Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Fordern Sie Ihr Gedächtnis heraus! Spielen Sie das neue N-Back-Spiel in der Emotiv-App
Gehirn-Computer-Schnittstelle basierend auf der Generierung visueller Bilder
Teilen:
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Zusammenfassung
Dieses Papier untersucht die Aufgabe, EEG-Muster zu erkennen, die mit der Durchführung von drei mentalen Aufgaben korrespondieren: Entspannung und das Vorstellen von zwei Arten von Bildern: Gesichtern und Häusern. Die Experimente wurden mit zwei EEG-Headsets durchgeführt: BrainProducts ActiCap und Emotiv EPOC. Das Emotiv-Headset wird zunehmend in Verbraucher-BCI-Anwendungen verwendet, die es ermöglichen, in Zukunft groß angelegte EEG-Experimente durchzuführen. Da die Klassifikationsgenauigkeit in den ersten drei Tagen des Experiments mit dem EPOC-Headset signifikant über dem Niveau der zufälligen Klassifizierung lag, wurde am vierten Tag ein Kontrollexperiment mit ActiCap durchgeführt. Das Kontrollexperiment hat gezeigt, dass die Nutzung hochwertiger Forschungsgeräte die Klassifikationsgenauigkeit verbessern kann (bis zu 68% bei einigen Probanden) und dass die Genauigkeit unabhängig von der Anwesenheit von EEG-Artefakten im Zusammenhang mit Blinzeln und Augenbewegungen ist. Diese Studie zeigt auch, dass ein rechnerisch kostengünstiger Bayesian-Klassifikator, der auf der Analyse der Kovarianzmatrix basiert, eine ähnliche Klassifikationsgenauigkeit bei diesem Problem wie ein ausgefeilterer Multi-Class Common Spatial Patterns (MCSP) Klassifikator erzielt.Hier klicken, um den vollständigen Bericht zu lesen
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Zusammenfassung
Dieses Papier untersucht die Aufgabe, EEG-Muster zu erkennen, die mit der Durchführung von drei mentalen Aufgaben korrespondieren: Entspannung und das Vorstellen von zwei Arten von Bildern: Gesichtern und Häusern. Die Experimente wurden mit zwei EEG-Headsets durchgeführt: BrainProducts ActiCap und Emotiv EPOC. Das Emotiv-Headset wird zunehmend in Verbraucher-BCI-Anwendungen verwendet, die es ermöglichen, in Zukunft groß angelegte EEG-Experimente durchzuführen. Da die Klassifikationsgenauigkeit in den ersten drei Tagen des Experiments mit dem EPOC-Headset signifikant über dem Niveau der zufälligen Klassifizierung lag, wurde am vierten Tag ein Kontrollexperiment mit ActiCap durchgeführt. Das Kontrollexperiment hat gezeigt, dass die Nutzung hochwertiger Forschungsgeräte die Klassifikationsgenauigkeit verbessern kann (bis zu 68% bei einigen Probanden) und dass die Genauigkeit unabhängig von der Anwesenheit von EEG-Artefakten im Zusammenhang mit Blinzeln und Augenbewegungen ist. Diese Studie zeigt auch, dass ein rechnerisch kostengünstiger Bayesian-Klassifikator, der auf der Analyse der Kovarianzmatrix basiert, eine ähnliche Klassifikationsgenauigkeit bei diesem Problem wie ein ausgefeilterer Multi-Class Common Spatial Patterns (MCSP) Klassifikator erzielt.Hier klicken, um den vollständigen Bericht zu lesen
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Zusammenfassung
Dieses Papier untersucht die Aufgabe, EEG-Muster zu erkennen, die mit der Durchführung von drei mentalen Aufgaben korrespondieren: Entspannung und das Vorstellen von zwei Arten von Bildern: Gesichtern und Häusern. Die Experimente wurden mit zwei EEG-Headsets durchgeführt: BrainProducts ActiCap und Emotiv EPOC. Das Emotiv-Headset wird zunehmend in Verbraucher-BCI-Anwendungen verwendet, die es ermöglichen, in Zukunft groß angelegte EEG-Experimente durchzuführen. Da die Klassifikationsgenauigkeit in den ersten drei Tagen des Experiments mit dem EPOC-Headset signifikant über dem Niveau der zufälligen Klassifizierung lag, wurde am vierten Tag ein Kontrollexperiment mit ActiCap durchgeführt. Das Kontrollexperiment hat gezeigt, dass die Nutzung hochwertiger Forschungsgeräte die Klassifikationsgenauigkeit verbessern kann (bis zu 68% bei einigen Probanden) und dass die Genauigkeit unabhängig von der Anwesenheit von EEG-Artefakten im Zusammenhang mit Blinzeln und Augenbewegungen ist. Diese Studie zeigt auch, dass ein rechnerisch kostengünstiger Bayesian-Klassifikator, der auf der Analyse der Kovarianzmatrix basiert, eine ähnliche Klassifikationsgenauigkeit bei diesem Problem wie ein ausgefeilterer Multi-Class Common Spatial Patterns (MCSP) Klassifikator erzielt.Hier klicken, um den vollständigen Bericht zu lesen