Navigating in Virtual Reality using Thought: The Development and\n Assessment of a Motor Imagery based Brain-Computer Interface
Notice bibliographique
Résumé
Brain-computer interface (BCI) systems have potential as assistive\ntechnologies for individuals with severe motor impairments. Nevertheless,\nindividuals must first participate in many training sessions to obtain adequate\ndata for optimizing the classification algorithm and subsequently acquiring\nbrain-based control. Such traditional training paradigms have been dubbed\nunengaging and unmotivating for users. In recent years, it has been shown that\nthe synergy of virtual reality (VR) and a BCI can lead to increased user\nengagement. This study created a 3-class BCI with a rather elaborate EEG signal\nprocessing pipeline that heavily utilizes machine learning. The BCI initially\npresented sham feedback but was eventually driven by EEG associated with motor\nimagery. The BCI tasks consisted of motor imagery of the feet and left and\nright hands, which were used to navigate a single-path maze in VR. Ten of the\neleven recruited participants achieved online performance superior to chance (p\n< 0.01), while the majority successfully completed more than 70% of the\nprescribed navigational tasks. These results indicate that the proposed\nparadigm warrants further consideration as neurofeedback BCI training tool. A\nparadigm that allows users, from their perspective, control from the outset\nwithout the need for prior data collection sessions.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».