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
Classificatie van primitieve vormen met behulp van hersen-computerinterfaces
Delen:
Ehsan Tarkesh Esfahani, V. Sundararajan
Samenvatting
Brain–computerinterfaces (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 verkennen. Het artikel beschrijft experimenten en algoritmen die de BCI gebruiken om onderscheid te maken tussen primitieve vormen die door een gebruiker worden ingebeeld. Gebruikers dragen een elektro-encefalogram (EEG)-headset en beelden zich de vorm in van een kubus, bol, cilinder, piramide of een 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 kenmerken van interesse zijn de marginale spectra van verschillende frequentiebanden (theta-, alfa-, bèta- en gammabanden), berekend uit het Hilbert-spectrum van elke onafhankelijke component. Vervolgens wordt de Mann–Whitney U-toets toegepast om de EEG-elektrodekanalen op relevantie te rangschikken in vijf paargewijze classificaties. De kenmerken van de hoogst gerangschikte onafhankelijke componenten vormen de uiteindelijke kenmerkenvector, die vervolgens wordt gebruikt om een lineaire discriminantclassificator te trainen. Resultaten tonen aan dat deze classificator onderscheid kan maken tussen de vijf basale primitieve objecten met een gemiddelde nauwkeurigheid van ongeveer 44,6% (vergeleken met een naïeve classificatiescore van 20%) over tien proefpersonen (nauwkeurigheidsbereik van 36%–54%). De classificatienauwkeurigheid verandert naar 39,9% wanneer zowel visuele als verbale aanwijzingen worden gebruikt. De reproduceerbaarheid van de kenmerkextractie en classificatie werd gecontroleerd door het experiment op 10 verschillende dagen met dezelfde deelnemers uit te voeren. Dit laat zien dat de BCI veelbelovend is voor het creëren van geometrische vormen in CAD-systemen en gebruikt zou kunnen worden als een nieuw middel voor gebruikersinteractie.Klik hier voor het volledige rapport.
Ehsan Tarkesh Esfahani, V. Sundararajan
Samenvatting
Brain–computerinterfaces (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 verkennen. Het artikel beschrijft experimenten en algoritmen die de BCI gebruiken om onderscheid te maken tussen primitieve vormen die door een gebruiker worden ingebeeld. Gebruikers dragen een elektro-encefalogram (EEG)-headset en beelden zich de vorm in van een kubus, bol, cilinder, piramide of een 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 kenmerken van interesse zijn de marginale spectra van verschillende frequentiebanden (theta-, alfa-, bèta- en gammabanden), berekend uit het Hilbert-spectrum van elke onafhankelijke component. Vervolgens wordt de Mann–Whitney U-toets toegepast om de EEG-elektrodekanalen op relevantie te rangschikken in vijf paargewijze classificaties. De kenmerken van de hoogst gerangschikte onafhankelijke componenten vormen de uiteindelijke kenmerkenvector, die vervolgens wordt gebruikt om een lineaire discriminantclassificator te trainen. Resultaten tonen aan dat deze classificator onderscheid kan maken tussen de vijf basale primitieve objecten met een gemiddelde nauwkeurigheid van ongeveer 44,6% (vergeleken met een naïeve classificatiescore van 20%) over tien proefpersonen (nauwkeurigheidsbereik van 36%–54%). De classificatienauwkeurigheid verandert naar 39,9% wanneer zowel visuele als verbale aanwijzingen worden gebruikt. De reproduceerbaarheid van de kenmerkextractie en classificatie werd gecontroleerd door het experiment op 10 verschillende dagen met dezelfde deelnemers uit te voeren. Dit laat zien dat de BCI veelbelovend is voor het creëren van geometrische vormen in CAD-systemen en gebruikt zou kunnen worden als een nieuw middel voor gebruikersinteractie.Klik hier voor het volledige rapport.
Ehsan Tarkesh Esfahani, V. Sundararajan
Samenvatting
Brain–computerinterfaces (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 verkennen. Het artikel beschrijft experimenten en algoritmen die de BCI gebruiken om onderscheid te maken tussen primitieve vormen die door een gebruiker worden ingebeeld. Gebruikers dragen een elektro-encefalogram (EEG)-headset en beelden zich de vorm in van een kubus, bol, cilinder, piramide of een 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 kenmerken van interesse zijn de marginale spectra van verschillende frequentiebanden (theta-, alfa-, bèta- en gammabanden), berekend uit het Hilbert-spectrum van elke onafhankelijke component. Vervolgens wordt de Mann–Whitney U-toets toegepast om de EEG-elektrodekanalen op relevantie te rangschikken in vijf paargewijze classificaties. De kenmerken van de hoogst gerangschikte onafhankelijke componenten vormen de uiteindelijke kenmerkenvector, die vervolgens wordt gebruikt om een lineaire discriminantclassificator te trainen. Resultaten tonen aan dat deze classificator onderscheid kan maken tussen de vijf basale primitieve objecten met een gemiddelde nauwkeurigheid van ongeveer 44,6% (vergeleken met een naïeve classificatiescore van 20%) over tien proefpersonen (nauwkeurigheidsbereik van 36%–54%). De classificatienauwkeurigheid verandert naar 39,9% wanneer zowel visuele als verbale aanwijzingen worden gebruikt. De reproduceerbaarheid van de kenmerkextractie en classificatie werd gecontroleerd door het experiment op 10 verschillende dagen met dezelfde deelnemers uit te voeren. Dit laat zien dat de BCI veelbelovend is voor het creëren van geometrische vormen in CAD-systemen en gebruikt zou kunnen worden als een nieuw middel voor gebruikersinteractie.Klik hier voor het volledige rapport.