Tinjauan

Platform Emotiv BCI (Brain-Computer Interface) dirancang untuk menerjemahkan maksud pengguna menjadi perintah digital menggunakan data EEG yang dikumpulkan dari headset Emotiv. Komponen kunci dari penerjemahan ini terletak pada kemampuan pemrosesan sinyal dan pembelajaran mesin yang terpasang. Alat-alat ini memungkinkan sistem untuk mengklasifikasikan perintah mental secara efektif, bahkan dengan data latihan yang minimal.

Teknik Pemrosesan Sinyal

Platform ini menggunakan beberapa teknik pemrosesan sinyal untuk mengekstraksi fitur yang berarti dari data EEG mentah. Teknik-teknik tersebut meliputi:

• Pemfilteran: Sinyal EEG difilter 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.

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

Pendekatan Pembelajaran Mesin

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

• Efisiensi dengan Data Kecil: GMM bekerja dengan baik dengan data latihan yang terbatas — biasanya hanya memerlukan sekitar 8 detik per contoh latihan per kelas.

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

• Skalabilitas: Sementara GMM tetap efektif saat jumlah kelas meningkat, kompleksitas pembelajaran kedua belah pihak, pengguna dan sistem, memang meningkat.

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

Pelatihan Bersama Manusia-Mesin

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

• Pengguna harus belajar menghasilkan pola mental yang:

  • Dapat dibedakan: Jelas berbeda dari aktivitas otak saat istirahat atau latar belakang.

  • Dapat direproduksi: Secara konsisten dihasilkan ketika perintah mental yang sama dicoba.

  • Dapat dipisahkan: Unik di antara perintah yang berbeda.

• Mesin belajar dari contoh-contoh ini, meningkatkan akurasi klasifikasi seiring lebih banyak data latihan dikumpulkan.

Seiring pengguna menjadi lebih terampil, mereka dapat memilih untuk memulai ulang pelatihan dengan "tanda tangan" baru — set data yang lebih bersih yang mengeluarkan upaya pelatihan awal yang bising, yang mengarah kepada kinerja sistem yang lebih baik.

Kesimpulan

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