MétaCan
Menu
Retour à la cohorte
Enregistrement W4391331233 · doi:10.1109/smc53992.2023.10394191

Development and Validation of a BCI-Enabled Boccia Ramp for Sport Participation

2023· article· en· W4391331233 sur OpenAlexafffund
Daniel Comadurán Márquez, Morgan Kerr McNutt, Brielle Lillywhite, Ion Robu, Brian Irvine, Ephrem Zewdie, Adam Kirton, Eli Kinney‐Lang

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineNeuroscience
ThématiqueEEG and Brain-Computer Interfaces
Établissements canadiensAlberta Children's HospitalUniversity of Calgary
Organismes subventionnairesAlberta Innovates
Mots-clésBrain–computer interfaceComputer scienceSoftwareCanonical correlationPython (programming language)Pipeline (software)Motor imageryArtificial intelligenceLinear discriminant analysisInterface (matter)Pattern recognition (psychology)Speech recognitionOperating systemElectroencephalography

Résumé

récupéré en direct d'OpenAlex

We present a brain-computer interface (BCI) system designed to enable individuals with severe motor disabilities to play Boccia, a Paralympic sport. Boccia is a precision sport in which the objective is to get a ball as close as possible to a target. In its most adapted form, Boccia allows for the use of a ramp to assist the user. The proposed system consists of a BCI-enabled ramp that can be controlled by the user's brain signals using a visual control paradigm (i.e., P300, or SSVEP). We developed a software interface using custom tools in Unity and Python for the front-end and back-end, respectively. To validate the software, we tested the system with five subjects who performed six pipelines (three with P300 and three with SSVEP) to simulate real-world use. Each pipeline consisted of 10 guided selections in the software. The classifiers used Riemannian geometry and shrinkage linear discriminant analysis (sLDA) for P300 and canonical correlation analysis (CCA) for SSVEP. The results showed that the P300$(93\pm 3\ \%,\ \text{mean} \pm \text{SEM})$paradigm had higher classification accuracy than the SSVEP$(27\pm 0.02\%, \text{mean} \pm \text{SEM})$paradigm. Additionally, we designed and built a 3D CAD model and a hardware prototype of the ramp. The hardware prototype uses linear actuators to change the incline of the ramp and the height of the ball. Stepper motors allow for the rotation of the ramp and the release mechanism of the ball. Recommendations on improvements to the hardware and software components are made for future prototypes. The presented system opens new possibilities for sports applications that can improve the quality of life of people with severe motor disabilities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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.

Tête enseignante Opus0,078
Tête enseignante GPT0,326
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetEEG and Brain-Computer InterfacesTravaux en français237 207