dispositifs EEG consommation de qualité sont-ils utilisables pour les tâches de contrôle peerj

dispositifs EEG consommation de qualité sont-ils utilisables pour les tâches de contrôle peerjdispositifs EEG consommation de qualité: ils sont utilisables pour les tâches de contrôle?

1 Multimédia Département de génie, Université de technologie de Kaunas. Kaunas. Lituanie

2 Département de génie logiciel, Université de technologie de Kaunas. Kaunas. Lituanie

3 Département Informatique, Université de technologie de Kaunas. Kaunas. Lituanie

Abstrait

Nous présentons l’évaluation de deux bien connus, les dispositifs EEG consommateur de qualité à faible coût: l’Emotiv EPOC et Neurosky MindWave. Problèmes avec l’utilisation des appareils d’EEG de consommation de qualité (analphabétisme BCI, caractéristiques techniques pauvres, et des artefacts d’EEG indésirables) sont discutés. L’évaluation expérimentale des appareils, réalisées avec 10 sujets a demandé d’effectuer la concentration / détente et des tâches de reconnaissance clignotantes, est donné. Les résultats de l’analyse statistique montrent que les deux appareils présentent une forte variabilité et non-normalité des données d’attention et de méditation, ce qui rend chacun d’eux difficile à utiliser comme entrée pour contrôler les tâches. l’analphabétisme BCI peut être un problème important, ainsi que la mise en place de l’environnement propre de l’expérience. Les résultats de la reconnaissance clignement montrent que l’utilisation du dispositif Neurosky signifie une précision de reconnaissance est inférieure à 50%, tandis que le dispositif Emotiv a atteint une précision de reconnaissance de plus de 75%; pour les tâches nécessitant de la concentration et la relaxation des sujets, le dispositif Emotiv EPOC a obtenu de meilleurs résultats (tel que mesuré par la précision de la reconnaissance) par ~9%. Par conséquent, le dispositif Emotiv EPOC peut être plus approprié pour les tâches de commande en utilisant le / niveau ou de l’œil de méditation attention clignotante que le dispositif Neurosky MindWave.

introduction

Motivation

Interaction homme-machine (IHM) dispositifs permettent l’homme à l’interface avec des ordinateurs à des fins de saisie de données, de contrôle ou de communication. La plupart des efforts au cours des années ont été consacrées à la conception des systèmes, efficaces et ergonomiques conviviaux pour produire un moyen plus rapide et plus confortable de communication. Interfaces Natural User (NUI) (Jeong et al., 2004) sur la base de la reconnaissance vocale, la reconnaissance des gestes, des mouvements physiques et d’autres technologies ont reçu une attention considérable de la recherche au cours des années et des exemples réussis de ces technologies sont produites commercialement.

Le but de cet article est d’analyser la pertinence de l’utilisation de dispositifs d’EEG de consommation de qualité pour les tâches de commande simples en utilisant les niveaux d’attention / méditation et clignote reconnaissance. Ici tâche de contrôle est entendu que la manipulation d’un objet externe (physique ou virtuel) en utilisant EEG d’un sujet comme entrée. L’importance de la recherche est motivée par un nombre accru de dispositifs EEG client de qualité à faible coût apparaissant à la fois sur le marché, ainsi que de plus en plus cités dans les documents de domaine recherche BCI et EEG.

Attention et de méditation états

dispositifs EEG consommation de qualité

Plusieurs types de dispositifs d’EEG à faible coût existent dans le commerce sur le marché aujourd’hui. En outre, nous considérons deux systèmes d’EEG de consommation de qualité: Emotiv EPOC (https://emotiv.com/epoc.php) et Neurosky MindWave (http://neurosky.com/)

Figure 1: Le placement des électrodes selon l’20/10 Internationale (A) et 10-10 système (B).

nombre d’électrodes impaires sont sur l’hémisphère gauche, même les numéros électrodes sur l’hémisphère droit. Les lettres correspondent aux lobes F (Rontal), T (emporal), P (arietal) et O (ccipital). C signifie centrale (il n’y a pas lobe central).

Télécharger l’image normale

l’analphabétisme BCI

Les aspects techniques de l’enregistrement EEG

Chaque modification de l’enregistrement EEG, pas directement influencé par le cerveau humain potentiel électrique, est appelé un artefact. Les sources de bruit qui causent cette activité artificielle peuvent être classés en sources de biologique et les sources d’origine technique. objets biologiques ont leurs racines dans la physiologie humaine. Ils sont pour la plupart des différences de tension sur le cuir chevelu causées par des sources de tension extra-cérébrale, tels que les muscles. artefacts techniques proviennent de sources électriques dans la voie des électrodes vers le dispositif d’enregistrement de l’EEG. Ils peuvent aussi être causés par l’activité électromagnétique externe ou des champs électriques statiques. La reconnaissance et la suppression d’objets est un problème important dans l’électroencéphalographie. L’origine et les caractéristiques des différents objets est également important de reconnaître et de minimiser leur influence. Certains objets peuvent être semblables à l’activité EEG réel. Artefacts, tout comme les caractéristiques EEG, doivent être diagnostiqués et interprétés. Alors que les artefacts techniques augmentent les taux d’erreur dans les systèmes BCI, objets biologiques peuvent causer des effets artificiels, à savoir le mouvement des yeux peut être une source importante de bruit dans l’EEG. Si différents mouvements oculaires sont enregistrés dans deux expériences différentes, il est difficile de reconnaître, si l’activité EEG était également différente.

1. Couvercle et des yeux artefacts sont des bruits extra-cérébrales les plus courantes dans l’enregistrement EEG. Dans l’enregistrement lente potentiels corticaux (SCP), ces types d’objets peuvent être difficiles à contrôler. La meilleure façon de réduire les interférences de l’œil est la fixation regard: le sujet est demandé de ne pas cligner des yeux pendant la durée de l’essai. La plupart des sujets trouvent la fixation du regard fatigant et d’éviter ou de l’ignorer. Il est préférable de mesurer les artefacts oculaires avec un électrooculogramme (EOG). Ceci est effectué en plaçant des électrodes à côté ou sur les sourcils de la personne et à l’exclusion des échantillons avec des changements potentiels élevés dans ces électrodes au total.

2. artefacts d’impulsions sont le bruit sur des électrodes simples. Ils surviennent quand une électrode est placée sur un vaisseau sanguin pulsatoire. Il y a un problème d’électrodes positionnées ou défection près secs. Ces artefacts sont facilement différenciés des EEG-le pouls a un modèle uniforme.

3. artefacts ECG influent point de mesures de référence. L’ECG est la conséquence d’une forte dipolaire musculaire causée par le cœur humain, qui atteint à travers tout le corps humain. Il peut être 10 fois l’amplitude de l’EEG ondes cérébrales. les modèles de l’ECG peuvent être retirés numériquement après l’enregistrement.

4. artefacts musculaires enregistrés dans l’EEG. Par conséquent, ces objets sont enregistrés sur les zones du cuir chevelu temporaux et frontaux, où les mouvements musculaires visage et le cou sont la principale cause de l’interférence. Ces artefacts peuvent être éliminés par des filtres passe-bas. Grande moyenne contribue également à l’élimination, car les artefacts musculaires sont aléatoires dans le temps et l’amplitude.

5. artefacts de mouvement proviennent de corps ou de la tête des mouvements de l’objet. L’électrode est ainsi déplacé mécaniquement par le câble de raccordement. Tous les artefacts dus au déplacement musculaire (à savoir imite le visage), la respiration et le mouvement de la mâchoire objets sont considérés comme des artefacts de mouvement. artefacts de mouvement, par conséquent, sont enregistrés ensemble, mélangés avec les artefacts musculaires.

artefacts techniques qui influencent la qualité du signal EEG sont les suivantes.

1. électrodes et câble artefacts. mouvement de référence de l’électrode est classé en vertu de sources biologiques, parce qu’elle est causée par le mouvement du sujet (troubles, toux, etc.). artefacts d’électrode peuvent conduire à des changements potentiels positifs ou négatifs, mais ils ne suivent pas de règles spécifiques. Leur aspect, cependant, dépend du type de mode de mesure utilisé. Avec une mesure de point de référence, le bruit dans la référence conduit à un bruit dans toutes les électrodes d’enregistrement. Ces artefacts sont surtout distingués par des changements potentiels pointus et sont faciles à détecter. les courts-circuits d’électrodes, cependant, sont difficiles à remarquer. Elles sont causées par des voies fluides conducteurs entre les électrodes voisines: forte transpiration ou un excès de gel conducteur. artefacts d’électrodes peuvent également provenir de défauts de connecteur de câble, causé par exemple par une exposition prolongée de l’électrode dans des solutions salines, ce qui provoque un effet de chloration sur le contact et peut conduire à de fausses tensions. Une souillure de la lumière dans les contacts peuvent influencer la résistance. Après une période d’utilisation, le craquage du câble peut se produire.

2. La fréquence de la ligne électrique de 50 Hz et d’autres interférences électromagnétiques. des interférences électromagnétiques sont des artefacts provoqués par des dispositifs à courant alternatif (courant alternatif) dans le voisinage de très sensibles à des dispositifs de mesure EEG. Celles-ci proviennent principalement de la 50 Hz (dans les pays européens) sources de courant alternatif, tels que la lumière et de fourniture de dispositif filets. Un autre problème implique une mauvaise mise à la terre du sujet. Un effet capacitif est provoqué par des courants électriques dans la paroi de laboratoire et d’autres périphériques à proximité du sujet. Les sources typiques comprennent la radio et micro-ondes. Celles-ci ne figurent pas dans l’EEG faible fréquence, mais sont converties en une petite tension basse fréquence dans les amplificateurs, dans un processus de démodulation.

Méthodes

Chaque individu est très différent. Chacun d’entre nous pense différemment. Chacun de nous a différent cerveau « signal » force. En raison de cette individualité chaque utilisateur doit avoir son / sa propre profil individuel mieux décrire ses capacités physiques « de génération de signal ». Ces capacités sont bien sûr toujours variable et pas complètement universel (on peut produire un signal différent sur différents jours, l’état physique, l’humeur, le stress, le temps de sommeil, etc.). Dix (10) personnes ont participé à notre expérience (neuf mâles (sujets non. 1-9), l’une des femmes (sous réserve no. 10), âgés de 24 à 31). Tous les participants ont prétendu être physiologiquement et psychologiquement sain.

Nous avons utilisé les deux appareils d’EEG pour la mesure et l’évaluation des niveaux d’attention et de méditation, ainsi que pour la reconnaissance de clignoter. Les méthodes utilisées sont détaillées ci-dessous.

La reconnaissance de l’attention et de méditation états

Nous avons essayé de mesurer les formes d’onde individuelles et de produire quelques idées sur les conditions suivantes:

Une personne se concentre. Comme notre test était une tâche de contrôle simple (une seule commande), nous avons demandé de regarder une photo (s) avec une tâche simple de calcul aléatoire et penser à une réponse. Une tâche était de difficulté variable basée sur un temps que nous voulions un participant à être concentré (par exemple le calcul des équations linéaires sous la forme de 5X –10 = 0, 5X 2 – 4X – 1 = 0, etc.). Pour vérifier qu’une personne était vraiment concentré sur le calcul nous avons demandé de dire un résultat quand ils l’ont (pas de mesure a été faite au cours de la «révéler de résultat» en raison des impacts sur le signal à motorics de travail, etc.)

Une personne est détendue. Cet ensemble de données a été enregistrée quand une personne ne faisait rien. Dans le cas de la tâche de contrôle – aucune commande a été produit à ce stade (pensez Etat comme inactif).

L’organisation de l’expérience est décrite dans la Fig. 2. Une perception de l’état mental (souligné / détendu) d’un sujet est choisi en calculant la valeur moyenne de l’intensité (fournie par les fonctions standard dans les SDKs des deux fabricants) et l’écart type du signal EEG approché. Les données ont été indexées en fonction des valeurs estimées en fonction de l’état de profil (formés individuellement pour chacun des participants) comme décrit ci-dessous: S F u = 1. si T u lt; μ ± u ô 0. sinon S R u = 1. si T u gt; μ ± u ô 0. autrement ici: SF . concentré; SR . détendu; μ. seuil formé; T (u ), Signal mesuré par approximation; δu . écart-type.

Figure 2: Organisation de l’expérience.

Télécharger l’image normale

Les profils des sujets ont été faites avant chaque session, l’enregistrement des valeurs approximatives toutes les 1 s, en demandant à chaque participant de se concentrer sur la tâche mathématique ou se détendre pendant 5 minutes avant chacune des expériences. Les données recueillies au cours de l’expérience a été comparée à chaque valeur des ensembles en utilisant la méthode voisine de K-plus proche (KNN).

reconnaissance clignotant

Les dispositifs d’EEG de consommation de qualité sont souvent utilisés pour l’électromyographie (EMG). Le signal le plus souvent et facile à lire et à reproduire est un clin d’oeil. Appareils testés ont une fonction codé pour «force» d’un clin d’œil, mais après un clignotement d’une valeur numérique est retourné très second, mais reste constante jusqu’à ce qu’un nouveau clignement (même mineur) est détecté. Il y avait un problème pour certains participants que, après une « forte et rapide » clignote en une valeur élevée a été atteinte mais ensuite clignote étaient «plus faible» pour atteindre ses limites et ne pas capturer (ne fonctionne pas en sortie en tant que tel) clignote mineures. Pour surmonter ce problème, nous avons laissé tomber une fonctionnalité intégrée et ont fait le profilage supplémentaire pour clignoter, en demandant à chaque participant à clignoter pendant environ 100 fois (clignote en continu pendant deux minutes) et l’enregistrement de signal brut. analyse du signal Raw a permis la détermination des profils clignotantes spécifiques pour chacun des participants et d’éviter les cas de signaux faux comme le mouvement de la tête (souvent enregistré comme un clin d’œil lors de l’utilisation des fonctions intégrées). Un niveau clignotant mesurée a été comparée à un profil individuel au cours des expériences. Un dispositif de suivi du regard (EyeTribe) a été utilisé pour surveiller et vérifier si une personne a cligné des yeux ou pas comme il était plus rapide que la personne humaine et plus précis pour détecter clignotements rapides et naturels d’un utilisateur.

Comme il n’y a pas de méthode connue de la fréquence d’un signal doit être interrogé pour obtenir une approximation fiable, nous avons choisi différents temps de fixation du signal. Nous avons décidé que pour confirmer une commande 10 lectures doivent être prises (de la mentalité prises concentré initial) à des approximations de calcul tous les 1, 2 et 5 s. Nous croyons que les intervalles de temps plus longues ne sont pas pratiques pour les tâches de contrôle si l’on commande prend plus d’une minute pour produire.

Résultats

Nos résultats expérimentaux sont présentés pour deux expériences de recherche. La première considère la mesure et l’évaluation des niveaux d’attention et de méditation, tandis que la seconde expérience axée sur la reconnaissance de clignoter.

La reconnaissance de l’attention et de méditation états

L’attention et la reconnaissance de méditation niveaux de seuil moyen obtenus en utilisant la méthodologie décrite dans «Reconnaissance de l’attention et de méditation états de (utilisateur de profilage) avec les dispositifs Emotiv et NeuroSky sont présentés dans les figures. 3 et 4, respectivement.

La précision mentale de reconnaissance d’état (valeurs moyennes) lors de l’exécution des tâches de concentration et de relaxation sont résumées dans les figures. 5 et 6. pour l’attention et la méditation états respectivement.

Figure 3: niveaux de seuil moyen d’attention obtenues à l’aide Neurosky (A) et Emotiv EPOC (B).

Télécharger l’image normale

Les statistiques descriptives des données NeuroSky et Emotiv pour les niveaux d’attention et de méditation sont présentés dans le tableau 1. Remarque des résultats de haute asymétrie (gt; 1) des données de reconnaissance de l’attention en utilisant le dispositif Neurosky. skewness positif de 1.2865 indique un empilement des valeurs sur le côté gauche de la distribution pour les données Neurosky, donnant une indication de faibles valeurs dans la distribution. Ce résultat peut être expliqué par la faible réactivité des utilisateurs lors de l’utilisation de l’appareil.

Les statistiques descriptives de l’attention par rapport aux données de méditation.

Une parcelle Q-Q est une représentation graphique des quantiles de deux distributions uns contre les autres, qui est utilisé pour comparer les deux distributions. La figure 7 illustre la parcelle Q-Q pour cet échantillon suggérant que les données suivent un modèle non linéaire, ce qui suggère que les données ne sont pas distribués en tant que normale standard.

Figure 4: Moyenne des niveaux de seuil de méditation à l’aide de Neurosky (A) et Emotiv EPOC (B).

Télécharger l’image normale

Figure 5: précision de la reconnaissance de l’état de l’attention en utilisant Neurosky (A) et Emotiv EPOC (B) moyenne.

Télécharger l’image normale

Figure 6: précision de la reconnaissance de l’état de méditation en utilisant Neurosky (A) et Emotiv EPOC (B) moyenne.

Télécharger l’image normale

Figure 7: parcelle Q-Q: Neurosky (A, B) et Emotiv (C, D): attention (A, C) et la méditation (B, D).

Télécharger l’image normale

La parcelle fonction de densité de probabilité (PDF) de l’attention et la méditation montre que les deux données se chevauchent de façon significative pour le dispositif rendant la séparation Neurosky des états mentaux de l’utilisateur très difficile (Fig. 8. gauche). Cependant, pour les données de l’appareil Emotiv, la séparation est plus grande rendant plus facile à séparer (fig. 8 à droite). En outre, la méditation peut avoir un PDF bi-modale indiquant que le signal peut avoir plus d’une source indépendante.

Figure 8: Densité de probabilité des données d’attention et de méditation: Neurosky (A) et Emotiv (B).

Télécharger l’image normale

Comme critère d’estimation de la séparation entre les fichiers PDF de l’attention et la méditation, nous utilisons la distance Jaccard métrique, qui mesure dissemblance entre ensembles d’échantillons. Ici, nous utilisons Jaccard pour mesurer la distance entre les zones de chevauchement et le total sous la courbe de PDF comme suit: (1) J f 1. f 2 = ∫ | f 1 x – f 2 x | d x ∫ f 1 x d x + ∫ f 2 x d x. ici, F1 et F2 sont les fichiers PDF de données d’attention et de méditation, respectivement.

Les résultats présentés sur la Fig. 8 montrent que la distance Jaccard entre les fichiers PDF de données d’attention et de méditation pour les données Neurosky est 0,2890, tandis que la distance pour les données Emotiv est 0,4924 (en utilisant la méthode trapézoïdale pour l’intégration numérique), ce qui signifie que les données de l’attention et la méditation est séparable plus facilement dans le cas des données Emotiv.

Pour évaluer si les données de l’attention et de médiation sont sensiblement différents les uns des autres, nous effectuons deux échantillons non apparié de l’étudiant t -tester. le t -test effectué sur l’ensemble des données indique que l’hypothèse est rejetée avec p = 4⋅10 -8 pour les données Neurosky et p = 2.5⋅10 -12 pour les données Emotiv. Les résultats de la t -Test effectué sur les données de l’utilisateur individuels présentés sur la Fig. 9. L’hypothèse est rejetée pour Sujets 1, 5, 6, 7 & 9 et confirmé pour les sujets en 2, 3, 4, 8 & 10 lors de l’utilisation du dispositif Neurosky. L’hypothèse est rejetée pour Sujets 1, 2, 3, 4 & 6 et confirmé pour sujets 5, 7, 8, 9 & 10 lors de l’utilisation du dispositif Emotiv.

Figure 9: Résultats de t -Test: les données NeuroSky (A) et les données Emotiv (B).

Télécharger l’image normale

La relation entre les valeurs de l’attention et la méditation peut être évaluée en utilisant la corrélation. Le tableau 2 présente les résultats de corrélation. Les résultats montrent qu’il existe une différence significative (faiblement significatif p = 0,10) corrélation positive (0,79) entre l’attention et la méditation niveaux de sujets pour lesquels l’hypothèse de la différence des données d’attention et de méditation a été confirmée.

En analysant l’attention par rapport à des données de méditation (Fig. 10), on peut voir clairement que deux groupes de sujets identifiés à l’aide t -essai et confirmé par la corrélation peuvent être clairement identifiés dans l’attention vs parcelle de méditation. Nous affirmons que ces deux groupes de sujets représentent des sujets qui ne sont pas en mesure de maîtriser l’interface BCI (en rouge) par rapport à des sujets qui ont appris à utiliser l’interface BCI (en bleu).

Figure 10: Niveaux d’attention contre la méditation: les données NeuroSky (A) et de données Emotiv (B).

Télécharger l’image normale

Une mesure importante est de corrélation croisée entre les états mentaux des différents sujets. Étant donné les mêmes conditions et les paramètres de l’expérience, nous supposons que les résultats des sujets qui ont avec succès maîtrisé l’interface BCI auront une corrélation plus importante que les résultats des utilisateurs illicites BCI. Dans le cas de ce dernier, le signal sera dénuée de sens. Le résultat de la corrélation croisée entre les sujets est présenté dans la figure. 11. Utilisation du dispositif Neurosky, corrélation croisée pour la méditation est faible pour tous les sujets, ce qui signifie que tous les sujets ne sont pas en mesure d’atteindre l’état détendu (le plus faible pour le sujet 7 (ρ = 0,019)). Pour l’état de l’attention, la plus forte corrélation croisée absolue a été réalisée par sujet 9 (ρ = 0,4984) et les plus faibles, pour le sujet 5 (ρ = 0,1749). En utilisant le dispositif Emotiv, corrélation croisée pour l’attention et la méditation est faible pour tous les sujets, ce qui signifie que tous les sujets ne sont pas en mesure d’atteindre l’état détendu.

Figure 11: Inter-sujet parcelle de corrélation croisée pour Neurosky (A, B) et Emotiv (C, D): attention (A, C) et la méditation (B, D).

Télécharger l’image normale

Afin de déterminer si la différence entre les valeurs de l’attention et la méditation étaient statistiquement significatives, nous avons appliqué le test Wilcoxon avec l’hypothèse que les médianes des deux variables diffèrent. Les résultats du test de Wilcoxon effectuées sur les données de chaque utilisateur dans présenté à la Fig. 12. L’hypothèse est rejetée pour Sujets 1, 6 & 9 et confirmé pour les sujets en 2, 3, 4, 5, 7, 8 & 10 lors de l’utilisation des données Neurosky. L’hypothèse est rejetée pour sujets 5, 7, 8, 9 & 10 et confirmé pour les sujets en 1, 2, 3, 4 & 6 lors de l’utilisation des données Emotiv. Ces résultats confirment les résultats d’ t -test (voir fig. 9), bien que les valeurs de signification diffèrent.

Figure 12: Résultats du test de Wilcoxon rank-sum: données NeuroSky (A) et de données Emotiv (B).

Télécharger l’image normale

Figure 13: la précision de la reconnaissance clignote en utilisant Neurosky (A) et Emotiv EPOC (B) moyenne.

Télécharger l’image normale

reconnaissance clignotant

Les résultats des mesures de reconnaissance clignotantes sont présentés sur la Fig. 13. Les statistiques descriptives des données sont présentées dans le tableau 3. Les résultats de Wilcoxon test montrent que Emotiv EPOC est nettement mieux que Neurosky MindWave dans la reconnaissance du clignement des yeux.

Les résultats montrent que la reconnaissance a échoué à clignoter lors de l’utilisation du dispositif Neurosky avec une précision moyenne de 49,6% de la reconnaissance, tandis que le dispositif Emotiv a atteint une précision de reconnaissance satisfaisante de 75,6%. Les fonctions de densité de probabilité des données NeuroSky et Emotiv (voir Fig. 14) illustrent clairement l’avantage du dispositif Emotiv en clignotant reconnaissance. Notez la bi-modalité des deux données.

Pour vérifier si la distribution des données est unimodale ou bi-modal, nous effectuons le Dip test Hardigand. Le test de mesure Dip multimodalité dans un échantillon par la différence maximale sur tous les points d’échantillonnage, entre la fonction de distribution empirique et la fonction de distribution unimodale qui minimise la différence maximale. Les résultats des tests montrent Dip que la probabilité de la distribution ne sont pas unimodale.

Enfin, nous utilisons le test de Friedman pour comparer les données renvoyées par les deux appareils. Le test vérifie Friedman si les rangs moyennes mesurées sont significativement différents de rang moyen qui est prévu dans le cadre du hypothèse nulle. Les résultats de l’essai p = 5⋅10 -37 lt; 0,05 montrent que les performances des deux dispositifs en juger par leur précision de la reconnaissance de clignotement est sensiblement différent.

Discussion

Il est également très important de noter qu’il est en fait très difficile pour une personne pour produire un signal de commande stable (donc une commande, soit par mise au point ou de détente). Le processus lui-même est très fatigant et au fil du temps excessif a une entrée significative sur la précision de la reconnaissance. Sur la base de ce qui précède, nous pourrions dire que peu importe ce que la matière de marketing pourrait dire que vous-un dispositif d’EEG des consommateurs ne convient que pour une mesure de niveau débutant de signal du cerveau et de la recherche et utilisable comme un dispositif de commande par l’intermédiaire de sa fonction cérébrale directe lecture seule si une personne a vraiment pas d’autre moyen d’entrée de signal (comme dans une complète lock-dans l’état de paralysie), sinon d’autres moyens de reconnaissance de commande (que ce soit regard tracking, clignotant, son, vidéo, etc. de reconnaissance) sont beaucoup plus viable.

Les résultats de mesure de clignoter (signaux) par l’intermédiaire d’un dispositif d’EEG des consommateurs ne sont pas très prometteurs. Il est un facteur évident de perturbations externes et se signaler est pas très stable, surtout en comparaison avec les appareils construits à cet effet et les capacités des capteurs en plaçant près du champ de travail des muscles oculaires. La précision globale de reconnaissance varie d’environ 50% pour les appareils à faible nombre de capteurs (tels que MindWave) à environ 75% pour les appareils avec un plus grand nombre de capteurs (comme EPOC), dans l’ensemble, à notre avis encore trop faible pour toutes les applications pratiques de contrôle . De l’autre côté, nous avons remarqué qu’un dispositif de suivi du regard était plus rapide et plus précis que les deux appareils EEG et EMG.

Le problème de l’analphabétisme BCI est particulièrement aigu avec des appareils de qualité à la clientèle, le faible nombre de capteurs, la faible qualité des électrodes et de l’incapacité de placer les capteurs avec précision sur le cuir chevelu réduit la qualité des données EEG obtenues empêchant ainsi la mise en place d’une rétroaction efficace entre le l’utilisateur et le système. D’autres études sont nécessaires pour mieux comprendre la cause sous-jacente de l’analphabétisme BCI et d’identifier de nouvelles procédures de formation BCI qui atténueront l’analphabétisme BCI.

Nos résultats doivent cependant être pris en considération avec les limites de l’étude à l’esprit: le nombre de sujets était faible (seulement 10), il n’y avait pas d’équilibre entre les sexes (neuf hommes et une seule femme), tous les sujets étaient jeunes, tous les sujets ont été considérés en bonne santé, mais il n’y avait aucun examen médical formel de leur état de santé fait.

Conclusions

Nous avons effectué des tests d’utilisabilité des dispositifs Neurosky Mindwave et Emotiv EPOC pour les tâches nécessitant de la concentration et la relaxation des sujets aussi bien que pour la tâche de reconnaissance de clignoter. Les résultats ont montré que le dispositif Emotiv EPOC a obtenu de meilleurs résultats (tel que mesuré par la précision de la reconnaissance) pour toutes les tâches (~9% de mieux en utilisant l’attention / données de méditation et de ~25% de mieux pour la reconnaissance de clignement des yeux).

Utilisation de périphériques EEG de consommation de qualité, l’analphabétisme BCI est un problème important en raison des limitations techniques des appareils et de la rétroaction faible. Notre recherche montre que jusqu’à 50% des utilisateurs peut être BCI-illicites lors de l’utilisation des dispositifs d’EEG à faible coût pour effectuer des tâches de contrôle sur la base de l’état mental (attention et la méditation) la reconnaissance. Ainsi, les résultats des expériences peuvent être sérieusement affectés, parce que si l’utilisateur ne parvient pas à produire des modèles d’EEG stables et distinctes, aucune méthode d’apprentissage de la machine ou de l’algorithme de classification seraient en mesure de les reconnaître. L’amélioration de l’universalité BCI (qui est, réduire l’analphabétisme BCI) devrait être une priorité absolue dans le domaine de recherche BCI sur les applications non médicales. configuration de l’environnement Amélioration de la formation et des instructions peuvent faire l’objet BCIs plus universel, dans une certaine mesure.

Nous vous suggérons d’effectuer une présélection des utilisateurs à l’aide de tests statistiques (Student est jumelé t -essai ou test de Wilcoxon rank-sum) pour faire face au problème de l’analphabétisme BCI avant d’effectuer la validation des méthodes de contrôle à base de BCI. Très prudent mise en place de l’expérience et de l’environnement de motivation appropriée doit être mis en place pour l’utilisation de l’appareil EEG, par exemple il est presque impossible d’atteindre l’état mental de la méditation si l’environnement est bruyant.

La forte variabilité et non-normalité des données d’attention et de méditation impose de nouveaux défis pour les développeurs qui souhaitent utiliser des niveaux d’attention et de la méditation comme entrée pour contrôler ou modifier les interfaces. Les niveaux d’attention et la méditation de base doivent être établies pour chaque utilisateur individuellement. Pour une utilisation efficace, la combinaison des lectures EEG avec d’autres modalités d’entrée devrait être établie. Travailler pour l’avenir comprend la combinaison des lectures EEG avec, comme le regard, la posture du corps et les expressions faciales devraient être considérées. À l’avenir, plus de recherche sera effectuée en utilisant différents types de cadre expérimental, par exemple le Stroop Colour-Word Interférence Test (Stroop, 1935), un test psychologique bien connu de l’attention sélective.

Information supplémentaire

Données

Les données de l’attention / méditation et la reconnaissance de clignoter en utilisant Neurosky Mindwave et Emotiv EPOC.

"Suivant" est comme souscrivant à des mises à jour liées à une publication. Ces mises à jour apparaîtront dans votre maison tableau de bord à chaque fois que vous visitez peerj.

Vous pouvez également choisir de recevoir des mises à jour par courriel des quotidiens ou hebdomadaires. Si vous suivez plusieurs publications nous vous enverrons pas plus d’un courriel par jour ou par semaine en fonction de vos préférences.

Remarque: Vous êtes désormais abonné aux domaines de cette publication et vous recevrez des mises à jour dans les digestions email quotidien ou hebdomadaire si activée. Vous pouvez ajouter des domaines spécifiques dans vos paramètres de profil.

Source peerj.com

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

seize − quatre =