EEG mierzony przez headset Emotiv EPOC. Przedstawione sieci neuronowe są stosowane w szerokim zakresie przetwarzania danych. Została wybrana sieć splotowa oraz sieć Kohonena. Parametry sieci, takie jak ilość przejść danych uczących w jednej sesji uczącej zostały modyfikowane. Badanie uwzględnia stopień błędu klasyfikacji sygnału przez sieć oraz ilość czasu potrzebna do trening modelu. Wartością porównywalną jest stosunek czasu treningu do stopnia dokładności klasyfikacji. Otrzymane wyniki zostały przedstawione jako wykresy zależności w/w wartości do parametrów dotyczących uczenia modelu sieci.

EN

The main objective of this study was to compare and demonstrate which of the presented neural network types will best classify the extracted EEG signal measured by the Emotiv EPOC headset. The presented neural networks are used in a wide range of data processing. A convolutional network and a Kohonen network have been selected. The network parameters such as number of learning data transitions in one learning session have been modified. The study considers the degree of signal classification error by the network and the amount of time required to train the model. The comparative value is the ratio of training time to classification accuracy. The obtained results are presented as plots of the relation of the above-mentioned values to the parameters concerning the learning of the network model.

4

BCI w VR: imersja sposobem na sprawniejsze wykorzystywanie interfejsu mózg-komputer

Piszcz Adrianna

Studia i Materiały Informatyki Stosowanej

|

2021

|

nr 1

5--10

PL

Celem eksperymentów było zbadanie czy rzeczywistość wirtualna usprawnia korzystanie z interfejsu mózg-komputer. Do badania wykorzystano autorski system informatyczny, który umożliwia rysowanie kształtów na ekranie komputera. Przygotowane stanowisko badawcze składa się z komputera z niezbędnym oprogramowaniem, z mobilnych gogli wirtualnej rzeczywistości Esperanza EMV300 ze smartfonem Samsung Galaxy A40 oraz interfejsu mózg-komputer Emotiv Epoc. Wykazano, że imersja pozwala zwiększyć poziom koncentracji i sprawniej korzystać z interfejsu mózg-komputer. Taki rodzaj zanurzenia w rzeczywistość wirtualną może zapoczątkować całą serię aplikacji obsługiwanych w sposób intuicyjny, za pomocą komend myślowych, w wykreowanym wirtualnym świecie.

EN

The purpose of the experiments was to investigate whether virtual reality improves the use of the brain-computer interface. The study used a custom computer system that allows drawing shapes on the computer screen. The prepared test stand consists of a computer with the necessary software, Esperanza EMV300 mobile virtual reality goggles with a Samsung Galaxy A40 smartphone and Emotiv Epoc braincomputer interface. It was shown that immersion allows to increase the level of concentration and use the brain-computer interface more efficiently. This kind of immersion in virtual reality could initiate a whole series of applications operated intuitively, via thought commands, in a created virtual world.

5

Review of solutions for the application of example of machine learning methods for Motor Imagery in correlation with Brain-Computer Interfaces

Paszkiel Szczepan, Rojek Ryszard, Lei Ningrong, Castro Maria Antonio

Przegląd Elektrotechniczny

|

2021

|

R. 97, nr 11

111--116

EN

Presently, numerous public databases presenting the collected EEG signals, including the ones in the scope of Motor Imagery (MI), are available. Simultaneously, machine-learning methods, which enable effective and fast discovering of information, also in the sets of biomedical data, are constantly being developed. In this paper, a set of 30 of some of the latest scientific publications from the years 2016-2021 has been analyzed. The analysis covered, among others: public data repositories in the form of EEG signals as input data; numbers and types of the analyzed tasks in the scope of MI in the above-mentioned databases; and Deep Learning (DL) architectures.

PL

Obecnie dostępne są liczne ogólnodostępne bazy danych prezentujące zebrane sygnały EEG, w tym z zakresu obrazowania motorycznego (MI). Jednocześnie stale rozwijane są metody uczenia maszynowego, które umożliwiają efektywne i szybkie odkrywanie informacji, także w zbiorach danych biomedycznych. W niniejszym artyule przeanalizowano zestaw 30 spośród najnowszych publikacji naukowych z lat 2016- 2021. Analizie poddano m.in.: publiczne repozytoria danych w postaci sygnałów EEG jako dane wejściowe; liczby i rodzaje analizowanych zadań z zakresu obrazowania motorycznego w ww. bazach; i architektury Deep Learning (DL).

6

Compact convolutional neural network (CNN) based on SincNet for end-to-end motor imagery decoding and analysis

Izzuddin Tarmizi Ahmad, Safri Norlaili Mat, Othman Mohd Afzan

Biocybernetics and Biomedical Engineering

|

2021

|

Vol. 41, no. 4

1629--1645

EN

In the field of human-computer interaction, the detection, extraction and classification of the electroencephalogram (EEG) spectral and spatial features are crucial towards developing a practical and robust non-invasive EEG-based brain-computer interface. Recently, due to the popularity of end-to-end deep learning, the applicability of algorithms such as convolutional neural networks (CNN) has been explored to achieve the mentioned tasks. This paper presents an improved and compact CNN algorithm for motor imagery decoding based on the adaptation of SincNet, which was initially developed for speaker recognition task from the raw audio input. Such adaptation allows for a compact end-to-end neural network with state-of-the-art (SOTA) performances and enables network interpretability for neurophysiological validation in cortical rhythms and spatial analysis. In order to validate the performance of proposed algorithms, two datasets were used; the first is the publicly available BCI Competition IV dataset 2a, which was often used as a benchmark in validating motor imagery classification algorithms, and the second is a dataset consists of primary data initially collected to study the difference between motor imagery and mental-task associated motor imagery BCI and was used to test the plausibility of the proposed algorithm in highlighting the differences in terms of cortical rhythms. Competitive decoding performance was achieved in both datasets in comparisons with SOTA CNN models, albeit with the lowest number of trainable parameters. In addition, it was shown that the proposed architecture performs a cleaner band-pass, highlighting the necessary frequency bands that were crucial and neurophysiologically plausible in solving the classification tasks.

7

Brain-computer interface for electric wheelchair based on alpha waves of EEG signal

Banach Kacper, Małecki Mateusz, Rosół Maciej, Broniec Anna

Bio-Algorithms and Med-Systems

|

2021

|

Vol. 17, no. 3

165--172

EN

Objectives: Helping patients suffering from serious neurological diseases that lead to hindering the independent movement is of high social importance and an interdisciplinary challenge for engineers. Brain–computer interface (BCI) interfaces based on the electroencephalography (EEG) signal are not easy to use as they require time consuming multiple electrodes montage. We aimed to contribute in bringing BCI systems outside the laboratories so that it could be more accessible to patients, by designing a wheelchair fully controlled by an algorithm using alpha waves and only a few electrodes. Methods: The set of eight binary words are designed, that allow to move forward, backward,turn right andleft, rotate 45° as well as toincrease and decrease the speed of the wheelchair. Our project includes: development of a mobile application which is used as a graphical user interface, real-time signal processing of the EEG signal, development of electric wheelchair engines control system and mechanical construction. Results: The average sensitivity, without training, was 79.58% and specificity 97.08%, on persons who had no previous contact with BCI. Conclusions: The proposed system can be helpful for people suffering from incurable diseases that make them closed in their bodies and for whom communication with the surrounding world is almost impossible.

8

Using BCI and EEG to process and analyze driver’s brain activity signals during VR simulation

Nader Mirosław, Jacyna-Gołda Ilona, Nader Stanisław, Nehring Karol

Archives of Transport

|

2021

|

Vol. 60, iss. 4

137--153

EN

The use of popular brain–computer interfaces (BCI) to analyze signals and the behavior of brain activity is a very current problem that is often undertaken in various aspects by many researchers. This comparison turns out to be particularly useful when studying the flows of information and signals in the human-machine-environment system, especially in the field of transportation sciences. This article presents the results of a pilot study of driver behavior with the use of a pro-prietary simulator based on Virtual Reality technology. The study uses the technology of studying signals emitted by the human mind and its specific zones in response to given environmental factors. A solution based on virtual reality with the limitation of external stimuli emitted by the real world was proposed, and computational analysis of the obtained data was performed. The research focused on traffic situations and how they affect the subject. The test was attended by representatives of various age groups, both with and without a driving license. This study presents an original functional model of a research stand in VR technology that we designed and built. Testing in VR conditions allows to limit the influence of undesirable external stimuli that may distort the results of readings. At the same time, it increases the range of road events that can be simulated without generating any risk for the participant. In the presented studies, the BCI was used to assess the driver's behavior, which allows for the activity of selected brain waves of the examined person to be registered. Electro-encephalogram (EEG) was used to study the activity of brain and its response to stimuli coming from the Virtual Reality created environment. Electrical activity detection is possible thanks to the use of electrodes placed on the skin in selected areas of the skull. The structure of the proprietary test-stand for signal and information flow simulation tests, which allows for the selection of measured signals and the method of parameter recording, is presented. An important part of this study is the presentation of the results of pilot studies obtained in the course of real research on the behavior of a car driver.

9

Building management system based on brain computer interface. Review

Kawa Bartłomiej, Borkowski Piotr, Rodak Michał

Archives of Electrical Engineering

|

2021

|

Vol. 70, nr 4

887--905

EN

The article provides an overview of Brain Computer Interface (BCI) solutions for intelligent buildings. A significant topic from the smart cities point of view. That solution could be implemented as one of the human-building interfaces. The authors presented an analysis of the use of BCI in specific building systems. The article presents an analysis of BCI solutions in the context of controlling devices/systems included in the Building Management System (BMS). The Article confirms the possibility of using this method of communication between the user and the building’s central unit. Despite many confirmations of repeatable device inspections, the article presents the challenges faced by the commercialization of the solution in buildings.

10

Using brain-computer interface technology for modeling 3D objects in blender software

Zając Mateusz, Paszkiel Szczepan

Journal of Automation Mobile Robotics and Intelligent Systems

|

2020

|

Vol. 14, No. 4

18--24

EN

Computer 3D modeling has primarily relied on the Windows, Icons, Menus, Pointer (WIMP) interface in which user input is in form of pointer movements and keystrokes, since its beginning. The brain-computer interface (BCI) is a technology which allows users to take action in computer by using their brain signals. This paper presents the usage of EMOTIV EPOC+ Neuroheadset in Blender software for executing specific Blender’s functions for editing 3D objects. The purpose of this paper is to briefly, yet illustratively, present the application of EMOTIV EPOC+ Neuroheadset in an intersting application in Blender software for the editing of 3D objects.

11

Mózgi na celowniku. W sieci jak w Matrixie

Świat Obrabiarek i Narzędzi

|

2018

|

R. 13, nr 11-12

9

12

Finding Optimal Frequency and Spatial Filters Accompanying Blind Signal Separation of EEG Data for SSVEP-based BCI

Jukiewicz M., Buchwald M., Cysewska-Sobusiak A.

International Journal of Electronics and Telecommunications

|

2018

|

Vol. 64, No. 4

439--444

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.

13

Bezprzewodowe sterowanie urządzeniem za pomocą sygnałów mózgowych

Jagodzińska-Szymańska U., Sędek E.

Elektronika : konstrukcje, technologie, zastosowania

|

2018

|

Vol. 59, nr 2

46--51

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.

14

The use of electroencephalography as a future-oriented brain-computer interface : current concepts, solutions, technologies that allow communication through thoughts

Sosnowski K.

Computer Science and Mathematical Modelling

|

2018

|

No. 8

47--52

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.

15

A low-budget stimulation system for evoking SSVEP built on Arduino/Genuino platform

Rejer I., Zawiślak T.

Przegląd Elektrotechniczny

|

2017

|

R. 93, nr 1

112--116

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).

16

Monitorowanie stanów emocjonalnych pracownika za pomocą interfejsów mózg - komputer

Trzyniec K.

Bezpieczeństwo Pracy : nauka i praktyka

|

2017

|

nr 12

23-25

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.

17

Interfejs mózg-komputer wykorzystujący sygnały EEG

Marek L., Plechawska-Wójcik M.

Journal of Computer Sciences Institute

|

2016

|

Vol. 2

64--69

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.

18

Stimuli design for SSVEP-based brain computer-interface

Jukiewicz M., Cysewska-Sobusiak A.

International Journal of Electronics and Telecommunications

|

2016

|

Vol. 62, No. 2

109--113

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.

19

Testowanie algorytmu wykorzystującego rozwiązanie zagadnienia odwrotnego do klasyfikacji sygnałów sterujących

Jagodzińska-Szymańska U.

Elektronika : konstrukcje, technologie, zastosowania

|

2016

|

Vol. 57, nr 11

81--83

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.

20

Algorytm automatycznej klasyfikacji w oparciu o sygnały źródłowe EEG i jego implementacja

Jogodzińska-Szymańska U.

Elektronika : konstrukcje, technologie, zastosowania

|

2016

|

Vol. 57, nr 12

31--32

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.