Ikhtisar

Platform Emotiv BCI (Antarmuka Otak-Komputer) dirancang untuk menerjemahkan niat pengguna menjadi perintah digital menggunakan data EEG yang dikumpulkan dari headset Emotiv. Komponen kunci dari terjemahan ini terletak pada kemampuan pemrosesan sinyal dan pembelajaran mesin bawaan. Alat-alat ini memungkinkan sistem untuk mengklasifikasikan perintah mental secara efektif, bahkan dengan data pelatihan yang minimal.

Teknik Pemrosesan Sinyal

Platform ini menggunakan beberapa teknik pemrosesan sinyal untuk mengekstrak fitur bermakna dari data EEG mentah. Teknik-teknik ini meliputi:

• Penyaringan: Sinyal EEG disaring untuk menghilangkan kebisingan dan mengisolasi pita frekuensi yang relevan.

• Transformasi dan Ekstraksi Fitur: Kombinasi transformasi diterapkan untuk menghasilkan fitur yang dapat mewakili keadaan mental yang berbeda dengan latensi rendah dan keandalan tinggi.
  
  
  
  

Pra-pemrosesan ini memastikan bahwa data yang dimasukkan ke dalam algoritma pembelajaran mesin bersih, representatif, dan cocok untuk analisis waktu nyata.

Pendekatan Pembelajaran Mesin

Aplikasi EmotivBCI memanfaatkan Model Campuran Gaussian (GMM) untuk mengklasifikasikan perintah mental yang ditentukan oleh pengguna. Model ini dipilih karena:

• Efisiensi dengan Dataset Kecil: GMM berkinerja baik dengan data pelatihan yang terbatas—biasanya hanya memerlukan sekitar 8 detik per contoh pelatihan per kelas.

• Latensi Rendah: Kombinasi GMM dengan ekstraksi fitur yang efisien memastikan sistem dapat merespons dengan cepat terhadap input pengguna.

• Skalabilitas: Meskipun GMM tetap efektif saat jumlah kelas meningkat, kompleksitas pembelajaran baik pengguna maupun sistem memang meningkat.

• Pelatihan dan inferensi cepat: Tanda tangan Perintah Mental GMM dilatih dalam waktu kurang dari satu detik menggunakan prosesor berdaya rendah. Inferensi terjadi dalam waktu nyata.
  
  
  
  

Pelatihan Bersama Manusia-Mesin

Aspek unik dari platform BCI Emotiv adalah sistem pelatihan ganda, di mana baik mesin maupun pengguna belajar secara bersamaan:

• Pengguna harus belajar untuk menghasilkan pola mental yang:

  • Terpisah: Jelas berbeda dari aktivitas otak saat beristirahat atau latar belakang.

  • Reproduksible: Dihasilkan secara konsisten ketika perintah mental yang sama dicoba.

  • Terpisah: Unik di berbagai perintah.

• Mesin belajar dari contoh-contoh ini, meningkatkan akurasi klasifikasi seiring dengan bertambahnya data pelatihan.

Seiring dengan semakin mahirnya pengguna, mereka dapat memilih untuk memulai ulang pelatihan dengan “tanda tangan” baru—dataset yang lebih bersih yang mengeluarkan upaya pelatihan awal yang bising, yang mengarah pada kinerja sistem yang lebih baik.

Kesimpulan

Platform BCI Emotiv mencapai keseimbangan antara kinerja dan kegunaan, memungkinkan klasifikasi perintah mental yang efektif dengan data minimal menggunakan Model Campuran Gaussian dan pemrosesan sinyal yang canggih. Model pelatihan manusia-dalam-langkahnya mengenali pentingnya pembelajaran pengguna dalam mencapai hasil yang optimal.