Der Vorschlag dieser Arbeit trägt zur Entwicklung kostengünstiger, tragbarer und tragbarer Gehirn-Computer-Schnittstellen bei, indem sie Geräte für Verbraucher, einfache Signalverarbeitung und erweiterte Realität nutzt. Diese Technik zielt darauf ab, die Technologie der Gehirn-Computer-Schnittstelle näher an das tägliche Leben heranzuführen und vielen Anwendern sowohl in der Industrie als auch im Gesundheitswesen neue Möglichkeiten zu eröffnen. Das Vorschlagssystem wurde auch in der robotergestützten Rehabilitation von Kindern mit Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung oder bei Autismus angewendet.
Die Ergebnisse waren ermutigend. Tragen Sie zunächst die Datenbrille und das Stirnband und verbinden Sie den kostengünstigen Elektroenzephalographen über ein USB-Kabel mit einem PC, während der PC von der Hauptstromversorgung getrennt ist. In diesem Schritt müssen alle Elektroden von der Erfassungsplatine des Elektroenzephalographen getrennt werden, um von einem bekannten Zustand ausgehen zu können.
In dieser Phase wird der EEG-Stream offline auf dem PC mit einem Skript verarbeitet, das mit der in der Android-Anwendung implementierten Verarbeitung kompatibel ist. Starten Sie das Skript, um die EEG-Signale zu empfangen und zu visualisieren. Überprüfen Sie das angezeigte Signal.
Dies muss nur dem Quantisierungsrauschen des EEG-Verstärkers entsprechen. Schließen Sie die erste Elektrode an und bringen Sie die passive Elektrode mit einem speziellen Clip am linken Ohr an oder verwenden Sie eine Ohrclip-Elektrode. Das Ausgangssignal muss in diesem Schritt unverändert bleiben, da der Messdifferenzkanal noch ein offener Stromkreis ist.
Verbinden Sie eine aktive Elektrode mit dem Minuspol des differentiellen Eingangs des messenden EEG-Kanals und legen Sie sie mit einem Stirnband an den Frontalbereich an. Nach einigen Sekunden sollte das Signal wieder auf Null gehen. Verbinden Sie die andere aktive Elektrode mit dem Pluspol des differentiellen Eingangs des messenden EEG-Kanals und legen Sie sie mit dem Kopfband auf die Okzipitalregion auf.
Es wird nun ein Gehirnsignal angezeigt, das der gemessenen visuellen Aktivität in Bezug auf das frontale Hirnareal und die Okzipitalregion entspricht. Stimulieren Sie den Benutzer wiederholt mit flackernden Symbolen von 10 Hertz und 12 Hertz, indem Sie das flackernde Symbol in der Android-Anwendung starten. Drücken Sie auf das Touchpad der Datenbrille und starten Sie gleichzeitig das EEG-Erfassungs- und Visualisierungsskript.
Stellen Sie sicher, dass jede Stimulation in dieser Phase aus einem einzigen Symbol besteht, das 10 Sekunden lang flackert. Extrahieren Sie aus den Zehn-Sekunden-Signalen, die jeder Stimulation zugeordnet sind, zwei Merkmale mithilfe der schnellen Fourier-Transformation, der spektralen Leistungsdichte bei 10 Hertz und 12 Hertz. Alternativ können Sie auch zweite Oberschwingungen in Betracht ziehen.
Verwenden Sie eine Darstellung der erfassten Signale in der Merkmalsdomäne, um einen Support-Vektor-Maschinenklassifikator zu trainieren. Verwenden Sie ein Werkzeug in MATLAB oder Python, um die Parameter einer Hyperebene mit einem eventuellen Kernel zu identifizieren. Basierend auf den Eingabemerkmalen wird das trainierte Modell in der Lage sein, zukünftige Beobachtungen von EEG-Signalen zu klassifizieren.
Trennen Sie das USB-Kabel vom PC und verbinden Sie es direkt mit der Datenbrille. Fügen Sie die Parameter des trainierten Klassifikators in die Android-Anwendung ein. Das System ist nun bereit.
Der kostengünstige Elektroenzephalograph wurde hinsichtlich Linearität und Magnitudenfehler charakterisiert. Die Ergebnisse werden hier angezeigt. Das Flimmern der Datenbrille wurde gemessen, um eventuelle Abweichungen vom nominalen Rechteckwellengang hervorzuheben.
Die Charakterisierung der handelsüblichen Datenbrillen in Bezug auf das Amplitudenspektrum der flackernden Tasten ist in dieser Abbildung dargestellt. Hier sind Flimmern bei 10 Hertz und bei 12 Hertz dargestellt. Diese Abbildung stellt die Signale dar, die während der visuellen Stimulation im Merkmalsbereich gemessen werden.
Die Signale, die mit den 12-Hertz-Flackerreizen verbunden sind, werden blau dargestellt, während die Signale, die den 10-Hertz-Flackerreizen zugeordnet sind, rot dargestellt werden. Für jeden Probanden werden die Ergebnisse, die mit einer zehnsekündigen Stimulation verbunden sind, mit denen verglichen, die mit einer zweisekündigen Stimulation verbunden sind. Die Genauigkeit, die sich aus der Betrachtung aller Probanden zusammen ergibt, sowie die mittlere Genauigkeit unter allen Probanden werden hier angegeben.
Der Vergleich der Klassifizierungsleistung bei Betrachtung von zwei PSD-Merkmalen mit vier PSD-Merkmalen für die SSVEP-bezogenen EEG-Daten wird hier gezeigt. Aufgrund der guten messtechnischen Eigenschaften der Consumer-Geräte muss vor allem auf die mechanische Stabilität der Messelektroden geachtet werden, da diese keine leitfähigen Gele verwenden. Dieses Verfahren erwies sich als funktional für SSVEP-Signale, die ein relativ robustes Rauschen aufweisen, aber man könnte die Verwendung ähnlicher Instrumente in weiteren Paradigmen wie der motorischen Bildgebung untersuchen.
Dank der Tragbarkeit, Tragbarkeit und Benutzerfreundlichkeit wird diese Technik nun als ergänzendes Gerät für die Rehabilitation oder als neues Werkzeug für industrielle Szenarien untersucht.
