論文の概要: A Brain-Computer Interface Augmented Reality Framework with
Auto-Adaptive SSVEP Recognition
- arxiv url: http://arxiv.org/abs/2308.06401v1
- Date: Fri, 11 Aug 2023 21:56:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-15 17:32:44.476780
- Title: A Brain-Computer Interface Augmented Reality Framework with
Auto-Adaptive SSVEP Recognition
- Title（参考訳）: 自動適応SSVEP認識を用いた脳-コンピュータインタフェース拡張現実感フレームワーク
- Authors: Yasmine Mustafa, Mohamed Elmahallawy, Tie Luo, Seif Eldawlatly
- Abstract要約: 本稿では,オブジェクト間の可変性を扱う単純な適応型アンサンブル分類システムを提案する。
また,多様なSSVEPベースのBCI-ARアプリケーションの開発を支援する,シンプルなBCI-ARフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.1674893622721483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Brain-Computer Interface (BCI) initially gained attention for developing
applications that aid physically impaired individuals. Recently, the idea of
integrating BCI with Augmented Reality (AR) emerged, which uses BCI not only to
enhance the quality of life for individuals with disabilities but also to
develop mainstream applications for healthy users. One commonly used BCI signal
pattern is the Steady-state Visually-evoked Potential (SSVEP), which captures
the brain's response to flickering visual stimuli. SSVEP-based BCI-AR
applications enable users to express their needs/wants by simply looking at
corresponding command options. However, individuals are different in brain
signals and thus require per-subject SSVEP recognition. Moreover, muscle
movements and eye blinks interfere with brain signals, and thus subjects are
required to remain still during BCI experiments, which limits AR engagement. In
this paper, we (1) propose a simple adaptive ensemble classification system
that handles the inter-subject variability, (2) present a simple BCI-AR
framework that supports the development of a wide range of SSVEP-based BCI-AR
applications, and (3) evaluate the performance of our ensemble algorithm in an
SSVEP-based BCI-AR application with head rotations which has demonstrated
robustness to the movement interference. Our testing on multiple subjects
achieved a mean accuracy of 80\% on a PC and 77\% using the HoloLens AR
headset, both of which surpass previous studies that incorporate individual
classifiers and head movements. In addition, our visual stimulation time is 5
seconds which is relatively short. The statistically significant results show
that our ensemble classification approach outperforms individual classifiers in
SSVEP-based BCIs.
- Abstract（参考訳）: Brain-Computer Interface (BCI) は当初、身体障害者を支援するアプリケーションの開発で注目を集めた。
近年、BCIと拡張現実(AR)を統合するというアイデアが登場し、BCIは障害者の生活の質を高めるだけでなく、健康なユーザー向けのメインストリームアプリケーションの開発にも利用されている。
一般的に用いられるBCIシグナルパターンの1つはステアディ状態視覚誘発電位(SSVEP)であり、脳の刺激に対する反応を捉えている。
SSVEPベースのBCI-ARアプリケーションは、ユーザが対応するコマンドオプションを単に見るだけで、ニーズ/要求を表現できる。
しかし、個体は脳のシグナルが異なるため、サブジェクト毎のssvep認識が必要である。
さらに、筋肉の動きと眼球の瞬きは脳の信号に干渉するため、被験者はarの関与を制限するbci実験中に静止することが求められる。
本稿では,(1)サブジェクト間可変性を扱う簡易適応アンサンブル分類システムを提案し,(2)幅広いssvepベースのbci-arアプリケーションの開発を支援するシンプルなbci-arフレームワークを提案し,(3)移動干渉に対して頑健な頭部回転を持つssvepベースのbci-arアプリケーションにおいて,アンサンブルアルゴリズムの性能を評価する。
複数の被験者で行ったテストでは、pcで80\%、hololens arヘッドセットで77\%の平均精度が達成され、どちらも個々の分類器と頭の動きを組み込んだ以前の研究を上回った。
さらに、視覚刺激時間は5秒であり、比較的短い。
統計的に有意な結果は,SSVEPに基づくBCIにおいて,アンサンブル分類法が個々の分類器より優れていることを示している。
関連論文リスト
- Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。
我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
論文 参考訳（メタデータ） (2024-05-15T20:41:46Z) - Egocentric RGB+Depth Action Recognition in Industry-Like Settings [50.38638300332429]
本研究は,産業的な環境下での自我中心のRGBとDepthモダリティからの行動の認識に焦点を当てる。
我々のフレームワークは、RGBとDepthの両方のモダリティを効果的に符号化する3DビデオSWIN変換器に基づいている。
また,ICIAP 2023におけるマルチモーダル動作認識チャレンジにおいて,本手法が第1位を確保した。
論文 参考訳（メタデータ） (2023-09-25T08:56:22Z) - A Human-Machine Joint Learning Framework to Boost Endogenous BCI
Training [20.2015819836196]
内因性脳-コンピュータインターフェース(BCI)は、脳から外部デバイスへの直接的な経路を提供する。
自発的なBCI制御をマスターするには、画像によって識別的で安定した脳信号パターンを生成する必要がある。
そこで本研究では,内因性BCIにおける学習の促進を目的とした人間機械共同学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-25T01:24:18Z) - Bayesian Inference on Brain-Computer Interfaces via GLASS [4.04514704204904]
脳波信号の低信号対雑音比(SNR)と複雑な空間的・時間的相関は、モデリングと計算における課題を示す。
完全ベイズ的枠組みの下でスパース時間変化効果(GLASS)を持つ新しいガウスラテントチャネルモデルを導入する。
筋萎縮性側索硬化症(ALS)患者におけるGLASSによるBCI改善効果について検討した。
より広範なアクセシビリティを実現するため、我々は後方計算のための効率的な勾配に基づく変分推論(GBVI)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-04-14T21:29:00Z) - Learning Common Rationale to Improve Self-Supervised Representation for
Fine-Grained Visual Recognition Problems [61.11799513362704]
我々は、インスタンスやクラスでよく見られる差別的手がかりを識別するための、追加のスクリーニングメカニズムの学習を提案する。
SSL目標から誘導されるGradCAMを単純に利用することで、共通な有理性検出器が学習可能であることを示す。
論文 参考訳（メタデータ） (2023-03-03T02:07:40Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - Motor-Imagery-Based Brain Computer Interface using Signal Derivation and
Aggregation Functions [23.995027642929756]
既存のMIベースのBCIフレームワークを改善するために,拡張融合フレームワークと呼ばれるBCIフレームワークを提案する。
まず、信号の追加の前処理ステップ、すなわち時間不変にする脳波信号の分化が含まれます。
次に、システムの特徴として追加の周波数帯域を追加し、システムのパフォーマンスにその効果を示します。
この新しいシステムは、運動画像ベースの脳-コンピュータインタフェース実験を行う20人のボランティアのデータセット上でテストしました。
論文 参考訳（メタデータ） (2021-01-18T10:14:01Z) - Toward Real-World BCI: CCSPNet, A Compact Subject-Independent Motor
Imagery Framework [2.0741711594051377]
従来の脳-コンピュータインタフェース(BCI)は、使用前に各ユーザーに対して完全なデータ収集、トレーニング、校正フェーズを必要とする。
大規模脳波信号データベースの運動画像(MI)パラダイムを学習するCCSPNetという,新規な主体に依存しないBCIフレームワークを提案する。
提案手法は,ウェーブレット核畳み込みニューラルネットワーク(wkcnn)と時間畳み込みニューラルネットワーク(tcnn)を適用し,脳波信号の多様なスペクトル特性を表現・抽出する。
論文 参考訳（メタデータ） (2020-12-25T12:00:47Z) - Performance of Dual-Augmented Lagrangian Method and Common Spatial
Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。
使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
論文 参考訳（メタデータ） (2020-10-13T20:50:13Z) - Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。
具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
論文 参考訳（メタデータ） (2020-07-19T07:24:45Z) - Few-Shot Relation Learning with Attention for EEG-based Motor Imagery
Classification [11.873435088539459]
脳波(EEG)信号に基づく脳-コンピュータインタフェース(BCI)が注目されている。
運動画像(MI)データは、リハビリテーションや自律運転のシナリオに使用することができる。
脳波に基づくBCIシステムにはMI信号の分類が不可欠である。
論文 参考訳（メタデータ） (2020-03-03T02:34:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。