
Classificatie van primitieve vormen met behulp van hersen-computerinterfaces
Nuri Djavit
Bijgewerkt op
25 okt 2012

Classificatie van primitieve vormen met behulp van hersen-computerinterfaces
Nuri Djavit
Bijgewerkt op
25 okt 2012

Classificatie van primitieve vormen met behulp van hersen-computerinterfaces
Nuri Djavit
Bijgewerkt op
25 okt 2012
Ehsan Tarkesh Esfahani, V. Sundararajan
Samenvatting
Brain-computer interfaces (BCI's) zijn recente ontwikkelingen in alternatieve technologieën voor gebruikersinteractie. Het doel van dit artikel is om het potentieel van BCI's als gebruikersinterfaces voor CAD-systemen te onderzoeken. Het artikel beschrijft experimenten en algoritmen die de BCI gebruiken om onderscheid te maken tussen basisvormen die door een gebruiker worden ingebeeld. Gebruikers dragen een elektro-encefalogram (EEG)-headset en stellen zich de vorm voor van een kubus, bol, cilinder, piramide of kegel. De EEG-headset verzamelt hersenactiviteit van 14 locaties op de hoofdhuid. De gegevens worden geanalyseerd met onafhankelijke componentenanalyse (ICA) en de Hilbert-Huang-transformatie (HHT). De interessante kenmerken zijn de marginale spectra van verschillende frequentiebanden (theta-, alfa-, bèta- en gammabanden) berekend op basis van het Hilbert-spectrum van elke onafhankelijke component. De Mann-Whitney U-test wordt vervolgens toegepast om de EEG-elektrodekanalen te rangschikken op relevantie in vijf paarsgewijze classificaties. De kenmerken van de hoogst gerangschikte onafhankelijke componenten vormen de uiteindelijke kenmerkvector die vervolgens wordt gebruikt om een lineaire discriminant-classifier te trainen. Resultaten tonen aan dat deze classifier onderscheid kan maken tussen de vijf basisobjecten met een gemiddelde nauwkeurigheid van ongeveer 44,6% (vergeleken met een naïeve classificatiesnelheid van 20%) over tien proefpersonen (nauwkeurigheidsbereik van 36%-54%). De nauwkeurigheid van de classificatie verandert naar 39,9% wanneer zowel visuele als verbale aanwijzingen worden gebruikt. De herhaalbaarheid van de kenmerkextractie en de classificatie werd gecontroleerd door het experiment op 10 verschillende dagen met dezelfde deelnemers uit te voeren. Dit toont aan dat de BCI veelbelovend is voor het creëren van geometrische vormen in CAD-systemen en zou kunnen worden gebruikt als een nieuw middel voor gebruikersinteractie.Klik hier voor het volledige rapport.
Ehsan Tarkesh Esfahani, V. Sundararajan
Samenvatting
Brain-computer interfaces (BCI's) zijn recente ontwikkelingen in alternatieve technologieën voor gebruikersinteractie. Het doel van dit artikel is om het potentieel van BCI's als gebruikersinterfaces voor CAD-systemen te onderzoeken. Het artikel beschrijft experimenten en algoritmen die de BCI gebruiken om onderscheid te maken tussen basisvormen die door een gebruiker worden ingebeeld. Gebruikers dragen een elektro-encefalogram (EEG)-headset en stellen zich de vorm voor van een kubus, bol, cilinder, piramide of kegel. De EEG-headset verzamelt hersenactiviteit van 14 locaties op de hoofdhuid. De gegevens worden geanalyseerd met onafhankelijke componentenanalyse (ICA) en de Hilbert-Huang-transformatie (HHT). De interessante kenmerken zijn de marginale spectra van verschillende frequentiebanden (theta-, alfa-, bèta- en gammabanden) berekend op basis van het Hilbert-spectrum van elke onafhankelijke component. De Mann-Whitney U-test wordt vervolgens toegepast om de EEG-elektrodekanalen te rangschikken op relevantie in vijf paarsgewijze classificaties. De kenmerken van de hoogst gerangschikte onafhankelijke componenten vormen de uiteindelijke kenmerkvector die vervolgens wordt gebruikt om een lineaire discriminant-classifier te trainen. Resultaten tonen aan dat deze classifier onderscheid kan maken tussen de vijf basisobjecten met een gemiddelde nauwkeurigheid van ongeveer 44,6% (vergeleken met een naïeve classificatiesnelheid van 20%) over tien proefpersonen (nauwkeurigheidsbereik van 36%-54%). De nauwkeurigheid van de classificatie verandert naar 39,9% wanneer zowel visuele als verbale aanwijzingen worden gebruikt. De herhaalbaarheid van de kenmerkextractie en de classificatie werd gecontroleerd door het experiment op 10 verschillende dagen met dezelfde deelnemers uit te voeren. Dit toont aan dat de BCI veelbelovend is voor het creëren van geometrische vormen in CAD-systemen en zou kunnen worden gebruikt als een nieuw middel voor gebruikersinteractie.Klik hier voor het volledige rapport.
Ehsan Tarkesh Esfahani, V. Sundararajan
Samenvatting
Brain-computer interfaces (BCI's) zijn recente ontwikkelingen in alternatieve technologieën voor gebruikersinteractie. Het doel van dit artikel is om het potentieel van BCI's als gebruikersinterfaces voor CAD-systemen te onderzoeken. Het artikel beschrijft experimenten en algoritmen die de BCI gebruiken om onderscheid te maken tussen basisvormen die door een gebruiker worden ingebeeld. Gebruikers dragen een elektro-encefalogram (EEG)-headset en stellen zich de vorm voor van een kubus, bol, cilinder, piramide of kegel. De EEG-headset verzamelt hersenactiviteit van 14 locaties op de hoofdhuid. De gegevens worden geanalyseerd met onafhankelijke componentenanalyse (ICA) en de Hilbert-Huang-transformatie (HHT). De interessante kenmerken zijn de marginale spectra van verschillende frequentiebanden (theta-, alfa-, bèta- en gammabanden) berekend op basis van het Hilbert-spectrum van elke onafhankelijke component. De Mann-Whitney U-test wordt vervolgens toegepast om de EEG-elektrodekanalen te rangschikken op relevantie in vijf paarsgewijze classificaties. De kenmerken van de hoogst gerangschikte onafhankelijke componenten vormen de uiteindelijke kenmerkvector die vervolgens wordt gebruikt om een lineaire discriminant-classifier te trainen. Resultaten tonen aan dat deze classifier onderscheid kan maken tussen de vijf basisobjecten met een gemiddelde nauwkeurigheid van ongeveer 44,6% (vergeleken met een naïeve classificatiesnelheid van 20%) over tien proefpersonen (nauwkeurigheidsbereik van 36%-54%). De nauwkeurigheid van de classificatie verandert naar 39,9% wanneer zowel visuele als verbale aanwijzingen worden gebruikt. De herhaalbaarheid van de kenmerkextractie en de classificatie werd gecontroleerd door het experiment op 10 verschillende dagen met dezelfde deelnemers uit te voeren. Dit toont aan dat de BCI veelbelovend is voor het creëren van geometrische vormen in CAD-systemen en zou kunnen worden gebruikt als een nieuw middel voor gebruikersinteractie.Klik hier voor het volledige rapport.

Lees verder