Summary
この論文では、消費者グレードの機器と定常状態の視覚誘発電位に依存してブレインコンピュータインターフェースを構築する方法について説明します。このために、乾式電極を利用する単一チャネル脳波計は、刺激の提示と出力データの視覚化のために拡張現実メガネと統合されました。最終的なシステムは、非侵襲的で、ウェアラブルで、ポータブルでした。
Abstract
本研究では、ウェアラブルブレインコンピュータインターフェース(BCI)の構築方法に焦点を当てています。BCIは、障害を持つ人々と健常者の両方を支援するために脳信号の直接測定に依存する人間とコンピュータの相互作用の新しい手段です。アプリケーション例には、ロボット制御、産業検査、および神経リハビリテーションが含まれます。特に、最近の研究では、定常状態の視覚誘発電位(SSVEP)が通信および制御アプリケーションに特に適していることが示されており、現在、BCI技術を日常生活に取り入れるための努力がなされています。この目的を達成するために、最終的なシステムは、ウェアラブル、ポータブル、および低コストの計測器に依存する必要があります。SSVEPを利用するには、固定周波数のちらつきのある視覚刺激が必要です。そこで,日常生活の制約を考慮するにあたり,スマートグラスによる視覚刺激の提供の可能性について検討した.さらに、誘発電位を検出するために、脳波(EEG)用の市販の装置が検討された。これは、乾式電極(導電性ゲルなし)を備えた単一の差動チャネルで構成されているため、最大限の装着性と携帯性を実現します。このようなBCIでは、ユーザは、ディスプレイに表示されるアイコンを見つめるだけでスマートグラスと対話することができる。この単純な原理に基づいて、拡張現実(XR)メガネと市販のEEGデバイスを統合することにより、ユーザーフレンドリーで低コストのBCIが構築されました。このウェアラブルXR-BCIの機能性は、20人の被験者を対象とした実験キャンペーンで検討されました。分類精度は、刺激時間に応じて平均80%〜95%であった。これらの結果を考えると、このシステムは、工業検査だけでなく、ADHDや自閉症のリハビリテーションのためのヒューマンマシンインターフェースとしても使用できます。
Introduction
ブレインコンピュータインターフェース(BCI)は、自然な神経経路のないデバイスとの通信および/または制御を可能にするシステムです1。BCIテクノロジーは、人類が心の力でオブジェクトを制御するのに最も近いものです。技術的な観点から、システム操作は、被験者2から非自発的または自発的に生成される可能性のある誘発または誘発された脳活動を測定することによって機能します。歴史的に、研究はBCI3を通じて運動障害を持つ人々を支援することに焦点を当てていましたが、今日では、ゲーム4、ロボット工学5、インダストリー6、および人間と機械の相互作用を含むその他のアプリケーション向けにBCIベースの機器を提供する企業が増えています。特に、BCIは、サイバーフィジカル生産システムが人間と周囲の環境との相互作用を変化させている第4.0次産業革命、すなわちインダストリー4.07で役割を果たす可能性があります8。大まかに言えば、ヨーロッパのプロジェクトBNCI Horizon 2020は、中枢神経系の失われた自然機能の交換、回復、改善、強化、または補足などのアプリケーションシナリオ、および脳の調査におけるBCIの使用を特定しました9。
この枠組みでは、最近の技術的進歩により、ブレインコンピュータインターフェースが日常生活での使用に適用できる可能性があることを意味します10,11。この目的を達成するために、最初の要件は非侵襲性であり、これは外科的介入のリスクを回避し、ユーザーの受け入れを高めるために重要です。ただし、非侵襲的ニューロイメージングの選択は、測定された脳信号の品質に影響を与えるため、BCI設計は関連する落とし穴に対処する必要があることに注意してください12。さらに、着用性と携帯性が求められます。これらの要件は、ユーザーフレンドリーなシステムの必要性と一致していますが、いくつかの制約もあります。全体として、言及されたハードウェアの制約は、ゲルフリー電極6を備えた脳波(EEG)システムの使用によって対処される。このようなEEGベースのBCIも低コストです。一方、ソフトウェアに関しては、最小限のユーザートレーニング(または理想的にはトレーニングなし)が望まれます。つまり、ユーザーがシステムを使用する前に、処理アルゴリズムを調整するための長い期間を避けるのが最善です。この側面は、被験者間および被験者内の非定常性のためにBCIで重要です13,14。
以前の文献は、誘発された脳電位の検出が、信号取得における非定常性およびノイズに関して堅牢であることを示している。言い換えれば、誘発電位の検出に依存するBCIは 反応性と呼ばれ、脳パターン認識の観点から最もパフォーマンスの高いBCIです15。それにもかかわらず、それらは感覚刺激を必要とし、それはおそらくそのようなインターフェースの主な欠点である。したがって、提案手法の目標は、ウェアラブルな既製の計測器に依存する、高度にウェアラブルでポータブルなBCIを構築することです。ここでの感覚刺激は、スマートグラスによって生成されたちらつき光で構成されており、定常状態の視覚誘発電位(SSVEP)を誘発することができます。以前の研究では、BCIを単独で、または拡張現実と組み合わせて仮想現実と統合することをすでに検討しています16。たとえば、SSVEP17でクワッドコプターを制御するためにBCI-ARシステムが提案されました。仮想現実、拡張現実、およびその他のパラダイムは、拡張現実という用語で参照されます。このようなシナリオでは、スマートグラスの選択はウェアラビリティと携帯性の要件に準拠しており、スマートグラスは最小限のEEG取得セットアップで統合できます。この論文では、SSVEPベースのBCIは、低速から中速の通信および制御アプリケーションで許容可能な分類性能を達成しながら、最小限のトレーニングしか必要としないことを示しています。したがって、この技術は日常生活用途のBCIに適用され、特に産業やヘルスケアに適しているようです。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
この研究は、ナポリ大学フェデリコ2世の人文学部の心理学研究倫理委員会によって承認されました。ボランティアは、実験に参加する前にインフォームドコンセントに署名しました。
1.非侵襲的なウェアラブル脳の準備-コンピューターインターフェース
- 乾式電極を備えた低コストの民生用脳波計を入手し、シングルチャンネル用に構成します。
- 低コスト脳波計の未使用の入力チャンネルを、固有のデータシートで指定されている内部リファレンス電圧に短絡または接続します。これにより、未使用のチャネルは無効になり、クロストークノイズは発生しません。
- 脳波計のゲインを(通常は可変抵抗の部品を介して)調整して、入力範囲を100μV程度にします。
注:測定するEEG信号は数十マイクロボルトのオーダーです。ただし、乾式電極はモーションアーチファクトの影響を大きく受け、電極-皮膚インピーダンスの変動により100μV程度の振動が発生します。入力電圧範囲を広げると、EEGアンプの飽和を制限するのに役立ちますが、完全になくなるわけではありません。一方、入力電圧範囲をさらに大きくすることは、所望のEEG成分を測定する際の電圧分解能に影響を与えるため、不便です。最終的には、脳波計ボード内のアナログ-デジタルコンバータのビット分解能も考慮して、2つの側面のバランスをとる必要があります。 - 脳波計ボードに接続する乾式電極を3つ用意します。参照電極として受動電極(事前増幅なし)を使用してください。残りの2つの測定電極はアクティブなものでなければなりません(つまり、事前増幅と最終的なアナログフィルタリングが必要です)。
注意: 毛むくじゃらの頭皮領域に配置された電極には、電極と皮膚の接触インピーダンスを克服するためのピンが必要です。可能であれば、フラットヘッドの銀ピンをはんだ付けするか(ユーザーの痛みを避けるため)、理想的にはAg/AgClコーティングを施した導電性(柔らかい)ゴムを使用してください。
- Androidオペレーティングシステムと60Hzのリフレッシュレートを備えた商用スマートグラスを入手します。 または、より低いリフレッシュレートを使用します。目の疲れが少ないため、刺激にはより高いリフレッシュレートが望ましいですが、現在市場には利用可能なソリューションはありません。
- 通信または制御用のAndroidアプリケーションのソースコードをダウンロードするか、開発します。
- 固有のオブジェクト(通常はJavaまたはKotlin)を変更して、アプリケーション内の仮想ボタンをちらつきアイコンに置き換えます。画面寸法が5%以上の白い四角形をお勧めします。通常、刺激マスが大きいほど、検出するSSVEP成分は高くなりますが、特定のケースに応じて最適なものを見つけることができます。推奨される周波数は、10 Hz と 12 Hz のちらつきです。スマートグラスの計算ユニット(CPU)の過負荷を回避するために、グラフィック処理ユニット(GPU)にちらつきを実装します。このためには、OpenGLライブラリのオブジェクトを使用します。
- 入力EEGストリームのリアルタイム処理のためのAndroidアプリケーションのモジュールを実装します。Android USBサービスを追加して、USB 経由で ストリームを受信できるようにすることができます。リアルタイム処理は、単に、着信パケットを考慮することによって、EEGストリームにスライディングウィンドウを適用してもよい。高速フーリエ変換関数を使用して、10Hzおよび12Hzの周波数に関連するパワースペクトル密度を計算します。したがって、訓練された分類器は、パワースペクトル密度特徴を分類することによって、ユーザが10Hzのちらつきアイコンまたは12Hzのちらつきアイコンを見ていることを区別することができる。
2. SSVEPベースの脳のキャリブレーション-コンピューターインターフェース
注:この研究のために健康なボランティアが選ばれました。脳疾患の病歴のある被験者を除外します。関与した被験者は、正常または正常への矯正視力を持っている必要がありました。彼らは実験中はリラックスし、特に頭の不必要な動きを避けるように指示されました。
- ユーザーがAndroidアプリケーションでスマートグラスを着用できるようにします。
- 電極を保持するためのタイトなヘッドバンドをユーザーに着用させます。
- 低コストの脳波計をUSBケーブル で PCに接続し、PCを主電源から切り離します。
- 最初に、脳波計取得ボードからすべての電極を外して、既知の状態から開始します。
- このフェーズでは、脳波ストリームは、Androidアプリケーションに実装された処理と互換性のあるスクリプトを使用して、PC上でオフラインで処理されます。スクリプトを開始して、EEG信号を受信し、視覚化します。
- オフラインで処理されている表示された信号を確認してください。これは、EEG増幅器の量子化ノイズのみに対応する必要があります。
- 電極を接続します。
- カスタムクリップを使用してパッシブ電極を左耳に適用するか、イヤークリップ電極を使用します。測定差動チャンネルはまだ開回路であるため、出力信号はこのステップで変更しないでください。
- 測定脳波チャネルの差動入力の負極端子に活性電極を接続し、ヘッドバンドで前頭部(Fpz標準位置)に適用します。数秒後、信号はゼロ(量子化ノイズ)に戻ります。
- もう一方のアクティブ電極を測定EEGチャネルの差動入力の正極に接続し、ヘッドバンドで後頭部(Oz標準位置)に適用します。前頭脳領域に関して測定された視覚活動に対応する脳信号が表示されるようになりました(そこには視覚活動は予測されません)。
- システムキャリブレーション用の信号を集録します。
- Androidアプリケーションでちらつきアイコンを起動して、10Hzと12Hz(最終的には他の)のちらつきアイコンでユーザーを繰り返し刺激し、オフライン処理のために固有の脳波信号を取得して保存します。このフェーズの各刺激が10秒間ちらつく単一のアイコンで構成されていることを確認し、スマートグラスのタッチパッドを押してちらつきアイコンを開始し、EEG取得および視覚化スクリプトを開始します。
- 各刺激に関連する10秒の信号から、高速フーリエ変換を使用して、10 Hzと12 Hzでのパワースペクトル密度の2つの特徴を抽出します。 あるいは、第2高調波(20 Hzと24 Hz)を考えてみましょう。
- 特徴領域で集録された信号の表現を使用して、サポートベクターマシン分類器をトレーニングします。ツール(MatlabまたはPython)を使用して、入力特徴に基づいて最終的なカーネルを持つ超平面のパラメータを特定します。訓練されたモデルは、EEG信号の将来の観測を分類することができるでしょう。
3. 最終的なウェアラブルでポータブルなSSVEPベースのインターフェースを組み立てる
- USBケーブルをPCから外し、スマートグラスに直接接続します。
- トレーニング済みの分類器のパラメーターを Android アプリケーションに挿入します。これでシステムの準備が整いました。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
上記のシステムの可能な実装を 図1に示します。この実装により、ユーザーは脳活動を通じて拡張現実をナビゲートできます。スマートグラスディスプレイのちらつきアイコンは、アプリケーションのアクションに対応しているため(図1A)、これらのメガネは、ボタンの押下またはタッチパッドに基づく従来のインターフェイスの代わりとなります。そのような相互作用の有効性は、ちらつきによって引き起こされる電位の成功した分類に厳密に関連しています。この目的を達成するために、まずシステム18について計量学的特徴付けが行われ、次いでヒトユーザが実験的検証に関与した。
図1:提案されたブレインコンピュータインターフェースの可能な実装 。 (A)スマートグラスを通してユーザーが見るもの、すなわち実際のシナリオと視覚刺激の表現。(B)ハンズフリーシステムを装着しているユーザー。 この図の拡大版を表示するには、ここをクリックしてください。
脳波計は、直線性と大きさの誤差に関して特徴付けられました。直線性は、7つの異なる振幅(10μV、20μV、30μV、40μV、60μV、80μV、および100μV)でテストされたデバイスへの正弦波入力信号を使用して実施された測定を通じて、20Hzで評価されました。脳波計の電圧を入力電圧の関数としてプロットすることにより、図2Aは脳波計の明確な線形挙動を強調しています。線形性は、線形適合の良さに関するフィッシャーの検定によっても確認されました。ただし、この図はゲイン誤差とオフセット誤差も示しています。これらの誤差は、振幅を100μVに固定し、周波数を変化させることによってテストされました。結果を図2Bに報告し、公称ゲインに対する振幅誤差を確認します。
図2:低コスト脳波計の特性評価の結果 。 (A)線形誤差。(B)マグニチュード誤差。各測定点のサンプル数は4,096であった。より詳細な議論はArpaia et al.18にあります。 この図の拡大版を表示するには、ここをクリックしてください。
最後に、スマートグラスのちらつきを測定して、公称方形波経路からの最終的な偏差を強調しました。このような偏差は、12Hzのちらつきの振幅スペクトルで特に顕著でした(図3B)。ただし、これらのエラーはすべて考慮するか、最終的に補償できるため、SSVEP-BCIシステムにコンシューマーグレードの材料を使用する可能性を実証できます。
図3:ちらつきボタンの振幅スペクトルに関する商用スマートグラスの特性評価の結果 。 (A)10Hzでのちらつき。(B)12Hzでちらつきます。より詳細な議論はArpaia et al.18にあります。 この図の拡大版を表示するには、ここをクリックしてください。
実験的検証については、20人の被験者(女性7人)がキャンペーンに参加しました。各被験者は、スマートグラスディスプレイ上の2つの同時にちらつきアイコンを使用して24回の試行を受けました。被験者は、それぞれ異なる周波数(10 Hzのちらつきまたは12 Hzのちらつき)を持つ2つのランダムに順序付けられたアイコンの1つを見つめる必要がありました。被験者が最初に見つめた頻度のランダム性は、事前定義された基準なしで見つめるアイコンを決定させることによって保証されました。特定の頻度で12回の試行が完了すると、被験者は残りの試行の他の頻度でアイコンに焦点を合わせるように求められました。悪用されたアプリケーションでは、12 Hzのちらつきアイコンが左上隅に表示され、10 Hzのちらつきアイコンが右下隅に表示されました。1回の試行は10.0秒続き、連続した試行の間に数秒(ランダムな期間)が経過しました。より小さな時間枠は、記録された信号をカットすることによってオフラインで分析することができます。
図4:特徴領域における視覚刺激中に測定された信号の表現。 12 Hzのちらつき刺激(クラス12 Hz)に関連する信号は青で表され、10 Hzのちらつき刺激(クラス10 Hz)に関連する信号は赤で表されます。ここでは、すべての科目の特徴を検討します。 この図の拡大版を表示するには、ここをクリックしてください。
図4は、2つのパワースペクトル密度の特徴、すなわち12Hzと10Hzで表される10秒の信号を報告しています。2次元の1つのドットは、1つの試行に対応していました。2つの異なるちらつき周波数に対応するドットは、それらの色によって区別されました。したがって、2つのクラスは分離されましたが、2つのクラスの間に重複が存在し、誤分類を引き起こした可能性があります。分類結果は4分割交差検証で得られたため、データはトレーニング用の18回の試行と検証用の6回の試行に4回分割されました。データは、10秒の刺激の場合(表1)では、20人中8人の被験者が100%の精度に達したことを確認しましたが、他の被験者では、分類精度は65%〜70%と低くなっています。一方、1人の被験者は2秒の刺激(後処理で信号をカットすることによって得られる)で100%に達し、関連する数の被験者はランダム(50%)の分類精度に達しました。すべての被験者からのデータを全体として考慮し、分類精度を得た。パフォーマンスは、平均30ビット/分を超える情報転送速度(ITR)の観点からも評価されました。 表2 は、それらが増加または一定のままであり、少なくとも10秒の刺激の場合、標準偏差が減少し、したがって、異なる被験者の分類性能における分散が少ないことを示しています。最後に、この4つの特徴のケースですべての被験者について分類精度を再計算し、平均精度に近いことが再度判明しました。
| 件名 | 10秒の刺激精度% | 2秒の刺激精度% |
| すべての | 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 |
| 意味する | 94.9 | 76 |
| 標準 | 7.4 | 16 |
表1:SSVEP関連の脳波信号を分類する際の交差検証精度。 各被験者について、10秒の刺激に関連する結果を2秒の刺激に関連する結果と比較する。すべての被験者の平均精度と、すべての被験者を一緒に考慮して得られた精度が報告されます( 行すべて)。
| 10秒刺激(標準±平均精度)% | 10秒刺激(標準±平均精度)% | |
| 2Dケース | 94.9± 7.4 | 76 ± 16 |
| 4Dケース | 97.2 ± 4.3 | 76 ± 15 |
表2:SSVEP関連の脳波データについて、2つのPSD特徴(2Dケース)と4つのPSD特徴(4Dケース)を考慮した場合の分類性能の比較。 10秒の刺激は、平均交差検証の精度とそれに関連する標準偏差を報告することによって、2秒の刺激と比較されます。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
システムが適切に機能するには、SSVEPの誘発と信号取得という2つの重要な側面が含まれます。現在の研究のために選択された特定のデバイスとは別に、SSVEPは、ちらつきのある光を提供するさまざまなデバイスで引き出すことができますが、ウェアラビリティと携帯性を確保するためにスマートグラスが好まれます。同様に、さらなる商用脳波計を検討することができますが、それらはウェアラブルでポータブルであり、ユーザーフレンドリーであるためには最小限の数の乾式電極を含む必要があります。さらに、システムは、プログラミングが簡単なデバイスを使用するようにカスタマイズできます。さらに、処理戦略によって最終的なパフォーマンスが決まります。処理戦略は、記載されたシステム設計において決定的には見えなかったが、その強化は、通信および制御アプリケーションのためのより高速でより正確なシステムに確実に貢献するであろう10、11、19。
システムのいくつかの欠点を強調することができます。実際、SSVEP誘発のためには、ちらつき刺激は大きな次元と安定したちらつき周波数を持つべきである。前者は、Androidアプリケーションのボタンがかさばり、拡張現実シナリオに制限をもたらす可能性があることを意味します。後者には、商用デバイスには通常存在しない計量特性を備えたスマートグラスが必要です。さらに、そのような条件を満たした後でも、SSVEPの存在は被験者に依存する。特に、SSVEP振幅には被験者内および被験者間の変動性があり、これはユーザーの疲労や注意/関与などのいくつかの制御不能な要因に依存します13。この問題は、適切なSSVEP誘発のための最適な刺激を見つける必要性を追加します20。
一方、脳活動を測定する際には適切な信号対雑音比を達成する必要があるため、信号取得は最終的な性能にとって重要です。最大限の装着性、携帯性、ユーザーの快適性、および低コストを実現するために、単一チャネルの非侵襲的EEGおよび乾式電極で脳活動を測定しました。もちろん、ドライ電極は日常生活の要件にほとんど準拠していますが、導電性ゲルの使用を避けると、電極と皮膚の接触が制限されます。したがって、電極を正しく配置し、連続使用で安定させることにより、電極の機械的安定性を確保する必要があります。しかしながら、実際には、提案された取得システムの欠点は、より侵襲的なニューロイメージング技術に関して信号品質が低下することである。
予想される信号対雑音比は低いですが、提案されたシステムの検証により、通信および制御アプリケーションで高性能が可能であることが実証されました。特に、民生用機器の計量特性評価は、採用されたデバイスが関心のあるBCIアプリケーションに適していることを示し、同様のデバイスもそれらに適しているはずであることを示唆しました。実験的検証を通じて、被験者依存の分類精度が観察されたが、肯定的な全体的な結論を引き出すことができた。
刺激時間を長くすることで分級精度を高めることができる。このような場合、システムの応答性は遅くなりますが、代替の通信および制御機能は引き続き提供されます。第二に、訓練なしのシステム(またはせいぜい最小限の訓練を伴うシステム)は、他の被験者からの予備データを使用して取得できます。提案手法の現場への貢献を理解するために、その結果を非侵襲的SSVEP-BCIに関する文献と比較することができます。より伝統的なBCIでは、2秒の刺激21でも精度は約94%に達するが、そのようなシステムは広範なトレーニングを必要とし、ウェアラブルでポータブルではない可能性がある。しかしながら、ユーザの利便性を高めようとすると(例えば、乾式電極22 を採用した場合、および単一の電極23を使用しようとするとさらに)性能が低下する。そのような場合、分類精度は約83%に低下します。
したがって、本研究で説明するシステムは、臨床現場でのこのシステムの使用は不適切かもしれませんが、高性能を維持しながら使いやすさを高めることにより、BCI技術を日常生活のアプリケーションに近づけます。一部の参加者は、後頭部の乾式電極は従来の電極よりも邪魔であるとコメントしましたが、全体として、システムの装着性と携帯性を高く評価しました。多くのアップグレードが可能であり、それらのいくつかはすでに開発されています。たとえば、刺激の数(したがって、コマンドの数)を4つに増やすことができます。そうすれば、刺激自体が目の負担を軽減するように設計できます。最後に、より高度な処理戦略によって分類性能を向上させ、より正確で高速なシステムを実現できます。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
著者は開示するものは何もありません。
Acknowledgments
この作業は、イタリア教育大学研究省(MIUR)がイニシアチブの下で財政的に支援された健康のためのICTプロジェクトの一環として実施されました 優秀部門 (イタリア予算法第232/2016号)、ナポリ大学フェデリコ2世の情報技術および電気工学科に授与された優秀助成金を通じて、 ナポリ、イタリア。このプロジェクトは、Res4NetイニシアチブとIEEE計装および測定ソサエティのTC-06(測定における新興技術)の支援によって可能になりました。著者らはまた、システムの開発、テスト、検証における貴重な貢献に対して、L. Callegaro、A. Cioffi、S. Criscuolo、A. Cultrera、G. De Blasi、E. De Benedetto、L. Duraccio、E. Leone、およびM. Ortolanoに感謝したいと思います。
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).
