このセクション 、各実験の結果を別々に報告 ? 結果私は ry 。 結果 I はSSVEPマ ry ード変動の予測モデルの比較 ? ry IIIは、脳 ry シミュ による提案 ry 実証 。 結果IIおよびIIIは脳制御ロボ シミュ を介し、提案されたSSVEP-BCIの実現可能性および利点を実証 。 適切な実験では、定量的(MSE、計算時間予測、平均速度、およびボックスの偏差)および定性的尺度(グラフィカル)が考慮されます
※山口先生は一過性のスクリプトです 0032yamaguti2019/07/25(木) 18:48:54.37ID:Jf6xvNAK ? 温室 - ガイザー補正を用いた ry Aは、それぞれ増加期間F(2.421、 ry 、p <0.01、および減少期間F(1.387、 ry 、pについて、処理ウィンドウ ry 報告した。 = 0.068です。 Greenhouse-Geisser 補正を用いた一元配置反復測定分散分析 ANOVA は、増加と減少との期間の其々 F(2.421, 21.792) = 21.633, p<0.01 、および F(1.387, 12.483) = 3.687, p=0.068 について、プロセッシングウィンドウ長にわたる平均速度の有意差を報告した ? 一対比較では、1秒処理ウィンドウからの平均速度の平均は、3秒、4秒、および5秒からの平均速度より有意に高い、p <0.05。 ? ry からの平均速度よりも有意 。 減少期間については、1秒処理ウィ からの平均速度の平均は、2秒および3秒からのそれよりも有意に高い、p <0.05。 平均速度は1秒の処理ウィ の長さで有意に高かったが、ボックスの結果の偏差は、図6に示すように処理ウィ の長さに渡って異ならな 。 脳制御ロボ シミュ 実験環境によると、1秒の処理ウィ ウ長は他の長さと比較して許容可能な精度でより高い情報転送速度 できると推論 2) 従来のSSVEP-BCIと提案されたSSVEP-BCIを使用した脳制御ロボ シミュ 較: ? ry IIは、従来の ry と提案された ry の利点 ry 。 表II は提案された SSVEP-BCI の、従来のそれを越える利点を示 ? ry BCIからの速度の平均が従来の速度の平均に近い ry の偏差は、増加する期間(t(9)= 4.76)に対し ry 著しく低い。 、p <0.05)。 提案されたSSVEP BCIからの平均速度の平均、が従来の物のそれに近いとしても、提案されたモデルにおけるロボ 移動中のボックスのずれは、増加期間 ( t(9)=4.76, p<0.05 ) に於て従来のもののそれよりも著しく小 。 減少期間 の結果は統計的差異を示さなかったが、提案されたモデルはより低いボックス偏差 ? 図7の定性的結果は、10人 ry 者が、提案されたSSVEPと従来の BCIからのVPの比較を行うことを示 。 図 7 は、 10 人中3人の被験者が行う所の、提案 SSVEP-BCI と従来 SSVEP-BCI とからの VP の比較たる定性的結果を示 ? 配達作業に ry の捕獲を図8に示す。 配達タスクにおける脳制御ロボ シミュ のキャプチャは図 8 。 >>30 ロボ 速度は実験プロトコルによって異なります。 0033yamaguti2019/07/25(木) 18:49:18.03ID:Jf6xvNAK V. 考察
? ry 主要な問題が生じる。 実験結果によって、3つの主要な題目が浮かび上がる ? 最初に、研究者らはオンライン脳制御ロボ のさらなる開発のための有望な側面を要約 。 次に、この研究が進行中の研究とどのように関連 説明 ? ry おける最終目標を表明しています。 最後に、研究者らは、人と機械の間のギャップを埋めるためのオンライン連続SSVEP-BCIの開発に於ける、最終目標を表明
? ry は、対象がSSVEP反応の大きさを操作するのを助け ry 。 視覚刺激強度の変動は、 SSVEP 反応のマグニチュードを被験者が操作するのを、助けることができる。 最新の機械学習アプロー ランダムフォレスト回帰(RF)は、SSVEPマグニチュード変動を処理するための予測モデルとして提案 ? ry 使用した1件除外相互検証は、 ry 比較して、SSVEPの大きさの変化の予測 ry 。 RFモデルを使用した一個抜き交差検証は、多項式回帰モデルおよび ーラルネッ モデルと比較して、 SSVEP マ ry ードの変動の予測において最高のパフォーマンス 。 したがって、RFモデルは、この研究で提案されているSSVEP-BCIのさらなる開発に有望 。 提案されたSSVEP-BCIシステムで実際のオンラインモードで実験がまだ行われていなくても、シミュレータで実証された環境的かつ実用的なシナリオで、10人の被験者から実際の脳の信号をストリーミングバックし、提案されたシステムが実現可能で斬新 保証 ? ry 、箱は目的地まで運搬する際の速度、誤差、および脳制御ロボ からの滑らかさに関してシステムが評価される。 オンラインのようなシミュ を通して、箱を目的地まで運搬する際の脳制御ロボ からの、速度、誤差、および滑らかさに関して、システムが評価する。 さらに、SSVEP刺激の概念設計はシンプルでユーザーフレンドリ ? ry 上の刺激の刺激に対し ry 。 測定された脳信号に対して、単一のEEGチャネル(Oz)を有するスクリーン上のちらつく刺激に対しては3つの周波数しかない。 0034yamaguti2019/07/25(木) 18:50:45.01ID:Jf6xvNAK SSVEP-BCI. SSVEPマグニチュード変動の予測モデルに関する研究結果が示すように、予測SSVEPマ ry ードパラダイムは周波数認識パラダイムに統合され、新しいオンラインSSVEP-BCIを達成 できます ? ry 、連続的なSSVEP BCIを提供 ry 。 定常的な脳の反応の頻度と大きさの両方を考慮に入れると、連続的 SSVEP-BCI を提供 でき、それによってユーザは装置(例えば移動ロボ )を円滑に制御 できる ? さらに、スパース脳波チャネルを使用してオンライン ry 処理するために提案されたSSVEP-BCIを統合することを計画 ry 。 更に、提案 SSVEP-BCI をスパース脳波チャネルを使用して統合することをオンラインモードでロボットアームを処理する為に我々は計画 。 ? ry 、例えばロボットアーム ry ことによって ry 。 予測SSVEPの大きさからの予測信号の連続的な増加または減少は、インスタンスとしてはロボットアームの速度を加速または減速する事、 によってコマンド機能にマッピング できる
提案されたSSVEP BCIの性能を改善 には、連続的な大きさの予測に対する雑音に対するロバスト性が重要 ? ry からも振幅情報を測定 ry 。 この問題を克服 1つのアプローチは、目標SSVEP周波数だけでなく近隣周波数からもマ ry ード情報を測定する簡単な適応アルゴリズム 。 ? 目標頻度から ry 使用して、予測モデルはおそらく天気の大きさの変動を分類することがノイズまたはSSVEP応答の実際の変動からの影響であると仮定 ry 。 ターゲット周波数からの絶対値の代わりに相対値を使用し我々は仮定します。 SSVEP 応答に於て天候のマグニチュードの変動の影響の原因は、ノイズである又は実際の変動である、と予測モデルは恐らくクラス分類する、と。 ? ry として、我々は、連続的な情報を破損していないSSVEP応答と同じくらい閉じた状態に維持するために時間的記憶 ry を適用 ry 。 別のアプローチとして、 SSVEP 非破損応答であるかの様な連続的な情報を維持する為の時間的記憶モジュールとして振舞う分散型リカレントニューラルフォワードモデルを我々は適用しようとしている[19]。 したがって、この作業の貢献は、将来のBCIベースの制御への入り口として機能 できます。 0035yamaguti2019/07/25(木) 18:51:34.16ID:Jf6xvNAK VI。 結論
これは、新しいSSVEP-BCIに向けたSSVEPマグニチュード予測に関する最初の研究です。 さまざまなSSVEPマ ry ード応答に関する実験からデータセットを作成 した。 ランダムフォレスト回帰は、瞬間的なSSVEPマグニチュード予測のためのアルゴリズムとして提案 ? ry 結果は、leave-one-subject-out交差検証 ry から得られた。 実験結果は、一個抜き交差検証を使用して10人の被験者から得ており、有望と見込まれる。 ? ry されたSSVEPの大きさの瞬間的な変化は、脳制御用途(例えば ry 。 予測された SSVEP ード、に於ての瞬間的変化は脳制御アプリケーション(例えばロボット制御)用の速度制御装置にマッピング できる。 ここでは、模擬移動ロボットを用いてオンラインのようなシステムを実施した。 実験では、ロボットの移動速度を制御するために、さまざまな大きさの実際のSSVEP応答をストリームバック した。 ? ry 単一の(0)EEGチャンネル ry 。 実用的な目的のために、全ての実験を通して単一の (Oz) EEG チャンネルを使用 。 SSVEPマグニチュード予測の利点は、それがロボ を制御するときに安定性を維持する能力 。 近い将来、この作業の成果は、移動ロボ やロボットアームの速度を加速または減速するなど、他のスムーズな脳制御アプリケーションにも実装されます。