Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
Desafie sua memória! Jogue o novo jogo N-Back no aplicativo Emotiv
Usando Interfaces Cérebro-Computador para detectar a satisfação humana na interação homem-robô
Compartilhar:
Ehsan Turkish Esfahan. Departamento de Engenharia Mecânica, Universidade da Califórnia Riverside, EUA
Resumo
Este artigo discute o uso de uma interface cérebro-computador (BCI) para obter feedback emocional de um humano em resposta ao movimento de robôs humanoides em ambientes colaborativos. O objetivo deste estudo é detectar o nível de satisfação humana e usá-lo como feedback para corrigir e melhorar o comportamento do robô para maximizar a satisfação humana. Este artigo descreve experimentos e algoritmos que utilizam a atividade cerebral humana coletada através da BCI para estimar o nível de satisfação. Usuários usam um headset de eletroencefalograma (EEG) e controlam o movimento do robô pela imaginação mental. A resposta do robô à imaginação mental pode não ser a mesma que o comando mental humano e isso afetará o nível de satisfação emocional. O headset registra a atividade cerebral de 14 locais no couro cabeludo. A densidade espectral de potência de cada banda de frequência EEG e os quatro maiores expoentes de Lyapunov de cada sinal EEG formam o vetor de características. O teste de Mann–Whitney–Wilcoxon é então usado para classificar todas as características. As características com maior classificação são então selecionadas para treinar um classificador discriminante linear (LDC) para determinar o nível de satisfação. Nossos resultados experimentais mostram uma precisão de 79,2% na detecção do nível de satisfação humana.Clique aqui para ler o relatório completo
Ehsan Turkish Esfahan. Departamento de Engenharia Mecânica, Universidade da Califórnia Riverside, EUA
Resumo
Este artigo discute o uso de uma interface cérebro-computador (BCI) para obter feedback emocional de um humano em resposta ao movimento de robôs humanoides em ambientes colaborativos. O objetivo deste estudo é detectar o nível de satisfação humana e usá-lo como feedback para corrigir e melhorar o comportamento do robô para maximizar a satisfação humana. Este artigo descreve experimentos e algoritmos que utilizam a atividade cerebral humana coletada através da BCI para estimar o nível de satisfação. Usuários usam um headset de eletroencefalograma (EEG) e controlam o movimento do robô pela imaginação mental. A resposta do robô à imaginação mental pode não ser a mesma que o comando mental humano e isso afetará o nível de satisfação emocional. O headset registra a atividade cerebral de 14 locais no couro cabeludo. A densidade espectral de potência de cada banda de frequência EEG e os quatro maiores expoentes de Lyapunov de cada sinal EEG formam o vetor de características. O teste de Mann–Whitney–Wilcoxon é então usado para classificar todas as características. As características com maior classificação são então selecionadas para treinar um classificador discriminante linear (LDC) para determinar o nível de satisfação. Nossos resultados experimentais mostram uma precisão de 79,2% na detecção do nível de satisfação humana.Clique aqui para ler o relatório completo
Ehsan Turkish Esfahan. Departamento de Engenharia Mecânica, Universidade da Califórnia Riverside, EUA
Resumo
Este artigo discute o uso de uma interface cérebro-computador (BCI) para obter feedback emocional de um humano em resposta ao movimento de robôs humanoides em ambientes colaborativos. O objetivo deste estudo é detectar o nível de satisfação humana e usá-lo como feedback para corrigir e melhorar o comportamento do robô para maximizar a satisfação humana. Este artigo descreve experimentos e algoritmos que utilizam a atividade cerebral humana coletada através da BCI para estimar o nível de satisfação. Usuários usam um headset de eletroencefalograma (EEG) e controlam o movimento do robô pela imaginação mental. A resposta do robô à imaginação mental pode não ser a mesma que o comando mental humano e isso afetará o nível de satisfação emocional. O headset registra a atividade cerebral de 14 locais no couro cabeludo. A densidade espectral de potência de cada banda de frequência EEG e os quatro maiores expoentes de Lyapunov de cada sinal EEG formam o vetor de características. O teste de Mann–Whitney–Wilcoxon é então usado para classificar todas as características. As características com maior classificação são então selecionadas para treinar um classificador discriminante linear (LDC) para determinar o nível de satisfação. Nossos resultados experimentais mostram uma precisão de 79,2% na detecção do nível de satisfação humana.Clique aqui para ler o relatório completo