Summary
本文讨论了如何依靠消费级设备和稳态视觉诱发电位构建脑机接口。为此,利用干电极的单通道脑电图仪与增强现实眼镜集成在一起,用于刺激呈现和输出数据可视化。最终的系统是非侵入式的、可穿戴的和便携的。
Abstract
目前的工作重点是如何构建可穿戴脑机接口(BCI)。BCI是一种新颖的人机交互方式,它依赖于对大脑信号的直接测量来帮助残疾人和健全人。应用示例包括机器人控制、工业检测和神经康复。值得注意的是,最近的研究表明,稳态视觉诱发电位(SSVEPs)特别适合通信和控制应用,目前正在努力将BCI技术带入日常生活。为了实现这一目标,最终系统必须依靠可穿戴、便携和低成本的仪器。在利用SSVEP时,需要具有固定频率的闪烁视觉刺激。因此,在考虑日常生活限制时,本研究探讨了通过智能眼镜提供视觉刺激的可能性。此外,为了检测诱发电位,考虑了一种用于脑电图(EEG)的商用设备。它由带有干电极(无导电凝胶)的单个差分通道组成,从而实现最大的耐磨性和便携性。在这样的BCI中,用户只需盯着显示屏上出现的图标即可与智能眼镜进行交互。基于这个简单的原理,通过将扩展现实(XR)眼镜与市售的EEG设备集成,构建了用户友好,低成本的BCI。这种可穿戴XR-BCI的功能通过涉及20名受试者的实验活动进行了检查。根据刺激时间的不同,分类准确率平均在80%-95%之间。鉴于这些结果,该系统可以用作工业检查的人机界面,也可以用于ADHD和自闭症的康复。
Introduction
脑机接口(BCI)是一种允许与没有自然神经通路的设备进行通信和/或控制的系统1。BCI技术是人类最接近用思想的力量控制物体的东西。从技术角度来看,系统操作通过测量诱导或诱发的大脑活动来工作,这些活动可能是非自愿的,也可能是由受试者自愿产生的2。从历史上看,研究的重点是通过 BCI3 帮助运动障碍者,但如今越来越多的公司为游戏4、机器人5、工业6 和其他涉及人机交互的应用提供基于 BCI 的仪器。值得注意的是,BCI可能在第四次工业革命中发挥作用,即工业4.07,其中网络物理生产系统正在改变人类与周围环境之间的相互作用8。从广义上讲,欧洲项目BNCI Horizon 2020确定了诸如替换,恢复,改善,增强或补充中枢神经系统失去的自然功能等应用场景,以及BCI在研究大脑中的使用9。
在这个框架中,最近的技术进步意味着脑机接口可能适用于日常生活10,11。为了实现这一目标,第一个要求是非侵入性,这对于避免手术干预的风险和提高用户接受度非常重要。然而,值得注意的是,非侵入性神经成像的选择会影响测量的大脑信号的质量,然后BCI设计必须处理相关的陷阱12。此外,还需要耐磨性和便携性。这些要求符合对用户友好系统的需要,但也带来了一些限制。总体而言,通过使用带有无凝胶电极的脑电图(EEG)系统6解决了上述硬件限制。这种基于脑电图的BCI也将是低成本的。同时,在软件方面,需要最少的用户培训(或理想情况下没有培训);也就是说,在用户可以使用系统之前,最好避免长时间调整处理算法。这方面在BCI中至关重要,因为主体间和主体内的非平稳性13,14。
先前的文献已经证明,诱发脑电位的检测在信号采集中的非平稳性和噪声方面是稳健的。换句话说,依赖于诱发电位检测的BCI被称为反应性,并且在大脑模式识别方面是表现最好的BCI15。然而,它们需要感官刺激,这可能是这种界面的主要缺点。因此,所提出的方法的目标是依靠可穿戴的现成仪器构建高度可穿戴和便携式的BCI。这里的感官刺激由智能眼镜产生的闪烁灯组成,能够引发稳态视觉诱发电位(SSVEP)。以前的工作已经考虑将BCI与虚拟现实单独或与增强现实相结合16。例如,提出了BCI-AR系统来控制SSVEP17的四轴飞行器。虚拟现实、增强现实和其他范式被称为扩展现实。在这种情况下,智能眼镜的选择符合可穿戴性和便携性要求,并且智能眼镜可以与最小的脑电图采集设置集成。本文表明,基于 SSVEP 的 BCI 还需要最少的培训,同时在中低速通信和控制应用中实现可接受的分类性能。因此,该技术应用于日常生活应用的BCI,似乎特别适用于工业和医疗保健。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
该研究得到了那不勒斯费德里科二世大学人文系心理研究伦理委员会的批准。志愿者在参与实验前签署了知情同意书。
1.准备非侵入性可穿戴大脑-计算机接口
- 获得带有干电极的低成本消费级脑电图仪,并将其配置为单通道使用。
- 将低成本脑电图仪上任何未使用的输入通道短路或连接到固有数据表指定的内部基准电压。这样,未使用的通道将被禁用,并且它们不会产生串扰噪声。
- 调整脑电图仪增益(通常通过具有可变电阻的组件),使其输入范围约为100 μV。
注意:要测量的脑电图信号约为数十微伏。然而,干电极受到运动伪影的极大影响,由于电极-皮肤阻抗的变化,导致振荡量级为100 μV。增加输入电压范围有助于限制EEG放大器饱和度,但并不能完全消除饱和度。另一方面,进一步增加输入电压范围会很不方便,因为这会影响测量所需EEG分量的电压分辨率。最终,必须通过考虑脑电图板内模数转换器的位分辨率来平衡这两个方面。 - 准备三个干电极连接到脑电图板。使用无源电极(无预放大)作为参比电极。其余两个测量电极应该是有源电极(即涉及预放大和最终的模拟滤波)。
注意:放置在毛发头皮区域的电极需要引脚来克服电极与皮肤的接触阻抗。如果可能,用平头焊接银针(以避免用户遭受太多痛苦),或者理想情况下使用带有Ag/AgCl涂层的导电(软)橡胶。
- 获取具有 Android 操作系统且刷新率为 60 Hz 的商用智能眼镜。 或者,使用较低的刷新率。刺激需要更高的刷新率,因为眼睛疲劳会更少,但目前市场上没有可用的解决方案。
- 下载用于通信或控制的 Android 应用程序的源代码,或开发一个。
- 通过更改固有对象(通常在 Java 或 Kotlin 中),将应用程序中的虚拟按钮替换为闪烁的图标。建议使用屏幕尺寸至少为 5% 的白色方块。通常,刺激方块越大,要检测的SSVEP成分就越高,但可以根据具体情况找到最佳值。建议的频率为 10 Hz 和 12 Hz 闪烁。在图形处理单元(GPU)上实现闪烁,以避免智能眼镜的计算单元(CPU)过载。为此,请使用 OpenGL 库中的对象。
- 实现Android应用程序的模块,用于实时处理输入脑电图流。可以添加Android USB服务,以便可以通过USB 接收 流。实时处理可以通过考虑传入的数据包来简单地将滑动窗口应用于 EEG 流。通过快速傅里叶变换函数计算与 10 Hz 和 12 Hz 频率相关的功率谱密度。因此,经过训练的分类器可以通过对功率谱密度特征进行分类来区分用户正在查看 10 Hz 闪烁图标或 12 Hz 闪烁图标。
2. 校准基于 SSVEP 的大脑 - 计算机接口
注意:本研究选择了健康的志愿者。排除有脑部疾病史的受试者。涉及的受试者必须视力正常或矫正至正常。他们被指示在实验过程中放松,避免不必要的运动,尤其是头部的运动。
- 让用户在安卓应用中佩戴智能眼镜。
- 让用户戴上紧紧的头带来固定电极。
- 在 PC 与主电源断开连接时,通过 USB 电缆 将 低成本脑电图仪连接到 PC。
- 首先断开所有电极与脑电图采集板的连接,以从已知条件开始。
- 在此阶段,使用与 Android 应用程序中实现的处理兼容的脚本在 PC 上离线处理 EEG 流。启动脚本以接收脑电图信号并可视化它们。
- 检查离线处理的显示信号。这必须仅对应于EEG放大器的量化噪声。
- 连接电极。
- 使用自定义夹子将无源电极贴在左耳上,或使用耳夹电极。在此步骤中,输出信号必须保持不变,因为测量差分通道仍然是开路。
- 将有源电极连接到测量EEG通道差分输入的负极端子,并用头带应用于额叶区域(Fpz标准位置)。几秒钟后,信号应恢复为零(量化噪声)。
- 将另一个有源电极连接到测量脑电通道差分输入的正极端子,并用头带应用于枕部区域(Oz标准位置)。现在显示一个大脑信号,它对应于相对于额叶大脑区域测量的视觉活动(那里没有预见到视觉活动)。
- 采集信号进行系统校准。
- 通过在Android应用程序中启动闪烁图标,用10 Hz和12 Hz(最终是其他)闪烁图标反复刺激用户,并获取并保存固有的脑电信号以供离线处理。确保此阶段的每次刺激都由一个闪烁 10 秒的单个图标组成,并通过按下智能眼镜的触摸板来启动闪烁图标,同时启动 EEG 采集和可视化脚本。
- 从与每次刺激相关的 10 s 信号中,使用快速傅里叶变换提取两个特征:10 Hz 和 12 Hz 时的功率谱密度。 或者,考虑二次谐波(20 Hz 和 24 Hz)。
- 使用特征域中采集信号的表示来训练支持向量机分类器。使用工具(在 Matlab 或 Python 中)根据输入特征识别具有最终内核的超平面的参数。经过训练的模型将能够对脑电图信号的未来观察进行分类。
3. 组装最终的可穿戴和便携式基于 SSVEP 的接口
- 断开 USB 电缆与 PC 的连接,然后将其直接连接到智能眼镜。
- 将经过训练的分类器的参数插入到 Android 应用程序中。系统现已准备就绪。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
上述系统的可能实现如图 1所示;这种实现允许用户通过大脑活动在增强现实中导航。智能眼镜显示屏上的闪烁图标对应于应用程序的动作(图1A),因此,这些眼镜代表了基于按钮按下或触摸板的传统界面的替代品。这种相互作用的有效性与闪烁引起的电位的成功分类严格相关。为了实现这一目标,首先对系统18进行了计量表征,然后人类用户参与了实验验证。
图1:拟议的脑机接口的可能实现。 (A)表示用户通过智能眼镜看到的内容,即真实场景和视觉刺激;(二)用户佩戴免提系统。 请点击此处查看此图的大图。
脑电图仪的线性度和幅度误差。通过在七个不同幅度(10 μV、20 μV、30 μV、40 μV、60 μV、80 μV 和 100 μV)下测试的器件的正弦输入信号进行测量,在 20 Hz 下评估线性度。通过将脑电图仪的电压绘制为输入电压的函数,图2A突出显示了脑电图仪的清晰线性行为。线性也通过对线性拟合优度的费舍尔检验得到证实。但是,该图也显示了一些增益和失调误差。通过将幅度固定在100 μV并改变频率来测试这些误差。结果如图2B所示,并确认了相对于标称增益的幅度误差。
图 2:低成本脑电图仪表征的结果。 (A) 线性误差;(二)幅度误差。每个测量点的样本数量为4,096。更详细的讨论可以在Arpaia等人18中找到。请点击此处查看此图的大图。
最后,测量智能眼镜的闪烁,以突出显示与标称方波路径的最终偏差。这种偏差在12 Hz闪烁的振幅谱中尤其明显(图3B)。然而,所有这些误差都可以考虑或最终补偿,从而证明了在SSVEP-BCI系统中使用消费级材料的可行性。
图 3:根据闪烁按钮的振幅频谱对商用智能眼镜进行表征的结果。 (A) 以 10 Hz 闪烁;(B) 以 12 Hz 闪烁。更详细的讨论可以在Arpaia等人18中找到。 请点击此处查看此图的大图。
关于实验验证,20名受试者(7名女性)参加了该活动。每个受试者都进行了24次试验,智能眼镜显示屏上同时有两个闪烁的图标。受试者必须盯着两个随机排序的图标之一,每个图标都有不同的频率(10 Hz闪烁或12 Hz闪烁)。通过让他们决定盯着没有任何预定义标准的图标来保证受试者最初盯着哪个频率的随机性。一旦以特定频率完成了 12 次试验,然后要求受试者专注于其余试验中具有另一个频率的图标。在被利用的应用程序中,12 Hz闪烁图标出现在左上角,而10 Hz闪烁图标出现在右下角。一次试验持续10.0秒,连续试验之间经过几秒钟(随机持续时间)。然后可以通过切割记录的信号来离线分析较小的时间窗口。
图 4:在特征域中视觉刺激期间测量的信号的表示。 与 12 Hz 闪烁刺激(12 Hz 类)相关的信号以蓝色表示,而与 10 Hz 闪烁刺激(10 Hz 类)相关的信号以红色表示。这里考虑了所有主题的特征。 请点击此处查看此图的大图。
图4报告了由两种功率谱密度特征(即12 Hz和10 Hz)表示的10 s信号。二维中的单个点对应于单个试验。对应于两种不同闪烁频率的点通过它们的颜色来区分。因此,这两个类是分开的,尽管两个类之间存在重叠,这可能导致错误分类。通过四重交叉验证获得分类结果,因此数据被分成四次分为18项试验进行训练,6项试验进行验证。数据证实,在10 s刺激病例(表1)中,20名受试者中有8名达到100%的准确率,但对于其他受试者,分类准确率低至65%-70%。同时,一名受试者在2 s刺激下达到100%(通过在后处理中剪切信号获得),相关数量的受试者达到随机(50%)分类准确率。将所有受试者的数据作为一个整体考虑,并获得分类精度。还根据信息传输速率(ITR)评估了性能,平均信息传输速率高于30位/分钟。通过考虑20 Hz和24 Hz下的功率谱密度,这些结果得到了增强。 表2 显示它们增加或保持不变,至少在10 s刺激情况下,标准差减小,因此表明不同受试者的分类性能分散较小。最后,重新计算了这四个特征案例中所有受试者的分类精度,再次发现它们接近平均精度。
主题 | 10 秒刺激精度 % | 2 秒刺激精度 % |
都 | 94.2 | 77.5 |
S1 | 100 | 100 |
S2 | 100 | 98.8 |
S3 | 100 | 92 |
S4 | 100 | 92 |
S5 | 100 | 88 |
S6 | 100 | 87 |
S7 | 100 | 87 |
S8 | 100 | 64 |
S9 | 97.9 | 57 |
S10 | 96.7 | 88.8 |
S11 | 96 | 64 |
S12 | 95.8 | 78 |
S13 | 95.4 | 83 |
S14 | 95.4 | 53 |
S15 | 94 | 80 |
S16 | 92.9 | 61 |
S17 | 91 | 78 |
S18 | 89.6 | 61 |
S19 | 81 | 52 |
S20 | 71 | 49 |
意味 着 | 94.9 | 76 |
性病 | 7.4 | 16 |
表1:对SSVEP相关脑电信号进行分类的交叉验证准确性。 对于每个受试者,将与10秒刺激相关的结果与与2秒刺激相关的结果进行比较。报告所有受试者的平均准确度,以及将所有受试者一起考虑获得的准确度( 全部行)。
10 秒刺激(平均准确度±标准) % | 10 秒刺激(平均准确度±标准) % | |
2D 案例 | 94.9 ± 7.4 | 76±16 |
4D案例 | 97.2 ± 4.3 | 76 ± 15 |
表2:SSVEP相关脑电图数据考虑两个PSD特征(2D病例)与四个PSD特征(4D病例)时的分类性能比较。 通过报告平均交叉验证精度及其相关的标准偏差,将 10 秒刺激与 2 秒刺激进行比较。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
系统的正常运行涉及两个关键方面:SSVEP启发和信号采集。除了为当前研究选择的特定设备外,SSVEP还可以通过提供闪烁光的不同设备来引发,尽管智能眼镜是首选以确保可穿戴性和便携性。类似地,可以考虑进一步的商业脑电图仪,但它们必须是可穿戴的,便携式的,并且涉及最少数量的干电极才能使用户友好。此外,该系统可以定制为使用易于编程的设备。此外,处理策略决定了最终性能;尽管处理策略在所描述的系统设计中似乎并不重要,但其增强肯定会有助于为通信和控制应用提供更快、更准确的系统10,11,19。
可以强调该系统的一些缺点。事实上,对于SSVEP启发,闪烁刺激应该具有大尺寸和稳定的闪烁频率。前者意味着Android应用程序的按钮可能很笨重,并且对扩展现实场景构成限制。后者需要具有计量特性的智能眼镜,而这些特征通常不会出现在商业设备中。此外,即使在满足这些条件之后,SSVEP 的存在也取决于受试者。值得注意的是,SSVEP振幅存在受试者内和受试者间的差异,这取决于几个不可控的因素,例如用户疲劳或注意力/参与度13。这个问题增加了为适当的SSVEP启发找到最佳刺激的需求20。
另一方面,信号采集对于最终性能至关重要,因为在测量大脑活动时必须达到合适的信噪比。为了实现最大的耐磨性、便携性、用户舒适度和低成本,使用单通道无创脑电图和干电极测量大脑活动。当然,干电极大多符合日常生活要求,但避免使用导电凝胶会限制电极与皮肤的接触。因此,必须通过正确放置电极并在连续使用中稳定电极来确保电极的机械稳定性。然而,事实上,所提出的采集系统的缺点是信号质量相对于更具侵入性的神经成像技术而降低。
尽管预期的信噪比很差,但所提出的系统的验证表明,通信和控制应用的高性能是可能的。特别是,消费级设备的计量表征表明,所采用的设备适用于感兴趣的BCI应用,并且还建议类似的设备也应该适用于这些应用。通过实验验证,观察到与受试者相关的分类准确性,但可以得出积极的总体结论。
通过增加刺激时间可以提高分类精度。在这种情况下,系统响应速度会变慢,但仍可以提供替代通信和控制功能。其次,通过使用其他科目的初步数据,可以获得没有训练的系统(或最多是训练最少的系统)。为了了解所提出的方法对该领域的贡献,可以将结果与非侵入性SSVEP-BCI的文献进行比较。在更传统的BCI中,即使使用2 s刺激21,准确率也达到约94%,但此类系统需要大量培训,并且可能不可穿戴和便携。然而,当试图增加用户友好性时(例如,当使用干电极22 时甚至当试图使用单个电极23时),性能下降。在这些情况下,分类精度降低到约83%。
因此,尽管在临床环境中使用该系统可能不合适,但这项工作中描述的系统通过提高用户友好性同时保持高性能,使BCI技术更接近日常生活应用。一些参与者评论说,枕部区域的干电极比传统的电极更令人不安,但总的来说,他们赞赏该系统的耐磨性和便携性。许多升级是可能的,其中一些已经在开发中。例如,刺激的数量(因此,命令的数量)可以增加到四个。然后,刺激本身可以设计成减少眼睛疲劳。最后,可以通过更先进的处理策略提高分类性能,以实现更准确和/或更快的系统。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者没有什么可透露的。
Acknowledgments
这项工作是作为信息通信技术促进健康项目的一部分进行的,该项目由意大利教育、大学和研究部 (MIUR) 根据卓越部门倡议(意大利预算法第 232/2016 号)通过授予那不勒斯费德里科二世大学信息技术和电气工程系的卓越赠款, 意大利那不勒斯。该项目确实是在Res4Net倡议和IEEE仪器仪表和测量协会的TC-06(测量新兴技术)的支持下实现的。作者还要感谢L. Callegaro,A. Cioffi,S. Criscuolo,A. Cultrera,G. De Blasi,E. De Benedetto,L. Duraccio,E. Leone和M. Ortolano在开发,测试和验证系统方面的宝贵贡献。
Materials
Name | Company | Catalog Number | Comments |
Conductive rubber with Ag/AgCl coating | ab medica s.p.a. | N/A | Alternative electrodes – type 2 |
Earclip electrode | OpenBCI | N/A | Ear clip |
EEG-AE | Olimex | N/A | Active electrodes |
EEG-PE | Olimex | N/A | Passive electrode |
EEG-SMT | Olimex | N/A | Low-cost electroencephalograph |
Moverio BT-200 | Epson | N/A | Smart glasses |
Snap electrodes | OpenBCI | N/A | Alternative electrodes – type 1 |
References
- Wolpaw, J. R., et al. Brain-computer interface technology: A review of the first international meeting. IEEE Transactions on Rehabilitation Engineering. 8 (2), 164-173 (2000).
- Zander, T. O., Kothe, C., Jatzev, S., Gaertner, M. Enhancing human-computer interaction with input from active and passive brain-computer interfaces. Brain-Computer Interfaces. Tan, D. S., Nijholt, A. , Springer. London, UK. 181-199 (2010).
- Ron-Angevin, R., et al. Brain-computer interface application: Auditory serial interface to control a two-class motor-imagery-based wheelchair. Journal of Neuroengineering and Rehabilitation. 14 (1), 49 (2017).
- Ahn, M., Lee, M., Choi, J., Jun, S. C. A review of brain-computer interface games and an opinion survey from researchers, developers and users. Sensors. 14 (8), 14601-14633 (2014).
- Bi, L., Fan, X. A., Liu, Y. EEG-based brain-controlled mobile robots: A survey. IEEE Transactions on Human-Machine Systems. 43 (2), 161-176 (2013).
- Arpaia, P., Callegaro, L., Cultrera, A., Esposito, A., Ortolano, M. Metrological characterization of a low-cost electroencephalograph for wearable neural interfaces in industry 4.0 applications. IEEE International Workshop on Metrology for Industry 4.0 & IoT (MetroInd4. 0&IoT). , 1-5 (2021).
- Rüßmann, M., et al. Industry 4.0: The future of productivity and growth in manufacturing industries. Boston Consulting Group. 9 (1), 54-89 (2015).
- Angrisani, L., Arpaia, P., Moccaldi, N., Esposito, A. Wearable augmented reality and brain computer interface to improve human-robot interactions in smart industry: A feasibility study for SSVEP signals. IEEE 4th International Forum on Research and Technology for Society and Industry (RTSI). , 1-5 (2018).
- Brunner, C., et al. BNCI Horizon 2020: Towards a roadmap for the BCI community. Brain-Computer Interfaces. 2 (1), 1-10 (2015).
- Yin, E., Zhou, Z., Jiang, J., Yu, Y., Hu, D. A dynamically optimized SSVEP brain-computer interface (BCI) speller. IEEE Transactions on Biomedical Engineering. 62 (6), 1447-1456 (2014).
- Chen, L., et al. Adaptive asynchronous control system of robotic arm based on augmented reality-assisted brain-computer interface. Journal of Neural Engineering. 18 (6), 066005 (2021).
- Ball, T., Kern, M., Mutschler, I., Aertsen, A., Schulze-Bonhage, A. Signal quality of simultaneously recorded invasive and non-invasive EEG. Neuroimage. 46 (3), 708-716 (2009).
- Grosse-Wentrup, M. What are the causes of performance variation in brain-computer interfacing. International Journal of Bioelectromagnetism. 13 (3), 115-116 (2011).
- Arpaia, P., Esposito, A., Natalizio, A., Parvis, M. How to successfully classify EEG in motor imagery BCI: A metrological analysis of the state of the art. Journal of Neural Engineering. 19 (3), (2022).
- Ajami, S., Mahnam, A., Abootalebi, V. Development of a practical high frequency brain-computer interface based on steady-state visual evoked potentials using a single channel of EEG. Biocybernetics and Biomedical Engineering. 38 (1), 106-114 (2018).
- Friedman, D. Brain-computer interfacing and virtual reality. Handbook of Digital Games and Entertainment Technologies. Nakatsu, R., Rauterberg, M., Ciancarini, P. , 151-171 (2015).
- Wang, M., Li, R., Zhang, R., Li, G., Zhang, D. A wearable SSVEP-based BCI system for quadcopter control using head-mounted device. IEEE Access. 6, 26789-26798 (2018).
- Arpaia, P., Callegaro, L., Cultrera, A., Esposito, A., Ortolano, M. Metrological characterization of consumer-grade equipment for wearable brain-computer interfaces and extended reality. IEEE Transactions on Instrumentation and Measurement. 71, 1-9 (2021).
- Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., Vaughan, T. M. Brain-computer interfaces for communication and control. Clinical Neurophysiology. 113 (6), 767-791 (2002).
- Duszyk, A., et al. Towards an optimization of stimulus parameters for brain-computer interfaces based on steady state visual evoked potentials. PLoS One. 9 (11), 112099 (2014).
- Prasad, P. S., et al. SSVEP signal detection for BCI application. IEEE 7th International Advance Computing Conference (IACC). , 590-595 (2017).
- Xing, X., et al. A high-speed SSVEP-based BCI using dry EEG electrodes). Scientific Reports. 8, 14708 (2018).
- Luo, A., Sullivan, T. J. A user-friendly SSVEP-based brain-computer interface using a time-domain classifier. Journal of Neural Engineering. 7 (2), 026010 (2010).