Öffnen Sie zunächst das Softwaretool, um Motorbildszenarien zu entwerfen und auszuführen. Navigieren Sie zu Datei, und laden Sie die sechs BCI-Szenarien für Motorbilder mit den Bezeichnungen Signalverifizierung, Erfassung, CSP-Training, Klassifikatortraining, Test und Verwirrungsmatrix. Navigieren Sie zum Szenario Signalverifizierung und wenden Sie einen Bandpassfilter zwischen 1 und 40 Hertz mit einer Filterordnung von 4 auf die Rohsignale an, indem Sie Designer-Boxen verwenden.
Leiten Sie die Teilnehmer an, sich motorischen Vorstellungsaufgaben zu unterziehen und sich Handbewegungen als Reaktion auf visuelle Hinweise vorzustellen. Öffnen Sie die Datei für Motor Imagery Training und zeigen Sie den vorbereiteten 3D-Avatar über dem VR-Headset an, der über einem Satz Bongos steht. Navigieren Sie zum Erfassungsszenario und doppelklicken Sie auf den Graz Motor Imagery Stimulator, um das Feld zu konfigurieren.
Konfigurieren Sie 50 Versuche von jeweils fünf Sekunden für Bewegungen der linken und rechten Hand. Integrieren Sie eine 22. Basisperiode, gefolgt von Intervallen von 10 Sekunden Pause nach jeweils 10 Versuchen, um geistige Ermüdung zu vermeiden. Konfigurieren Sie die Versuche für die linke und rechte Hand so, dass sie randomisiert werden, und fügen Sie vor dem Versuch einen Hinweis hinzu, der die Hand angibt, die vorgestellt werden soll.
Schließen Sie eine OSC-Box mit der IP-Adresse und dem Port an, um den Hinweis für die Hand, die Sie sich vorstellen sollen, an das Engine-Programm des Motorbildtrainingsspiels zu übertragen. Desinfizieren Sie dann das VR-Headset mit Tüchern und legen Sie es auf den Kopf des Teilnehmers, um eine immersive Interaktion bei der Erfassung von EEG-Daten zu ermöglichen. Weisen Sie die Teilnehmer an, sich vorzustellen, wie sie die Bewegung ihrer Hand zusammen mit dem 3D-Avatar ausführen, und zwar im gleichen Tempo wie der Avatar, wenn er mit der entsprechenden Hand auf das Bongo trifft, mit einem Texthinweis, der anzeigt, welche Hand man sich vorstellen soll.
Führen Sie nach der Erfassung das CSP-Trainingsszenario aus, um die EEG-Daten aus der Erfassungsphase zu analysieren. Erstellen Sie Filter, um zwischen linken und rechten Bilddaten zu unterscheiden, und berechnen Sie CSP. Navigieren Sie nach dem CSP-Training zum Klassifikator-Trainingsszenario, und führen Sie es aus, um das System für die Echtzeit-Avatarsteuerung vorzubereiten.
Navigieren Sie dann zum Testszenario und lassen Sie die Teilnehmer ihre 3D-Avatare in Echtzeit mithilfe der Brain-Computer-Interface-Technologie steuern. Um die imaginierten Aktionen in Echtzeit zu interpretieren, laden Sie die während des Szenarios trainierten Klassifikatoren auf EEG-Daten in die entsprechenden Boxen. Informieren Sie die Teilnehmer über das Testverfahren und betonen Sie die Notwendigkeit, sich Handbewegungen klar vorzustellen, wie sie durch Texthinweise ausgelöst werden.
Führen Sie 20 Studien für jeden Teilnehmer durch, die zu gleichen Teilen zwischen imaginären Bewegungen der linken und rechten Hand aufgeteilt und randomisiert sind. Schließen Sie eine OSC-Box an und konfigurieren Sie sie, um die Cue-Informationen zu übertragen, die als Text angezeigt werden und die Hand anzeigen, die im Game-Engine-Programm abgebildet werden soll. Stellen Sie eine Verbindung zu einer anderen OSC-Box her, um den vorhergesagten Wert für die Bewegungen der linken und rechten Hand für das Game-Engine-Programm zu übertragen.
Führen Sie das Testszenario und das Programm zum Testen des Spielmoduls für Motorbilder aus. Beachten Sie, dass das Programm die entsprechende Animation basierend auf der Handbewegung abspielt. Fünf gesunde Erwachsene im Alter von 21 bis 38 Jahren nahmen an der Studie teil, sowohl unter motorischen Vorstellungstrainings- als auch unter Testbedingungen.
Eine durchschnittliche Konfusionsmatrix für alle Probanden wurde verwendet, um die Genauigkeit der Klassifikatoren bei der Unterscheidung zwischen linken und rechten motorischen Bildsignalen während beider Sitzungen zu bewerten. Topographische Muster von CSP-Gewichten aus dem Training motorischer Bilder wurden für beide Richtungen der motorischen Bilder visualisiert. Eine Zeitfrequenzanalyse wurde an EEG-Daten aus kontralateralen sensormotorischen Bereichen durchgeführt, um ereigniskorrelierte spektrale Störungen während motorischer Aufgaben zu identifizieren.
