Control of the robotic arm system with an SSVEP-based BCI
Notice bibliographique
Résumé
Abstract Recent studies on brain–computer interfaces (BCIs) implemented in robotic systems have shown that the system’s effectiveness in assisting individuals with movement disorders to enhance their human–computer interaction skills. However, achieving precise and rapid online completion of tasks remains a challenge for manipulators with multiple degrees of freedom (DOFs). In this paper, we explore a time-sharing control strategy for studying motion control of a robotic arm based on steady-state visual evoked potentials. The signals are generated by the joint frequency-phase modulation method, analyzed with the filter-bank canonical correlation analysis algorithm, and identified to control the six-DOF robotic arm for task execution. The shared control strategy not only reduces user’s cognitive fatigue but also enhances system in practical environments. The use of high-frequency stimuli significantly improves user comfort, and hybrid coding increases the universality of the BCI system. Additionally, by setting multiple locations and actions randomly, the robotic arm can adaptively program the optimal path. The online results showed that BCI instructions of the proposed system could be accurately chosen from six options within 6.45 s. Subjects used an average of 12 commands for the robotic arm to achieve the proposed task with an average accuracy of 98.21%. These findings validate the feasibility and effectiveness of applying the system to robotic control. The control strategy proposed in this study exhibits versatility in controlling robots to perform various complex tasks across different domains.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».