Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov

Zusammenfassung

Diese Arbeit untersucht die Aufgabe der Erkennung von EEG-Mustern, die der Ausfu00fchrung von drei mentalen Aufgaben entsprechen: Entspannung und das Vorstellen von zwei Arten von Bildern: Gesichtern und Hu00e4usern. Die Experimente wurden mit zwei EEG-Headsets durchgefu00fchrt: BrainProducts ActiCap und Emotiv EPOC. Das Emotiv-Headset findet in BCI-Anwendungen fu00fcr Endverbraucher grou00dfe Verbreitung, was in Zukunft die Durchfu00fchrung grou00df angelegter EEG-Experimente ermu00f6glicht. Da die Klassifikationsgenauigkeit in den ersten drei Tagen des Experiments mit dem EPOC-Headset das Niveau einer Zufallsklassifikation deutlich u00fcberstieg, wurde am vierten Tag ein Kontrollexperiment mit dem ActiCap durchgefu00fchrt. Das Kontrollexperiment hat gezeigt, dass die Verwendung von hochwertigen Forschungsgeru00e4ten die Klassifikationsgenauigkeit verbessern kann (bei einigen Probanden auf bis zu 68 %) und dass die Genauigkeit unabhu00e4ngig vom Vorhandensein von EEG-Artefakten ist, die mit Blinzeln und Augenbewegungen zusammenhu00e4ngen. Diese Studie zeigt auch, dass ein rechengu00fcnstiger Bayes-Klassifikator, der auf der Analyse der Kovarianzmatrix basiert, bei diesem Problem eine u00e4hnliche Klassifikationsgenauigkeit erzielt wie ein komplexerer Multi-class Common Spatial Patterns (MCSP)-Klassifikator.Klicken Sie hier, um den vollstu00e4ndigen Bericht zu lesen