Classification de formes primitives à l'aide d'interfaces cerveau-ordinateur

Nuri Djavit

Mis à jour le

25 oct. 2012

Classification de formes primitives à l'aide d'interfaces cerveau-ordinateur

Nuri Djavit

Mis à jour le

25 oct. 2012

Classification de formes primitives à l'aide d'interfaces cerveau-ordinateur

Nuri Djavit

Mis à jour le

25 oct. 2012

Ehsan Tarkesh Esfahani, V. Sundararajan

Abstract

Les interfaces cerveau-ordinateur (BCIs) sont des développements récents dans les technologies alternatives d'interaction utilisateur. Le but de cet article est d'explorer le potentiel des BCIs en tant qu'interfaces utilisateur pour les systèmes CAO. L'article décrit des expériences et des algorithmes qui utilisent la BCI pour distinguer des formes primitives imaginées par un utilisateur. Les utilisateurs portent un casque d'électroencéphalographie (EEG) et imaginent la forme d'un cube, d'une sphère, d'un cylindre, d'une pyramide ou d'un cône. Le casque EEG recueille l'activité cérébrale à partir de 14 emplacements sur le cuir chevelu. Les données sont analysées par l'analyse en composantes indépendantes (ICA) et la transformée de Hilbert-Huang (HHT). Les caractéristiques d'intérêt sont les spectres marginaux de différentes bandes de fréquences (bandes thêta, alpha, bêta et gamma) calculés à partir du spectre de Hilbert de chaque composante indépendante. Le test U de Mann-Whitney est ensuite appliqué pour classer les canaux d'électrodes EEG par pertinence dans cinq classifications par paires. Les caractéristiques des composantes indépendantes les mieux classées forment le vecteur de caractéristiques final qui est ensuite utilisé pour entraîner un classificateur discriminant linéaire. Les résultats montrent que ce classificateur peut faire la distinction entre les cinq objets primitifs de base avec une précision moyenne d'environ 44.6% (par rapport à un taux de classification naïf de 20%) sur dix sujets (plage de précision de 36% à 54%). La précision de classification passe à 39.9% lorsque des indices visuels et verbaux sont utilisés. La répétabilité de l'extraction des caractéristiques et de la classification a été vérifiée en menant l'expérience sur 10 jours différents avec les mêmes participants. Cela montre que la BCI est prometteuse pour la création de formes géométriques dans les systèmes CAO et pourrait être utilisée comme un moyen novateur d'interaction utilisateur.Cliquez ici pour le rapport complet.

Ehsan Tarkesh Esfahani, V. Sundararajan

Abstract

Les interfaces cerveau-ordinateur (BCIs) sont des développements récents dans les technologies alternatives d'interaction utilisateur. Le but de cet article est d'explorer le potentiel des BCIs en tant qu'interfaces utilisateur pour les systèmes CAO. L'article décrit des expériences et des algorithmes qui utilisent la BCI pour distinguer des formes primitives imaginées par un utilisateur. Les utilisateurs portent un casque d'électroencéphalographie (EEG) et imaginent la forme d'un cube, d'une sphère, d'un cylindre, d'une pyramide ou d'un cône. Le casque EEG recueille l'activité cérébrale à partir de 14 emplacements sur le cuir chevelu. Les données sont analysées par l'analyse en composantes indépendantes (ICA) et la transformée de Hilbert-Huang (HHT). Les caractéristiques d'intérêt sont les spectres marginaux de différentes bandes de fréquences (bandes thêta, alpha, bêta et gamma) calculés à partir du spectre de Hilbert de chaque composante indépendante. Le test U de Mann-Whitney est ensuite appliqué pour classer les canaux d'électrodes EEG par pertinence dans cinq classifications par paires. Les caractéristiques des composantes indépendantes les mieux classées forment le vecteur de caractéristiques final qui est ensuite utilisé pour entraîner un classificateur discriminant linéaire. Les résultats montrent que ce classificateur peut faire la distinction entre les cinq objets primitifs de base avec une précision moyenne d'environ 44.6% (par rapport à un taux de classification naïf de 20%) sur dix sujets (plage de précision de 36% à 54%). La précision de classification passe à 39.9% lorsque des indices visuels et verbaux sont utilisés. La répétabilité de l'extraction des caractéristiques et de la classification a été vérifiée en menant l'expérience sur 10 jours différents avec les mêmes participants. Cela montre que la BCI est prometteuse pour la création de formes géométriques dans les systèmes CAO et pourrait être utilisée comme un moyen novateur d'interaction utilisateur.Cliquez ici pour le rapport complet.

Ehsan Tarkesh Esfahani, V. Sundararajan

Abstract

Les interfaces cerveau-ordinateur (BCIs) sont des développements récents dans les technologies alternatives d'interaction utilisateur. Le but de cet article est d'explorer le potentiel des BCIs en tant qu'interfaces utilisateur pour les systèmes CAO. L'article décrit des expériences et des algorithmes qui utilisent la BCI pour distinguer des formes primitives imaginées par un utilisateur. Les utilisateurs portent un casque d'électroencéphalographie (EEG) et imaginent la forme d'un cube, d'une sphère, d'un cylindre, d'une pyramide ou d'un cône. Le casque EEG recueille l'activité cérébrale à partir de 14 emplacements sur le cuir chevelu. Les données sont analysées par l'analyse en composantes indépendantes (ICA) et la transformée de Hilbert-Huang (HHT). Les caractéristiques d'intérêt sont les spectres marginaux de différentes bandes de fréquences (bandes thêta, alpha, bêta et gamma) calculés à partir du spectre de Hilbert de chaque composante indépendante. Le test U de Mann-Whitney est ensuite appliqué pour classer les canaux d'électrodes EEG par pertinence dans cinq classifications par paires. Les caractéristiques des composantes indépendantes les mieux classées forment le vecteur de caractéristiques final qui est ensuite utilisé pour entraîner un classificateur discriminant linéaire. Les résultats montrent que ce classificateur peut faire la distinction entre les cinq objets primitifs de base avec une précision moyenne d'environ 44.6% (par rapport à un taux de classification naïf de 20%) sur dix sujets (plage de précision de 36% à 54%). La précision de classification passe à 39.9% lorsque des indices visuels et verbaux sont utilisés. La répétabilité de l'extraction des caractéristiques et de la classification a été vérifiée en menant l'expérience sur 10 jours différents avec les mêmes participants. Cela montre que la BCI est prometteuse pour la création de formes géométriques dans les systèmes CAO et pourrait être utilisée comme un moyen novateur d'interaction utilisateur.Cliquez ici pour le rapport complet.