评估一个半自治性的脑机接口基于共形几何代数和人工视觉

文摘

在本文中,我们评估半自治性的脑机接口(BCI)操作任务。在这样一个系统,用户通过电机控制机械手臂图像命令。在传统的过程控制BCI系统,用户必须提供这些命令不断为了操纵机器人的效应逐步,结果在一个无聊的过程简单的任务,如选择和替换一个项目从一个表面。这里,我们采取半自治的方法基于共形几何代数模型,解决了机器人的逆运动学,然后用户只有决定运动的开始和最后的位置效应(goal-selection方法)。在这种情况下,我们实现了拾起并定位任务与一个磁盘作为项目和两个目标区域任意位置放置在桌子上的。一个人工视觉(AV)算法用于获得项目表达了在机器人坐标系的位置通过摄像头捕捉到的图像。然后,AV算法集成到逆运动学模型执行操作任务。概念验证,不同的用户被训练来控制拾起并定位任务通过过程控制和半自治goal-selection方法,这样可以比较两种方案的性能。我们的结果显示半方法的性能优势以及证据的精神疲劳。

1。介绍

脑机接口(BCI)是一个系统,使实时用户设备上通过大脑活动沟通途径。多年来,研究和开发在BCI主要面向康复系统以及系统的创建,在某种程度上帮助残疾病人恢复他们失去或减弱功能(1]。一些报道的设备已经成功控制使用bci是拼写,电动轮椅,机械手臂,电动假肢,人形机器人2- - - - - -5]。在BCI研究中,最常见的非侵入性技术获得大脑的脑电图(EEG)。

为了操纵装置通过大脑活动,BCI的设计必须包括以下阶段:信号采集、滤波、特征提取、分类、设备建模和控制(6]。在过滤阶段,和工件不需要的噪声从信号中删除使用时间和空间过滤器。然后,时间或空间特性感兴趣的从信号中提取构建特征向量。这些向量是由特征组件的信号,然后在分类阶段用来破解用户意图。最后,设备操作是基于分类算法的结果。根据不同的设备和系统的复杂性,系统需要执行的模型精度与所需的任务。好像可以根据他们的控制策略分为两组:过程控制和目标选择。在过程控制策略,用户不断地控制过程的每个部分。这是通过执行低级命令不断通过BCI,没有额外的援助。另一方面,goal-selection策略,用户负责选择其预期目标和成功执行任务的系统提供援助以最小的努力(7]。在这种情况下,用户执行高级任务通过BCI发送简单的命令。

常见的范例作为控制命令BCI包括稳态视觉诱发电位(ssvep) P300波形,和运动图像(MI)。SSVEP的共振现象发生在枕叶和顶叶振荡视觉刺激的结果呈现给用户以恒定的频率(8]。P300是一个脑电图信号组件出现后300毫秒有意注意的事件,通常是观察在视觉和听觉刺激的演讲(9]。MI礼物作为事件相关去同步化(ERD)发现的感觉运动区域,它生成一个侧功率下降8—13赫兹的频率范围(也被称为μ乐队)[10]。控制与SSVEP BCI和P300需要较少的训练相比,MI,作为第一个代表一种无意识的反应刺激。然而,它的使用在BCI是有限的由于其刺激演示设备的要求。培训过程控制MI-based bci (MI-BCI)可能包括刺激表示。然而,它可以被排除在外的BCI最终应用程序。尽管MI-BCIs需要延长培训时间,他们更适合向现实生活靠近环境和自学bci [11]。

几项研究目前成功实现ERD-based bci,其中大部分使用过程控制策略12- - - - - -14]。一些goal-selection好像也被报道(15,16]。在[7),用户培训过程控制和goal-selection MI-BCIs执行维屏幕上的光标移动。结果表明用户执行goal-selection策略显示更高精度和更快的学习相比,过程控制的方法。然而,作者认为一个直接比较的目标选择和过程控制在一个更复杂的(真实的)场景中尚未。在拟议的研究中,通过机械臂三维对象操纵任务MI-BCI实现。三维运动的复杂性在真正的对象比中给出的虚拟对象上的一维运动(7]。在[17),实现半自治性的BCI操纵机械臂执行任务,比如倒饮料在一个玻璃盘,通过SSVEP的。在未来的研究中,类似的任务(17)可以实现在我们的BCI使用MI相反,允许一个更自然的执行日常任务上下文不需要刺激演示屏幕。

在一个典型的过程控制MI-BCI,用户控制的方向最终效应的机械臂通过低级命令,这意味着用户操纵的机器人在三维空间中达到预期的目标。显然,用户仍然在一个高度重视国家在军事演习期间,当他/她不断意识到最终效应的位置在整个任务。这种不断的认识可能导致一代的精神疲劳和沮丧,这是不可取的,因为它可以直接影响用户性能和学习(18]。P300的分析功能,如振幅和延迟,已被证明是有用的识别认知信息处理的深度(19]。P300波形的振幅会减少当用户遇到认知任务难度高(20.]。另一方面,P300潜伏期表明增加刺激时难以认知过程(21]。另一项研究报告了P300的变化分量之间的相关性和BCI性能(22]。这些研究可能提供的证据表明,P300的分析可以实现为一个心理疲劳指标在BCI训练和控制。

为了减少心理疲劳BCI系统、半自治BCI使用goal-selection策略在这里提出。这个系统帮助用户执行特定的任务通过计算所需的所有变量成功地执行它。先前一些研究提出了BCI设计专注于这种半自治的方法性能,与成功的结果的准确性,为用户和舒适(17,23,24]。因此,本文提出实现传统的低级MI-BCI和半自治MI-BCI设计与机械臂执行对象操作任务。在MI-BCI过程控制策略,用户命令的最终效应机器人在三维空间中移动目标放在一个表。在半自治MI-BCI,放置一个小圆盘和两个目标领域放在桌上。的机器人到达这里,磁盘和地方在一个特定的目标,由用户选择。作为概念,两个志愿者在每个BCI系统训练,他们的性能评估和比较。统计P300分析上执行所有用户为了观察心理疲劳低级的操作引起的差异和半自治性的好像。

为了模型所使用的机器人在这个实验中,共形几何代数(CGA)模型中实现传统和半自治性的bci来解决机器人手臂逆运动学,即。,获得所需的关节角的一个特定的位置最后的效应。此外,一个人工视觉(AV)算法集成到半自治性的BCI为了提供信息表上的项目引用的位置,机器人框架。在半自治的实现BCI意味着更高的计算负载,为解决方案选择的注册会计师模型的逆运动学。减少注册会计师所代表的操作和在某些情况下,减少计算负荷相比,传统的逆运动学解(25]。

本文组织如下。的注册会计师模型和AV部分中描述的算法2和设计的bci在部分说明3。对两种算法和性能评估结果的用户控制好像都是部分中给出4。初步短报告系统的实现(但不是其评价)已经提出了(26]和[27]。

2。机器人建模和人工视觉

在本节中,我们描述的每个组件所需的逆运动学计算机械臂使用注册会计师。此外,我们在这里详细解释AV算法用于获得对象的位置操纵的机器人。

2.1。共形几何代数

传统方法解决机器人的逆运动学包括几个矩阵运算以及许多三角函数表达式。所有这可能导致一个相当复杂的解决方案取决于建模机器人(28]。在这项研究中,提出了一种共形几何代数(CGA)模型相反,因为它被认为是计算更轻、更容易实现,非常直观。解决注册会计师已经证明是一个强大的工具,当机械臂的逆运动学29日,30.]。它还提供了一个操作减少传统方法相比,并提供有效的运行时解决方案。计算效率特性的更多信息可以在[31日]。

用这个模型,得到了机器人的关节角为一个特定的位置最后的效应。注册会计师,两个新的维度( )在起源和定义,代表一个点一个点的无穷,分别,除了三维欧几里得空间( )(29日]。在这个空间,几何实体(点、线、圆、飞机和球)和计算涉及他们(距离和十字路口)可以通过简单的代数方程来表示。

同时,两个向量之间的几何产品一个和b被定义为的组合内积和外积:

内积是用来计算元素之间的距离,和外产品生成一个二维向量,一个元素占据两向量张成的空间。它还可以用于发现两个元素之间的十字路口。十字路口米的两个几何对象一个和B注册会计师是由表示或 。的元素的二元性一个并表示为 在哪里 ,它允许同一元素的变化表示。常用的几何对象的标准和双重表示注册会计师如表所示1。在那里,x和n是点表示为一个3 d基向量的线性组合:

有两种可能表示相同的元素,如表所示1。一圈可以表示成由三个点在空间张成的空间以及两个领域的交叉点。同时,一条线可以表示为两个平面的交集,以及由两点张成的空间扩展到无穷大。

利用前面的方程和关系,注册会计师模型来解决一个机械手机器人的逆运动学后获得了该方法在32]。机器人建模是Dynamixel AX-18A智能机械臂,它是一个five-degree-of-freedom(自由度)机械手机器人。图1显示了机器人建模以及关节和链接。这个机器人的自由度对应于其肩膀旋转,肘部弯曲伸缩,手腕弯曲伸缩,手腕转动,手启闭功能(33]。逆运动学解决方案获得了关节 , ,和 。特性的操作任务,关节和没有考虑简单。

2.2。我们的注册会计师模型

接下来,我们描述所需的注册会计师模型,我们专门为我们的系统实现。

2.2.1。固定关节和飞机

注册会计师的起源模型位于关节 ,位于中心的旋转机器人的基础;因此, 。联合也是一个固定的关节位置不变,发现上面直接联合 。关节的位置被定义为 。现在,让我们考虑所需的最终效应是空间中的一个点 。然后,一个垂直平面上代表的方向最终效应被描述为 在哪里代表了在机器人坐标系和起源欧式的z轴。作为最后的位置效应用于定义 ,平面的方向变化一致 。一架飞机 ,代表机器人的旋转基地,被定义为 在哪里和代表了欧几里得x和y轴。飞机和如图2。

2.2.2。计算关节的位置

在一个机械手臂的运动链模型使用CGA,找到共同实现的方法是基于两个领域的交叉点在关节中心吗和与半径的长度等于连接的链接与和与 ,分别。两者的交集领域导致一个圆,然后交叉的飞机最后效应获得一双点代表联合两种可能的配置 。然后选为一个点 ,根据所需的配置。这个过程需要以下几点:(我)球点为中心半径为r是由 (2)有两种方法来创建一个圆。我们可以两个球体相交和通过 或者我们可以相交一个平面π和一个球体年代通过 (3)一个圆的交集c和一架飞机π创建点对是由 (iv)最后,获得一个点从 ,我们有

基于前面的表达式,为了找到共同的立场在我们的模型机器人,必须构造两个领域,他们必须集中和 。然而,关节的位置在我们的模型未知。类似的情况发生,如果所需的位置是相反 。在这种特殊情况下,是已知的但不 。鉴于这种情况,另一种方法是为了找到共同实现的 。

2.2.3。关节的位置

使用(6),球是集中在与半径的长度等于链接 。因此,为了找到关节 ,另一个领域必须分割的 。为了构造 ,必须定义它的中心。这是通过第一次创建一个辅助球面 ,与半径为中心在原点等于距离的水平分量来 。这是有效的距离来最终效应是恒定的任何位置 。

然后,使用(8),被分割的飞机获得圆 。接下来,使用(9),被分割的飞机生产点对 ,从哪一个角度选择使用(10)。找点的过程 ,这对应于所需的球体的中心与 ,如图3。

使用(6),球集中在半径为的垂直分量相等的距离来 。然后,球体的交集和是由(7),这导致循环 。使用(9),的交集与飞机使点对 。最后,的位置是获得由(10)。整个过程之前详细获取关节的位置表示在图4。

2.2.4。关节的位置

这个过程找到共同的立场直接一次关节的位置吗计算。为此,两个领域和定义使用(6),集中在和 ,与半径的长度等于链接和 ,分别。球都是交叉获得圆使用(7)。(9),然后分割的飞机吗获得点对 。从 , 很容易获得使用(10)。表示的过程找到联合如图5。

2.2.5。角的计算

为了计算两个向量形成的角度α和β,相应的单位向量定义为和 。形成的归一化二维向量生成空间向量表示为

在[解释32),角θ之间的α和β是由 在哪里对应于四象限逆切。这个操作符收集信息信号的两个参数以返回正确的象限角计算的34]。这样的结果是不可能从传统的单参数获得函数。同时,注意,加号(11)如果适用于旋转α来β是逆时针方向,而负号适用于相反的旋转。

为了找到关节角使用(12),向量由机器人的链接需要计算。首先,定义线代表每个链接:

前面的表达式定义行通过链接 , , ,和 ,分别(见图1)。被认为是一条直线从联合最终效应 ,即。,we ignored wrist rotation and hand open-close joints.

在(12),参数α和β需要定向向量计算我们的关节角的目的。因此,平面的方向向量 ,以及行和 ,计算,这表示机器人的基础和链接,分别。从一个给定的行l可以获得,其方向向量 平面法向量方向向量π是由

基于前面定义的所有元素,向量参与关节角的计算 ,为 ,总结在表2。然后,α和β在(11)和(12)所取代和 ,分别计算 。注意,如关节是固定的,不需要计算。

2.3。人工视觉算法

AV算法实现计算项目表的位置,所以机械臂可以执行所需的操作任务。自动白平衡- 1200 Acteck网络摄像头是用来记录图像30 fps的决议像素。实时获取的图像进行了处理和分析使用OpenCV库(https://www.opencv.org从Python)。

机械手臂是固定在一个白色的桌子,一端为中心。飞机被分隔在桌上,定义为 。四个不同颜色的标记(青色,橙色、红色和黄色)被放置在分隔的广场,一个在每一个角落。蓝色磁盘与6毫米的高度和半径13毫米作为项目了,而两个贴纸42毫米半径(绿色和红色)是用来表示目标区域。摄像机是固定在一个高的角度,这样所有标记和项目在其视野。机械臂的设置和项目表如图6。

为了执行对象操作任务,现实世界的在参考平面的坐标(机器人坐标系)必须得到的图像通过摄像机坐标。为了达到这个目标,一个单应性变换获得的图像上执行。一般来说,一个二维的点 在一个图像可以表示为一个三维向量 通过让和 。这就是所谓的均匀表示一个点,它位于投影面(35]。单应性是可逆的映射射影平面上的点和线 ,从而使获得的实际坐标功能在一个图像的图像坐标。

在我们的例子中,所需的转换,从相机获得图像转化为一个二维视图相同的设置。在这个转换,图像显示的平面表示原始视图,好像相机被分隔的广场的正上方。为了获得这种表示方法,以下单应性变换应用(35]: 在向量和代表选中点的位置在图像和相应的位置在实际坐标,分别单应性矩阵,定义了所需的角度变化上执行图像,然后呢K是校准矩阵包含相机的内部参数,R和t分别是旋转矩阵和翻译向量应用于相机为了执行这个转换视图。在(16),z是忽略所有项目被认为是在哪里 。

为了计算矩阵H真实和形象广场的质心的坐标标记。首先,标记检测通过颜色分割,二值化,如图7(一)。这个过程上分别进行标记,他们的轮廓被检测到。之后,标记图像的质心计算。每一个标记的轮廓和重心在图所示7 (b)。

因为标记认识维度( ),他们在现实世界中的坐标相对于质心的位置飞机被称为。这些位置被定义为青色 ,橙色在 ,红色在 ,和黄 ,所有可用内表的区域。然后,两组坐标用于获得H用OpenCV的命令findHomography,由此产生的矩阵应用于变换的图像,如图7 (c)。

然后,使用相同的过程与标记、磁盘和目标的质心计算新形象。然而,图像的参考系不同参考系的机器人。因此,第一个是转化运用旋转矩阵如下:

此外,翻译向量应用以及信号转换的x轴获得所需的位置。在机器人坐标系x从轴的分隔的广场20,而y轴从0到40,机器人位于原点。在应用这些转换,所有项目的重心终于在机器人坐标系表示,他们可以检测到AV系统与所有项目的轮廓。这是显示在图8。

3所示。BCI系统的实现

作为概念,四个参与者自愿在本研究中(两个女性和两个男性,平均年龄22.25岁, )。实验协议分为三个阶段过程控制和goal-selection bci: (i)培训,(ii)暗示操纵,和(3)uncued操纵。好像都是MI-based;因此,用户控制相应的训练μ乐队失调。在所有的实验中,志愿者们坐在电脑屏幕前首先显示一个黑色屏幕(基线)的用户是处于休息状态。然后,不同类型的刺激呈现给用户,代表每个不同的命令。基线(15秒)的持续时间和刺激演示(4秒)是相同的所有试验和阶段。在刺激呈现,用户将做出相应的反应,通过想象左或右手的运动,或剩余的静息状态。培训试验中,脑电图信号获取和分析离线构建和评价分类器的性能,然后使用在线在操作试验。在暗示操作试验,用户将操纵装置的刺激。另一方面,用户被鼓励在uncued随意操纵装置操作试验。

3.1。培训试验

培训协议是相同的过程控制和goal-selection bci。三种类型的刺激呈现给用户:右手虚运动(RHIM),左手虚运动(LHIM),休息。总共30刺激每个命令(10)被随机呈现给用户。刺激代表在电脑屏幕上用红色箭头指向正确的(RHIM),指着左边(LHIM),和一个黑色的屏幕上休息。2 s绿十字prestimulus出现在所有的刺激,还有一个变量interstimulus休息时间2 - 4秒之间的刺激。用户接受三个培训在不同的日子,每个组成五个重复提到的实验协议,而脑电图记录。

3.2。信号采集

从TMSi脑电图信号记录与Mobita设备系统,使用一个测量帽19频道:FP1, FP2, F3, F4, C3, C4, P3, P4, O1, O2, F7, F8, T3, T4, T5, T6, Cz, Fz, Pz。所有电极的阻抗是低于5 kΩ实验。信号是采样频率为1000赫兹。录音和一个四阶带通滤过1 - 100 Hz巴特沃斯滤波器和一个60 Hz陷波滤波器,以消除电力线路干扰。OpenViBE软件是用于BCI的设计和实现。可以找到更多的信息关于这个软件在36]。

3.3。分类算法

特征提取进行了使用BCI2000离线分析工具(https://www.bci2000.org/mediawiki/index.php/User_Reference BCI2000_Offline_Analysis),值计算。一个更高的价值更高的歧视有关的两个刺激条件下的一个信号。更详细的统计数据的意义可以发现在https://www.bci2000.org/mediawiki/index.php/Glossary。每次训练后,信号从五个训练试验被用来计算 。三个地图每刺激组合(一)每训练得到,显示可用值19频道和频率范围从1到70赫兹。每个地图,如图9,代表了渠道和频率,为一个特定的条件组合,显示更高的歧视。通过这个过程,所选择的渠道和频率作为特征的分类算法。

信号是使用拉普拉斯算子空间过滤过滤选择的渠道以及通过一个四阶巴特沃斯带通滤波器调谐到选定的频率。功率值被从过滤信号获得构建特征向量,然后输入了一个线性判别分析(LDA)分类器,分离数据代表不同阶层通过寻找一个超平面之间的距离最大化的类,同时最小化类内方差(37]。

在我们的例子中,三个两两分类器/训练得到使用这个过程:LHIM与RHIM LHIM与休息,RHIM和休息。三种分类器在线上所记录的信号进行测试,以评估他们的表现的比例正确分类的刺激。每四颗二等分类进行刺激,分为重叠亚世使用一个窗口函数。每四颗二等时代是由64亚世两秒,由0.0625秒。成对分类器标记每个子块的两种可能的类,和四颗二等时代的模式划分为其所有的子块的分类结果。然后,一位将军分类器,基于这三个两两分类器的结果。在这里,每个刺激都标记为类的四颗二等时代分别为(LHIM,休息,或者RHIM),如果两个成对的三种分类器相同的时代相同的标签。平均的一般分类器性能试验如表所示3所有科目和训练以及他们的选择功能。训练后,每个用户继续执行后续使用最高的分类器性能试验在最后训练获得的。

3.4。过程控制BCI

过程控制BCI设计以这样一种方式,用户能够执行三维运动来完成任务。在此系统中,最后的位置效应以及所需的轴的效应可以通过低级MI-based命令来控制移动。要做到这一点,用户有两个选择:沿着选定的轴(y设在轴之间的初始步骤)或改变。在设计这个BCI, LHIM的分类结果−10毫米位移,虽然RHIM的分类结果在选定的轴+ 10毫米的位移。其他事件的分类保存最后的位置没有位移效应。连续两个其他事件的连续分类允许用户改变轴。这种变化的轴发生在下列顺序: , ,和 。

3.4.1。暗示操纵

在这些试验中,用户坐在电脑前三个窗口显示在屏幕上。第一个窗口是用于刺激表示,第二个是用于显示轴机器人的运动发生,第三是用来可视化机器人及其运动。这些实验的设置如图10。在基线期之后,15个随机刺激为每个类型(5)呈现给用户。Prestimulus、刺激和interstimulus持续时间是一样的在训练试验(见部分3.1)。提出了刺激后,用户将通过BCI发出指示命令。然后,机器人根据分类结果执行一个特定的运动。在这些试验中,绩效评估是正确分类的百分比刺激。这些试验的目的是让用户熟悉BCI,他们立即执行之前uncued操纵试验。用户执行三个交易日在不同的日子里,每一个由三个重复的这个协议。

3.4.2。Uncued操纵

相同的屏幕显示在暗示用作试验,但这里受试者被要求完成自己的任务。在每个试验的开始,最后的效应是固定在家里的地位 和一个目标 。在这个初始步骤,最终效应到目标的距离是360毫米。请注意,目标是放在 ,作为机器人基地是49毫米表上面。基线期之后,20刺激显示词的表示“想象”的用户将通过BCI发出MI命令。prestimulus的持续时间、刺激和interstimulus时期是一样的在训练试验(见部分3.1)。用户指示将最终效应尽可能接近20内的目标刺激,使用协议中描述的部分3.4。绩效评估是刺激的比例,用户将最终效应更接近目标,成功地改变了y设在。用户执行三个交易日在不同的日子里,每一个由5个重复的描述协议。

3.5。Goal-Selection BCI

goal-selection BCI旨在执行半自治地拾起并定位任务磁盘和两个可能的目标。用户能够执行这些任务的任何位置(随机选择在审判之前),在机器人的工作空间。的重心 两个目标的贴纸被AV这些试验计算算法。在这种情况下,三种类型的事件的分类导致了不同的操作任务:(我)如果一个事件列为RHIM,机器人的磁盘,把它放置在目标定位上向右(大组件),回到原位置(2)如果一个事件列为LHIM,机器人的磁盘,把它放在目标位于左侧(小组件),回到原位置(3)如果一个事件归类为休息,机器人仍然在家里的地位

操纵机器人执行任务后,表中所有的物品是手动改为随机位置,准备下一个试验。

3.5.1。暗示操作试验

在这些试验中,主题坐在电脑屏幕前两个屏幕显示。第一个是用于刺激呈现,而第二个是用来转换后的图像,如图11。基线期后,刺激(RHIM、LHIM或rest)是随机呈现。总共15刺激(5为每种类型)提出了在每一个试验。一个一秒钟哔哔的声音声音后拿出手机绿十字prestimulus, 27 - 29秒interstimulus时期。操作任务进行分类的结果,和性能评估是正确分类的百分比刺激。这些试验的总持续时间远远长于低级BCI。这主要是因为interstimulus时期的时间越长,发生的操作任务。用户接受三个交易日在不同的日子,执行五个试验在每个会话。

3.5.2。Uncued操纵试验

uncued操作试验,所有刺激都换成“想象一下,”这个词和用户自由决定任务执行,部分将对此进行说明3.5。总共有15个刺激呈现在每一个试验。刺激,prestimulus interstimulus持续时间是一样goal-selection BCI暗示操纵试验(见部分3.5。1)。后立即进行了分类,并在机器人执行任务之前,用户被要求故意刺激发出的类型。在这些试验中,绩效评估是巧合的百分比之间的目的和分类刺激类型。

3.6。通过P300估计的分析数据

报告评估心理疲劳的P300波幅和延迟可以发现在38]和[19]。在[19),心理疲劳是评估通过脑电图测量。他们测量受试者的P300在修改埃里克森侧卫任务,用箭头代替单词刺激,之前和之后执行心算任务。P300波幅下降和增加延迟执行算术任务后观察,当用户在精神疲惫。统计分析显示最重要的变化在振幅和延迟通道O1, O2和Pz,可能反映在刺激视觉处理的箭头。类似于[使用的协议19)来评估心理疲劳,信号被划分为1 s stimulus-locked脑电图时代女士从200年前和刺激的演讲后800毫秒。这些时代获得的“想象”这个词在uncued操纵试验过程控制和goal-selection bci。对于每一个试验,一个代表平均获得的波形是所有刺激的时代。然后,平均波形在1 - 10 Hz带通滤波,用来计算P300振幅和延迟。振幅被认为是最积极的峰值在200 - 500毫秒窗口后立即刺激。这个峰值出现的时间延迟了。振幅和延迟值是通过这对所有试验程序,会议,和主题,渠道O1、O2, Pz。的表示是一个获得P300波形如图12这三个频道。

为了检查中心理疲劳和用户之间的差异与使用两个不同的BCI方案,进行双向方差分析测试所有用户:一个振幅和一个延迟。在这些测试中,的影响试验重复(1 - 5),通道的位置(O1、O2, Pz) P300特性及其相互作用进行了分析。复制的数量被认为是三个代表三个uncued操纵会议由用户执行的。进一步分析相关精神疲劳连续BCI操纵、单向方差分析( )测试每个主题进行。每个主题:六个单向方差分析测试进行三个频道(O1、O2、Pz)两个P300特征(振幅和延迟)。这些测试是为了找到执行通道显示重要的关系试验重复因素。然后,振幅和延迟的值比较所有用户使用从这个分析最重要的渠道。

4所示。结果

初步验证我们的注册会计师模型和AV算法可以找到在[26]和[27),分别;因此,这里省略这些细节。因此,本节显示了评价整个系统的结果在我们的BCI的实现四个科目每个BCI类型(两个)。性能值是所有科目的训练,获得暗示,和uncued试验,根据每个实验协议的特性。培训试验、性能值对应表中所示的分类器精度3。暗示和uncued操纵性能试验获得了部分的解释3.4和3.5。性能值包含在这些结果代表平均水平为每个会话试验。

4.1。过程控制BCI的性能

主题达成的精度水平在第一次训练,第二,第三。在暗示操作试验,性能开始然后增加到和分别由第二和三会议。uncued操作试验,用户只在第一次会议搬到远离目标( )。第二个和第三个会话,用户获得了表演的和 。主题表现出类似的行为在训练试验,从和减少和第二个和第三个交易日。在暗示操作试验,性能开始然后增加到通过第二个会话第三。uncued操纵试验、性能值开始第一次会议,然后下降在第二个,增加到第三。结果过程控制BCI性能如图13为用户和 ,分别。

4.2。Goal-Selection BCI的性能

主题开始训练的的准确性,在第二次会议,并达成在第三次会议。暗示操纵试验开始的性能 ,增加到在第二个会话和减少第三。uncued操纵试验期间,表演开始精度的第一次会议,第二,第三。用户获得的性能值在第一次会议,第二,减少在第三个。在暗示操作试验,获得的性能值其次,对于第一次会议,41%和46%。uncued操纵试验、用户性能开始和增加和分别由第二个和第三个会议。结果goal-selection BCI性能如图14为用户和 ,分别。

4.3。P300分析

提出了双向方差分析测试的结果表4。P300潜伏期双向方差分析的结果显示统计学意义的主题( )和( )试验的因素,但没有观察到通道和交互因素的意义。用户和没有统计学意义的因素分析。P300幅双向方差分析,用户显示小值在试验相比,通道和交互。然而,我们的测试没有任何因素或交互显示统计学意义。

单向方差分析测试的结果如表所示5。P300潜伏期单向方差分析的结果显示统计学意义的用户在通道O1群( )和用户在通道O2 ( )。关于用户和 , 在任何通道值并不重要。P300幅单向方差分析,用户在通道Pz显示统计学意义( )。的测试 , ,和显示没有统计学意义的三个分析渠道。

进行统计检验的结果允许观察分析延迟和振幅之间的区别。在所有的测试中,更大的变化被发现在延迟而不是在振幅。基于这些结果,评估和比较振幅和延迟值。这些值被认为是那些对应于最低的通道值的单向延迟方差分析结果。所选通道O1群了 ,Pz的和 ,和氧气 。

振幅值计算为所有uncued操纵试验如图15为每个会话和用户。用户和显示一个类似的行为:所有会话的P300波幅下降趋势。在这种情况下,振幅观察到初审高于最后一个。也呈下降趋势,第一次和第二次会议,然而相反的第三次会议期间观察到的。所有会话的振幅增加趋势。这里,在最后审判是高于振幅获得的第一次审判。

延迟值可以观察到在图16对所有用户和会话。主题和显示越来越P300延迟趋势在第一次和第三次会议。观察一个下降趋势为这些用户在第二次会议。用户提出了一个增加延迟趋势所有会话。用户显示延迟的增加在第一次和第二次会议和减少在第三。

5。讨论

的注册会计师的实现和集成模型和AV算法可以成功地设计一个MI-based半自治性的BCI操作任务。反对低级系统相比,好像都是类似的培训协议和控制命令;然而,执行任务的复杂性是不同的。半goal-selection BCI优越于任务复杂性的过程控制BCI相比,尽管两个系统使用相同的控制命令作为输入。虽然过程控制BCI可以用来执行更一般的任务,它需要从用户连续的意识状态。其输出是离散低级命令从长远来看可能导致用户心理疲劳的状态。虽然半自治性的BCI目标具体,它需要用户的注意力只在短的时间内,使其在理论上不疲劳。半goal-selection BCI的作品,从本质上讲,在一个更自然的方式给用户程序控制BCI。这是因为当执行达成任务,人们认为主要目标和小脑过程必要的信息成功地实现它,而不是执行几个离散的低级运动(39]。

选择的功能,为用户的一般分类器主要是额叶,中部和顶叶的电极μ8—13赫兹()β(13-30 Hz)脑节奏,已知生理参与的运动过程。所选择的渠道分类器符合中央活动的报道反映了运动皮层侧失调在虚构的运动(10)和frontoparietal激活相关控制空间的关注和运动规划期间达到任务(40,41]。

尽管所有用户接受相同的培训协议,观察它们之间的差异。在培训课程,和保持相对稳定的性能,显示一个更臭名昭著的改进。表现出相对较高的性能在第一个和第二个会话,但它在第三个下降。暗示操纵试验期间,所有用户获得低性能水平和跨会话没有一个显示出了极大的提高。获得机会级别(以下 )性能在所有会话。用户的性能 , ,和一般高于机会水平,但总是仍低于 。uncued操纵试验期间,用户和下面给出最低的性能值,接近和水平的机会。这表明这些用户同时控制程序控制BCI面临困难。的性能和uncued操纵试验期间较高(约40 - 60%)相比和 。意味着用户的性能值在试验和未能达到视为理论阈值为实际MI-BCI使用[42]。然而,他们获得的性能明显高于一个用户执行过程控制BCI。这可能表明,设计半自治goal-selection BCI比过程控制BCI更容易操作。未来的研究将地址分类优化,以提高系统的准确性和易用性。

如表所示3、选择渠道和频率特征提取跨会话显示更改为所有用户。这可能表明使用通道/频率选择方法对大脑内部的和主体间的变化很敏感。训练后试验,使用固定参数分类器选择每个主题和用于所有BCI试验。然而,不断适应所需的分类器参数优化操作。因此,应采用一种优化的特征选择算法,解决这个问题在我们提出的半自治BCI和提高效率。这样的优化我们的工作范围,但是报告如何优化correlation-based特征选择方法用于MI-BCIs可以在找到43,44]。

特征选择的另一个有效的方法是部分相干(PDC)的分析,可以帮助识别相关渠道和特性。最近,PDC-based分析提出了在45)确定MI任务的相关特性,而高效的分类器建立基于这个过程。更最近,回顾脑电图分类算法所强调的黎曼几何投影分类器作为承诺,以及自适应分类算法(46]。一个简单的自适应分类器的实现MI任务描述(47增加),显示一个令人鼓舞的分类精度。更多的小说分类器基于黎曼几何显示好的结果在大脑相关MI分类任务48]。

关于我们的P300组件的选择评估精神疲劳,这样组件不仅仅是呈现在nonfrequent刺激,而其振幅增强,这使得它适合bci的控制命令。在nonfrequent刺激P300波幅较大,它通常使用/分析基于这个论点。然而,它已经表明,P300反应既可以观察到频繁和nonfrequent刺激(49,50]。事实上,反应时间下政权,P300是可以预料和难以预料的刺激引起。任务要求增加在这个场景中,用户必须决定何时快速、正确地做出反应。这导致P300的增强,独立于刺激的可预测性(49]。在我们的研究中,用户被要求执行MI命令后刺激呈现的想象,刺激出现后立即和P300成分进行了分析。尽管刺激在uncued操纵试验可以被认为是可预测的,P300分析有效性,反应时间下执行制度。

在这些条件下,双向方差分析和单向方差分析测试的结果为用户显示,P300潜伏期显著变化 , ,和 。除了 ,P300幅值的测试显示没有统计学意义。当比较振幅和延迟值数据15和16,总的趋势是出现在用户:振幅的降低和增加延迟。这些趋势在P300特性提出了试验重复,也就是说,在BCI的连续操作。振幅和延迟的变化可能与精神疲劳的一代,因为他们可以选择连续执行操作后通过BCI的任务。已经表明,减少P300振幅和延迟的增加反映了降低认知加工和注意力水平较低(19]。发现了类似的结果在一个P300-BCI评估在不同水平的心理工作负荷和疲劳51]。当比较对象执行相同的BCI类型,用户性能表现出较低的振幅和最低的延迟值高于用户提供最高的性能(虽然更明显的振幅值)。这是观察当比较两个 - - - - - - 和 - - - - - - 。主题显示一个有趣的行为:一个振幅增加趋势作为唯一的主题没有统计学意义的节目P300测试。同时,这是最主要的性能值最高的uncued操纵试验。这种特殊情况下的一个可能的解释是,在执行操作试验BCI,精神疲劳的影响不同的用户比其他用户。这种差异在精神疲劳生成反映无意义的P300的变化参数在测试以及更高的性能值。

6。结论

两个BCI系统、程序控制BCI和自治性goal-selection BCI,实施和比较在性能方面和精神疲劳。过程控制的BCI允许用户执行三维运动的机械臂到达目标。半BCI允许用户执行操作任务,使用相同的机械臂,包括到达、挑选,将运动成功。任务复杂性的增加所代表的半自治BCI的前提下实现了简单的控制程序,好像都是通过MI命令控制。用户执行半自治性的BCI获得更高的性能值相比,用户执行低级BCI。任务复杂性的差异也代表了不同心理疲劳有经验的用户在不同的系统。P300振幅降低,延迟增加了用户执行连续BCI试验,这是符合心理疲劳检测脑电图上的报告。

我们还展示了强有力的证据半自治性的BCI在性能方面的优点和精神疲劳。同样重要的是要解决的潜在使用P300波形作为精神疲劳在BCI的指标测试、培训和评估。技术来进一步减少心理疲劳在使用BCI系统可能提供一个BCI病人增加录取率以及可能的路径来解决BCI文盲。的重视,用户发现系统nonfatiguing和易于使用,以提供一个更舒适、有效的援助。这也促进了用户的过程中学习如何控制BCI,可以与不同的策略一起使用,进一步个性化系统(见,例如,之前的工作由我们小组如何更好的选择一个反馈模式,增强了志愿者的能力操作BCI系统[52])。

更先进的半自治BCI系统的开发过程中提供的信息环境特定的任务将允许进一步提高性能和可用性。半自治bci用户提供的可能性在一个简单的执行更复杂的任务,减少疲劳。在我们的系统中,AV和海巡署算法的集成提供了一个实时计算机器人的逆模型,提供了灵活性,在动态环境中实现更复杂的对象操作任务。使用更高的自由度机械臂以及目标识别技术的实现可以提高执行操作任务的复杂性而使用相同的MI命令来控制BCI,确保控制简单的用户。

数据可用性

脑电图数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

补充材料

视频# 1(文件:VID_20180629_133018082∼2. mp4):这段视频显示了半自治性的BCI系统的操作,特别是机械臂执行过程的一部分的磁盘和取代它在目标领域之一。pick-and-replace过程重复一次所有项目的位置是随机变化的。顺便说一下,绿色的机器人将磁盘(左)目标在这两种场合,这是一个由用户选择在这两个试验。视频# 2(文件:VID_20180629_133317483∼2. mp4):这段视频显示了用户,在相邻的房间,与BCI系统交互。用户的大脑活动与脑电图测量系统,并且提供了一个刺激通过屏幕上的红色箭头表示MI,用户必须执行。同时,用户接收视频反馈机器人的运动。视频# 3(文件:VID_20180629_133853176∼2. mp4):这个视频显示屏幕的计算机处理所有的数据都被收购的脑电图描记器系统和AV算法。屏幕还显示了注册会计师模型,动态地调整基于AV算法检测到的物品的位置和所选目标磁盘将被放置的地方。(补充材料)

引用

1. l . Bi X.-A。因为它使得基于脑电图风扇,y . Liu“人脑控制移动机器人:一项调查,“IEEE人机系统,43卷,不。2、161 - 176年,2013页。视图:出版商的网站|谷歌学术搜索
2. h . Cecotti“自学和calibration-less SSVEP-based脑机接口拼字,”IEEE神经系统和康复工程,18卷,不。2、127 - 133年,2010页。视图:出版商的网站|谷歌学术搜索
3. b . c . Wang夏,j . et al .,“汽车图像BCI-based机器人手臂系统”学报2011年第七次国际会议对自然计算IEEE,页181 - 184年,上海,中国,2011年7月。视图:出版商的网站|谷歌学术搜索
4. d·p·墨菲,o .呗,Gorgey et al .,“Electroencephalogram-based脑机接口和下肢假肢控制:一个案例研究中,“神经学前沿,8卷,不。696年,2017年。视图:出版商的网站|谷歌学术搜索
5. c·j·贝尔·谢诺r . Chalodhorn和r . p . n . Rao”控制的仿人机器人的非侵入式脑机接口在人类中,“《神经工程,5卷,不。2、214 - 220年,2008页。视图:出版商的网站|谷歌学术搜索
6. j·r·沃尔波n . Birbaumer d·j·麦克法兰g . Pfurtscheller和t·m·沃恩“脑-机接口的通信和控制,”临床神经生理学,卷113,不。6,767 - 791年,2002页。视图:出版商的网站|谷歌学术搜索
7. a . s .罗耶m . l .玫瑰,和他,“在学习目标选择与过程控制使用一个“脑机接口”《神经工程,8卷,不。3,p。036012年,2011年。视图:出版商的网站|谷歌学术搜索
8. z Işcan,诉诉Nikulin稳态视觉诱发电位(SSVEP)基于脑机接口(BCI)性能不同扰动下,“《公共科学图书馆•综合》,13卷,不。1,文章ID e0191673, 2018。视图:出版商的网站|谷歌学术搜索
9. r . Fazel-Rezai b z艾莉森,c .贵港市e . w .卖家,s . c . Kleih和a . Kubler“P300脑机接口:当前的挑战和新兴趋势,”神经工程学领域,5卷,不。14日,1 - 14,2012页。视图:出版商的网站|谷歌学术搜索
10. d·j·麦克法兰洛杉矶矿工,t·m·沃恩和j·r·沃尔波“μ和β节律地形在运动图像和实际动作,“大脑地形,12卷,不。3、177 - 186年,2000页。视图:谷歌学术搜索
11. r .里氏d·弗里德曼g . r . Muller-Putz r·谢勒m·斯莱特和g . Pfurtscheller“自学(异步)BCI控制轮椅的虚拟环境:一个案例研究瘫痪患者,”计算智能和神经科学ID 79642条,卷。2007年,8页,2007。视图:出版商的网站|谷歌学术搜索
12. n . Birbaumer n . Ghanayim t Hinterberger et al .,“拼写设备瘫痪,”自然,卷398,不。6725年,第298 - 297页,1999年。视图:出版商的网站|谷歌学术搜索
13. j·r·沃尔波d·j·麦克法兰”二维运动的控制信号由一个非侵入式脑机接口在人类中,“美国国家科学院院刊》上,卷101,不。54岁,17849 - 17854年,2004页。视图:出版商的网站|谷歌学术搜索
14. g . Pfurtscheller c . Neuper g·r·穆勒et al .,“Graz-BCI:艺术和临床应用的状态,”IEEE神经系统和康复工程,11卷,不。2、1 - 4,2003页。视图:出版商的网站|谷歌学术搜索
15. d·j·麦克法兰d . j . Krusienski w·a . Sarnacki和j·r·沃尔波”模拟的计算机鼠标控制非侵入式脑机接口,“《神经工程,5卷,不。2、101 - 110年,2008页。视图:出版商的网站|谷歌学术搜索
16. e . v . c·弗里德里希·d·j·麦克法兰c . Neuper t·m·沃恩·布鲁纳和j·r·沃尔波”感觉运动节律的扫描协议“脑机接口”生物心理学,卷80,不。2、169 - 175年,2009页。视图:出版商的网站|谷歌学术搜索
17. d . Valbuena m . Cyriacks o . Friman Volosyak, a .γ射线激光器,“脑机接口高级康复机器人的控制系统”学报2007年IEEE 10日国际会议上康复机器人IEEE,页619 - 625年,位于荷兰,2007年6月。视图:出版商的网站|谷歌学术搜索
18. b . Graimann b·埃里森c·曼德尔t Luth, d . Valbuena和a .γ射线激光器非侵入式脑机接口为半自治的辅助设备,激飞伦敦,伦敦,英国,2008年。
19. S.-Y。程和H.-T。Hsur,心理疲劳使用脑电图测量Intech,的哲理,伦敦,英国,2011年。
20. j·b·伊斯雷尔·g·l·切斯尼·c·d·Wickens和e . Donchin“P300和跟踪困难:证据的多个资源双重任务的性能,”心理生理学,17卷,不。3、259 - 273年,1980页。视图:出版商的网站|谷歌学术搜索
21. 答:日本村田公司,a Uetake, y Takasawa”精神疲劳评估使用特征参数提取与事件相关的潜力,”国际工业工效学杂志》上,35卷,不。8,761 - 770年,2005页。视图:出版商的网站|谷歌学术搜索
22. j . n . Mak d·j·麦克法兰t·m·沃恩et al .,“脑电图的关联P300-based脑机接口(BCI)表现在肌萎缩性脊髓侧索硬化症患者,”《神经工程,9卷,不。2、文章ID 026014, 2012。视图:出版商的网站|谷歌学术搜索
23. x佩兰,r . Chavarriaga f .可乐r . Siegwart和j·d·r·文澜”Brain-coupled交互的半自治的导航辅助机器人,”机器人和自治系统,卷。58岁的没有。12日,第1255 - 1246页,2010年。视图:出版商的网站|谷歌学术搜索
24. d . Gohring d .正、m . Wang和r·罗哈斯“半自治的汽车控制使用脑-机接口”智能自治系统先进的智能系统和计算的12个,李,h .赵K.-J。Yoon和j·李,Eds。,卷。2,pp。393- - - - - -408, Springer, Berlin, Germany, 2013.视图:谷歌学术搜索
25. d . Hildenbrand d . Fontijne m . Alexa y . Wang和l . Dorst竞争运行时性能的逆运动学算法使用共形几何代数EUROGRAPHICS Aire-la-Ville,瑞士,2006年。
26. m·a·Ramirez-Moreno和d . Gutierrez-Ruiz建模一个机械手臂和共形几何代数在脑机接口”《2018年国际会议上电子、通信和计算机(CONIELECOMP),页11日至17日这段时间内,IEEE,乔鲁拉,墨西哥,2018年2月。视图:出版商的网站|谷歌学术搜索
27. m·a·Ramirez-Moreno s m . Orozco-Soto j . m . Ibarra-Zannatha和d . Gutierrez-Ruiz“人工视觉算法对象操纵机械臂的半自治的“脑机接口”可穿戴机器人:挑战和趋势的生物系统和生物机器人玛丽亚,s . Carrozza的说法,和j·l·庞斯Eds。,卷。22,pp。187- - - - - -191, Springer, Cham, Switzerland, 2019.视图:谷歌学术搜索
28. m . w . Spong、美国哈钦森和m·维德雅瑟格“机器人的建模和控制”正向和逆向运动学章,页85 - 98年,约翰·威利& Sons . n:行情)霍博肯,新泽西,美国第1版,2005年版。视图:谷歌学术搜索
29. o . Carbajal-Espinosa l . Gonzalez-Jimenez j . Oviedo-Barriga Castillo-Toledo, a . Loukianov和e . Bayro-Corrochano”建模和姿势控制机器人机械手使用共形几何代数和腿,“Computacion Y sistema,19卷,不。3、475 - 486年,2015页。视图:出版商的网站|谷歌学术搜索
30. d . Hildenbrand j .萨莫拉,大肠Bayro-Corrochano“逆运动学计算在计算机图形学中,机器人使用共形几何代数,”应用克利福德代数的进步,18卷,不。3 - 4、699 - 713年,2008页。视图:出版商的网站|谷歌学术搜索
31. c . Perwass“几何代数在工程中的应用,几何和计算,”章的介绍1,页23,斯普林格出版社,柏林,德国,2009年版。视图:谷歌学术搜索
32. a . l . Kleppe和o . Egeland使用共形几何代数为工业机器人逆运动学,”建模、识别和控制:挪威研究公告,37卷,不。1,第75 - 63页,2016。视图:出版商的网站|谷歌学术搜索
33. l .开发f . Fahimi”,另一种控制方法的介绍和测试机器人假肢,”生物医学工程杂志》,8卷,不。1,第105 - 93页,2014。视图:出版商的网站|谷歌学术搜索
34. 依Organick,一个FORTRAN IV底漆美国,addison - wesley,波士顿,MA,第1版,1966年版。
35. e . Dubrofsky单应性的评估加拿大,温哥华英属哥伦比亚大学的,2009年,硕士论文。
36. y雷纳德,f .乐天,g·吉波特et al .,“OpenViBE:开源软件平台设计、测试,并使用脑-机接口在现实和虚拟环境中,“存在:遥控机器人和虚拟环境,19卷,不。1,35-53,2010页。视图:出版商的网站|谷歌学术搜索
37. f .乐天m . Congedo A . Lecuyer f . Lamarche b . Arnaldi,“因为它使得基于脑电图分类算法的评估脑-机接口,“《神经工程,4卷,不。2,R1-R13, 2007页。视图:出版商的网站|谷歌学术搜索
38. a Uetake答:日本村田公司,“心理疲劳评估期间使用VDT的任务与事件相关电位(P300),”《IEEE国际研讨会上机器人和人类互动交流IEEE,页235 - 240年,2000年9月日本大阪。视图:出版商的网站|谷歌学术搜索
39. p . j . e .阿特维尔,s·f·库克和c·h·杨“小脑功能的整合运动记忆。”神经元,34卷,不。6,1011 - 1020年,2002页。视图:出版商的网站|谷歌学术搜索
40. p . Praamstra l . Boutsen g·w·汉弗莱,“Frontoparietal控制空间的关注和运动意图在人类脑电图,”神经生理学杂志,卷94,不。1,第774 - 764页,2005。视图:出版商的网站|谷歌学术搜索
41. j . r . Naranjo a . Brovelli r . Longo r、r . Kristeva和p . p . Battaglini”frontoparietal网络的动态脑电图在人类到达准备期间,“科学杂志,34卷,不。4、1673 - 1682年,2007页。视图:出版商的网站|谷歌学术搜索
42. c .贵港市g . edling w . Harkam他们,和g . Pfurtscheller”有多少人因为它使得基于脑电图能操作一个脑机接口(BCI) ?”IEEE神经系统和康复工程,11卷,不。2、145 - 147年,2003页。视图:出版商的网站|谷歌学术搜索
43. Daly i, j .金y苗族c .左d . Hu和a . Cichocki”Correlation-based通道选择和正规化特征优化MI-based BCI,”神经网络卷,118年,第270 - 262页,2019年。视图:出版商的网站|谷歌学术搜索
44. j·k·冯,j·金,戴利,j .周x Wang和a . Cichocki”一个优化信道选择方法基于运动想象BCI系统多频CSP-rank,”计算智能和神经科学卷,2019篇文章ID 8068357, 10页,2019。视图:出版商的网站|谷歌学术搜索
45. j . a . Gaxiola-Tirado r . Salazar-Varas d·古铁雷斯,“使用部分指示一致性评估脑-机接口的功能连通性在脑电图数据,”IEEE认知和发展系统,10卷,不。3、776 - 783年,2018页。视图:出版商的网站|谷歌学术搜索
46. f .乐天l . Bougrain A Cichocki et al .,“因为它使得基于脑电图分类算法的评估脑-机接口:一个10年的更新,“《神经工程,15卷,不。第三条ID 031005, 2018。视图:出版商的网站|谷歌学术搜索
47. Blankertz·谢诺m . Krauledat b, r . p . Rao, K.-R。毫升,“向自适应分类BCI,”《神经工程,3卷,不。1,R13-R23, 2006页。视图:出版商的网站|谷歌学术搜索
48. 关,k .赵、杨和美国“运动图像脑电图基于决策树的分类框架和黎曼几何,”计算智能和神经科学ID 5627156条,卷。2019年,13页,2019。视图:出版商的网站|谷歌学术搜索
49. e . Donchin m . Kubovy m .库塔r·约翰逊和r . i Tterning”分级变化诱发反应(P300)振幅的函数认知活动,“知觉和心理物理学,14卷,不。2、319 - 324年,1973页。视图:出版商的网站|谷歌学术搜索
50. r·威勒和k .Śmigasiewicz“罕见的刺激引起大p3被意想不到的?比较古怪的standard-oddball和prediction-oddball任务之间的影响,“认知心理学的发展,12卷,不。2、88 - 104年,2016页。视图:出版商的网站|谷歌学术搜索
51. Kathner, s . c . Wriessnegger g·r·Muller-Putz a . Kubler和s·哈尔德,“心理工作负荷的影响和疲劳P300,α和θ乐队权力在运行ERP (P300)脑机接口,“生物心理学卷,102年,第129 - 118页,2014年。视图:出版商的网站|谷歌学术搜索
52. i n Angulo-Sherman和d·古铁雷斯”之间的联系的增加脑电图仪的一致性和性能改善脑机接口的操作,“计算智能和神经科学ID 824175条,卷。2015年,11页,2015年。视图:出版商的网站|谷歌学术搜索

版权

版权©2019年毛Adolfo Ramirez-Moreno和大卫·古铁雷斯。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。