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

Znaleziono wyników: 46

Liczba wyników na stronie
first rewind previous Strona / 3 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  interfejs mózg-komputer
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 3 next fast forward last
EN
Nowadays, control in video games is based on the use of a mouse, keyboard and other controllers. A Brain Computer Interface (BCI) is a special interface that allows direct communication between the brain and the appropriate external device. Brain Computer Interface technology can be used forcommercial purposes, for example as a replacement for a keyboard,mouse or other controller. This article presents a method of controlling video games using the EMOTIV EPOC + Neuro Headset as a controller.
PL
W obecnych czasach sterowanie w grach wideo jest oparte na wykorzystaniu myszki, klawiatury oraz innych kontrolerów. Brain-Computer Interface w skrócie BCI to specjalnyinterfejspozwalający na bezpośrednią komunikację międzymózgiem,a odpowiednim urządzeniem zewnętrznym. Technologia Brain-Computer Interface może zostać użyta w celach komercyjnych na przykład jako zamiennik myszki klawiatury lub innego kontrolera. Wartykule przedstawiono sposób sterowania w grach wideo przy pomocy neuro-headsetu EMOTIV EPOC+ jako kontrolera.
EN
Steady-state visual evoked potential (SSVEP) based brain–computer interfaces have been widely studied because these systems have potential to restore capabilities of communication and control of disable people. Identifying target frequency using SSVEP signals is still a great challenge due to the poor signal-to-noise ratio of these signals. Commonly, this task is carried out with detection algorithms such as bank of frequency-selective filters and canonical correlation analysis. This work proposes a novel method for the detection of SSVEP that combines the empirical mode decomposition (EMD) and a power spectral peak analysis (PSPA). The proposed EMD+PSPA method was evaluated with two EEG datasets, and was compared with the widely used FB and CCA. The first dataset is freely available and consists of three flickering light sources; the second dataset was constructed and consists of six flickering light sources. The results showed that proposed method was able to detect SSVEP with high accuracy (93.67 ± 9.97 and 78.19 ± 23.20 for the two datasets). Furthermore, the detection accuracy results achieved with the first dataset showed that EMD+PSPA provided the highest detection accuracy (DA) in the largest number of participants (three out of five), and that the average DA across all participant was 93.67 ± 9.97 which is 7% and 4% more than the average DA achieved with FB and CCA, respectively.
3
EN
Detection of eye closing/opening from alpha-blocking in the EEG of occipital region has been used to build human-machine interfaces. This paper presents an alternative method for detection of eye closing/opening from EOG signals in an online setting. The accuracies for correct detection of eye closing and opening operations with the proposed techniques were found to be 95.6% and 91.9% respectively for 8 healthy subjects. These techniques were then combined with the detection of eye blinks, the accuracy of which turned out to be 96.9%. This was then used to build an interface for robotic arm control for a pick and place task. The same task was also carried out using a haptic device as a master. The speed and accuracy for these two methods were then compared to assess quantitatively the ease of using this interface. It appears that the proposed interface will be very useful for persons with neurodegenerative disorders who can perform eye closing/opening and eye blinks.
4
Content available remote Robotic orthosis compared to virtual hand for Brain–Computer Interface feedback
EN
Brain–Computer Interfaces (BCI) allow the control of external devices by decoding the users' intentions from their central nervous system. Feedback, one of the main elements of a closed- loop BCI, is used to enhance the user's performance. The present work aimed to compare the effect of two different feedback sources; congruent anatomical visual hand representation and passive hand movement on BCI performance and cortical activations. Electroencephalography of 12 healthy right-handed subjects was recorded to set a BCI activated by right-hand motor imagery. Afterward, the subjects were asked to control the system by imagining the movement. The system provided either visual feedback, shown on a computer screen or kinesthetic feedback, provided by a robotic hand orthosis. Differences in performance and cortical activations were assessed, using classification accuracy and event-related desynchronization/synchronization in μ and β bands, respectively. Performance was significantly better with kinesthetic feedback as it allowed for higher correct classification of motor imagery. Cortical activations in the ipsilateral central channel in μ were different between the two feedback modalities. Our results imply that healthy subjects can achieve a greater degree of control using a motor imagery-based BCI with kinesthetic feedback than with anatomically congruent visual feedback. Furthermore, cortical activation differences show that kinesthetic feedback seems to elicit higher recruitment of sensorimotor cortex brain cells, which probably reflects enhanced local information modulation related to fine motor processing. Therefore, kinesthetic feedback provided by a robotic orthosis could be a more suitable feedback strategy for BCI systems designed for neuromodulation and neurorehabilitation.
5
Content available remote P300 based character recognition using sparse autoencoder with ensemble of SVMs
EN
In this study, a brain–computer interface (BCI) system known as P300 speller is used to spell the word or character without any muscle activity. For P300 signal classification, feature extraction is an important step. In this work, deep feature learning techniques based on sparse autoencoder (SAE) and stacked sparse autoencoder (SSAE) are proposed for feature extraction. Deep feature provides the abstract information about the signal. This work proposes fusion of deep features with the temporal features, which provides abstract and temporal information about the EEG signal. These deep feature and temporal feature are partially complement of each other to represent the EEG signal. For classification of the EEG signal, an ensemble of support vector machines (ESVM) is adopted as it helps to reduce the classifiers variability. In classifier ensemble system, the score of individual classifier is not at the same level. To transform these scores into a common level, min–max normalization is proposed prior to combining them. Min-max normalization scales the classifiers' score between 0 and 1. The experiments are conducted on three standard public datasets, dataset IIb of BCI Competition II, dataset II of the BCI Competition III and BNCI Horizon dataset. The experimental results show that the proposed method yields better or comparable performance compared to earlier reported techniques.
6
Content available remote Extracting multiple commands from a single SSVEP flicker using eye-accommodation
EN
The steady-state visually evoked potential (SSVEP) based brain-computer interfaces (BCIs) generally deploy flickering stimuli with different frequencies in order to generate different commands. This paper presents a setup that can be used to generate multiple commands from a single flickering stimulus using magnitude modulation of SSVEP through eye-accommodation. In this setup, a flickering stimulus was shown on the computer screen and a passive fixation target was placed between the screen and the subject. The eye-accommodation mechanism to focus on the target between the screen and the subject, caused the flickering stimulus to become blurred which reduced the magnitude of the evoked SSVEP response. The reduced magnitude SSVEP response can be used to generate another command over the command generated when the subject focuses directly on the stimulus. The fixation target was placed at 3 different positions that can provide up to 4 commands from the single flicker stimulus. Fifteen healthy human subjects participated in the experiments. The mean offline accuracies obtained for 2-class, 3-class, and 4-class extraction were 100%, 94.2 ± 6.1%, and 80.9 ± 9.7% respectively for a 4-seconds time window.
7
Content available remote Sterowanie modelem pojazdu za pomocą interfejsu mózg-komputer
PL
Celem pracy było zbudowanie układu sterowania prostym modelem pojazdu za pomocą interfejsu mózg-komputer (ang. brain computer interface - BCI). Omówiono zasadę działania BCI oraz wykorzystanie BCI w mechatronice, w tym na potrzeby interdyscyplinarnych badań kognitywistycznych (nauk o poznaniu). W dalszej części pracy Autorzy skupili się na opisie modelu, który posłużył do przeprowadzenia badania, ze szczególny uwzględnieniem współdziałania BCI oraz Arduino. Czwarta część pracy dotyczy badania działania zbudowanego rozwiązania technicznego przeprowadzonego na grupie osób w wieku 8-54 lat.
EN
This artilce aims at consctruction of the brain-computer interface (BCI) - based control system of the car model. Article decribes BCI's rules of operation and BCI applications in mechatronics, including interdisciplinary cognitive sciences. Further part of the article is focused on description of the model used in the research, particularly on BCI-Arduino cooperation. The last part of the article shows research on subjects aged 8-54 years concerning BCI use to control car model..
8
Content available remote Interfejsy mózg-komputer w sterowaniu urządzeniami i systemami mechatronicznymi
PL
Interfejsy mózg-komputer ustanowiły przełom w rozwoju współczesnych neuronauk i neurorehabilitacji. Niniejszy artykuł stanowi przegląd części technologii interfejsów mózg-komputer ukierunkowanej na sterowanie urządzeniami i systemami mechatronicznymi. Opisane zostały zarówno podstawowe rozwiązania z obszaru samych interfejsów, jak i przedyskutowane technologie mogące zapewnić sygnały sterujące dla urządzeń mechatronicznych. Pomimo ciągłego rozwoju problematyki wiele kwestii jest nierozwiązanych w zakresie udoskonalenia samych interfejsów oraz sklasyfikowania sygnałów sterujących
EN
Brain-computer interfaces (BCIs) have begun to constitute the another breakthrough in contemporary neuroscience and neurorehabilitation. This paper provides an overview of brain-computer interfaces (BCIs) technology that aims to address the priorities for control of mechatronic devices and systems. We describe basic solutions in the area of BCIs and discuss technologies that may provide command signals for mechatronic devices. Despite continuous development of the topic there still remains room for improvement, including future interfaces and control signal classification enhancements.
9
Content available remote Interfejs mózg-komputer jako moduł mechatroniczny
PL
Komunikacja z otoczeniem to jedna z podstawowych potrzeb człowieka, z zaspokojeniem której mają problem osoby niepełnosprawne i w podeszłym wieku, napotykając na bariery utrudniające im poruszanie się i przekaz werbalny. Interfejs mózg-komputer to urządzenie, które wykorzystuje oczyszczony i przetworzony sygnał bioelektryczny człowieka do komunikacji z urządzeniem bezprzewodowym. Pomaga zdiagnozować nieprawidłową pracę mózgu. Poprzez gry komputerowe rozwija refleks i uczy koncentracji. Zastosowany jako moduł mechatroniczny umożliwia sterowanie urządzeniami i systemami mechatronicznymi.
EN
Communication to envirnment constitutes one of the basis poaple's need. Meet of this need creates significant problem both for disabled people and elderly people due to mobility limitations and verbal communication limitations. Brain-computer interfaces (BCI) conctitutes device which uses filtered and processed human's bioelectrical signal to communicate to wireless device. It helps diagnise improper work of the brain. It also develops reflex and concentration thanks to BCI0controlled computer games. BCI-based mechatronic module allows to contorl mechatronic devices and systems.
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.
EN
Brain–computer interfaces based on steady-state visual evoked potentials have recently gained increasing attention due to high performance and minimal user training. Stimulus frequencies in the range of 4–60 Hz have been used in these systems. However, eye fatigue when looking at low-frequency flickering lights, higher risk of induced epileptic seizure for medium-frequency flickers, and low signal amplitude for high-frequency flickers complicate appropriate selection of flickering frequencies. Here, different flicker frequencies were evaluated for development of a brain–computer interface speller that ensures user's comfort as well as the system's efficiency. A frequency detection algorithm was also proposed based on Least Absolute Shrinkage and Selection Operator estimate that provides excellent accuracy using only a single channel of EEG. After evaluation of the SSVEP responses in the range of 6–60 Hz, three stimulus frequency sets of 30–35, 35–40 and 40–45 Hz were adopted and the system's performance and corresponding eye fatigue were compared. While the accuracy of the asynchronous speller for all three stimulus frequency sets was close to the maximum (average 97.6%), repeated measures ANOVA demonstrated that the typing speed for 30–35 Hz (8.09 char/min) and 35–40 Hz (8.33 char/min) are not significantly different, but are significantly higher than for 40–45 Hz (6.28 char/min). On the other hand, the average eye fatigue scale for 35–40 Hz (80%) is comparable to that for 40–45 Hz (85%), but very higher than for 30–35 Hz (60%). Therefore, 35–40 Hz range was proposed for the system which resulted in 99.2% accuracy and 67.1 bit/min information transfer rate.
PL
Potencjał stanu ustalonego (SSVEP - ang. Steady State Visually Evoked Potential) to odpowiedź mózgu na obserwowane stymulacje świetlne pojawiające się ze stałą częstotliwością. Podczas tego zjawiska w sygnale EEG (Elektroencefalogram) odbieranym z powierzchni czaszki w okolicach kory wzrokowej następuje znaczny wzrost mocy sygnału w częstotliwości z jaką pojawia się bodziec świetlny. W eksperymentach badających to zjawisko oraz interfejsach mózg-komputer (ang. BCI - Brain Computer Interface) bazujących na nim, stosuje się różne rozwiązania do wysyłania stymulacji. Wiodącymi metodami jest zastosowanie układów ze źródłem światła wykorzystującym diody elektroluminescencyjne (LED) lub wykorzystanie ekranów monitorów komputerowych (CRT, LCD). Niniejszy artykuł zawiera opis problemu oraz przegląd metod wykorzystywanych do wywoływania stymulacji na ekranie monitora.
EN
The Steady State Visually Evoked Potential (SSVEP) is the brain's response to the observed light stimulation occurring at a constant frequency. During this phenomenon in the EEG (Electroencephalogram) signal received from the skull surface near the visual cortex there is a significant increase in signal strength in the frequency with which the light stimulus appears. In experiments investigating this phenomenon as well as in Brain Computer Interfaces (BCI) based on it, various solutions are used to send stimulation. The leading methods are the use of systems with a light source using electroluminescent diodes (LED) or the use of computer screens (CRT, LCD). This article contains a description of the problem and an overview of the methods used to stimulate the monitor screen.
13
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
Elektroencefalografia jest metodą pozwalającą na pomiar elektrycznej aktywności mózgu. Metoda ta jest wykorzystywana do diagnostyki pracy mózgu oraz w tzw. interfejsach mózg-komputer, czyli urządzeniach pozwalających na bezpośrednią komunikację pomiędzy mózgiem a jednostką obliczeniową. Interfejsy takie tworzone są głównie z myślą o osobach częściowo sparaliżowanych lub dotkniętych syndromem zamknięcia. Jednym ze zjawisk zachodzącym w mózgu, wykorzystywanym w interfejsach mózg-komputer, są Wzrokowe Potencjały Wywołane Stanu Ustalonego SSVEP (Steady State Visually Evoked Potentials). Jeśli osoba badana obserwuje bodziec, migający z określoną częstotliwością, to sygnał o tej samej częstotliwości (dominującej) zostanie zmierzony nad korą wzrokową. W takich urządzeniach bardzo istotne jest przetwarzanie zmierzonego sygnału w taki sposób, aby zapewnić jak największą skuteczność rozpoznania na co w danej chwili patrzy osoba badana. Jednym ze sposobów na osiągnięcie tego celu może być wykorzystanie Ślepej Separacji Sygnałów BSS (Blind Source Separation), której celem jest znalezienie i usunięcie z mierzonych sygnałów niepożądanych składowych, np. związanych z mrugnięciami oczu czy napinaniem mięśni twarzy. W prezentowanym artykule zostały umówione sposoby wykorzystania Ślepej Separacji Sygnałów w badaniach elektroencefalograficznych nad Wzrokowymi Potencjałami Wywołanymi Stanu Ustalonego. Przedstawiono także wyniki skuteczności rozpoznania intencji badanego w zależności od liczby usuniętych składowych, rodzaju algorytmu Ślepej Separacji Sygnału i sposobu klasyfikacji sygnału.
EN
Electroencephalography allows recording the electrical activity of the brain. This method is used for diagnosis purposes as well as in brain–computer interfaces. Focusing on the brain–computer interface, it can be used to let the direct communication between the brain and a computing unit. This device is particularly useful for paralyzed patients or people suffering from a lock–in syndrome. Of the phenomena used in such systems, steady state visually evoked potentials (SSVEP) are probably the most common ones. If a subject is asked to focus on the flashing stimulus, a signal of the same frequency may be measured from the subject’s visual cortex. Proper preprocessing steps has to be taken in order to obtain maximally accurate stimuli recognition (as the specific frequency). One way to achieve this might be by applying the Blind Source Separation algorithms (BSS). BSS are designed to find and remove artifacts from the measured signal, e.g. noises associated with eye blinks or facial muscles contraction. In the present article an utilization of the BSS algorithms in the SSVEP–based EEG study was described. Additionally we report the accuracy of the stimuli categorization as depending on the number of removed components, kind of the blind source separation procedure and the type of the classification algorithm.
EN
P300 speller-based brain-computer interface (BCI) allows a person to communicate with a computer using only brain signals. In order to achieve better reliability and user continence, it is desirable to have a system capable of providing accurate classification with as few EEG channels as possible. This article proposes an approach based on multi-objective binary differential evolution (MOBDE) algorithm to optimize the system accuracy and number of EEG channels used for classification. The algorithm on convergence provides a set of pareto-optimal solutions by solving the trade-off between the classification accuracy and the number of channels for Devanagari script (DS)-based P300 speller system. The proposed method is evaluated on EEG data acquired from 9 subjects using a 64 channel EEG acquisition device. The statistical analysis carried out in the article, suggests that the proposed method not only increases the classification accuracy but also increases the over-all system reliabil-ity in terms of improved user-convenience and information transfer rate (ITR) by reducing the EEG channels. It was also revealed that the proposed system with only 16 channels was able to achieve higher classification accuracy than a system which uses all 64 channel's data for feature extraction and classification.
16
Content available remote Development of a real time emotion classifier based on evoked EEG
EN
Our quality of life is more dependent on our emotions than on physical comforts alone. This is motivation enough to classify emotions using Electroencephalogram (EEG) signals. This paper describes the acquisition of evoked EEG signals for classification of emotions into four quadrants. The EEG signals have been collected from 24 subjects on three electrodes (Fz, Cz and Pz) along the central line. The absolute and differential attributes of single trial ERPs have been used to classify emotions. The single trial ERP attributes collected from each electrode have been used for developing an emotion classifier for each subject. The accuracy of classification of emotions into four classes lies between 62.5–83.3% for single trials. The subject independent analysis has been done using absolute and differential attributes of single trial signals of ERP. An overall accuracy of 55% has been obtained on Fz electrode for multi subject trials. The methodology used to classify emotions by fixing the attributes for classification of emotions brings us a step closer to developing a real time emotion recognition system with benefits including applications like Brain-Computer Interface for locked-in subjects, emotion classification for highly sensitive jobs like fighter pilots etc.
EN
To construct brain–computer interface (BCI), an event-related potential (ERP) induced by a tactile stimulus is investigated in this paper. For ERP-based BCI, visual or auditory information is frequently used as the stimulus. In the present study, we focus on tactile sensations to reserve their visual and auditory senses for other activities. Several patterns of mechanical tactile stimulation were applied to the index fingers of both hands using two piezo actuators that were used as a braille display. Human experiments based on the oddball paradigm were carried out. Subjects were instructed to pay attention to unusual target stimuli while avoiding other frequent non-target stimuli. The extracted features were classified by applying stepwise linear discriminant analysis. As a result, an accuracy of 85% and 60% were obtained for 2- and 4-class classification, respectively. The accuracy was improved by increasing the number of electrodes even when short stimulus intervals were used.
PL
Praca dotyczy obszaru badań związanych z pomiarami i przetwarzaniem sygnału elektroencefalograficznego oraz bezpośredniej komunikacji aktywacji mózgu z urządzeniem zewnętrznym za pomocą systemów zawierających interfejs mózg-komputer (ang. BCI - brain computer interface) w celu modyfikacji klasycznego podejścia metodycznego w sporcie. Osiąganie wyników sportowych zbliża się do granic przystosowania ustroju ludzkiego. Natomiast poszukiwanie kryteriów i wysokiej wartości diagnostycznej potencjału sportowego oraz określenie tej wartości z pewnością spełni funkcję predykcyjną w szkoleniu sportowym. Badania wskazują na to, że wdrożenie metody sprzężenia zwrotnego EEG do treningu sportowego wpływa na poprawę stanu funkcjonalnego organizmu, a w konsekwencji polepszenie wyników w sporcie.
EN
The paper concerns the research related to the measurement and electroencephalographic signal processing and direct communication of brain with an external device using a system containing a brain-computer interface (BCI) for the modification of the classical methodological approach in sport. Achieving better sports results is approaching the limits of adaptability of the human organism. Establishing reliable criteria and high value diagnostics of sport potential and determination of this value, will be a prediction factor in sports training. The implementation of the EEG biofeedback method in sports training will improve the functional status of the organism, and consequently, may contribute to better sport results.
PL
Odpowiedź mózgu na bodziec powtarzany ze stałą częstotliwością (np. migające światło diody LED) nazywana jest potencjałem stanu ustalonego (SSVEP ang. Steady State Visually Evoked Potential). W konsekwencji takiej stymulacji w sygnale EEG (Elektroencefalogram) rejestrowanym znad kory wzrokowej następuje wyraźny wzrost mocy w paśmie częstotliwości odpowiadającym częstotliwości bodźca stymulującego. Posiadając układ stymulujący, wyposażony w migającą z daną częstotliwością diodę LED oraz wykorzystując aparaturę do pomiaru EEG (elektrody pomiarowe umiejscowione na czaszce podmiotu badanego) możliwe jest skonstruowanie interfejsu mózg-komputer (BCI ang. Brain-Computer Interface), który może być z powodzeniem wykorzystany np. jako układ sterujący wózkiem inwalidzkim dla osób niepełnosprawnych. Użycie rozwiązania opartego na diodach LED, przy uwzględnieniu standardowego użytecznego zakresu częstotliwościowego sygnału EEG (5-30Hz), daje około 80 możliwych częstotliwości stymulacji. Stanowi to znaczny zbiór częstotliwości możliwych do wykorzystania na etapie uczenia się interfejsu BCI. Etap ten jest konieczny, aby wybrać charakterystyczne dla badanego podmiotu częstotliwości stymulacji dające jak najsilniejszą odpowiedź SSVEP. W artykule autor przedstawi metodę komunikacji w interfejsie BCI opartą na SSVEP z wykorzystaniem diody LED ze wskazaniem na najbardziej istotne parametry budowy układów stymulacyjnych.
EN
The response of the brain to a stimulus repeated with a constant frequency (eg. flashing LED), is called a Steady State Visually Evoked Potential (SSVEP). As a consequence of the stimulation, the EEG signal (electroencephalogram) recorded from the visual cortex shows a significant power increase in the frequency band corresponding to the stimulus frequency. That means that using a stimulation equipment (with LED flashing with the given frequency) and EEG device recording signals from electrodes placed on the subject’s skull, it is possible to construct the brain-computer interface (BCI). It can be used successfully e.g., as a control system for a wheelchair for disabled people. BCI based on LEDs provides a high number of possible stimulation frequencies. Considering the classic EEG frequency band (5-30 Hz) at least 80 different stimulation frequencies can be delivered by a single LED. This large set of frequencies is used at the BCI learning stage. This stage is necessary in order to select specific stimulation frequencies, which give the strongest SSVEP for a specific subject. In the article the author will present the method of communication in BCI interface based on the SSVEP using LEDs. The most important parameters of the stimulating systems will be indicated.
EN
The paper is dedicated to parameter adjustment and performance analysis of the brain-computer interface based on P300 paradigm. The aim of the paper is to present the construction of the brain-computer interface and the study of optimal parameter selection as well as the data analysis process. The BCI with different parameters was run and tested under the case study. The aim of the study was to find the most suitable parameter of P300-based BCI.
PL
Artykuł poświęcony jest dostosowaniu parametrów oraz analizie wydajności interfejsu mózg-komputer opartego na paradygmacie P300. Opisano konstrukcję interfejsu oraz proces doboru jego parametrów, a także cały proces analizy. Interfejs BCI z różnymi zestawami parametrów został uruchomiony i przetestowany. Przedstawiono studium przypadku poświęcone analizie danych oraz analizie wydajnościowej danych pochodzących z interfejsu BCI.
first rewind previous Strona / 3 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.