Bu arayüzün genel amacı, poli sinyal büyütmenin bedensel farkındalık kazanma üzerindeki etkisini incelemektir. Bu, farklı deneysel kurulumlarda farklı giyilebilir teknolojilerle kullanılabilen ve farklı popülasyonlara uygulanabilen genel bir kapalı döngü arabirimi tasarlanarak gerçekleştirilir. Bu çalışmada örnek arayüzlere, uygulamalarına ve insan sistemi üzerindeki etkilerine genel bir arayüz sunuyoruz.
Tasarımın ilk adımı, sinir sisteminin farklı seviyelerinden gelen sinyallerin kaydedilmasına izin veren çeşitli giyilebilir teknolojilerin kullanılmasıdır. İkinci adım, senkronize kayıt ve sinyallerin gerçek zamanlı akışını elde etmek için Laboratuvar Akışı katmanının kullanılmasıdır. İlk adımda, akış verileri, seçilen bir sinyalin gerçek zamanlı analizinin ve özellik çıkarma işleminin gerçekleştiği tercihimizin dilinde geliştirilen kod tarafından çekilir.
Bu nedenle, dört adımda katılımcılar, kalp atış hızlarının şarkının temposuna işitsel olarak haritalanması veya hareketlerinin görsel temsili gibi çıkarılan özelliklerin duyusal olarak arttırmasını yaşıyorlar. Son olarak, vücut bilgilerini sürekli olarak artırarak, arayüz ve katılımcı arasındaki açılma etkileşiminin döngüsünü kapatıyoruz. Beynin vücudumuzu nasıl kontrol edebileceğine dair araştırmalar beyin makinesi arayüzlerinin tasarımını oluşturdu.
Dış iskelet veya robotik kol gibi harici bir cihazı kontrol etmek için sinir sistemi sinyallerini kullanır. Burada sinir sisteminin sinyallerinden yararlanan ve katılımcıların vücutları üzerinde kontrol elde etmelerine yardımcı olmak için duyusal bir modül kullanarak onları güçlendiren kapalı döngü arayüzleri sunuyoruz. Tasarımımızın bazı temel veya özellikleri bir, sinir sisteminin çeşitli seviyelerini araştırmak için farklı teknolojilerden gelen verilerin senkronize kaydı ve ikisi gerçek zamanlı büyütme için verilerin veri akışı ve analizi Her iki örnek çalışmada da ses geri bildirimi kullandık, ancak ses kapalı döngü arayüzünde salsa dansçıları gerçek zamanlı olarak kontrol edilen müziğin temposuna yanıt veriyorlardı. , kalbin ritmine göre.
Bunu başarmak için müzik programlama dilini kullanıyoruz, Max ses dosyalarının oynatma hızını kontrol etmek için. Sensörler dansçıları yakalar, kalp atışları ve filtrelenmiş kalp R tepeleri bir Python komut dosyası kullanılarak oluşturulur. Bu tepe değerleri daha sonra açık ses kontrolü ile gerçek zamanlı olarak Max'e iletilir.
İlk önce katılımcının LED tabanlı hareket yakalama kostümünü giymesine yardımcı olduk ve kablosuz led kontrol cihazına bağlandık. Sunucuyu açtıktan sonra bir web tarayıcısı açın, sunucu makinesinin IP adresini girin ve oturum açın. Bu adım başarılı olursa, yapılandırma yöneticisi açılır.
Ardından hareket yakalama sisteminin arayüzünü açın ve bağlan'ı tıklayın. led işaretçilerinden veri akışına başlamak için. Bağlantı kurulduktan sonra, işaretleyicilerin konumu arayüzün sanal dünyasında görüntülenecektir.
Pencerenin sağ tarafındaki iskelete sağ tıklayın ve işaret eşlemeyi seçmek için yeni iskelet seçin. Sonra iskelete tekrar sağ tıklayın ve iskelet oluştur'u seçin. Katılımcının T pozu verdiğinden emin olun.
Tüm adımlar doğru şekilde yapılırsa iskelet oluşturulur. İskelet verilerini LSL'ye akışa almak için ana menüden ayarları ve seçenekleri seçin. OWL Öykünücüs'ü açın ve canlı akışı başlat'a tıkladiğinizden emin olun.
Ardından, aynı katılımcının EEG başlık kapağını takmasına yardımcı olun. Elektrotları yüksek iletken jel ile doldurun ve elektrot kablolarını yerleştirin. Ardından kablosuz monitöre takın ve açın.
EEG sisteminin arayüzünü açın ve wifi cihazını kullan'ı seçin. Cihazı seçin ve bu cihazı kullan'ı tıklatın, kafa simgesine tıklayın. Tüm 32 sensörün kaydediline izin veren protokolü seçin ve yüklemeyi tıklayın.
Akış verilerinin uyduğundan ve hepsinin arabirimde görüntülendiğinden emin olun. Kalp aktivitesi verilerini toplamak için EEG uzatma kablosunu bağlamak üzere EEG kanallarından birini kullanın. Uzatmanın diğer ucunun katılımcının sol göğüs kafesinin hemen altına yapıştırması için yapışkan bir elektrot kullanın.
LSL klasöründe hareket yakalama sisteminin LSL uygulamasını bulun ve ilgili simgeye çift tıklayarak çalıştırın. Arabirimde uygun sunucu adresini ayarlayın, bağlantıyı tıklatın. EEG ve EKG veri akışı için ek adım gerekmez.
Daha sonra LSL klasöründe de bulunan laboratuvar kaydedici uygulamasını bulup bulaceğiz. Uygulamayı çift tıklatarak çalıştırın. Akışlar için panel kaydında hareket yakalama ve EEG sisteminin tüm veri türleri görüntülenmiyorsa, güncelleştir'i tıklatın.
Depolama konumu panelinde dizin ve ad'ı seçin ve veri toplamayı başlatmak için Başlat'ı tıklatın. MATLAB, Python veya akış verilerini alan, işleyen ve güçlendiren diğer kodu yürütün. LSL, verilerin çok sayıda programlama platformunda akışını sağlar.
Makalenin anlatılan sunum örneklerine karşılık gelen hedefleri kullanırlar. GitHub bağlantımızı ziyaret edin. Piyasada duyusal çıktılar yaratan çeşitli teknolojiler vardır.
Bazı yaygın örnekler şunlardır: hoparlörler, ışıklar, monitörler ve dokunsal cihazlar vibratörleri, gustatory ve koku arayüzleri gibi daha az yaygın olanlar. Sesli kapalı döngü arayüzünde kalp atış hızını dijital olarak arttırmayı başarıyoruz. Müzik programlama dili Max'i kullanarak, ses dosyalarının oynatma hızını kontrol edebiliyoruz.
Konsola yazdırılan filtrelenmiş kalp R tepeleri Python komut dosyasından Max'e iletilir. Orada tepe aralığı aralığı ölçülür ve dakika başına atıma dönüştürülür. Veriler sıfır, mümkün olan en yavaş oynatma hızı ve maksimum oynatma hızı arasında bir aralık oluşturmak için ölçeklendirilir.
Bu süreklilikte bir normal oynatma hızına eşittir, 0.5 yarım hıza eşittir ve iki eşittir çift oynatma hızı. Genel arayüzün tasarımı çeşitli popülasyonlarda kullanılabilir. Protokolü ve burada kavram kanıtı sağlamak için kullanılan örnekler belirli bir grupla sınırlı değildir.
Ayrıca, kapalı döngü arayüzleri sezgisel olarak keşfedilmek ve öğrenilmek üzere tasarlanmıştır. Deneysel prosedürün bir parçası olarak talimatlara gerek olmamasına rağmen. Gerçek bir dyadik etkileşimin sesli kapalı döngü arayüzünün çalışmasında, iki salsa dansçısı, şarkının hızını değiştirmek için kadın dansçıların kalp atış hızını kullanan bir arayüzle etkileşime girdi.
Dansçılar iyi prova edilmiş bir rutin ve doğaçlama bir dans sergilediler. Her koşulda şarkının orijinal versiyonunu bir kez seslendirdiler ve sonra iki kez kalp değiştirilmiş versiyonu. Toplanan verilerden çıkarılan mikro hareket ani artışlarının gama Stokastik imzalarını tahmin ediyoruz.
Burada kalbin tahmini olasılık yoğunluğu işlevlerini ve müzik verilerini gözlemliyoruz. Uyuşturucu figürleri, şarkıyı orijinal haliyle dans eden ilk durumdan itibaren otonom bir organ olan kalbin setlerini göstermektedir. İkinci ve üçüncü duruma kadar kalp değiştirilmiş şarkı dans.
Sol figür spontane dansın üç kaydına karşılık gelirken, kasıtlı dansın üç kaydına doğru figür. Alt rakamlarda, çalınan sesin ilgili kümelerini gözlemleyebiliriz. Burada setlerin karşıt bir yönü var.
Yapay bir dyadik etkileşimin görsel-işitsel kapalı döngü arayüzünün incelenmesinde, altı katılımcı canlı aynalı avatarlarını oluşturan bir arayüzle etkileşime girdi. Ek olarak, kalça pozisyonuna bağlı sesleri gömerek gömdöke. Katılımcılar çalışmanın amacı konusunda saftılar; odada dolaşmak ve ilgi çekici bölgeden geçerken şaşırtıcı bir şekilde ortaya çıkacak sesi nasıl kontrol edeceklerini bulmak zorunda kaldılar.
Rakamlar, ilgi çekici bölgenin içinde ve dışındayken C1'den C6'ya kadar olan 60 arkadaş kontrol katılımcısının kalça hızı verilerinin olasılık yoğunluk işlevini ve buna karşılık gelen gama imzalarını göstermektedir. Sonuçlar, katılımcıların bölge içinde veya dışında davranışlarındaki kişiselleştirilmiş farklılıkları vurgulamaktadır. Ampirik olarak, gama düzleminin sağ alt köşesinde bulunan imzaların, yüksek vasıflı hareketler yapan sporcuların ve dansçıların imzaları olduğunu, sol üst bölgede yatan imzaların patolojileri olan sinir sistemlerinin veri setlerinden geldiğini bulduk.
Bu nedenle, üç ve dört kontrol kalça hızının imzalarının hacmin içindeyken daha sağlıklı motor desenler ortaya çıkardık. Buna karşılık, katılımcıların geri kalanı tam tersi bir desen görüntüler. Bu yaklaşım hem dansçının hareketleri hem de ses arasındaki ilişkiyi daha iyi anlamak için kullanılabilir.
Ayrıca, gerçek zamanlı bedensel bilgiler tarafından yönetilen müzik kompozisyonuna yeni yaklaşımları keşfetmek için de kullanılabilir, müzik yapımını vücut sinyali büyütme deneyimine dönüştürür Kapalı döngü arayüzleri üzerindeki geliştirme ve araştırma sinir sisteminin çeşitli bozukluklarına fayda sağlayabilir. Oyun, hareket eğitimi ve sporda da kullanılabilirler.
