EMOTIV EPOC verfügt über 14 EEG-Sensoren, von denen 8 um die frontalen und präfrontalen Lappen angeordnet sind, die durch ihre Lage Signale von den Gesichtsmuskeln und den Augen erfassen. Die meisten EEG-Systeme behandeln diese Signale als Rauschen, und sie werden gefiltert oder ignoriert, wenn die Signale interpretiert werden. Das EMOTIV-Detektionssystem filtert diese Signale ebenfalls heraus, bevor es die Gehirnsignale interpretiert, jedoch verwenden wir diese Signale auch, um zu klassifizieren, welche Muskelgruppen sie verursachen; wir nennen das Smart Artifacts.

Wir haben effiziente Klassifizierer entwickelt, um viele Gesichtsausdrücke zu erkennen, darunter Blinzeln, links zwinkern, rechts zwinkern, hochgezogene Augenbrauen (Überraschung), zusammengezogene Augenbrauen (Zorn), Lächeln und zusammengebissene Zähne.

Unsere Gesichtsausdrücke werden aus Muskelrauschen erkannt, mit Ausnahme von Augenbewegungen, die aus der Tatsache resultieren, dass das Auge elektrisch polarisiert ist und das sich bewegende Dipol auch ein detektierbares elektrisches Signal erzeugt. Es ist eine Herausforderung für herkömmliche EEG-Systeme, die Auswirkungen der Muskelsignale von den Gehirnmustern zu eliminieren, und die meisten medizinischen EEGs erfordern, dass der Patient sehr still sitzt, damit sie die Gehirnsignale mit ausreichender Integrität sehen können, um funktionale Probleme zu diagnostizieren (und selbst dann wird ein großer Teil der Daten aufgrund von Blinzeln und anderen unwillkürlichen Bewegungen wie Schlucken verworfen).

Wir haben einen anderen Ansatz gewählt, nämlich dass wertvolle Informationen über den Gesichtsausdruck des Benutzers aus dem Muster der Muskelsignale abgeleitet werden können, und wir haben spezifische Klassifizierungssysteme entwickelt, um unterschiedliche Aktivierungsmuster von Muskelgruppen bestimmten Ausdrücken zuzuordnen. Wir sind dann in der Lage, einige Filterung auf unsere Gehirnsignale anzuwenden, sodass wir eine bessere Chance haben, das tatsächliche Gehirnsignal durch das Muskelrauschen zu erkennen, um die Arten von Muskelsignalen zu identifizieren.

Wir verwenden eine Kombination aus Filtern und spezifischen Merkmalen von Gehirnmustern, die weniger von Muskelbewegungen beeinflusst werden, um das zugrunde liegende Gehirnverhalten abzuleiten.