دانلود و نمایش مقالات مرتبط با رابط مغز و کامپیوتر::صفحه 1
دانلود بهترین مقالات isi همراه با ترجمه فارسی
نتیجه جستجو - رابط مغز و کامپیوتر

تعداد مقالات یافته شده: 3
ردیف عنوان نوع
1 سریع‌ترین واسط مغز و کامپیوتر جهان: ترکیب کد EEG2 با یادگیری عمیق
سال انتشار: 2019 - تعداد صفحات فایل pdf انگلیسی: 15 - تعداد صفحات فایل doc فارسی: 29
در این مقاله روش جدیدی بر اساس یادگیری عمیق برای کدگشایی اطلاعات حسیِ حاصل از الکتروانسفالوگرام‌هایی (EEG) که به صورت غیرتهاجمی ثبت شده‌اند، ارائه می‌دهیم. این روش را می‌توان در رابط‌های مغز و کامپیوتر (BCI) غیرفعال برای پیش‌بینی ویژگی‌های یک محرک بصری که فرد مشاهده می‌کند، به کار برد و یا می‌توان برای کنترل فعالانه‌ی کاربردهای BCI از آن استفاده کرد. هر دو سناریو مورد آزمایش قرار گرفتند، بدین ترتیب که متوسط نرخ انتقال اطلاعات (ITR) برابر با 701 بیت بر دقیقه برای روش BCI غیرفعال به دست آمد و بهترین سوژه به ITR آنلاین برابر با 1237 بیت بر دقیقه دست یافت. علاوه بر این، امکان تشخیص 500000 محرک بصری مختلف بر اساس تنها 2 ثانیه از اطلاعات EEG با دقت تا 100% را میسر ساخت. هنگامی که این روش در یک BCI خودگام آسنکرون برای هجی کردن به کار برده شد، متوسط نرخ سودمندی برابر با 175 بیت بر دقیقه به دست آمد که متناظر با به طور متوسط 35 حرف بدون خطا در هر دقیقه است. از آن‌جایی که اطلاعاتی که این روش استخراج می‌کند، بیش از سه برابرِ سریع‌ترین روش قبلی است، نشان می‌دهیم که سیگنال‌های EEG اطلاعات بیش‌تری نسبت به مقداری که معمولا فرض می‌شود، انتقال می‌دهند. در نهایت یک اثر حداکثر مشاهده کردیم به طوری که محتوای اطلاعات در EEG از آن چیزی که برای کنترل BCI لازم است، فراتر می‌رود و بنابراین در این مورد بحث می‌کنیم که آیا تحقیقات BCI به نقطه‌ای رسیده‌اند که دیگر نمی‌توان عملکرد کنترل BCI بصری غیرتهاجمی را به طور قابل توجهی بهبود بخشید یا خیر.
مقاله ترجمه شده
2 Characterization of phase space trajectories for Brain-Computer Interface
توصیف خط سیر فضایی فاز برای رابط مغز و کامپیوتر-2017
Article history:Received 27 August 2016Received in revised form 4 May 2017 Accepted 15 May 2017Keywords:Brain-Computer Interface (BCI) Electroencephalogram (EEG) Distance series (DS)Moment invariantsPhase space reconstruction (PSR)A new processing framework that allows detailed characterization of the nonlinear dynamics of EEG signals at real-time rates is proposed. In this framework, the phase space trajectory is reconstructed and the underlying dynamics of the brain at different mental states are identified by analyzing the shape of this trajectory. Two sets of features based on affine-invariant moments and distance series trans- form allow robust estimation of the properties of the phase space trajectory while maintaining real-time performance. We describe the methodological details and practical implementation of the new frame- work and perform experimental verification using datasets from BCI competitions II and IV. The results showed excellent performance for using the new features as compared to competition winners and recent research on the same datasets providing best results in Graz2003 dataset and outperforming competition winner in 6 out of 9 subject in Graz2008 dataset. Furthermore, the computation times needed with the new methods were confirmed to permit real-time processing. The combination of more detailed descrip- tion of the nonlinear dynamics of EEG and meeting online processing goals by the new methods offers great potential for several time-critical BCI applications such as prosthetic arm control or mental state monitoring for safety.© 2017 Elsevier Ltd. All rights reserved.1.
Keywords:Brain-Computer Interface (BCI) | Electroencephalogram (EEG) | Distance series (DS) | Moment invariants | Phase space reconstruction (PSR)
مقاله انگلیسی
3 The Distribution of Classification Accuracy Over the Whole Head for a Steady State Visual Evoked Potential Based Brain-computer Interface
توزیع به لحاظ دقت طبقه بندی بر کل مجموع ، برای یک حالت پایدار ویژوال پتانسیل برانگیخته بر اساس رابط مغز و کامپیوتر-2017
Brain–computer interfaces (BCIs) system designed using the steady-state visual evoked potential (SSVEP) signal have been widely studied because of their high accuracy of classification and high rates of the information transfer. However, the SSVEP is typically measured over the occipital scalp region (channels O1, O2, and Oz), which makes this type of BCI unsuitable for some patients. We investigated the classification accuracy of SSVEP over the whole scalp, to evaluate the feasibility of building SSVEP-based BCIs that use additional channels. The classification accuracy distribution of the whole scalp increased with the electrode positions closer to the occipital region, and the classification accuracy increased with an increasing number of electroencephalogram data channels.
Keywords: Steady-state visual evoked potential(SSVEP) | Brain–computer interface(BCIs) | Electroencephalogram | Classification accuracy
مقاله انگلیسی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi