Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
Daag je geheugen uit! Speel de nieuwe N-Back-game in de Emotiv App
Hersen-computerinterface op basis van het genereren van visuele beelden
Delen:
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Samenvatting
Dit artikel onderzoekt de taak van het herkennen van EEG-patronen die overeenkomen met het uitvoeren van drie mentale taken: ontspanning en het voorstellen van twee soorten afbeeldingen: gezichten en huizen. De experimenten werden uitgevoerd met twee EEG-headsets: BrainProducts ActiCap en Emotiv EPOC. De Emotiv-headset wordt op grote schaal gebruikt in consumenten-BCI-toepassingen, wat het mogelijk maakt om in de toekomst grootschalige EEG-experimenten uit te voeren. Aangezien de classificatienauwkeurigheid tijdens de eerste drie dagen van het experiment met de EPOC-headset aanzienlijk hoger was dan het niveau van willekeurige classificatie, werd op de vierde dag een controlexperiment uitgevoerd met ActiCap. Het controlexperiment heeft aangetoond dat het gebruik van hoogwaardige onderzoeksapparatuur de classificatienauwkeurigheid kan verhogen (tot 68% bij sommige proefpersonen) en dat de nauwkeurigheid onafhankelijk is van de aanwezigheid van EEG-artefacten die verband houden met knipperen en oogbewegingen. Deze studie laat ook zien dat een rekenkundig goedkope Bayesiaanse classifier op basis van covariantiematrixanalyse in dit probleem een vergelijkbare classificatienauwkeurigheid oplevert als een geavanceerdere Multi-class Common Spatial Patterns (MCSP)-classifier.Klik hier om het volledige rapport te lezen
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Samenvatting
Dit artikel onderzoekt de taak van het herkennen van EEG-patronen die overeenkomen met het uitvoeren van drie mentale taken: ontspanning en het voorstellen van twee soorten afbeeldingen: gezichten en huizen. De experimenten werden uitgevoerd met twee EEG-headsets: BrainProducts ActiCap en Emotiv EPOC. De Emotiv-headset wordt op grote schaal gebruikt in consumenten-BCI-toepassingen, wat het mogelijk maakt om in de toekomst grootschalige EEG-experimenten uit te voeren. Aangezien de classificatienauwkeurigheid tijdens de eerste drie dagen van het experiment met de EPOC-headset aanzienlijk hoger was dan het niveau van willekeurige classificatie, werd op de vierde dag een controlexperiment uitgevoerd met ActiCap. Het controlexperiment heeft aangetoond dat het gebruik van hoogwaardige onderzoeksapparatuur de classificatienauwkeurigheid kan verhogen (tot 68% bij sommige proefpersonen) en dat de nauwkeurigheid onafhankelijk is van de aanwezigheid van EEG-artefacten die verband houden met knipperen en oogbewegingen. Deze studie laat ook zien dat een rekenkundig goedkope Bayesiaanse classifier op basis van covariantiematrixanalyse in dit probleem een vergelijkbare classificatienauwkeurigheid oplevert als een geavanceerdere Multi-class Common Spatial Patterns (MCSP)-classifier.Klik hier om het volledige rapport te lezen
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Samenvatting
Dit artikel onderzoekt de taak van het herkennen van EEG-patronen die overeenkomen met het uitvoeren van drie mentale taken: ontspanning en het voorstellen van twee soorten afbeeldingen: gezichten en huizen. De experimenten werden uitgevoerd met twee EEG-headsets: BrainProducts ActiCap en Emotiv EPOC. De Emotiv-headset wordt op grote schaal gebruikt in consumenten-BCI-toepassingen, wat het mogelijk maakt om in de toekomst grootschalige EEG-experimenten uit te voeren. Aangezien de classificatienauwkeurigheid tijdens de eerste drie dagen van het experiment met de EPOC-headset aanzienlijk hoger was dan het niveau van willekeurige classificatie, werd op de vierde dag een controlexperiment uitgevoerd met ActiCap. Het controlexperiment heeft aangetoond dat het gebruik van hoogwaardige onderzoeksapparatuur de classificatienauwkeurigheid kan verhogen (tot 68% bij sommige proefpersonen) en dat de nauwkeurigheid onafhankelijk is van de aanwezigheid van EEG-artefacten die verband houden met knipperen en oogbewegingen. Deze studie laat ook zien dat een rekenkundig goedkope Bayesiaanse classifier op basis van covariantiematrixanalyse in dit probleem een vergelijkbare classificatienauwkeurigheid oplevert als een geavanceerdere Multi-class Common Spatial Patterns (MCSP)-classifier.Klik hier om het volledige rapport te lezen