ท้าทายความจำของคุณ! เล่นเกม N-Back ใหม่ใน Emotiv App
ท้าทายความจำของคุณ! เล่นเกม N-Back ใหม่ใน Emotiv App
ท้าทายความจำของคุณ! เล่นเกม N-Back ใหม่ใน Emotiv App
การจำแนกรูปร่างพื้นฐานโดยใช้การเชื่อมต่อระหว่างสมองกับคอมพิวเตอร์
แชร์:
เอห์ซาน ทาเกช เอสฟาฮานี, วี. สุันทาราจาน
บทคัดย่อ
อินเตอร์เฟซสมอง-คอมพิวเตอร์ (BCIs) เป็นพัฒนาการล่าสุดในเทคโนโลยีทางเลือกสำหรับการโต้ตอบของผู้ใช้ วัตถุประสงค์ของบทความนี้คือการสำรวจศักยภาพของ BCI ในฐานะอินเตอร์เฟซของผู้ใช้สำหรับระบบ CAD บทความนี้อธิบายการทดลองและอัลกอริทึมที่ใช้ BCI เพื่อแยกแยะระหว่างรูปทรงพื้นฐานที่ถูกจินตนาการโดยผู้ใช้ ผู้ใช้สวมชุดหูฟังอิเล็กโทรเอนเซฟาโลแกรม (EEG) และจินตนาการรูปร่างของลูกบาศก์, ทรงกลม, กระบอก, พีระมิด หรือโคน ชุดหูฟัง EEG จะรวบรวมกิจกรรมของสมองจาก 14 ตำแหน่งบนหนังศีรษะ ข้อมูลจะถูกวิเคราะห์ด้วยการวิเคราะห์ส่วนประกอบอิสระ (ICA) และการแปลงฮิลเบิร์ต-ฮวาง (HHT) ลักษณะที่สนใจคือสเปกตรัมมาร์จินัลของแถบความถี่ต่างๆ (แถบ theta, alpha, beta และ gamma) คำนวณจากสเปกตรัมฮิลเบิร์ตของแต่ละส่วนประกอบอิสระ จากนั้นใช้การทดสอบแมนน-วิทนีย์ U-test เพื่อจัดอันดับช่องอิเล็กโทรด EEG ตามความสำคัญในห้าแบบจำลองการจำแนกแยกแยะคู่ ลักษณะจากส่วนประกอบอิสระที่มีอันดับสูงสุดจะสร้างเวกเตอร์ลักษณะสุดท้าย ซึ่งจะถูกใช้ในการฝึกอบรมผู้จัดแบ่งแยกเชิงเส้น ผลลัพธ์แสดงว่านักจำแนกนี้สามารถจำแนกความแตกต่างระหว่างวัตถุพื้นฐานห้าประเภทด้วยความแม่นยำเฉลี่ยประมาณ 44.6% (เปรียบเทียบกับอัตราการจำแนกแยกแบบโดดเดี่ยวที่ 20%) จากผู้ร่วมงานสิบคน (ความแม่นยำอยู่ในช่วง 36%–54%) การจัดหมวดหมู่ความแม่นยำเปลี่ยนไปที่ 39.9% เมื่อใช้ทั้งสิ่งชี้นำทางภาพและคำพูด ความสามารถในการทำซ้ำของการสกัดลักษณะและการจัดหมวดหมู่ได้รับการตรวจสอบโดยการทดลองซ้ำใน 10 วันต่างกันกับผู้เข้าร่วมกลุ่มเดิม นี่แสดงให้เห็นว่า BCI มีโอกาสสร้างรูปทรงเรขาคณิตในระบบ CAD และอาจใช้เป็นวิธีการโต้ตอบของผู้ใช้ที่แปลกใหม่ คลิกที่นี่เพื่อดูรายงานฉบับเต็ม
เอห์ซาน ทาเกช เอสฟาฮานี, วี. สุันทาราจาน
บทคัดย่อ
อินเตอร์เฟซสมอง-คอมพิวเตอร์ (BCIs) เป็นพัฒนาการล่าสุดในเทคโนโลยีทางเลือกสำหรับการโต้ตอบของผู้ใช้ วัตถุประสงค์ของบทความนี้คือการสำรวจศักยภาพของ BCI ในฐานะอินเตอร์เฟซของผู้ใช้สำหรับระบบ CAD บทความนี้อธิบายการทดลองและอัลกอริทึมที่ใช้ BCI เพื่อแยกแยะระหว่างรูปทรงพื้นฐานที่ถูกจินตนาการโดยผู้ใช้ ผู้ใช้สวมชุดหูฟังอิเล็กโทรเอนเซฟาโลแกรม (EEG) และจินตนาการรูปร่างของลูกบาศก์, ทรงกลม, กระบอก, พีระมิด หรือโคน ชุดหูฟัง EEG จะรวบรวมกิจกรรมของสมองจาก 14 ตำแหน่งบนหนังศีรษะ ข้อมูลจะถูกวิเคราะห์ด้วยการวิเคราะห์ส่วนประกอบอิสระ (ICA) และการแปลงฮิลเบิร์ต-ฮวาง (HHT) ลักษณะที่สนใจคือสเปกตรัมมาร์จินัลของแถบความถี่ต่างๆ (แถบ theta, alpha, beta และ gamma) คำนวณจากสเปกตรัมฮิลเบิร์ตของแต่ละส่วนประกอบอิสระ จากนั้นใช้การทดสอบแมนน-วิทนีย์ U-test เพื่อจัดอันดับช่องอิเล็กโทรด EEG ตามความสำคัญในห้าแบบจำลองการจำแนกแยกแยะคู่ ลักษณะจากส่วนประกอบอิสระที่มีอันดับสูงสุดจะสร้างเวกเตอร์ลักษณะสุดท้าย ซึ่งจะถูกใช้ในการฝึกอบรมผู้จัดแบ่งแยกเชิงเส้น ผลลัพธ์แสดงว่านักจำแนกนี้สามารถจำแนกความแตกต่างระหว่างวัตถุพื้นฐานห้าประเภทด้วยความแม่นยำเฉลี่ยประมาณ 44.6% (เปรียบเทียบกับอัตราการจำแนกแยกแบบโดดเดี่ยวที่ 20%) จากผู้ร่วมงานสิบคน (ความแม่นยำอยู่ในช่วง 36%–54%) การจัดหมวดหมู่ความแม่นยำเปลี่ยนไปที่ 39.9% เมื่อใช้ทั้งสิ่งชี้นำทางภาพและคำพูด ความสามารถในการทำซ้ำของการสกัดลักษณะและการจัดหมวดหมู่ได้รับการตรวจสอบโดยการทดลองซ้ำใน 10 วันต่างกันกับผู้เข้าร่วมกลุ่มเดิม นี่แสดงให้เห็นว่า BCI มีโอกาสสร้างรูปทรงเรขาคณิตในระบบ CAD และอาจใช้เป็นวิธีการโต้ตอบของผู้ใช้ที่แปลกใหม่ คลิกที่นี่เพื่อดูรายงานฉบับเต็ม
เอห์ซาน ทาเกช เอสฟาฮานี, วี. สุันทาราจาน
บทคัดย่อ
อินเตอร์เฟซสมอง-คอมพิวเตอร์ (BCIs) เป็นพัฒนาการล่าสุดในเทคโนโลยีทางเลือกสำหรับการโต้ตอบของผู้ใช้ วัตถุประสงค์ของบทความนี้คือการสำรวจศักยภาพของ BCI ในฐานะอินเตอร์เฟซของผู้ใช้สำหรับระบบ CAD บทความนี้อธิบายการทดลองและอัลกอริทึมที่ใช้ BCI เพื่อแยกแยะระหว่างรูปทรงพื้นฐานที่ถูกจินตนาการโดยผู้ใช้ ผู้ใช้สวมชุดหูฟังอิเล็กโทรเอนเซฟาโลแกรม (EEG) และจินตนาการรูปร่างของลูกบาศก์, ทรงกลม, กระบอก, พีระมิด หรือโคน ชุดหูฟัง EEG จะรวบรวมกิจกรรมของสมองจาก 14 ตำแหน่งบนหนังศีรษะ ข้อมูลจะถูกวิเคราะห์ด้วยการวิเคราะห์ส่วนประกอบอิสระ (ICA) และการแปลงฮิลเบิร์ต-ฮวาง (HHT) ลักษณะที่สนใจคือสเปกตรัมมาร์จินัลของแถบความถี่ต่างๆ (แถบ theta, alpha, beta และ gamma) คำนวณจากสเปกตรัมฮิลเบิร์ตของแต่ละส่วนประกอบอิสระ จากนั้นใช้การทดสอบแมนน-วิทนีย์ U-test เพื่อจัดอันดับช่องอิเล็กโทรด EEG ตามความสำคัญในห้าแบบจำลองการจำแนกแยกแยะคู่ ลักษณะจากส่วนประกอบอิสระที่มีอันดับสูงสุดจะสร้างเวกเตอร์ลักษณะสุดท้าย ซึ่งจะถูกใช้ในการฝึกอบรมผู้จัดแบ่งแยกเชิงเส้น ผลลัพธ์แสดงว่านักจำแนกนี้สามารถจำแนกความแตกต่างระหว่างวัตถุพื้นฐานห้าประเภทด้วยความแม่นยำเฉลี่ยประมาณ 44.6% (เปรียบเทียบกับอัตราการจำแนกแยกแบบโดดเดี่ยวที่ 20%) จากผู้ร่วมงานสิบคน (ความแม่นยำอยู่ในช่วง 36%–54%) การจัดหมวดหมู่ความแม่นยำเปลี่ยนไปที่ 39.9% เมื่อใช้ทั้งสิ่งชี้นำทางภาพและคำพูด ความสามารถในการทำซ้ำของการสกัดลักษณะและการจัดหมวดหมู่ได้รับการตรวจสอบโดยการทดลองซ้ำใน 10 วันต่างกันกับผู้เข้าร่วมกลุ่มเดิม นี่แสดงให้เห็นว่า BCI มีโอกาสสร้างรูปทรงเรขาคณิตในระบบ CAD และอาจใช้เป็นวิธีการโต้ตอบของผู้ใช้ที่แปลกใหม่ คลิกที่นี่เพื่อดูรายงานฉบับเต็ม