挑戰您的記憶力！在Emotiv App中玩新的N-Back遊戲
使用腦機介面檢測人機互動中的人類滿意度
分享：
Ehsan Turkish Esfahan. 機械工程系，加州大學河濱分校，美國
摘要
本文討論了一種使用腦-機介面 (BCI) 獲取人在協作環境中對類人機器人動作情感反饋的方法。本研究旨在檢測人類的滿意度，並將其用作反饋來校正和改進機器人的行為，以最大化人類滿意度。本文描述了使用大腦活動通過 BCI 收集數據來估算滿意度的實驗和算法。用戶佩戴腦電圖 (EEG) 頭戴設備並通過心智想像控制機器人的運動。機器人對心智想像的反應可能與人類的心智指令不一致，這將影響情感滿意度。頭戴設備從頭皮上的 14 個位置記錄大腦活動。每個腦電波頻帶的功率譜密度和每個腦電信號的四個最大 Lyapunov 指數構成特徵向量。然後使用 Mann–Whitney–Wilcoxon 測試對所有特徵進行排名。然後選擇排名最高的特徵來訓練線性鑑別分類器 (LDC) 以確定滿意度。我們的實驗結果顯示出檢測人類滿意度的準確率為 79.2%。點擊此處閱讀完整報告
Ehsan Turkish Esfahan. 機械工程系，加州大學河濱分校，美國
摘要
本文討論了一種使用腦-機介面 (BCI) 獲取人在協作環境中對類人機器人動作情感反饋的方法。本研究旨在檢測人類的滿意度，並將其用作反饋來校正和改進機器人的行為，以最大化人類滿意度。本文描述了使用大腦活動通過 BCI 收集數據來估算滿意度的實驗和算法。用戶佩戴腦電圖 (EEG) 頭戴設備並通過心智想像控制機器人的運動。機器人對心智想像的反應可能與人類的心智指令不一致，這將影響情感滿意度。頭戴設備從頭皮上的 14 個位置記錄大腦活動。每個腦電波頻帶的功率譜密度和每個腦電信號的四個最大 Lyapunov 指數構成特徵向量。然後使用 Mann–Whitney–Wilcoxon 測試對所有特徵進行排名。然後選擇排名最高的特徵來訓練線性鑑別分類器 (LDC) 以確定滿意度。我們的實驗結果顯示出檢測人類滿意度的準確率為 79.2%。點擊此處閱讀完整報告
Ehsan Turkish Esfahan. 機械工程系，加州大學河濱分校，美國
摘要
本文討論了一種使用腦-機介面 (BCI) 獲取人在協作環境中對類人機器人動作情感反饋的方法。本研究旨在檢測人類的滿意度，並將其用作反饋來校正和改進機器人的行為，以最大化人類滿意度。本文描述了使用大腦活動通過 BCI 收集數據來估算滿意度的實驗和算法。用戶佩戴腦電圖 (EEG) 頭戴設備並通過心智想像控制機器人的運動。機器人對心智想像的反應可能與人類的心智指令不一致，這將影響情感滿意度。頭戴設備從頭皮上的 14 個位置記錄大腦活動。每個腦電波頻帶的功率譜密度和每個腦電信號的四個最大 Lyapunov 指數構成特徵向量。然後使用 Mann–Whitney–Wilcoxon 測試對所有特徵進行排名。然後選擇排名最高的特徵來訓練線性鑑別分類器 (LDC) 以確定滿意度。我們的實驗結果顯示出檢測人類滿意度的準確率為 79.2%。點擊此處閱讀完整報告