Défiez votre mémoire ! Jouez au nouveau jeu N-Back dans l'application Emotiv
Défiez votre mémoire ! Jouez au nouveau jeu N-Back dans l'application Emotiv
Défiez votre mémoire ! Jouez au nouveau jeu N-Back dans l'application Emotiv
Interface Cerveau-Ordinateur Basée sur la Génération d'Images Visuelles
Partager :
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Résumé
Ce document examine la tâche de reconnaissance des motifs EEG qui correspondent à l'exécution de trois tâches mentales : la relaxation et l'imagination de deux types d'images : des visages et des maisons. Les expériences ont été réalisées en utilisant deux casques EEG : BrainProducts ActiCap et Emotiv EPOC. Le casque Emotiv est largement utilisé dans les applications BCI grand public, permettant de réaliser des expériences EEG à grande échelle à l'avenir. Étant donné que la précision de classification a considérablement dépassé le niveau de classification aléatoire pendant les trois premiers jours de l'expérience avec le casque EPOC, une expérience de contrôle a été effectuée le quatrième jour en utilisant l'ActiCap. L'expérience de contrôle a montré que l'utilisation d'équipements de recherche de haute qualité peut améliorer la précision de classification (jusqu'à 68 % chez certains sujets) et que cette précision est indépendante de la présence d'artéfacts EEG liés au clignement des yeux et au mouvement des yeux. Cette étude montre également qu'un classificateur bayésien peu coûteux sur le plan computational, basé sur l'analyse de la matrice de covariance, donne une précision de classification similaire à ce problème qu'un classificateur Multi-class Common Spatial Patterns (MCSP) plus sophistiqué.Cliquez ici pour lire le rapport complet
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Résumé
Ce document examine la tâche de reconnaissance des motifs EEG qui correspondent à l'exécution de trois tâches mentales : la relaxation et l'imagination de deux types d'images : des visages et des maisons. Les expériences ont été réalisées en utilisant deux casques EEG : BrainProducts ActiCap et Emotiv EPOC. Le casque Emotiv est largement utilisé dans les applications BCI grand public, permettant de réaliser des expériences EEG à grande échelle à l'avenir. Étant donné que la précision de classification a considérablement dépassé le niveau de classification aléatoire pendant les trois premiers jours de l'expérience avec le casque EPOC, une expérience de contrôle a été effectuée le quatrième jour en utilisant l'ActiCap. L'expérience de contrôle a montré que l'utilisation d'équipements de recherche de haute qualité peut améliorer la précision de classification (jusqu'à 68 % chez certains sujets) et que cette précision est indépendante de la présence d'artéfacts EEG liés au clignement des yeux et au mouvement des yeux. Cette étude montre également qu'un classificateur bayésien peu coûteux sur le plan computational, basé sur l'analyse de la matrice de covariance, donne une précision de classification similaire à ce problème qu'un classificateur Multi-class Common Spatial Patterns (MCSP) plus sophistiqué.Cliquez ici pour lire le rapport complet
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Résumé
Ce document examine la tâche de reconnaissance des motifs EEG qui correspondent à l'exécution de trois tâches mentales : la relaxation et l'imagination de deux types d'images : des visages et des maisons. Les expériences ont été réalisées en utilisant deux casques EEG : BrainProducts ActiCap et Emotiv EPOC. Le casque Emotiv est largement utilisé dans les applications BCI grand public, permettant de réaliser des expériences EEG à grande échelle à l'avenir. Étant donné que la précision de classification a considérablement dépassé le niveau de classification aléatoire pendant les trois premiers jours de l'expérience avec le casque EPOC, une expérience de contrôle a été effectuée le quatrième jour en utilisant l'ActiCap. L'expérience de contrôle a montré que l'utilisation d'équipements de recherche de haute qualité peut améliorer la précision de classification (jusqu'à 68 % chez certains sujets) et que cette précision est indépendante de la présence d'artéfacts EEG liés au clignement des yeux et au mouvement des yeux. Cette étude montre également qu'un classificateur bayésien peu coûteux sur le plan computational, basé sur l'analyse de la matrice de covariance, donne une précision de classification similaire à ce problème qu'un classificateur Multi-class Common Spatial Patterns (MCSP) plus sophistiqué.Cliquez ici pour lire le rapport complet