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
Klassifikation primitiver Formen mithilfe von Gehirn-Computer-Schnittstellen
Teilen:
Ehsan Tarkesh Esfahani, V. Sundararajan
Zusammenfassung
Gehirn-Computer-Schnittstellen (BCIs) sind neueste Entwicklungen in alternativen Technologien der Benutzerinteraktion. Ziel dieses Papiers ist es, das Potenzial von BCIs als Benutzerschnittstellen für CAD-Systeme zu erkunden. Das Papier beschreibt Experimente und Algorithmen, die die BCI verwenden, um zwischen primitiven Formen zu unterscheiden, die von einem Benutzer vorgestellt werden. Benutzer tragen ein Elektroenzephalogramm (EEG) Headset und stellen sich die Form eines Würfels, einer Kugel, eines Zylinders, einer Pyramide oder eines Kegels vor. Das EEG-Headset erfasst die Gehirnaktivität von 14 Stellen auf der Kopfhaut. Die Daten werden mit der unabhängigen Komponentenanalyse (ICA) und der Hilbert-Huang-Transformation (HHT) analysiert. Die interessierenden Merkmale sind die Rand-Spektren der verschiedenen Frequenzbänder (Theta-, Alpha-, Beta- und Gamma-Bänder), die aus dem Hilbertspektrum jeder unabhängigen Komponente berechnet werden. Der Mann-Whitney U-Test wird dann angewendet, um die EEG-Elektrodenkanäle nach Relevanz in fünf paarweisen Klassifikationen zu rangieren. Die Merkmale der am höchsten eingestuften unabhängigen Komponenten bilden den finalen Merkmalsvektor, der dann verwendet wird, um einen linearen Diskriminantenklassifizierer zu trainieren. Die Ergebnisse zeigen, dass dieser Klassifizierer zwischen den fünf grundlegenden primitiven Objekten mit einer durchschnittlichen Genauigkeit von etwa 44,6 % (im Vergleich zur naiven Klassifikationsrate von 20 %) über zehn Probanden (Genauigkeitsbereich von 36 % bis 54 %) unterscheiden kann. Die Genauigkeitsklassifikation ändert sich auf 39,9 %, wenn sowohl visuelle als auch verbale Hinweise verwendet werden. Die Wiederholbarkeit der Merkmalsgewinnung und -klassifikation wurde überprüft, indem das Experiment an 10 verschiedenen Tagen mit denselben Teilnehmern durchgeführt wurde. Dies zeigt, dass die BCI vielversprechend ist, um geometrische Formen in CAD-Systemen zu erstellen und als neuartige Mittel der Benutzerinteraktion verwendet werden könnte.Klicken Sie hier für den vollständigen Bericht.
Ehsan Tarkesh Esfahani, V. Sundararajan
Zusammenfassung
Gehirn-Computer-Schnittstellen (BCIs) sind neueste Entwicklungen in alternativen Technologien der Benutzerinteraktion. Ziel dieses Papiers ist es, das Potenzial von BCIs als Benutzerschnittstellen für CAD-Systeme zu erkunden. Das Papier beschreibt Experimente und Algorithmen, die die BCI verwenden, um zwischen primitiven Formen zu unterscheiden, die von einem Benutzer vorgestellt werden. Benutzer tragen ein Elektroenzephalogramm (EEG) Headset und stellen sich die Form eines Würfels, einer Kugel, eines Zylinders, einer Pyramide oder eines Kegels vor. Das EEG-Headset erfasst die Gehirnaktivität von 14 Stellen auf der Kopfhaut. Die Daten werden mit der unabhängigen Komponentenanalyse (ICA) und der Hilbert-Huang-Transformation (HHT) analysiert. Die interessierenden Merkmale sind die Rand-Spektren der verschiedenen Frequenzbänder (Theta-, Alpha-, Beta- und Gamma-Bänder), die aus dem Hilbertspektrum jeder unabhängigen Komponente berechnet werden. Der Mann-Whitney U-Test wird dann angewendet, um die EEG-Elektrodenkanäle nach Relevanz in fünf paarweisen Klassifikationen zu rangieren. Die Merkmale der am höchsten eingestuften unabhängigen Komponenten bilden den finalen Merkmalsvektor, der dann verwendet wird, um einen linearen Diskriminantenklassifizierer zu trainieren. Die Ergebnisse zeigen, dass dieser Klassifizierer zwischen den fünf grundlegenden primitiven Objekten mit einer durchschnittlichen Genauigkeit von etwa 44,6 % (im Vergleich zur naiven Klassifikationsrate von 20 %) über zehn Probanden (Genauigkeitsbereich von 36 % bis 54 %) unterscheiden kann. Die Genauigkeitsklassifikation ändert sich auf 39,9 %, wenn sowohl visuelle als auch verbale Hinweise verwendet werden. Die Wiederholbarkeit der Merkmalsgewinnung und -klassifikation wurde überprüft, indem das Experiment an 10 verschiedenen Tagen mit denselben Teilnehmern durchgeführt wurde. Dies zeigt, dass die BCI vielversprechend ist, um geometrische Formen in CAD-Systemen zu erstellen und als neuartige Mittel der Benutzerinteraktion verwendet werden könnte.Klicken Sie hier für den vollständigen Bericht.
Ehsan Tarkesh Esfahani, V. Sundararajan
Zusammenfassung
Gehirn-Computer-Schnittstellen (BCIs) sind neueste Entwicklungen in alternativen Technologien der Benutzerinteraktion. Ziel dieses Papiers ist es, das Potenzial von BCIs als Benutzerschnittstellen für CAD-Systeme zu erkunden. Das Papier beschreibt Experimente und Algorithmen, die die BCI verwenden, um zwischen primitiven Formen zu unterscheiden, die von einem Benutzer vorgestellt werden. Benutzer tragen ein Elektroenzephalogramm (EEG) Headset und stellen sich die Form eines Würfels, einer Kugel, eines Zylinders, einer Pyramide oder eines Kegels vor. Das EEG-Headset erfasst die Gehirnaktivität von 14 Stellen auf der Kopfhaut. Die Daten werden mit der unabhängigen Komponentenanalyse (ICA) und der Hilbert-Huang-Transformation (HHT) analysiert. Die interessierenden Merkmale sind die Rand-Spektren der verschiedenen Frequenzbänder (Theta-, Alpha-, Beta- und Gamma-Bänder), die aus dem Hilbertspektrum jeder unabhängigen Komponente berechnet werden. Der Mann-Whitney U-Test wird dann angewendet, um die EEG-Elektrodenkanäle nach Relevanz in fünf paarweisen Klassifikationen zu rangieren. Die Merkmale der am höchsten eingestuften unabhängigen Komponenten bilden den finalen Merkmalsvektor, der dann verwendet wird, um einen linearen Diskriminantenklassifizierer zu trainieren. Die Ergebnisse zeigen, dass dieser Klassifizierer zwischen den fünf grundlegenden primitiven Objekten mit einer durchschnittlichen Genauigkeit von etwa 44,6 % (im Vergleich zur naiven Klassifikationsrate von 20 %) über zehn Probanden (Genauigkeitsbereich von 36 % bis 54 %) unterscheiden kann. Die Genauigkeitsklassifikation ändert sich auf 39,9 %, wenn sowohl visuelle als auch verbale Hinweise verwendet werden. Die Wiederholbarkeit der Merkmalsgewinnung und -klassifikation wurde überprüft, indem das Experiment an 10 verschiedenen Tagen mit denselben Teilnehmern durchgeführt wurde. Dies zeigt, dass die BCI vielversprechend ist, um geometrische Formen in CAD-Systemen zu erstellen und als neuartige Mittel der Benutzerinteraktion verwendet werden könnte.Klicken Sie hier für den vollständigen Bericht.