一直认为高度融入大诱发高强烈的现场感,进而促进BCI性能,因为类型为用户的感官提供适当的反馈。一个更好的BCI在更短的用户培训和更高的性能结果用户的信心。大可能会导致更大的性能由于其性质的准确代表现实生活在虚拟域的元素。这些环境和对象的表示允许精化的虚拟场景地图的日常任务和例程。这个映射允许建立一个培训协议,它可以提供与任务相关的反馈。当前交互式系统不够明确,成为一致的任务使用。而实现类型要求努力和时间,往往无法获得,回报依赖的可能性代表中将任务的用户,谁看到,成为超越抽象符号的一部分在屏幕上。VE,用户可以感知不断变化的心理任务。例如,如果一个心理任务是想象“踢球”,然后,他们看到一个虚拟腿来自自己踢球,他们将本体感受和机构。已经提供了明确和准确的可能性。 Virtual representations encourage users to generate and maintain mental images by facilitating sensory information and providing feedback within a meaningful context for them [ 18, 41- - - - - - 45]。

人机交互是一个巨大的限制在实验室。作为虚拟模拟提供了一个更直接的与环境的交互,用户可以学会控制系统更现实的情况。此外,人为因素的影响(如精神疲劳、沮丧或懒惰)和干扰来源(如别人的谈话,环境噪音,或者家用电器工作)在BCI可用性可以同时被研究。

“实际情况”一词不仅指高技术实现,但它也关注已经关联的用户( 46]。这个因素可能有更高的对系统性能的影响。一个很好的例子是工作在 41]。在这种工作,控制任务是想象画不同的汉字的基本笔画。此外,实行控制的任务是尽可能真实因为用户观察绘制过程的显式表示。研究人员认为想象运动的图形演示可以促进心肌梗死的一代。进行了如下研究。14个科目(22 - 25年)被分成两组:实验和控制。实验团队使用该模式基于汉字的基本笔画。对照组采用传统的格拉茨的方法。平均而言,实验组系统精度达到了79.8%,而对照组65.1%左右。此外,参与者填写用户体验调查问卷,结果表明,该模式更容易使用,更容易理解。 Overall, this work strengthens the idea that VEs must be contextualized to provide a familiar working environment where users can make full use of their previous knowledge. In this work, it was shown that the modulation of EEG signals through MI activity could be significantly improved if appropriate environmental working conditions are provided.

活泼愉快的和合作者(他们的工作是引用( 47)人类国家定义为大脑的心理生理调节达到最优状态。这个过程使人类能够满足环境要求。在这方面,准备捕捉相关的刺激(注意)和渴望学习和探索(动机 48)在BCI应用中至关重要。类型已被证明是一个潜在的工具指导的注意,增加动力,加速学习的BCI用户。

虚拟实验可以促进BCI系统的发展,详尽地测试BCI原型也可以进行。事实上,这可能证明实现物理设备的巨大费用,如机器人手臂和exoeskeletons。

类型适合指导严重瘫痪的病人如何适应他们的新环境(例如,如何控制轮椅)或如何恢复基本功能如走路或说话。

虚拟现实(VR)和增强现实(AR)已经广泛应用于无功bci基于SSVEP自用户注意力转移到视觉刺激的水平显著提高。在一项研究[ 43),三个男性受试者年龄在25和27年被要求执行两种类型的任务:虚拟和AR-based。本研究的目的是评估基于“增大化现实”技术来模拟不受控环境,如病人的家庭或医院。一般的任务是在虚拟的房间中,通过《阿凡达》。三个参与者参与了这一研究,他们的表演透露,他们有更大的困难在控制的《阿凡达》基于“增大化现实”技术的游戏模式。研究人员表明,分散元素在基于“增大化现实”技术的游戏场景中阻碍了《阿凡达》操作。基于“增大化现实”技术迫使用户在任何时间与环境进行交互,从而将肯定使用户和系统之间的交互。基于“增大化现实”技术可能被用来分析BCI系统环境中用户的注意力,浸泡,和性能受到外部因素的损害( 42]。

另一方面,虚拟现实可以应用于控制BCI系统。说明,在 61年),这是提高性能的混合BCI采用虚拟现实技术基于眼睛裂谷系。本研究的目的是开发一个高效的虚拟控制面板。用不同的颜色已经由三个领域,用户必须直接的注意力。一旦用户已经决定的选择,他们必须想象这样的领域接近。关注的领域是通过追踪器检测到,但球近似被脑电图量化处理。这种控制机制是非常有效的,因为它是自然和直观。用户可以了解清楚如何控制BCI系统,即使在一个高度要求的情况。值得注意的是,BCI函数依赖于用户的能力(想象力)和技术方面(眼睛的位置)。这对于控制任务减轻了工作量,并允许用户交互更容易( 57]。

一般来说,大已经应用于虚拟世界中导航。该领域的研究人员已经对两个主要目标:运输和车辆环境刺激对人类反应的影响( 61年- - - - - - 64年]。然而,导航系统的应用最近超越这两个目的。一个显著的例子是工作在 65年),开发了一个已经使用眼睛裂谷系,是谁控制通过一个BCI基于mrcp检查。本研究的主要目标是四种不同的模式识别导航方向(前进、后退,去吧,去左)解码的mrcp检查用户。作者表明,大非常有效的训练BCI用户,让用户生成不同的脑电波模式不同的运动 58]。使用特定的势的另一个例子包括ssvep的,作者有依赖这些潜力的检测为了选择一个特定的方向在虚拟环境导航;而不是使用运动图像,这项工作依靠眼睛固定在四个点的环境代表可能的方向导航(向前,向后,去吧,去左)。他们后来利用图形的性质类型和SSVEP的提议的范式的本质为导航使用BCI系统依赖于参加关键点的日常环境的图形表示 65年]。

车辆控制是小说的另一个代表示例应用程序的导航系统。在[ 26),飞行仿真系统与脑机交互控制实施。一个53岁的女人,四肢瘫痪被关联指示控制虚拟飞机飞机运动在飞离她的手臂运动。研究人员得出结论,隐喻的互动和实践并不导致手臂和飞机运动之间的一对一的关系。然而,可以限制用户关注的时间更长,导致心肌梗死的掌握控制任务。女性用户能够控制飞机两次训练后没有限制。作者认为,反馈使用的方法是充分有效的指导用户如何使用她的手臂运动调节她的大脑信号( 26]。在类似的情况下,在 58),研究基于驾驶员诱发振荡进行了敏感性的检测。研究人员设计了一个基于飞行已经有一个操纵杆控制机制。控制任务是基于边界回避的任务。也就是说,用户需要飞行的飞机在一个特定的轨迹,以及他们是否未能遵循相同的轨迹,飞行模拟自动停止。结果表明,负载在边界集结避免任务可以从脑电图成功解码振荡 δ, θ , α , β , γ 频带。

特别是, θ 在frontocentral记录网站和乐队 γ 乐队在单侧性的躯体感觉区域的主要贡献者脑电图模式识别( 64年]。

除了MI活动外,其他应用程序的导航系统在BCI研究中发挥了重要作用。这可以说明( 27),已经呈现驾驶环境对儿童自闭症谱系障碍(ASD)的设计。虚拟系统由一个汽车驱动与完整的细节在一个城市的环境,包括建筑,树木,行人和交通信号灯。作者声称,现实的任务可能会刺激神经过程如工作负载管理,长期的内存访问,视觉空间的处理、情感和关注,监管和决策,在儿童患有自闭症。在这项研究中,作者利用脑电图信号检测的情绪和认知状态,包括浓度、无聊、沮丧、精神负担。系统性能在78%和95%之间,这基于虚拟架构的BCI似乎有前途的治疗ASD ( 27]。在相同的思路,在 66年),一种情感检测基于BCI技术发展提出了一个决策系统。五个科目训练强化学习的智能代理浏览虚拟城市,决策是基于用户的情感,而不是用户的意图。已经呈现一辆车舱,通过它,用户可以探索虚拟城市。而不是解码用户意图,一个智能代理收到BCI输出有关人类反应如惊讶的是,焦虑,幸福,或浓度。所有这些人的反应是由代理,它控制虚拟车辆的轨迹( 59]。

最后但并非最不重要,导航通过虚拟住处已经成为大多数检查应用程序之一。的工作( 64年)是一个很好的例证HCI浓缩在这类型的导航系统。这些研究人员量化在检测P3b组件类型的水平的关注。P3b的检测是基于颜色编码,和用户提出访问不同的房间在一个虚拟的房子。作者表明,颜色编码是捕获和更熟练的方式吸引用户的注意力比古典Donchin范式( 63年]。

用户目前的精神状态的交互是一个关键元素达到一个稳定的系统性能。根据( 66年),脑电图信号的调制使用MI活动很大程度上取决于用户心理平衡自控制任务变得更加可微的。这中可以看到 11),一个交互系统设计基于正念和冥想。使用眼睛裂谷系呈现VE、跳跃运动系统跟踪手的动作,和一个缪斯头巾记录脑电图活动,研究人员建立了一个刺激的环境中练习悬浮,pyrokinesis,心灵遥感。他们设置诱导的沉浸,反过来促进了冥想和专注力,促进心肌梗死训练后( 11]。同样,在 67年),已经在用户控制的《阿凡达》提出了他们的浓度水平。采用RelaWorld软件和基于ERP的BCI,作者大大改善了用户系统交互只有延长失效的浓度( 60]。

控制BCI系统是一种技巧,必须获得。学习的过程在当前BCI范式一般刺激感官途径只有一个,视觉或听觉。然而,人类从五感官途径收集信息(视觉、听觉、触觉、嗅觉、味觉)并做出相应的反应。它已经表明,如果环境知觉的充实,学习更有效。环境富集的影响体现在工作报告( 67年),两组皮质受伤的老鼠被暴露于丰富和nonenriched环境。丰富的环境涉及的各种元素,包括群体住房、社会刺激,食物和水,竞争压力,更大的运动活动,操纵对象,增强和感官刺激。nonenriched环境只涉及到食物和水。结果表明,大鼠暴露于环境浓缩在他们的任务明显更少的错误比nonenriched条件。此外,三个神经生理学的修改被发现。首先,大脑皮层的某些区域,用于复杂的学习和解决问题的过程,变得较重,更深层次和更大的。就大,第二,神经元突触神经元的比例更高,突触是更大,有更多丰富的树突分支在这些区域。第三,有明确的浓缩的神经化学的影响。这是相当大的一个例子RNA / DNA比值的增大,这表明代谢率增加。在这个工作,这是表明,刺激大脑的变化最重要的因素是执行与丰富互动环境。 On the other hand, it has been found that sensory feedback plays a central role in the human learning process. The human brain makes use of sensory feedback to make predictions, thereby modifying human behaviors [ 68年]。因为学习是一个过程,涉及到行为的变化源于与环境的交互,这意味着感官反馈不仅影响行为模式,但它也促进知觉学习。最近神经影像学证据表明,知觉学习可以促进对感觉运动皮层神经可塑性,并增加这样的大脑区域之间的连接。此外,知觉学习的影响是持久的( 69年, 70年]。这意味着躯体感觉功能起着至关重要的作用在人类学习。假设,如果感觉反馈是正常,知觉学习将会上涨,进而实现收购控制BCI系统的技能。

根据上述资料,鼓励利用VE特性提供知觉的丰富环境,进而可以促进收购控制BCI系统的技能。朝着这个目标努力,通过互动类型方法的适应脑-机通信听起来让人充满希望。这需要一个概念化的过程和设计,主要取决于任务或行动由用户。类型的应用和集成以及BCI的感官刺激模式依赖于四个阶段:上下文,比喻,设计和评价( 71年, 72年]。

上下文。考虑已经作为一个结果,包括交互设计,必须做的早期研究发现之间的关联虚拟提议和一群项目,包括用户上下文(特别是日常任务),工作环境,常用的技术,设备,和导航。这些因素决定了一个隐喻,它集成了用户上下文和要执行的任务的交互系统。因此,建立一个更符合实际的情况。尽管HCI社区已经承认人为因素的重要性交互系统设计和概念化的几年来,忽略这些因素不仅产生误导的互动模型而且低效的类型。BCI系统的背景下对用户很重要因为这有助于建立对BCI的相关性认识培训和控制。到目前为止,更符合实际应用的经典例子是控制任务相关活动等日常生活的开启和关闭灯和开关( 25)和轮椅控制( 26]。最近和情境化的臭名昭著的例子是在 41),所有的参与者都是中国人和MI控制任务是与他们的日常生活活动直接相关,也就是说,绘画的基础汉字的笔画。

比喻。一旦建立了隐喻,交互设计和布局可以提出。利用隐喻导致找到最佳信号,反馈,和行动在已经承担。重要的是要考虑交互设计作为一种启发式方法来解决一个具体问题,而不是一个最终的解决方案。尤其是隐喻基于浓度和念力为用户提供了强大的工具与VE、交互包括提高注意力,清晰的感知,和更好的概念化 11]。提出了一种运动隐喻的一个很好的例子( 39),打网球的任务在一个虚拟法庭使用。在这种环境下,用户可以看到一个明确的结果他们的心理图像。在本例中,隐喻被用来刺激运动的想象对一个特定的方向。另一个著名的例子是使用的隐喻( 41),画汉字的基本笔画的任务。类似于( 39),用户观察呈现他们的虚构的写作。

设计。整体布局、模型复杂性和知觉的特性取决于上下文,用户配置文件,可用的技术资源。回到审美和功能特性被认为是在舞台上,有必要设计熟悉,刺激,为用户和良好的环境。尤其是细节至关重要,当模拟现实生活中尝试。缺乏细节和/或强调的设计可能会让用户感到冷漠和不关心。飞行模拟器和汽车导航器是一个很好的互动设计的应用程序,细节丰富优美的环境( 26, 27, 62年, 64年]。另一个例子是一个[所示 41]。黑色背景,以及一只手拿着粉笔的动画形象,是一个接近的类比写在黑板上。这个设计说明的好处和优势类型的图形表示。

测试。第一个测试是一个机会来收集信息从早期版本的潜在用户虚拟实现,包括用户和系统之间的交互流和前馈和反馈来源和模型。这可以提出相关的互动和美学从用户的角度重新设计。重大变化的基础上进一步测试是明智的。必须经过一个迭代过程的设计,从一开始就吸引用户和整个过程。在每个迭代中,用户的反馈必须采取帐户,更应该正确实施。虽然这个迭代过程要求资源和时间( 36),这可能会导致一个最佳的和完整的大脑和机器之间的交互。