Podejmij wyzwanie dla swojej pamięci! Zagraj w nową grę N-Back w aplikacji Emotiv
Podejmij wyzwanie dla swojej pamięci! Zagraj w nową grę N-Back w aplikacji Emotiv
Podejmij wyzwanie dla swojej pamięci! Zagraj w nową grę N-Back w aplikacji Emotiv
Interfejs mózg-komputer oparty na generowaniu obrazów wizualnych
Udostępnij:
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Streszczenie
Ten artykuł bada zadanie rozpoznawania wzorców EEG, które odpowiadają wykonywaniu trzech zadań mentalnych: relaksacji oraz wyobrażania sobie dwóch typów obrazów: twarzy i domów. Eksperymenty przeprowadzono przy użyciu dwóch zestawów słuchawkowych EEG: BrainProducts ActiCap i Emotiv EPOC. Zestaw słuchawkowy Emotiv staje się szeroko stosowany w aplikacjach BCI dla konsumentów, co pozwala na przeprowadzanie dużych eksperymentów EEG w przyszłości. Ponieważ dokładność klasyfikacji znacznie przekroczyła poziom losowej klasyfikacji w trakcie pierwszych trzech dni eksperymentu z zestawem słuchawkowym EPOC, w czwartym dniu przeprowadzono eksperyment kontrolny przy użyciu ActiCap. Eksperyment kontrolny wykazał, że wykorzystanie sprzętu badawczego wysokiej jakości może zwiększyć dokładność klasyfikacji (do 68% u niektórych uczestników) oraz że dokładność jest niezależna od obecności artefaktów EEG związanych z mruganiem i ruchem oczu. To badanie pokazuje również, że klasyfikator Bayesa, który jest obliczeniowo tani i oparty na analizie macierzy kowariancji, osiąga podobną dokładność klasyfikacji w tym problemie co bardziej złożony klasyfikator Multi-class Common Spatial Patterns (MCSP).Kliknij tutaj, aby przeczytać pełny raport
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Streszczenie
Ten artykuł bada zadanie rozpoznawania wzorców EEG, które odpowiadają wykonywaniu trzech zadań mentalnych: relaksacji oraz wyobrażania sobie dwóch typów obrazów: twarzy i domów. Eksperymenty przeprowadzono przy użyciu dwóch zestawów słuchawkowych EEG: BrainProducts ActiCap i Emotiv EPOC. Zestaw słuchawkowy Emotiv staje się szeroko stosowany w aplikacjach BCI dla konsumentów, co pozwala na przeprowadzanie dużych eksperymentów EEG w przyszłości. Ponieważ dokładność klasyfikacji znacznie przekroczyła poziom losowej klasyfikacji w trakcie pierwszych trzech dni eksperymentu z zestawem słuchawkowym EPOC, w czwartym dniu przeprowadzono eksperyment kontrolny przy użyciu ActiCap. Eksperyment kontrolny wykazał, że wykorzystanie sprzętu badawczego wysokiej jakości może zwiększyć dokładność klasyfikacji (do 68% u niektórych uczestników) oraz że dokładność jest niezależna od obecności artefaktów EEG związanych z mruganiem i ruchem oczu. To badanie pokazuje również, że klasyfikator Bayesa, który jest obliczeniowo tani i oparty na analizie macierzy kowariancji, osiąga podobną dokładność klasyfikacji w tym problemie co bardziej złożony klasyfikator Multi-class Common Spatial Patterns (MCSP).Kliknij tutaj, aby przeczytać pełny raport
Pavel Bobrov, Alexander Frolov, Charles Cantor, Irina Fedulova, Mikhail Bakhnyan, Alexander Zhavoronkov
Streszczenie
Ten artykuł bada zadanie rozpoznawania wzorców EEG, które odpowiadają wykonywaniu trzech zadań mentalnych: relaksacji oraz wyobrażania sobie dwóch typów obrazów: twarzy i domów. Eksperymenty przeprowadzono przy użyciu dwóch zestawów słuchawkowych EEG: BrainProducts ActiCap i Emotiv EPOC. Zestaw słuchawkowy Emotiv staje się szeroko stosowany w aplikacjach BCI dla konsumentów, co pozwala na przeprowadzanie dużych eksperymentów EEG w przyszłości. Ponieważ dokładność klasyfikacji znacznie przekroczyła poziom losowej klasyfikacji w trakcie pierwszych trzech dni eksperymentu z zestawem słuchawkowym EPOC, w czwartym dniu przeprowadzono eksperyment kontrolny przy użyciu ActiCap. Eksperyment kontrolny wykazał, że wykorzystanie sprzętu badawczego wysokiej jakości może zwiększyć dokładność klasyfikacji (do 68% u niektórych uczestników) oraz że dokładność jest niezależna od obecności artefaktów EEG związanych z mruganiem i ruchem oczu. To badanie pokazuje również, że klasyfikator Bayesa, który jest obliczeniowo tani i oparty na analizie macierzy kowariancji, osiąga podobną dokładność klasyfikacji w tym problemie co bardziej złożony klasyfikator Multi-class Common Spatial Patterns (MCSP).Kliknij tutaj, aby przeczytać pełny raport