研究文章
实时控制的视频游戏使用眼球运动和两个时间脑电图传感器
|
| 标准 |
优势 |
限制 |
|
| 视角 |
5°之间的一个小视角和10°被用来减少疲劳问题(一大视角30°以上需要在大多数研究使用此次信号检测眼球运动。这个大视角几乎立即导致眼睛疲劳,疲劳用户)。 |
很难检测眼球运动如果视觉角小于5°。 |
|
| 用户 |
一些参与者(离线测试20.),在线(21),在不同的实时实验研究中)在不同的日子里检查脑电图信号的可变性和不稳定性质。 |
没有测试该算法在残疾用户。 |
|
| 传感器的位置和数量 |
(我)的位置传感器在耳朵更健壮的肌肉活动噪音(身体或头部动作不影响如此分类精度)。
(2)使用了两颞脑电图传感器(4附加传感器表面上作为最低要求在此次技术)得到良好的分类精度。 |
一种低成本的无线设备的基础上,提出想法还不发达。 |
|
| 舒适和可移植性 |
最合适的传感器位置为日常生活应用程序记录眼球运动与小城镇传感器(传感器可以被附加到眼镜的最后武器(寺庙),耳机,和头巾)。 |
少安慰(21]。 |
|
| 实时分类 |
(我)单试验是用于实时分类。
(2)之前没有培训或校准阶段添加实时分类(固定和常用阈值对所有受试者)。
(3)没有固定时间间隔眼球运动(用户是免费将他/她的眼睛,随时发送命令)。
(iv)使用线性澄清器六类杰出。
(v)眼球运动检测和分类在开放,闭上眼睛。
(vi)该算法在多个实时测试场景。 |
使用平均或循环做出决定或机器学习方法可以提高分类精度,但降低响应时间(9- - - - - -13,29日]。 |
|
| 实时控制 |
(我)异步控制(用户可以发送命令甚至闭着眼睛使用非侵入性技术)。
(2)分类结果用于全面控制连续的2 d游戏角色的运动。
(3)控制的比特率视频游戏是30位/分钟。 |
对于每个应用程序,我们需要开发一个接口之间的分类结果和控制设备。 |
|
| 分类精度 |
分类精度16.67%的机会水平大于70%,建议最低可靠BCI控制50%的机会水平(34]。 |
一样此次技术(20.]。 |
|
|
