CCA-Based Compressive Sensing for SSVEP-Based Brain-Computer Interfaces to Command a Robotic Wheelchair
Notice bibliographique
Résumé
People with severe physical disabilities are not able of using standard robotic wheelchairs, which generally demand some motor skills, and therefore total usage of associate muscles. Robotic wheelchairs commanded by Brain-Computer Interfaces (BCIs) based on Electroencephalography (EEG) have demonstrated to be an alternative for these end-users. In general, existing robotic wheelchairs commanded by BCIs require special platforms adapted to the EEG-BCI, and end-users need to attend a long training process for safely drive these devices. But many times these potential users do not have access to training sessions; due to mobility problems or technology access restrictions. This study proposes an EEG-based BCI with customizable configuration to be used in cloud architectures for remote control of robotic wheelchairs. This research explores two types of Steady State Visual Evoked Potential (SSVEP)-based BCI by applying Canonical Correlation Analysis (CCA) and compressive sensing (CS) as a novelty, adopting in one free calibration, and other including a calibration stage. The free-calibrated SSVEP recognition approach (CS-ncCCA) using compression ratio (CR) at 60% obtained accuracy (ACC) of 85% and information transfer rate (ITR) of 102 bits per minute (bpm), whereas the calibrated BCI (CS-wcCCA) applying also CR at 62% achieved ACC of 85% and ITR of 195 bpm. As a hilghlight, the proposed BCI allows significant reduction of the transmitted file size, and improves the communication latency that may be useful in remote and Cloud robotics applications, such as for users with severe motor disabilities, to train driving safely robotic wheelchairs via IoT.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».