基于SE-VEP范式的增强大脑控制移动机器人,具有单一刺激
概括
一种新的空间编码-视觉唤起潜力 (SE-VEP) 大脑-计算机接口 (BCI) 减少了用户的疲劳,提高了效率. 这种新的SE-VEP模型使用优化的目标点进行脑电图 (EEG) 编码,其性能优于传统的SSVEP系统.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 人与计算机的交互
背景情况:
- 稳态视觉唤起潜能 (SSVEP) 对脑计算机接口 (BCI) 有效,但会导致视觉疲劳和刺激干扰.
- 传统SSVEP方法的局限性需要创新的BCI范式来改善用户体验和性能.
研究的目的:
- 引入和验证一个新的空间编码-视觉唤起潜能 (SE-VEP) BCI范式.
- 解决传统的SSVEPBCI的局限性,特别是视觉疲劳和刺激干扰.
- 为了优化目标点的位置,在单个刺激区内进行高效的脑电图 (EEG) 编码.
主要方法:
- 开发了一个SE-VEP模型,使用四个优化的目标点来在刺激区块周围限制目光.
- 使用基于里曼内核的支向量机 (R-SVM) 来分类具有不同异常度的脑电图 (EEG) 数据.
- 通过在线脑控制的机器人虚拟系统验证了范式的可行性,并评估了用户疲劳和信息传输速率 (ITR).
主要成果:
- 使用R-SVM方法实现了高达86.11%的分类准确性.
- 根据ITR评估,确定了在线BCI的最佳时间窗口长度为1.2s.
- 与传统的BCI系统相比,显著减少了用户疲劳 (2.8 ± 0.5 vs. 4.1 ± 0.6) 和改善了刺激块利用率 (24.6 ± 2.3 vs. 8.2 ± 1.1比特/分钟).
结论:
- 拟议的SE-VEP范式对于在线BCI控制是有效的,为传统的SSVEP系统提供了可行的替代方案.
- 该SE-VEP模型成功地减轻了用户的疲劳,并提高了BCI应用程序的效率.
- 优化的空间编码和分类方法有助于提高BCI性能和用户体验.
