Interface cerebro-computadora basada en la generación de imágenes visuales

Nuri Djavit

Actualizado el

10 jun 2011

Interface cerebro-computadora basada en la generación de imágenes visuales

Nuri Djavit

Actualizado el

10 jun 2011

Interface cerebro-computadora basada en la generación de imágenes visuales

Nuri Djavit

Actualizado el

10 jun 2011

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

Abstract

Este informe examina la tarea de reconocer patrones de EEG que corresponden a la realización de tres tareas mentales: relajación e imaginación de dos tipos de imágenes: caras y casas. Los experimentos se realizaron utilizando dos diademas de EEG: BrainProducts ActiCap y Emotiv EPOC. La diadema Emotiv se utiliza ampliamente en aplicaciones de BCI de consumo, lo que permitirá realizar experimentos de EEG a gran escala en el futuro. Dado que la precisión de la clasificación superó significativamente el nivel de clasificación aleatoria durante los primeros tres días del experimento con la diadema EPOC, se realizó un experimento de control al cuarto día utilizando ActiCap. El experimento de control ha demostrado que la utilización de equipos de investigación de alta calidad puede mejorar la precisión de la clasificación (hasta un 68% en algunos sujetos) y que la precisión es independiente de la presencia de artefactos de EEG relacionados con el parpadeo y el movimiento ocular. Este estudio también muestra que el clasificador bayesiano, computacionalmente económico y basado en el análisis de matrices de covarianza, produce una precisión de clasificación similar en este problema a la de un clasificador de Patrones Espaciales Comunes Multiclase (MCSP) más sofisticado.Haga clic aquí para leer el informe completo

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

Abstract

Este informe examina la tarea de reconocer patrones de EEG que corresponden a la realización de tres tareas mentales: relajación e imaginación de dos tipos de imágenes: caras y casas. Los experimentos se realizaron utilizando dos diademas de EEG: BrainProducts ActiCap y Emotiv EPOC. La diadema Emotiv se utiliza ampliamente en aplicaciones de BCI de consumo, lo que permitirá realizar experimentos de EEG a gran escala en el futuro. Dado que la precisión de la clasificación superó significativamente el nivel de clasificación aleatoria durante los primeros tres días del experimento con la diadema EPOC, se realizó un experimento de control al cuarto día utilizando ActiCap. El experimento de control ha demostrado que la utilización de equipos de investigación de alta calidad puede mejorar la precisión de la clasificación (hasta un 68% en algunos sujetos) y que la precisión es independiente de la presencia de artefactos de EEG relacionados con el parpadeo y el movimiento ocular. Este estudio también muestra que el clasificador bayesiano, computacionalmente económico y basado en el análisis de matrices de covarianza, produce una precisión de clasificación similar en este problema a la de un clasificador de Patrones Espaciales Comunes Multiclase (MCSP) más sofisticado.Haga clic aquí para leer el informe completo

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

Abstract

Este informe examina la tarea de reconocer patrones de EEG que corresponden a la realización de tres tareas mentales: relajación e imaginación de dos tipos de imágenes: caras y casas. Los experimentos se realizaron utilizando dos diademas de EEG: BrainProducts ActiCap y Emotiv EPOC. La diadema Emotiv se utiliza ampliamente en aplicaciones de BCI de consumo, lo que permitirá realizar experimentos de EEG a gran escala en el futuro. Dado que la precisión de la clasificación superó significativamente el nivel de clasificación aleatoria durante los primeros tres días del experimento con la diadema EPOC, se realizó un experimento de control al cuarto día utilizando ActiCap. El experimento de control ha demostrado que la utilización de equipos de investigación de alta calidad puede mejorar la precisión de la clasificación (hasta un 68% en algunos sujetos) y que la precisión es independiente de la presencia de artefactos de EEG relacionados con el parpadeo y el movimiento ocular. Este estudio también muestra que el clasificador bayesiano, computacionalmente económico y basado en el análisis de matrices de covarianza, produce una precisión de clasificación similar en este problema a la de un clasificador de Patrones Espaciales Comunes Multiclase (MCSP) más sofisticado.Haga clic aquí para leer el informe completo

Continúa leyendo

Interfaces cerebro-computadora por actividad eléctrica de la corteza