关注优化方法通过TGAM脑电图

文摘

自21世纪以来,非侵入式脑机接口(BCI)发展迅速,和脑-机设备已逐渐从实验室搬到大众市场。其中,TGAM (ThinkGear Asic模块)及其封装算法已经通过许多研究团队和世界各地的教员。然而,由于开发成本有限,算法来计算数据的有效性并不令人满意。本文提出了注重优化算法基于TGAM脑电图数据的反馈。考虑到数据的输出TGAM封装算法差别很大,延迟高和准确性较低。实验结果表明,我们的算法可以优化脑电图数据,以便与相同或更低的延迟和不改变模块的封装算法本身,它可以显著提高注意力的性能数据,大大提高数据的稳定性和精度,并在实际应用中取得更好的结果。

1。介绍

近年来,控制系统根据相关的概念如人类思维,思想,和意识发展迅速。这个系统和传统的计算机控制系统的区别在于它是直接基于人类的大脑,利用脑电图(EEG)作为数据分析的基础。这个类也被称为脑机接口(BCI),人类大脑的相应控制系统(1]。

脑电图理查德在1875年首次被发现在学习的大脑暴露的兔子。1924年,汉斯·发表了第一篇关于头皮信号可以追溯到脑电图。尽管脑电图发现一百多年,在早先的研究中,因为大脑的想法,思想,和其他活动通常比EEG信号振幅较低,大部分的信号被淹没在自发电位(2]。基于最初的脑电图,研究者不太可能得到“特定的感觉和复杂的认知信息”的主题(3]。这是一个脑电图分析的主要困难。

2。技术背景

最近,突破生物技术和计算机技术的快速发展使脑电图和脑机接口,这是在跨学科领域,迅速发展。脑电图的发现主要特征等与事件相关电位(ERP) (4,5),P300电位(6,7),或有负变化(CNV) [8),逐渐从理想到现实的技术。在1999年,自然脑-机接口上发表第一篇论文。作为一个里程碑式的成就,本文表明缓慢的皮层电位(CSP)可以实现脑机接口的施工拼写功能(9]。在21世纪,脑电图技术取得了进化的多节点多节点非侵入性和单节点的入侵。EEG设备正从实验室到大众市场。

单节点便携式脑电图设备是一个流行的研究领域,在未来有很大潜力。许多这类的核心设备是TGAM (ThinkGear Asic模块)及其封装算法,区别是蓝牙版本,API的类型,以及数据接收终端。然而,尽管心灵的单节点EEG设备采用世界各地的许多研究小组和教师,由于有限的技术开发成本,计算数据的算法效果并不令人满意。已经有很多研究使用TGAM,如脑电波控制轮椅的开发残疾服务(10),机械手控制(11,12),和大脑训练13]。这个设备已经广泛的应用领域。除了传统的残疾人服务设备,它具有深远的应用潜力和使用价值领域的游戏娱乐、虚拟现实环境、教育(14),和人机交互15]。早在2014年,有一个使用TGAM先例来测试用户的脑电波在游戏16只有检测β波的变化。然而,β波值的纸是完全不同于TGAM的输出值,因此可以看出修改模块没有在这个实验中发挥作用。

特别是,脑电图在虚拟现实中的应用是近年来的一个热门话题。早在2012年,建立一个混合动力系统的概念基于脑电图的优点和VR出现(17),它可以用来优化沉浸感的虚拟现实环境(18]。脑电图描记器必须是虚拟现实技术的发展的一个重要组成部分。

在2012年最初的TGAM是可用的,尽管有一些算法更新在接下来的八年,输出数据仍令人失望。这个模块的稳定性和精度远低于研究水平的设备,和现有的开源软件优化方法很微弱;无论官方或私人,没有优化算法广泛使用的模块,这是一个遗憾的研究项目使用它。

3所示。通过TGAM数据传输的设计

3.1。数据传输方法

从内部TGAM锁有线传输协议,只能使用蓝牙数据传输。传递的数据划分为一个大的数据包和小数据包,这些都是代表在十六进制系统。一个数据包,无论大或小,由三部分组成:数据包报头,有效载荷,校验和。

小的数据包包含8个字节,每2 ms。大数据包包含36字节,一个大的数据包传输每512后小数据包。大数据包中的数据(除了用于同步的数据和校验和检测)是计算原始波的结果值(原始数据)在前面的512个小数据包和出口。

在小数据包,前两个字节的值是0 xaa数据同步,和第三个字节的值是0 x04,这意味着包是一个小的包只有4字节的有效载荷。前三个字节称为数据包头部,而数据开始第四个字节(后所有数据校验和被称为负载除外)。

第四(0 x80)和第五(0 x02)字节代表了代码和原始数据的长度(2字节),分别。有时,数据0 x80和0 x02很容易认为是数据包报头。然而,这显然是在官方手册指出,校验和验证所有载荷,所以0 x80和0 x02包含在校验和计算公式不包头数据,和大数据包数据也是如此。

的两字节长度的原始数据是在第六(高8位)和第七(低8位)字节和人为设置八个比特传输高然后8位低。因此,两个字节时需要拼接数据提取,但需要进一步处理的数据为方便分析。获取新的原始数据绝对值在32678,数据处理逻辑可以表示如下。

最后一个字节的校验和,该模块的数据检测机制。增加有效载荷,转化,然后低8位,这和八位校验和的值是相等的,这意味着包正确提取。这是方程(1):

的数据包数量的比例转移到校验和错误的数据包数量的丢包率。官方手册指出,丢包率低于10%不会影响最终结果(19]。

大的包也始于两个0 xaa数据同步。第三个字节是0 x20 32有效载荷。前三个字节数据包报头。有效负载从第四个字节。数据的具体含义并不是这里描述。重要的是要注意,八种脑电波数据传输数据包都分为三个字节(最低的一点是传播第一),需要手动拼接。波的传播特征值可以在阴等的研究(20.];相应的描述阐述了本文。

3.2。TGAM封装算法的局限性

封装算法主要有三个局限性。

首先,它可能是TGAM开发成本的问题,作为一个单节点的脑电图设备,没有足够好的抗噪和数据分析的步骤。没关系,在本文的实验或实验数据在一些文章21),注意数据计算模块的算法在实际应用很不满意,大波动,延迟高,低精度(图1)。一些研究项目已经使用大量数据获得基线的注意和冥想来提高精度22),但结果已经非常有限。

测试表明,注意力的元素周期表下降值是由前额的皮肤运动,通常造成的闪烁的眼睛。此外,受试者的细微变化的面部表情可以导致不规则的EEG信号的变化,有时甚至是长时间的常量值,以及上涨或下降值高于50的差异(范围从0到100)。

此外,虽然有32个字节的有效载荷大的包(24字节的八种波值数据),很难进行定期分析,因为硬件是一个单节点采样。在这种情况下,数据分析主要关注的焦点和冥想23]。这两个值从0到100的整数,但冥想的标准不是实用的注意力在大多数情况下,这就是为什么大多数使用TGAM只会分析研究工作的关注。

当我们试图发现之间的关系的关注和冥想,我们发现这两个值是一个输出的封装算法TGAM实际上是分成许多部分人为(图2),这个结论来自于一个数据集包含超过一万个实验样本。很多无意义的空值区域分析的成本将会增加。具体来说,空值区域是空区域不出现在图的数据点2。换句话说,从理论上讲,有 类型的数据,因为注意力和冥想都从0到100的整数。然而,大部分的数据不会出现在实验中,这些地区不会出现被称为空值区域。缺乏稳定的数据在一定程度上是由于100年数字鸿沟的关注太多。找到attention-meditation关系不是第一的;研究分析了波的价值和使用的关系使数据校正(24]。但也许因为少量的数据,这项研究并没有发现数据被人为地划分。

最后,封装算法没有错误检测步骤,即使有一个校验和和糟糕的信号,用于验证载荷的准确性。特别是,校验和是一个标准的开发人员检查是否他们收到一个模块的数据是正确的。换句话说,只要正确提取数据,校验和永远不会报告错误(我们的实验能支持这一点)。可怜的信号是一个0到200之间的整数;200意味着开发人员不能接收任何信号错误的穿着方式。该参数用于确定设备的质量。尽管穷人信号是0,错误的数据仍将输出。

有三个明显的问题与这两个数据(可怜的信号和校验和)可用于检测:(1)一个模块的输出不考虑校验和和糟糕的信号。换句话说,数据,如注意力、封装算法在每个时刻的输出并不考虑是否校验和或差信号在那一刻是否正常(2)经过多次测试,可以看出,只要使用正确的收集方法,校验和几乎总是正确的,这是没有必要的帮助数据优化。共计9698组大数据包是在一个测试中收集的,和没有一个不正确的校验和(3)可怜的连续信号不会改变。事实上,只有少数值如26日,51岁,55岁,到200年,与大量的空值区域。此外,虽然信号噪声是零数据接收的情况下,仍有不稳定情况图1。很明显,这个参数是极其有限的

4所示。关注优化方法

4.1。提出了优化方法的管道

我们的算法优化两种包(大包装和小包装)来提高性能的数据。优化流程总结如下(参考图3对整个优化过程):(1)添加校验和验证;即检查数据包的数据值是否符合校验和,提高数据采集的准确性(2)反复核对的数据与以前的大包裹。大的包和36字节的数据检测,但只有关注和冥想将会检测到(3)因为八种波值是没有实际意义的大整数定义个人,结果将是糟糕的,如果直接处理。因此,使用隔离森林方法检测局外人(异常数据点)从大量的波动值是来自实验,然后找出八波值的上界正规化。如果同时有三个或更多的值超出了上限,此刻数据包将被判断为错误的包。此外,森林还用于隔离找到注意价值和冥想之间的关系价值和画的决策边界集中冥想价值的价值(4)因为闪烁信号会造成原始数据的不稳定性,这是关注价值,表现为突然下降的眨眼可以检测到震动变化小的数据包的数据。当用户眨眼时,该算法将稳定值异常的关注范围正常范围内。此外,有一个人们眨眼之间的联系和他们有多么专注25,26]。因此,一个步骤是设置检测眨眼频率和进一步优化数据改善注意力的返回值(5)注意力是一步一步的输出,这意味着两个不断更新的注意值被用来制作这些数据与强烈的震动更为顺畅

有三个最重要的步骤的优化算法,和原因和原理将在接下来的部分:(1)时间间隔设置在大数据包数据提取(2)眨眼反馈机制(3)输出分类(删除无意义的零)

4.2。通过隔离森林大方案优化

在优化之前,大数据包的数据提取整个优化算法系统的基础。通过实验和调查,发现使用各种版本的官方开发工具包或开源的代码提取大数据包的数据经常遇到困难。这是因为当提取,代码需要等待一定的时间提取每个字节之间。它是非常重要的。大数据包丢失数据的连续阅读,因为原来的封装算法的缺陷。大量的实验已经证明,如果没有设置暂停时间,一个大的数据包成功提取每3 - 4秒,但在理论上,大数据包数据是每1026毫秒。为了不影响读取数据的准确性,暂停时间小于大数据包的字节传输时间,和我们的算法需要10μ年代。

校验和检查完成后,再确认以前的包是第二步的优化。与超过10000个样本数据集(在正常穿着情况下),没有群数据相同的注意力和冥想值作为之前的群体,和两个数据是相同的只有当有一个问题在数据收集。因此,再确认可以有效地消除不正确的数据由于硬件接触或噪音问题。之后,穷人信号提取那一刻,位于第五大数据包字节。信号可以直接反映耐磨性差。

之后,有两个边界检测机制。我们的算法使用隔离森林来检测异常点和轮廓边界的决定。与世隔绝的森林是一个无监督异常检测方法,该方法适合连续数据。隔离森林使用一个二叉搜索树结构(也称为“孤立树”)分离样品和检测异常值通过采样点的隔离,这不同于异常检测算法表达异化的程度等定量指标样本之间的距离和密度(27]。因为大多数的注意值TGAM在正确的范围内,离群值的数量很小,与大多数样本有显著差异。在这种情况下,采样点的隔离会导致早被孤立的离群值;即异常值将靠近根节点,而正常的价值将进一步从根节点。这是一个重要的原因该优化算法使用隔离森林上限和下限分析。

发现冥想和关注使用隔离森林之间的关系(图方法4)是第一个边界检测机制。在图中,有四种颜色的线表示边界由数据从四个不同的情况下,最后一个平均的四个。图的边界是一样的吸引人为边界的趋势,这就足以证明这台机器学习方法的严谨性和准确性。

另一个边界检测,具体地说,是八波值的检测数据(分别,δθ,LowAlpha HighAlpha, LowBeta, HighBeta, LowGamma, mid-gamma);如果超过三波值超出正常上限,这是判断错误的数据。

在决定之前,波值将正规化,因为它就是一个毫无意义的巨大的整数,这太难以分析。在标准化、规范化、正规化和其他与未经处理的方法和比较值,发现正则化方法与明显的分化。此外,正则化会使数据落在0和1之间,和的上下界分析更方便和有效的。结果如下(表1)。

大的包优化逻辑如下所示。

4.3。小包装优化区域分割的眨眼频率

原始数据的计算方法在小数据包中提到的部分3解析后,范围在-32767和32768之间。通过数据分析,定期脑电图信号传输时,原始数据将限制在±550。最高的价值不超过528,值是最低不少于-427,大多数(超过95%)是在±350。

原始数据的输出设备在8秒随机抽取(图5)共计4143组和明显的波的峰值是由于眨眼的时刻(7次)的测试人员。可以看出,原始数据是相当稳定的,当一个眨眼不发生,和眨眼活动只能通过检测监控原始数据的波动。

在这个算法中,1000是设置为原始数据的差异来检测闪烁信号,和巨大的原始数据的波动代表用户的眨眼运动。眨眼频率可以计算通过计算每两个眨眼之间的时差,和关注价值可以提高通过计算特定频率值,以进一步优化价值的关注。的方法判断眨眼的原始数据可以表示如下。

上述Blink_type指的是地区眨眼频率下降,这将在下面更详细地解释。

陈在眨眼之间的关系和关注,表明闪烁不仅影响大脑皮层的电压(即影响脑电图信号),也负相关的浓度眨眼频率之间的眨眼频率通过比较两组受试者在冥想,在正常情况下26]。陈在这个实验中,得出的结论是,放松和集中导致了3.8 - -6.0次/分钟闪烁速度区别同一对象在不同的环境和在不同的时间。此外,马费伊和Angrilli设计实验,测量人们完成任务时眨眼速度不同的困难(25]。越来越陌生的任务,不太可能参与者眨眼。本研究也支持有趣的想法,当人们专注于一件事,他们的浓度增加,但其他问题的反应时间减少28]。相同的计算机用户进行的一项调查得出的结论它眨巴着眼睛看着屏幕时大大减少(29日]。

总而言之,它是可行的优化数据闪烁的重视。

眨眼频率分为五个部分进行分析。频率的选择是来自实验结果。具体的区别在表2。

频率设置太小和太大的原因是一个无效的区域是有效地避免收集错误造成的硬件或穿问题。原始数据的波动造成的眨眼本身可以引起注意垂直。在大多数情况下,眨眼间将一个8-20下降在接下来的注意价值和在那之后,下一个价值将成为常规。因此,即使频率不是在重点区域,“眨眼补偿”需要保持数据接近前面的包。

根据数据分析和实验反馈眨眼的瞬间,用相对较低的反馈值为10的基数眨眼补偿。此外,使用频率和最大的值构成整个眨眼优化系统。

应该注意的是,眨眼检测到信号后,系统并不会立即修改注意价值但等待下一个大的数据包到达之前修正。这样,相对于直接更新,从根本上避免了出现下一个异常关注的价值。

4.4。调优的注意力水平

就像前面提到的4.1,没有具体的区别每个attention-meditation间隔,和无意义的null值区域分析的成本将会增加。数据的不稳定性也在一定程度上是由于这一事实注意力水平的100数字鸿沟的太多了。最后,注意分类是一个必要的步骤来优化数据,提高精度,降低分析成本。

它不同于数值分类在类似的文章30.]。该算法分类系统本质上是反映TGAM本身的分类方式。如图3,如果不是提前做了分类,不能解释为什么null值区域所以巧合切片图像分成许多领域。因此,我们把null值地区,将矩形区域是由蓝色数据点在图3。通过这种方式,它可以分为七个级别(表3)根据横坐标(关注)。这种关注的可靠性水平证明5;它是至关重要的。

其中,0 - 4和98 - 100年有关注价值,但该算法仍然抛弃了他们。对于前者,这是因为只有147人(1.52%)的9698 0和4之间的数据集,其中一半以上有非零差信号。此外,只有这些数据的两种形式:一是连续发生多次与一个巨大的差异之前和之后的数据。另一种是只有一次的发生没有连接与数据之前和之后。对于后者,只有100将出现在98 - 100的区间,只占总数的1.15%。数据将出现连续几次,和区别与以前的数据是大多数的20多倍。

结合这一事实的关注数据很少出现持续和不暴跌或飙升在正常情况下,两个领域可以放弃了。

5。实验结果

为了证明该优化算法的可靠性,设计以下实验。

记录注意力的变化值在一段时间内两个具体的应用场景,并选择游戏和学习测试场景对应于间歇浓度和高浓度的情况下,分别。时间是大约20分钟。没有任何处理,大约1170组的注意价值(每1026 ms)将收集,和50组将随机提取的数据分析。

主题不应该有精神病史或抗精神病药,无癫痫史和其他疾病对大脑的影响更大的波动。在实验前一晚,他们被告知要好好休息,不要喝兴奋剂当天或前一天实验。

对实验环境,确保它是明亮,安静,尽量选择一个舒适的环境测试人员。志愿者需要闭上他们的眼睛,在开始测试之前。EEG数据达到了低噪声和稳定状态,然后,测试相应的场景开始在命令的员工。

图中的数据6都是大数据包优化后,Attention_Cal是小数据包的结果优化(眨眼的反馈)。显然,即使没有小分组优化,注重价值仍然比图中的数据更加稳定和准确1。大数据包优化消除了大部分的错误数据由硬件引起的,微表情,和环境,而小分组优化使得注意力的变化更加渐进的和精确的,几乎没有异常急剧上升或下降。

图7显示了注意力水平的情况。分级后,它可以清楚的看到整个研究的关注远高于游戏。和年级分配本身也符合正态分布的原理,所以可以看出,该算法的结果符合预期和主观预期的志愿者。在两个或两个以上的水平没有变化,或其他异常变化,可以是一个稳定的注意价值反映了这一趋势。

6。结论

这个算法有三个最重要的步骤,如下:大数据包数据提取的时间间隔设置,闪烁的反馈机制和分类基于删除无意义的零位输出。

这个算法的有益作用是改善TGAM注意价值输出的性能没有提高实时数据传输延迟。眨眼的不利影响脑电图数据优化,进而通过眨眼频率反馈的关注程度,从而大大提高了稳定性和准确性。虽然效果显著,仍有两个重要的问题。

首先,脑电图数据不像传统的客观数据。例如,在速度的大小,我们只需要计算位移的比值。然而,随着思想的客观反映,强烈的主观性和困难在描述思维注定研究者主观意识设置为基准,创造客观的脑电图数据的分析方法。从脑电图的发现在20世纪,有客观数据和主观意识之间的矛盾。客观数据分析的目的是反映主观意识,但现有的客观数据足够可靠,以反映真实的主观意识?在编译和提高该算法的过程中,尽管数据优化模型已经安装到尽可能多的测试人员的主观意识,效果不是100%满意。这不仅是一个问题的优化算法也是一个常见问题的脑电图设备。

第二,因为模块的封装算法是未知的,波价值分析是几乎不可能实现的目标。虽然我们试图找到八波之间的关系值数据和注意力,冥想,和原始数据,我们没有在原始数据分析方法是密封的。TGAM本身是一个产品对于开发人员来说,开源的数据和更大的灵活性比纯粹的商业EEG设备。我们相信,如果原始数据分析算法也可以开放源代码,我们优化可以进一步改进,从而获得更好的结果。

最后,优化算法的改进软件。在电子产品领域,软件和硬件相结合发挥最重要的作用。然而,在有限的硬件条件的情况下,这种优化算法也有一定的实用性和推广价值。

7所示。未来的工作

无论多么好的算法,它需要验证了实际应用(31日),它应该在这一过程中不断改进和完善。我们的下一步是探索的可能性在应用场景要求脑电图分析算法。特别是在虚拟现实的应用程序中,我们相信,脑电图分析将产生影响。

脑电图和BCI技术开始起飞,并相信这种研究将产生更多的杰出的结果。

此外,我们想应用脑电图变成一个更现实的实用研究框架与交叉32,33和多任务34)在行为识别(31日和在虚拟现实人机交互35]。

数据可用性

请联系我们通过电子邮件是否要求手稿中使用的任何数据。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由四川省科学技术厅的一般程序(2018 jy0528)。这项工作是研究支持的一部分由中国国家自然科学基金批准号61602088和61602088下,中央大学的基础研究基金。Y03019023601008011。此外,作者感谢格拉斯哥大学,电子的援助和支持。

引用

1. j·r·沃尔波n . Birbaumer w . j . Heetderks et al .,“脑机接口技术:回顾第一国际会议”IEEE康复工程,8卷,不。2、164 - 173年,2000页。视图:出版商的网站|谷歌学术搜索
2. j。j·维达尔”,直接脑-机通信,”生物物理学和生物工程的年度审查,卷2,不。1,第180 - 157页,1973。视图:出版商的网站|谷歌学术搜索
3. w .兴宇,j .京、z . Yu和w·贝,“大脑控制:人机集成控制基于脑机接口的方法,”《自动化学报》,39卷,不。3、208 - 221年,2013页。视图:出版商的网站|谷歌学术搜索
4. z z林和黄”,电动机与事件相关电位研究图像BCI,”2017年10日国际国会图像和信号处理、生物医学工程与信息学(CISP-BMEI),2017年,页1 - 6,上海。视图:出版商的网站|谷歌学术搜索
5. e . Ventouras m . Moatsos c . Papageorgiou a . Rabavilas和n . Uzunoglu”独立分量分析应用于与事件相关电位的P600分量,”第26届国际会议的IEEE在医学和生物学社会工程旧金山,页80 - 83。视图:谷歌学术搜索
6. 萨顿,m . Braren j .位于Zubin和e·r·约翰,“诱发电位刺激相关的不确定性,”科学,卷150,不。3700年,第1188 - 1187页,1965年。视图:出版商的网站|谷歌学术搜索
7. j·金、e . w .卖家和x王,“针对一个高效target-to-target区间P300拼字的脑-机接口,“医学和生物工程和计算,50卷,不。3、289 - 296年,2012页。视图:出版商的网站|谷歌学术搜索
8. w·g·沃尔特·r·库珀诉j·奥尔德里奇,w . c . McCallum和a . l .冬天,“感觉-运动协会或有负面变化:电动的迹象和期望在人类的大脑,”自然,卷203,不。4943年,第384 - 380页,1964年。视图:出版商的网站|谷歌学术搜索
9. 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
10. 许苏z、x、j .丁和w·卢”智能轮椅控制系统基于BCI和脑电图的图像显示,”IEEE高级信息管理、通信、电子及自动化控制会议。IEEE。视图:出版商的网站|谷歌学术搜索
11. o . a . Ruşanu l . Cristea m . c . Luculescu和s . c .扎”的实验模型控制的机械手使用NeuroSky Mindwave手机耳机,”2019年E-Health和生物工程会议(EHB)1 - 4页。视图:谷歌学术搜索
12. k . Banumalar“Neural-based控制假肢的使用Matlab,”国际纯粹和应用数学杂志》上卷,118年,第417 - 411页,2018年。视图:谷歌学术搜索
13. t . Chaipakornwong s c Djohan, p . Sittiprapaporn“大脑运动老年人的Neurosky智能装备,”2019 16日电气工程国际会议/电子、计算机、通信和信息技术(ECTI-CON),490 - 493页。视图:谷歌学术搜索
14. d . j . Lancheros-Cuesta j·l·r·阿里亚斯y y Forero,和a·c·杜兰”与NeuroSky MindWave脑电图在线学习活动的评价,”2018年13伊比利亚信息系统和技术会议(”),页1 - 6,卡塞雷斯。视图:谷歌学术搜索
15. d .明亮,a Nair, d . Salvekar“EEG-based大脑控制假肢,”先进的信号处理。IEEE。视图:出版商的网站|谷歌学术搜索
16. g . j . Cheng Mabasa, c . Oppus”长期使用ImpactJS HTML5实现干扰测试游戏,手柄,Neurosky”2014年国际会议上人形、纳米技术、信息技术、通信和控制、环境和管理(HNICEM),页1 - 6,巴拉望。视图:出版商的网站|谷歌学术搜索
17. s . b .十二月,h . Samaha a·g·Morgade和p . f . m . j . Verschure”探索混合BCI - VR neurorehabilitation体系的协同效应,”2011年国际会议上虚拟康复,页1 - 8,瑞士苏黎世。视图:出版商的网站|谷歌学术搜索
18. a m。这,j·范德长大一点点,h·斯多克”BCI可能提高流媒体图像虚拟现实耳机通过预测头旋转,“人类神经科学前沿,12卷,2018年。视图:出版商的网站|谷歌学术搜索
19. 神经天空公司。心态指令ManuaNeuroSky有限公司,2009年版。
20. l .阴c·张,崔z”实验研究实时采集和监控基于TGAM模块的可穿戴的脑电图,”计算机通信卷,151年,第85 - 76页,2020年。视图:出版商的网站|谷歌学术搜索
21. l .张问:Lv,徐y“单通道脑机接口控制系统基于TGAM模块”2017年10日国际国会图像和信号处理、生物医学工程与信息学(CISP-BMEI)上海,页1 - 5。视图:出版商的网站|谷歌学术搜索
22. d . Sulisetyo努哥鲁和i Fahruzi”应用程序实时获取脑电图信号从单一铅电极使用Neurosky传感器识别大脑活动,”2019年国际研讨会申请信息和通信技术(iSemantic)一直以来,页400 - 404年,印度尼西亚。视图:出版商的网站|谷歌学术搜索
23. o . Chinbat和j .林”假肢控制人类的大脑,”学报》国际研讨会上电脑,消费者和控制(IS3C),台湾。视图:出版商的网站|谷歌学术搜索
24. b . Ulker m . b . Tabakcıoğlu h . Cizmeci和d . Ayberkin”关系的关注和冥想的水平与学习在工程教育”2017年第九届国际会议上电子、计算机和人工智能(ECAI)Targoviste,页1 - 4。视图:出版商的网站|谷歌学术搜索
25. m·安东尼奥和亚历山德罗,“自发眨眼率:多巴胺能组件的一个指数的持续关注和疲劳,”国际心理生理学杂志》:心理生理学的国际组织的官方杂志卷。123年,58 - 63、2018页。视图:出版商的网站|谷歌学术搜索
26. s·h·陈,“注意测量为冥想从业者,眼睛闪烁”先进的科学和工业研究中心。学报2015年国际会议上自动化、机电工程(AMEE 2015),1095 - 1100页。视图:谷歌学术搜索
27. 美国Santosuosso、a . Cini和a·帕皮尼”跟踪异常值的数据集果蝇suzukii记录森林与隔离方法,”《大数据,7卷,不。1,2020。视图:出版商的网站|谷歌学术搜索
28. 波斯纳,“定向的关注”,季度《实验心理学》杂志上,32卷,不。1,3-25,2007页。视图:出版商的网站|谷歌学术搜索
29. y Yaginuma、h·山田和h . Nagai”研究VDT流泪和眨眼之间关系的工作,“职业工效学,33卷,不。6,799 - 808年,1990页。视图:出版商的网站|谷歌学术搜索
30. k . r . Trivedi和r . a . Thakker脑波启用多功能、通讯、控制和语音信号生成系统”2016年国际会议上电气、电子和优化技术(ICEEOT)钦奈,页4889 - 4893年,2016年。视图:出版商的网站|谷歌学术搜索
31. 詹y, y, y, x, f .沈和h t .沈,“一个上下文知识地图引导识别,而且行动”IEEE图像处理,29卷,第2752 - 2742页,2020年。视图:出版商的网站|谷歌学术搜索
32. x y, b . Wang, a . Hanjalic h·t·沈,“敌对的跨通道检索”学报2017 ACM多媒体会议、2017毫米山景城,页154 - 162年,加州,美国。视图:出版商的网站|谷歌学术搜索
33. y . h·t·沈l . Liu Yang et al .,“利用子空间关系语义标签跨通道哈希,“IEEE工程知识和数据,p . 2020。视图:出版商的网站|谷歌学术搜索
34. y, z, y, f .聂和h t .沈,“一心多用”谱聚类的探索任务间的相关性,IEEE控制论,45卷,不。5,1069 - 1080年,2015页。视图:出版商的网站|谷歌学术搜索
35. h·廖:谢,李h . et al .,“数据驱动的时空分析通过综合授时因子和认知负荷在虚拟现实,”2020年IEEE会议上虚拟现实和三维用户界面(VR),第482 - 473页,亚特兰大,乔治亚州,美国。视图:出版商的网站|谷歌学术搜索

版权

版权©2020余吴和Ning谢。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。