Summary
यह पेपर चर्चा करता है कि उपभोक्ता-ग्रेड उपकरण और स्थिर-राज्य नेत्रहीन क्षमता पर भरोसा करके मस्तिष्क-कंप्यूटर इंटरफ़ेस कैसे बनाया जाए। इसके लिए, शुष्क इलेक्ट्रोड का दोहन करने वाले एक एकल-चैनल इलेक्ट्रोएन्सेफलोग्राफ को उत्तेजना प्रस्तुति और आउटपुट डेटा विज़ुअलाइज़ेशन के लिए संवर्धित वास्तविकता चश्मे के साथ एकीकृत किया गया था। अंतिम प्रणाली गैर-इनवेसिव, पहनने योग्य और पोर्टेबल थी।
Abstract
वर्तमान काम एक पहनने योग्य मस्तिष्क-कंप्यूटर इंटरफ़ेस (बीसीआई) बनाने के तरीके पर केंद्रित है। बीसीआई मानव-कंप्यूटर इंटरैक्शन का एक नया साधन है जो विकलांग लोगों और सक्षम लोगों दोनों की सहायता के लिए मस्तिष्क संकेतों के प्रत्यक्ष माप पर निर्भर करता है। आवेदन उदाहरणों में रोबोट नियंत्रण, औद्योगिक निरीक्षण और न्यूरोरिहैबिलिटेशन शामिल हैं। विशेष रूप से, हाल के अध्ययनों से पता चला है कि स्थिर-राज्य नेत्रहीन क्षमता (एसएसवीईपी) संचार और नियंत्रण अनुप्रयोगों के लिए विशेष रूप से अनुकूल हैं, और वर्तमान में बीसीआई प्रौद्योगिकी को दैनिक जीवन में लाने के प्रयास किए जा रहे हैं। इस उद्देश्य को प्राप्त करने के लिए, अंतिम प्रणाली को पहनने योग्य, पोर्टेबल और कम लागत वाले इंस्ट्रूमेंटेशन पर भरोसा करना चाहिए। एसएसवीईपी का दोहन करने में, निश्चित आवृत्तियों के साथ एक झिलमिलाती दृश्य उत्तेजना की आवश्यकता होती है। इस प्रकार, दैनिक जीवन की बाधाओं पर विचार करने में, इस अध्ययन में स्मार्ट चश्मे के माध्यम से दृश्य उत्तेजना प्रदान करने की संभावना का पता लगाया गया था। इसके अलावा, प्राप्त क्षमता का पता लगाने के लिए, इलेक्ट्रोएन्सेफलोग्राफी (ईईजी) के लिए एक वाणिज्यिक उपकरण पर विचार किया गया था। इसमें सूखे इलेक्ट्रोड (कोई प्रवाहकीय जेल नहीं) के साथ एक एकल अंतर चैनल होता है, इस प्रकार अत्यधिक पहनने की क्षमता और पोर्टेबिलिटी प्राप्त होती है। ऐसे बीसीआई में, उपयोगकर्ता केवल डिस्प्ले पर दिखाई देने वाले आइकन को घूरकर स्मार्ट चश्मे के साथ बातचीत कर सकता है। इस सरल सिद्धांत पर, व्यावसायिक रूप से उपलब्ध ईईजी डिवाइस के साथ विस्तारित वास्तविकता (एक्सआर) चश्मे को एकीकृत करके एक उपयोगकर्ता के अनुकूल, कम लागत वाली बीसीआई का निर्माण किया गया था। इस पहनने योग्य एक्सआर-बीसीआई की कार्यक्षमता की जांच 20 विषयों से जुड़े एक प्रयोगात्मक अभियान के साथ की गई थी। उत्तेजना समय के आधार पर वर्गीकरण सटीकता औसतन 80% -95% के बीच थी। इन परिणामों को देखते हुए, सिस्टम का उपयोग औद्योगिक निरीक्षण के लिए मानव-मशीन इंटरफ़ेस के रूप में किया जा सकता है, लेकिन एडीएचडी और ऑटिज़्म में पुनर्वास के लिए भी।
Introduction
एक मस्तिष्क-कंप्यूटर इंटरफ़ेस (बीसीआई) एक प्रणाली है जो प्राकृतिकतंत्रिका मार्गों के बिना उपकरणों के साथ संचार और / या नियंत्रण की अनुमति देती है। बीसीआई प्रौद्योगिकी सबसे करीबी चीज है जो मानवता को मन की शक्ति के साथ वस्तुओं को नियंत्रित करने के लिए है। तकनीकी दृष्टिकोण से, सिस्टम ऑपरेशन प्रेरित या उत्तेजित मस्तिष्क गतिविधि को मापकर काम करता है, जो या तो अनैच्छिक रूप से या स्वेच्छा से विषय2 से उत्पन्न हो सकता है। ऐतिहासिक रूप से, अनुसंधान ने बीसीआई3 के माध्यम से मोटर विकलांग लोगों की सहायता करने पर ध्यान केंद्रित किया, लेकिन आज कंपनियों की बढ़ती संख्या गेमिंग4, रोबोटिक्स5, उद्योग6 और मानव-मशीन इंटरैक्शन से जुड़े अन्य अनुप्रयोगों के लिए बीसीआई-आधारित इंस्ट्रूमेंटेशन प्रदान करती है। विशेष रूप से, बीसीआई चौथी औद्योगिक क्रांति में एक भूमिका निभा सकता है, अर्थात् उद्योग 4.07, जहां साइबर-भौतिक उत्पादन प्रणाली मनुष्यों और आसपासके पर्यावरण के बीच बातचीत को बदल रही है। मोटे तौर पर, यूरोपीय परियोजना बीएनसीआई क्षितिज 2020 ने केंद्रीय तंत्रिका तंत्र के खोए हुए प्राकृतिक कार्यों को बदलने, बहाल करने, सुधारने, बढ़ाने या पूरक करने जैसे अनुप्रयोग परिदृश्यों की पहचान की, साथ ही मस्तिष्क9 की जांच में बीसीआई का उपयोग किया।
इस ढांचे में, हाल ही में तकनीकी प्रगति का मतलब है कि मस्तिष्क-कंप्यूटर इंटरफेस दैनिक जीवन में उपयोग के लिए लागू हो सकते हैं10,11. इस उद्देश्य को प्राप्त करने के लिए, पहली आवश्यकता गैर-इनवेसिवनेस है, जो सर्जिकल हस्तक्षेप के जोखिमों से बचने और उपयोगकर्ता स्वीकृति बढ़ाने के लिए महत्वपूर्ण है। हालांकि, यह ध्यान देने योग्य है कि गैर-इनवेसिव न्यूरोइमेजिंग की पसंद मापा मस्तिष्क संकेतों की गुणवत्ता को प्रभावित करती है, और बीसीआई डिजाइन को तब संबंधित नुकसान12 से निपटना चाहिए। इसके अलावा, पहनने की क्षमता और पोर्टेबिलिटी की आवश्यकता होती है। ये आवश्यकताएं उपयोगकर्ता के अनुकूल प्रणाली की आवश्यकता के अनुरूप हैं, लेकिन कुछ बाधाएं भी पैदा करती हैं। कुल मिलाकर, उल्लिखित हार्डवेयर बाधाओं को जेल-मुक्त इलेक्ट्रोड6 के साथ इलेक्ट्रोएन्सेफलोग्राफिक (ईईजी) प्रणाली के उपयोग से संबोधित किया जाता है। इस तरह के ईईजी-आधारित बीसीआई भी कम लागत वाले होंगे। इस बीच, सॉफ्टवेयर के संदर्भ में, न्यूनतम उपयोगकर्ता प्रशिक्षण (या आदर्श रूप से कोई प्रशिक्षण नहीं) वांछित होगा; अर्थात्, उपयोगकर्ता द्वारा सिस्टम का उपयोग करने से पहले प्रसंस्करण एल्गोरिथ्म को ट्यून करने के लिए लंबी अवधि से बचना सबसे अच्छा होगा। अंतर-विषय और अंतर-विषय गैर-स्थिरता13,14 के कारण बीसीआई में यह पहलू महत्वपूर्ण है।
पिछले साहित्य से पता चला है कि सिग्नल अधिग्रहण में गैर-स्थिरता और शोर के संबंध में मस्तिष्क की क्षमता का पता लगाना मजबूत है। दूसरे शब्दों में, विकसित क्षमता का पता लगाने पर निर्भर बीसीआई को प्रतिक्रियाशील कहा जाता है, और मस्तिष्क पैटर्न मान्यता15 के मामले में सबसे अच्छा प्रदर्शन करने वाले बीसीआई हैं। फिर भी, उन्हें संवेदी उत्तेजना की आवश्यकता होती है, जो शायद ऐसे इंटरफेस का मुख्य दोष है। प्रस्तावित विधि का लक्ष्य, इस प्रकार, पहनने योग्य, ऑफ-द-शेल्फ इंस्ट्रूमेंटेशन पर निर्भर एक अत्यधिक पहनने योग्य और पोर्टेबल बीसीआई का निर्माण करना है। यहां संवेदी उत्तेजनाओं में स्मार्ट चश्मे द्वारा उत्पन्न झिलमिलाती रोशनी शामिल है, जो स्थिर-अवस्था नेत्रहीन क्षमता (एसएसवीईपी) को प्राप्त करने में सक्षम हैं। पिछले कार्यों ने पहले से ही बीसीआई को आभासी वास्तविकता के साथ एकीकृत करने पर विचार किया है या तो अकेले या संवर्धित वास्तविकता16 के साथ संयोजन में। उदाहरण के लिए, एसएसवीईपी17 के साथ एक क्वाडकॉप्टर को नियंत्रित करने के लिए एक बीसीआई-एआर प्रणाली प्रस्तावित की गई थी। आभासी वास्तविकता, संवर्धित वास्तविकता और अन्य प्रतिमानों को विस्तारित वास्तविकता शब्द के साथ संदर्भित किया जाता है। ऐसे परिदृश्य में, स्मार्ट चश्मे की पसंद पहनने की क्षमता और पोर्टेबिलिटी आवश्यकताओं का अनुपालन करती है, और स्मार्ट चश्मे को न्यूनतम ईईजी अधिग्रहण सेटअप के साथ एकीकृत किया जा सकता है। इस पेपर से पता चलता है कि एसएसवीईपी-आधारित बीसीआई को कम-मध्यम गति संचार और नियंत्रण अनुप्रयोगों के लिए स्वीकार्य वर्गीकरण प्रदर्शन प्राप्त करते समय न्यूनतम प्रशिक्षण की भी आवश्यकता होती है। इसलिए, तकनीक दैनिक जीवन अनुप्रयोगों के लिए बीसीआई पर लागू होती है, और यह उद्योग और स्वास्थ्य देखभाल के लिए विशेष रूप से उपयुक्त प्रतीत होती है।
Subscription Required. Please recommend JoVE to your librarian.
Protocol
अध्ययन को नेपल्स फेडेरिको द्वितीय विश्वविद्यालय के मानविकी विभाग के मनोवैज्ञानिक अनुसंधान की नैतिक समिति द्वारा अनुमोदित किया गया था। प्रयोगों में भाग लेने से पहले स्वयंसेवकों ने सूचित सहमति पर हस्ताक्षर किए।
1. गैर-इनवेसिव पहनने योग्य मस्तिष्क तैयार करना - कंप्यूटर इंटरफ़ेस
- सूखे इलेक्ट्रोड के साथ कम लागत वाले उपभोक्ता-ग्रेड इलेक्ट्रोएन्सेफलोग्राफ प्राप्त करें, और इसे एकल-चैनल उपयोग के लिए कॉन्फ़िगर करें।
- कम लागत वाले इलेक्ट्रोएन्सेफलोग्राफ पर किसी भी अप्रयुक्त इनपुट चैनल को अंतर्निहित डेटाशीट द्वारा निर्दिष्ट आंतरिक संदर्भ वोल्टेज से शॉर्ट-सर्किट या कनेक्ट करें। ऐसा करने में, अप्रयुक्त चैनल अक्षम हो जाते हैं, और वे क्रॉसस्टॉक शोर उत्पन्न नहीं करते हैं।
- इलेक्ट्रोएन्सेफलोग्राफ लाभ (आमतौर पर चर प्रतिरोध वाले घटक के माध्यम से) को 100 μV के क्रम में इनपुट रेंज रखने के लिए समायोजित करें।
नोट: मापा जाने वाला ईईजी सिग्नल दसियों माइक्रोवोल्ट के क्रम में हैं। हालांकि, शुष्क इलेक्ट्रोड गति कलाकृतियों से बहुत प्रभावित होते हैं, जिसके परिणामस्वरूप इलेक्ट्रोड-त्वचा प्रतिबाधा में परिवर्तनशीलता के कारण 100 μV के क्रम में दोलन होते हैं। इनपुट वोल्टेज रेंज बढ़ाने से ईईजी एम्पलीफायर संतृप्ति को सीमित करने में मदद मिलती है, लेकिन यह इसे पूरी तरह से समाप्त नहीं करता है। दूसरी ओर, इनपुट वोल्टेज रेंज को और भी बढ़ाना असुविधाजनक होगा, क्योंकि यह वांछित ईईजी घटकों को मापने में वोल्टेज रिज़ॉल्यूशन को प्रभावित करेगा। अंततः, इलेक्ट्रोएन्सेफलोग्राफ बोर्ड के अंदर एनालॉग-टू-डिजिटल कनवर्टर के बिट-रिज़ॉल्यूशन को भी ध्यान में रखते हुए दो पहलुओं को संतुलित किया जाना चाहिए। - इलेक्ट्रोएन्सेफलोग्राफ बोर्ड से कनेक्ट करने के लिए तीन सूखे इलेक्ट्रोड तैयार करें। संदर्भ इलेक्ट्रोड के रूप में एक निष्क्रिय इलेक्ट्रोड (कोई पूर्व-प्रवर्धन नहीं) का उपयोग करें। शेष दो मापने वाले इलेक्ट्रोड सक्रिय होने चाहिए (यानी, पूर्व-प्रवर्धन और अंतिम एनालॉग फ़िल्टरिंग शामिल हैं)।
नोट: बालों वाले खोपड़ी क्षेत्र पर रखे इलेक्ट्रोड को इलेक्ट्रोड-त्वचा संपर्क प्रतिबाधा को दूर करने के लिए पिन की आवश्यकता होती है। यदि संभव हो, तो फ्लैट सिर के साथ सोल्डर सिल्वर पिन (उपयोगकर्ता के लिए बहुत अधिक दर्द से बचने के लिए), या आदर्श रूप से एजी / एजीसीएल कोटिंग के साथ संचालन (नरम) रबर का उपयोग करें।
- एंड्रॉइड ऑपरेटिंग सिस्टम और 60 हर्ट्ज की रिफ्रेश दर के साथ वाणिज्यिक स्मार्ट चश्मा प्राप्त करें। उत्तेजनाओं के लिए एक उच्च रिफ्रेश दर वांछनीय होगी क्योंकि आंखों की थकान कम होगी, लेकिन वर्तमान में बाजार पर कोई समाधान उपलब्ध नहीं है।
- संचार या नियंत्रण के लिए एंड्रॉइड एप्लिकेशन का स्रोत कोड डाउनलोड करें, या एक विकसित करें।
- अंतर्निहित ऑब्जेक्ट (आमतौर पर जावा या कोटलिन में) को बदलकर झिलमिलाहट आइकन के साथ एप्लिकेशन में वर्चुअल बटन बदलें। कम से कम 5% स्क्रीन आयाम वाले सफेद वर्ग की सिफारिश की जाती है। आमतौर पर, उत्तेजक वर्ग जितना बड़ा होगा, पता लगाने के लिए एसएसवीईपी घटक उतना ही अधिक होगा, लेकिन विशिष्ट मामले के आधार पर एक इष्टतम पाया जा सकता है। अनुशंसित आवृत्तियों 10 हर्ट्ज और 12 हर्ट्ज झिलमिलाहट हैं। स्मार्ट चश्मे की कंप्यूटिंग यूनिट (सीपीयू) को ओवरलोड करने से बचने के लिए ग्राफिकल प्रोसेसिंग यूनिट (जीपीयू) पर फ्लिकर लागू करें। इस उद्देश्य के लिए, OpenGL लायब्रेरी से ऑब्जेक्ट्स का उपयोग करें।
- इनपुट ईईजी स्ट्रीम के वास्तविक समय प्रसंस्करण के लिए एंड्रॉइड एप्लिकेशन के एक मॉड्यूल को लागू करें। एंड्रॉइड यूएसबी सेवा को जोड़ा जा सकता है ताकि स्ट्रीम यूएसबी के माध्यम से प्राप्त की जा सके। वास्तविक समय प्रसंस्करण केवल आने वाले पैकेट ों पर विचार करके ईईजी स्ट्रीम पर एक स्लाइडिंग विंडो लागू कर सकता है। एक तेज फूरियर ट्रांसफॉर्म फ़ंक्शन के माध्यम से 10 हर्ट्ज और 12 हर्ट्ज आवृत्तियों से जुड़े पावर स्पेक्ट्रल घनत्व की गणना करें। एक प्रशिक्षित क्लासिफायर, इस प्रकार, यह पहचान सकता है कि उपयोगकर्ता पावर स्पेक्ट्रल घनत्व सुविधाओं को वर्गीकृत करके 10 हर्ट्ज झिलमिलाहट आइकन या 12 हर्ट्ज झिलमिलाहट आइकन को देख रहा है।
2. एसएसवीईपी-आधारित मस्तिष्क - कंप्यूटर इंटरफ़ेस को कैलिब्रेट करना
नोट: इस अध्ययन के लिए स्वस्थ स्वयंसेवकों को चुना गया था। मस्तिष्क रोगों के इतिहास वाले विषयों को बाहर रखें। शामिल विषयों को सामान्य या सही-से-सामान्य दृष्टि की आवश्यकता थी। उन्हें प्रयोगों के दौरान आराम करने और अनावश्यक आंदोलनों से बचने के लिए निर्देश दिया गया था, खासकर सिर के।
- उपयोगकर्ता को एंड्रॉइड एप्लिकेशन के साथ स्मार्ट चश्मा पहनने दें।
- इलेक्ट्रोड को पकड़ने के लिए उपयोगकर्ता को एक तंग हेडबैंड पहनने दें।
- कम लागत वाले इलेक्ट्रोएन्सेफलोग्राफ को यूएसबी केबल के माध्यम से पीसी से कनेक्ट करें, जबकि पीसी मुख्य बिजली की आपूर्ति से डिस्कनेक्ट हो जाता है।
- प्रारंभ में एक ज्ञात स्थिति से शुरू करने के लिए इलेक्ट्रोएन्सेफलोग्राफ अधिग्रहण बोर्ड से सभी इलेक्ट्रोड को डिस्कनेक्ट करें।
- इस चरण में, ईईजी स्ट्रीम को एंड्रॉइड एप्लिकेशन में लागू प्रसंस्करण के साथ संगत स्क्रिप्ट के साथ पीसी पर ऑफ़लाइन संसाधित किया जाता है। ईईजी सिग्नल प्राप्त करने और उन्हें विज़ुअलाइज़ करने के लिए स्क्रिप्ट प्रारंभ करें।
- ऑफ़लाइन संसाधित प्रदर्शित सिग्नल की जाँच करें. यह केवल ईईजी एम्पलीफायर के परिमाणीकरण शोर के अनुरूप होना चाहिए।
- इलेक्ट्रोड कनेक्ट करें।
- निष्क्रिय इलेक्ट्रोड को एक कस्टम क्लिप के साथ बाएं कान पर लागू करें, या कान-क्लिप इलेक्ट्रोड का उपयोग करें। आउटपुट सिग्नल इस चरण में अपरिवर्तित रहना चाहिए क्योंकि मापने वाला अंतर चैनल अभी भी एक खुला सर्किट है।
- एक सक्रिय इलेक्ट्रोड को मापने वाले ईईजी चैनल के अंतर इनपुट के नकारात्मक टर्मिनल से कनेक्ट करें, और हेडबैंड के साथ फ्रंटल क्षेत्र (एफपीजेड मानक स्थान) पर लागू करें। कुछ सेकंड के बाद, सिग्नल को शून्य (परिमाणीकरण शोर) पर लौटना चाहिए।
- अन्य सक्रिय इलेक्ट्रोड को मापने वाले ईईजी चैनल के अंतर इनपुट के सकारात्मक टर्मिनल से कनेक्ट करें, और हेडबैंड के साथ ओसीसीपटल क्षेत्र (ओज़ मानक स्थान) पर लागू करें। एक मस्तिष्क संकेत अब प्रदर्शित होता है, जो ललाट मस्तिष्क क्षेत्र के संबंध में मापी गई दृश्य गतिविधि से मेल खाता है (वहां कोई दृश्य गतिविधि नहीं देखी जाती है)।
- सिस्टम अंशांकन के लिए संकेत प्राप्त करें।
- एंड्रॉइड एप्लिकेशन में झिलमिलाहट आइकन शुरू करके 10 हर्ट्ज और 12 हर्ट्ज (और अंततः अन्य) झिलमिलाहट आइकन के साथ उपयोगकर्ता को बार-बार उत्तेजित करें, और ऑफ़लाइन प्रोसेसिंग के लिए अंतर्निहित ईईजी सिग्नल प्राप्त करें और सहेजें। सुनिश्चित करें कि इस चरण में प्रत्येक उत्तेजना में 10 सेकंड के लिए झिलमिलाते हुए एक एकल आइकन होता है, और ईईजी अधिग्रहण और विज़ुअलाइज़ेशन स्क्रिप्ट शुरू करते समय स्मार्ट चश्मे के टचपैड पर दबाकर झिलमिलाहट आइकन शुरू करें।
- प्रत्येक उत्तेजना से जुड़े 10 एस संकेतों से, फास्ट फूरियर ट्रांसफॉर्म का उपयोग करके दो विशेषताएं निकालें: 10 हर्ट्ज और 12 हर्ट्ज पर पावर स्पेक्ट्रल घनत्व।
- एक समर्थन वेक्टर मशीन क्लासिफायर को प्रशिक्षित करने के लिए सुविधाओं डोमेन में अधिग्रहित संकेतों के प्रतिनिधित्व का उपयोग करें। इनपुट सुविधाओं के आधार पर अंतिम कर्नेल के साथ हाइपरप्लेन के मापदंडों की पहचान करने के लिए एक उपकरण (मैटलैब या पायथन में) का उपयोग करें। प्रशिक्षित मॉडल ईईजी संकेतों के भविष्य के अवलोकनों को वर्गीकृत करने में सक्षम होगा।
3. अंतिम पहनने योग्य और पोर्टेबल एसएसवीईपी-आधारित इंटरफ़ेस को इकट्ठा करें
- पीसी से यूएसबी केबल डिस्कनेक्ट करें, और इसे सीधे स्मार्ट चश्मे से कनेक्ट करें।
- एंड्रॉइड एप्लिकेशन में प्रशिक्षित क्लासिफायर के पैरामीटर डालें। सिस्टम अब तैयार है।
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
ऊपर वर्णित प्रणाली का एक संभावित कार्यान्वयन चित्रा 1 में दिखाया गया है; यह कार्यान्वयन उपयोगकर्ता को मस्तिष्क गतिविधि के माध्यम से संवर्धित वास्तविकता में नेविगेट करने की अनुमति देता है। स्मार्ट चश्मा डिस्प्ले पर झिलमिलाते आइकन एप्लिकेशन (चित्रा 1 ए) के लिए कार्यों के अनुरूप हैं, और, इस प्रकार, ये चश्मे बटन प्रेस या टचपैड के आधार पर पारंपरिक इंटरफ़ेस के विकल्प का प्रतिनिधित्व करते हैं। इस तरह की बातचीत की प्रभावकारिता झिलमिलाहट द्वारा उत्पन्न क्षमता के सफल वर्गीकरण से सख्ती से संबंधित है। इस उद्देश्य को प्राप्त करने के लिए, सिस्टम18 के लिए पहले एक मेट्रोलॉजिकल लक्षण वर्णन किया गया था, और फिर मानव उपयोगकर्ताओं को एक प्रयोगात्मक सत्यापन में शामिल किया गया था।
चित्रा 1: प्रस्तावित मस्तिष्क-कंप्यूटर इंटरफ़ेस का संभावित कार्यान्वयन। (ए) स्मार्ट चश्मे के माध्यम से उपयोगकर्ता जो देखता है, उसका प्रतिनिधित्व, अर्थात् वास्तविक परिदृश्य और दृश्य उत्तेजना; (बी) हैंड्स-फ्री सिस्टम पहनने वाला उपयोगकर्ता। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
इलेक्ट्रोएन्सेफलोग्राफ को रैखिकता और परिमाण त्रुटि के संबंध में विशेषता दी गई थी। रैखिकता का मूल्यांकन 20 हर्ट्ज पर सात अलग-अलग आयामों (10 μV, 20 μV, 30 μV, 40 μV, 60 μV, 80 μV, और 100 μV) पर परीक्षण किए गए डिवाइस के साइनसॉइडल इनपुट सिग्नल के साथ किए गए उपायों के माध्यम से किया गया था। इनपुट वोल्टेज के एक फ़ंक्शन के रूप में इलेक्ट्रोएन्सेफलोग्राफ के वोल्टेज को प्लॉट करके, चित्रा 2 ए इलेक्ट्रोएन्सेफलोग्राफ के स्पष्ट रैखिक व्यवहार पर प्रकाश डालता है। रैखिक फिट की अच्छाई के लिए फिशर के परीक्षण द्वारा रैखिकता की भी पुष्टि की गई थी। हालांकि, आंकड़ा कुछ लाभ और ऑफसेट त्रुटि को भी इंगित करता है। इन त्रुटियों का परीक्षण 100 μV पर आयाम को ठीक करके और आवृत्ति को बदलकर किया गया था। परिणाम चित्रा 2 बी में रिपोर्ट किए गए हैं और नाममात्र लाभ के संबंध में परिमाण त्रुटि की पुष्टि करते हैं।
चित्रा 2: कम लागत वाले इलेक्ट्रोएन्सेफलोग्राफ लक्षण वर्णन के परिणाम। (ए) रैखिक त्रुटियां; (बी) परिमाण त्रुटियां। प्रत्येक माप बिंदु के लिए नमूनों की संख्या 4,096 थी। Arpaia et al.18 में अधिक विस्तृत चर्चा पाई जा सकती है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
अंत में, नाममात्र वर्ग तरंग पथ से अंतिम विचलन को उजागर करने के लिए स्मार्ट चश्मे की झिलमिलाहट को मापा गया था। इस तरह के विचलन विशेष रूप से 12 हर्ट्ज झिलमिलाहट (चित्रा 3 बी) के आयाम स्पेक्ट्रम में दिखाई दे रहे थे। हालांकि, इन सभी त्रुटियों पर विचार किया जा सकता है या अंततः क्षतिपूर्ति की जा सकती है, इस प्रकार एसएसवीईपी-बीसीआई प्रणाली के लिए उपभोक्ता-ग्रेड सामग्री का उपयोग करने की व्यवहार्यता का प्रदर्शन किया जा सकता है।
चित्रा 3: झिलमिलाहट बटन के आयाम स्पेक्ट्रम के संदर्भ में वाणिज्यिक स्मार्ट चश्मे के लक्षण वर्णन के परिणाम। (ए) 10 हर्ट्ज पर झिलमिलाहट; (बी) 12 हर्ट्ज पर झिलमिलाहट। Arpaia et al.18 में अधिक विस्तृत चर्चा पाई जा सकती है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
प्रयोगात्मक सत्यापन के संबंध में, 20 विषयों (7 महिला) ने अभियान में भाग लिया। प्रत्येक विषय को स्मार्ट ग्लास डिस्प्ले पर एक साथ दो झिलमिलाते आइकन के साथ 24 परीक्षणों से गुजरना पड़ा। विषय को यादृच्छिक रूप से ऑर्डर किए गए दो आइकन में से एक को घूरना था, जिसमें प्रत्येक की एक अलग आवृत्ति थी (10 हर्ट्ज झिलमिलाहट या 12 हर्ट्ज झिलमिलाहट)। विषयों ने किस आवृत्ति को पहले देखा, इसकी यादृच्छिकता की गारंटी उन्हें बिना किसी पूर्वनिर्धारित मानदंड के घूरने के लिए आइकन तय करने की अनुमति देकर दी गई थी। एक बार एक विशिष्ट आवृत्ति पर 12 परीक्षण पूरे होने के बाद, विषय को शेष परीक्षणों के लिए अन्य आवृत्ति के साथ आइकन पर ध्यान केंद्रित करने के लिए कहा गया था। शोषित एप्लिकेशन में, 12 हर्ट्ज झिलमिलाहट आइकन ऊपरी-बाएं कोने पर दिखाई दिया, जबकि 10 हर्ट्ज झिलमिलाहट आइकन नीचे-दाएं कोने पर दिखाई दिया। एक एकल परीक्षण 10.0 सेकंड तक चला, और लगातार परीक्षणों के बीच कुछ सेकंड (यादृच्छिक अवधि के) पारित हुए। छोटे समय की खिड़कियों को तब रिकॉर्ड किए गए संकेतों को काटकर ऑफ़लाइन विश्लेषण किया जा सकता है।
चित्रा 4: सुविधा डोमेन में दृश्य उत्तेजना के दौरान मापा संकेतों का प्रतिनिधित्व। 12 हर्ट्ज झिलमिलाहट उत्तेजनाओं (कक्षा 12 हर्ट्ज) से जुड़े संकेतों को नीले रंग में दर्शाया जाता है, जबकि 10 हर्ट्ज झिलमिलाहट उत्तेजनाओं (कक्षा 10 हर्ट्ज) से जुड़े संकेतों को लाल रंग में दर्शाया जाता है। सभी विषयों की विशेषताओं पर यहां विचार किया जाता है। कृपया इस आंकड़े का एक बड़ा संस्करण देखने के लिए यहाँ क्लिक करें.
चित्रा 4 दो पावर स्पेक्ट्रल घनत्व विशेषताओं द्वारा दर्शाए गए 10 एस संकेतों की रिपोर्ट करता है, अर्थात् 12 हर्ट्ज और 10 हर्ट्ज पर। दो आयामों में एक एकल बिंदु एक एकल परीक्षण के अनुरूप था। दो अलग-अलग झिलमिलाती आवृत्तियों के अनुरूप बिंदु उनके रंग से अलग थे। इसलिए, दो वर्गों को अलग कर दिया गया था, हालांकि दो वर्गों के बीच एक ओवरलैप मौजूद था, जिसके कारण गलत वर्गीकरण हो सकता है। वर्गीकरण के परिणाम चार गुना क्रॉस-सत्यापन के साथ प्राप्त किए गए थे, ताकि डेटा को प्रशिक्षण के लिए 18 परीक्षणों और सत्यापन के लिए 6 परीक्षणों में चार बार विभाजित किया जा सके। डेटा ने पुष्टि की कि, 10 एस उत्तेजना मामले (तालिका 1) में, 20 में से 8 विषय 100% सटीकता तक पहुंच गए, लेकिन अन्य विषयों के लिए, वर्गीकरण सटीकता 65% -70% जितनी कम थी। इस बीच, एक विषय 2 एस उत्तेजना (पोस्ट प्रोसेसिंग में संकेतों को काटकर प्राप्त) के साथ 100% तक पहुंच गया, और विषयों की एक प्रासंगिक संख्या यादृच्छिक (50%) वर्गीकरण सटीकता तक पहुंच गई। सभी विषयों के डेटा को समग्र रूप से माना जाता था, और वर्गीकरण सटीकता प्राप्त की गई थी। प्रदर्शन का आकलन सूचना हस्तांतरण दर (आईटीआर) के संदर्भ में भी किया गया था, जो औसतन 30 बिट्स/मिनट से ऊपर थी। तालिका 2 से पता चलता है कि वे बढ़े या स्थिर रहे, और कम से कम 10 एस उत्तेजना मामले में, मानक विचलन कम हो गया, इस प्रकार विभिन्न विषयों के लिए वर्गीकरण प्रदर्शन में कम फैलाव का संकेत मिलता है। अंत में, इस चार-विशेषताओं के मामले में सभी विषयों के लिए वर्गीकरण सटीकता की फिर से गणना की गई, और यह फिर से पाया गया कि वे औसत अशुद्धियों के करीब थे।
| विषय | 10 एस उत्तेजना सटीकता % | 2 एस उत्तेजना सटीकता % |
| सब | 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 |
| औसत | 94.9 | 76 |
| एसटीडी | 7.4 | 16 |
तालिका 1: एसएसवीईपी से संबंधित ईईजी संकेतों को वर्गीकृत करने में क्रॉस-सत्यापन सटीकता। प्रत्येक विषय के लिए, 10 एस उत्तेजना से जुड़े परिणामों की तुलना 2 एस उत्तेजना से जुड़े परिणामों से की जाती है। सभी विषयों के बीच औसत सटीकता की सूचना दी जाती है, साथ ही सभी विषयों (पंक्ति सभी) पर विचार करके प्राप्त सटीकता भी बताई जाती है।
| 10 एस उत्तेजना (एसटीडी ± औसत सटीकता) % | 10 एस उत्तेजना (एसटीडी ± औसत सटीकता) % | |
| 2 डी केस | 94.9 ± 7.4 | 76 ± 16 |
| 4 डी केस | 97.2 ± 4.3 | 76 ± 15 |
तालिका 2: एसएसवीईपी से संबंधित ईईजी डेटा के लिए दो पीएसडी सुविधाओं (2 डी केस) बनाम चार पीएसडी सुविधाओं (4 डी केस) पर विचार करते समय वर्गीकरण प्रदर्शन की तुलना। औसत क्रॉस-सत्यापन अशुद्धियों और उनके संबंधित मानक विचलन की रिपोर्ट करके 10 एस उत्तेजना की तुलना 2 एस से की जाती है।
Subscription Required. Please recommend JoVE to your librarian.
Discussion
सिस्टम के उचित कामकाज में दो महत्वपूर्ण पहलू शामिल हैं: एसएसवीईपी विश्लेषण और सिग्नल अधिग्रहण। वर्तमान अध्ययन के लिए चुने गए विशिष्ट उपकरणों के अलावा, एसएसवीईपी को झिलमिलाती रोशनी प्रदान करने वाले विभिन्न उपकरणों के साथ प्राप्त किया जा सकता है, हालांकि पहनने की क्षमता और पोर्टेबिलिटी सुनिश्चित करने के लिए स्मार्ट चश्मे को प्राथमिकता दी जाती है। इसी तरह, आगे वाणिज्यिक इलेक्ट्रोएन्सेफलोग्राफ पर विचार किया जा सकता है, लेकिन उन्हें पहनने योग्य, पोर्टेबल होना चाहिए, और उपयोगकर्ता के अनुकूल होने के लिए न्यूनतम संख्या में सूखे इलेक्ट्रोड शामिल होंगे। इसके अलावा, सिस्टम को उन उपकरणों का उपयोग करने के लिए अनुकूलित किया जा सकता है जो प्रोग्राम करने में आसान हैं। इसके अतिरिक्त, प्रसंस्करण रणनीति अंतिम प्रदर्शन निर्धारित करती है; यद्यपि प्रसंस्करण रणनीति वर्णित सिस्टम डिजाइन में महत्वपूर्ण नहीं दिखाई देती है, लेकिन इसकी वृद्धि निश्चित रूप से संचार और नियंत्रण अनुप्रयोगों10,11,19 के लिए एक तेज और अधिक सटीक प्रणाली में योगदान देगी।
सिस्टम की कुछ कमियों को उजागर किया जा सकता है। दरअसल, एसएसवीईपी उत्तेजना ओं के लिए, झिलमिलाती उत्तेजनाओं में बड़े आयाम और एक स्थिर झिलमिलाहट आवृत्ति होनी चाहिए। पूर्व का तात्पर्य है कि एंड्रॉइड एप्लिकेशन के बटन भारी हो सकते हैं और विस्तारित वास्तविकता परिदृश्य पर सीमाएं पैदा कर सकते हैं। उत्तरार्द्ध को मेट्रोलॉजिकल विशेषताओं वाले स्मार्ट चश्मे की आवश्यकता होती है जो आमतौर पर वाणिज्यिक उपकरणों में मौजूद नहीं होते हैं। इसके अलावा, ऐसी शर्तों को पूरा करने के बाद भी, एसएसवीईपी की उपस्थिति विषय पर निर्भर करती है। विशेष रूप से, एसएसवीईपी आयामों में अंतर-विषय और अंतर-विषय परिवर्तनशीलता है, जो कई अनियंत्रित कारकों पर निर्भर करती है, जैसे कि उपयोगकर्ता थकान या ध्यान / यह मुद्दा उचित एसएसवीईपी के लिए इष्टतम उत्तेजना ओं को खोजने की आवश्यकता को जोड़ताहै।
दूसरी ओर, अंतिम प्रदर्शन के लिए सिग्नल अधिग्रहण महत्वपूर्ण है क्योंकि मस्तिष्क गतिविधि को मापते समय एक उपयुक्त सिग्नल-टू-शोर अनुपात प्राप्त किया जाना चाहिए। अत्यंत पहनने की क्षमता, पोर्टेबिलिटी, उपयोगकर्ता आराम और कम लागत प्राप्त करने के लिए, मस्तिष्क गतिविधि को एकल-चैनल गैर-इनवेसिव ईईजी और सूखे इलेक्ट्रोड के साथ मापा गया था। बेशक, शुष्क इलेक्ट्रोड ज्यादातर दैनिक जीवन की आवश्यकताओं के अनुरूप होते हैं, लेकिन प्रवाहकीय जैल के उपयोग से बचने से इलेक्ट्रोड-त्वचा संपर्क सीमित हो जाता है। इसलिए, इलेक्ट्रोड की यांत्रिक स्थिरता उन्हें सही ढंग से रखकर और उन्हें निरंतर उपयोग में स्थिर करके सुनिश्चित की जानी चाहिए। वास्तव में, हालांकि, प्रस्तावित अधिग्रहण प्रणाली का दोष यह है कि सिग्नल की गुणवत्ता अधिक आक्रामक न्यूरोइमेजिंग तकनीकों के संबंध में खराब हो जाती है।
अपेक्षित खराब सिग्नल-टू-शोर अनुपात के बावजूद, प्रस्तावित प्रणाली के सत्यापन ने प्रदर्शित किया कि संचार और नियंत्रण अनुप्रयोगों के लिए उच्च प्रदर्शन संभव है। विशेष रूप से, उपभोक्ता-ग्रेड उपकरणों के मेट्रोलॉजिकल लक्षण वर्णन से पता चला है कि नियोजित उपकरण बीसीआई अनुप्रयोगों के लिए उपयुक्त थे, और यह भी सुझाव दिया कि इसी तरह के उपकरण उन लोगों के लिए भी उपयुक्त होने चाहिए। प्रयोगात्मक सत्यापन के माध्यम से, विषय-निर्भर वर्गीकरण अशुद्धियों को देखा गया था, लेकिन सकारात्मक समग्र निष्कर्ष निकाले जा सकते हैं।
उत्तेजना समय को बढ़ाकर वर्गीकरण सटीकता को बढ़ाया जा सकता है। ऐसे मामले में, सिस्टम जवाबदेही धीमी होगी, लेकिन वैकल्पिक संचार और नियंत्रण क्षमताएं अभी भी प्रदान की जा सकती हैं। दूसरे, प्रशिक्षण के बिना एक प्रणाली (या कम से कम प्रशिक्षण के साथ एक प्रणाली) अन्य विषयों से प्रारंभिक डेटा का उपयोग करके प्राप्त की जा सकती है। क्षेत्र में प्रस्तावित विधि के योगदान को समझने के लिए, परिणामों की तुलना गैर-इनवेसिव एसएसवीईपी-बीसीआई पर साहित्य के साथ की जा सकती है। अधिक पारंपरिक बीसीआई में, सटीकता 2 एस उत्तेजना21 के साथ भी लगभग 94% तक पहुंच जाती है, लेकिन ऐसी प्रणालियों को व्यापक प्रशिक्षण की आवश्यकता होती है और पहनने योग्य और पोर्टेबल नहीं हो सकती है। हालांकि, उपयोगकर्ता-मित्रता बढ़ाने की कोशिश करते समय प्रदर्शन गिर जाता है (उदाहरण के लिए, सूखे इलेक्ट्रोड22 को नियोजित करते समय और एकल इलेक्ट्रोड23 का उपयोग करने का प्रयास करते समय और भी अधिक)। उन मामलों में, वर्गीकरण अशुद्धियां लगभग 83% तक कम हो जाती हैं।
इसलिए, इस काम में वर्णित प्रणाली प्रदर्शन को उच्च रखते हुए उपयोगकर्ता-मित्रता को बढ़ाकर बीसीआई तकनीक को दैनिक जीवन के अनुप्रयोगों के करीब लाती है, हालांकि नैदानिक सेटिंग्स में इस प्रणाली का उपयोग अनुचित हो सकता है। कुछ प्रतिभागियों ने टिप्पणी की कि ओसीसीपिटल क्षेत्र में सूखे इलेक्ट्रोड उनके पारंपरिक समकक्षों की तुलना में अधिक परेशान थे, लेकिन कुल मिलाकर, उन्होंने सिस्टम की पहनने की क्षमता और पोर्टेबिलिटी की सराहना की। कई उन्नयन संभव हैं, और उनमें से कुछ पहले से ही विकसित किए जा रहे हैं। उदाहरण के लिए, उत्तेजनाओं की संख्या (और, इसलिए, कमांड की संख्या) को चार तक बढ़ाया जा सकता है। फिर, उत्तेजनाओं को स्वयं आंखों को कम तनाव देने के लिए डिज़ाइन किया जा सकता है। अंत में, वर्गीकरण प्रदर्शन को अधिक सटीक और / या तेज प्रणाली प्राप्त करने के लिए अधिक उन्नत प्रसंस्करण रणनीति के माध्यम से बढ़ाया जा सकता है।
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
लेखकों के पास खुलासा करने के लिए कुछ भी नहीं है।
Acknowledgments
यह काम स्वास्थ्य परियोजना के लिए आईसीटी के हिस्से के रूप में किया गया था, जिसे इतालवी शिक्षा मंत्रालय, विश्वविद्यालय और अनुसंधान (एमआईयूआर) द्वारा वित्तीय रूप से समर्थित किया गया था, पहल के तहत उत्कृष्टता विभाग (इतालवी बजट कानून संख्या 232/2016), नेपल्स फेडेरिको द्वितीय विश्वविद्यालय के सूचना प्रौद्योगिकी और इलेक्ट्रिकल इंजीनियरिंग विभाग को दिए गए उत्कृष्टता अनुदान के माध्यम से। नेपल्स, इटली। यह परियोजना वास्तव में आईईईई इंस्ट्रूमेंटेशन एंड मेजरमेंट सोसाइटी के आरईएस 4नेट पहल और टीसी -06 (माप में उभरती प्रौद्योगिकियां) के समर्थन से संभव हुई थी। लेखक एल कैलेगारो, ए. सिओफी, एस. क्रिस्कुओलो, ए. कल्ट्रेरा, जी. डी ब्लासी, ई. डी बेनेडेटो, एल. डुरैसियो, ई. लियोन और एम. ओर्टोलानो को सिस्टम के विकास, परीक्षण और सत्यापन में उनके बहुमूल्य योगदान के लिए धन्यवाद देना चाहते हैं।
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).
