Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する概念動画

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Improving Sleep Quality and Quantity in Hospitalized Patients With Melatonin: A Quality Improvement Project at HCA (Hospital Corporation of America) Oak Hill Hospital.

Cureus·2026
Same author

Recurrent, Acute Limb Ischemia Secondary to Arterial Thrombosis: A Devastating Complication in the Setting of Severe COVID-19 Infection.

HCA healthcare journal of medicine·2025
Same author

Centroparietal Alpha/Beta Asymmetry in Response to Urgency Elicited by Upper Body Vibration.

IEEE transactions on haptics·2025
Same author

Analyzing handwriting legibility through hand kinematics.

Frontiers in artificial intelligence·2025
Same author

BandFocusNet: A Lightweight Model for Motor Imagery Classification of a Supernumerary Thumb in Virtual Reality.

IEEE open journal of engineering in medicine and biology·2025
Same author

Neuro-motor controlled wearable augmentations: current research and emerging trends.

Frontiers in neurorobotics·2024

関連する実験動画

Updated: Feb 17, 2026

Using Facial Electromyography to Assess Facial Muscle Reactions to Experienced and Observed Affective Touch in Humans
04:27

Using Facial Electromyography to Assess Facial Muscle Reactions to Experienced and Observed Affective Touch in Humans

Published on: March 15, 2019

11.9K

複数のモダリティでEEGとディープラーニングを使用して触覚体験を評価する:刺激と自己報告をリンクする.

Haneen Alsuradi1, Yonas Atinafu2, Mohamad Eid1

  • 1Engineering Division, New York University Abu Dhabi, Abu Dhabi, United Arab Emirates.

Frontiers in neuroscience
|February 16, 2026
PubMed
まとめ
この要約は機械生成です。

この研究は,ハプティックフィードバックのための脳-コンピュータインターフェース (BCI) を訓練するために物理的刺激 (PS) パラメータを使用することは,自己報告 (SR) の知覚を使用するよりも効果的であることを示しています. PSで訓練されたモデルは,アダプティブハプティックインターフェイスで安定した,より高いパフォーマンスを提供します.

キーワード:
EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,E,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,EEG,E,E,E,E,E-E-E-E-E-E-E-E-E-E-E-E-E-E-E-E-E-コグニティブ・インターフェースディープラーニング (Deep Learning) とはハプティックス (Haptics) とは,触覚による感覚です.セルフ・レポート 自己報告

さらに関連する動画

Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective
13:57

Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective

Published on: July 1, 2015

13.2K
Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
11:25

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Published on: July 26, 2013

44.1K

関連する実験動画

Last Updated: Feb 17, 2026

Using Facial Electromyography to Assess Facial Muscle Reactions to Experienced and Observed Affective Touch in Humans
04:27

Using Facial Electromyography to Assess Facial Muscle Reactions to Experienced and Observed Affective Touch in Humans

Published on: March 15, 2019

11.9K
Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective
13:57

Assessing the Multiple Dimensions of Engagement to Characterize Learning: A Neurophysiological Perspective

Published on: July 1, 2015

13.2K
Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
11:25

Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding

Published on: July 26, 2013

44.1K

科学分野:

  • 神経科学は神経科学である.
  • 人とコンピュータの相互作用です.
  • 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

  • 伝統的なハプティックインタフェースの評価は,主観的な自己報告を使用し,客観性とリアルタイム適応を制限します.
  • 認知ハプティックインターフェイスは,電気脳図 (EEG) やディープラーニングなどの神経生理学的測定を客観的な評価のために利用します.
  • 重要な課題は,物理的刺激 (PS) パラメータまたは自己報告 (SR) 認識を使用して,神経応答をラベル付けすることです.

研究 の 目的:

  • EEGベースのハプティックフィードバックのためのディープラーニングモデルのパフォーマンスに対するPS対SRベースのラベリングの影響を体系的に調査する.
  • 4つのハプティックフィードバック方式でPSとSRのラベリングスキームの有効性を比較する.
  • 触覚刺激に対する神経応答の解読におけるモデルの安定性と精度に,どのようにラベリングが影響するかを決定する.

主な方法:

  • PSパラメータとSR知覚の両方によってラベル付けされたEEGデータを使用して,訓練されたディープラーニングモデル (ATCNet,EEG Inception,EEG Conformer) を使用します.
  • 4つのハプティックモードでモデルのパフォーマンスを評価した:遅延力フィードバック (DFF),指先の振動フィードバック (FVF),上部体の振動フィードバック (UVF),指先の熱フィードバック (FTF).
  • モデルの汎用性を評価するために,グループレベルのLOSO (leave-one-subject-out) クロス検証戦略を採用しました.

主要な成果:

  • PSラベリングで訓練されたモデルは,SRラベルのモデルと比較して,一貫して,すべてのテストモードにおいて,より安定した,より高いパフォーマンスを示しました.
  • PSラベル付きモデルのパフォーマンスの向上は,SRラベルがより大きな個体間変動性を示す,知覚値に近い刺激レベルで最も顕著でした.
  • EEGベースのモデルは,主観的な報告よりも,特に曖昧な知覚条件において,身体的刺激のパラメータとより密接に一致しました.

結論:

  • 身体刺激 (PS) ラベル付けは,自己報告 (SR) ラベル付けと比較して,認知ハプティックインターフェイスでディープラーニングモデルをトレーニングするためのより堅牢で客観的なアプローチを提供します.
  • PSで訓練されたデコーダーは,ハプティックフィードバックシステムの効果的な基礎表現として機能し,ユーザー固有のSRデータに適応できます.
  • この研究は,より信頼性の高い,適応性の高いハプティックインターフェースを開発するために,特に難易度の高い知覚システムにおいて,PSベースのモデルの使用をサポートしています.