Mindset—A General Purpose Brain–Computer Interface System for End-Users
Notice bibliographique
Résumé
Existing brain-computer interface (BCI) software platforms are typically designed for research purposes and offer limited usability for non-technical end-users. This paper presents the Mindset software application, which allows end-users to train and use a BCI through a graphical user interface. The four modules of Mindset (acquisition, visualization, training, and output) collectively provide functionality to connect to various EEG hardware, visualize incoming data streams, perform user training for mental imagery and visual P300 paradigms, and facilitate real-time control of a diverse range of applications. Online experiments were conducted to characterize system performance during motor imagery and visual P300 tasks with different EEG headsets and computing hardware. With both motor imagery and visual P300 paradigms, and two different headsets and two different computer configurations, output latency was no greater than 30 ms, latency jitter below 10 ms and system clock jitter less than 17 ms. Further, the prototypical event-related potential morphology was confirmed in the visual P300 paradigm, while the expected contralateral desynchronization was observed in the motor imagery paradigm. These results demonstrate that Mindset can satisfy the real-time requirements of a BCI system and reliably capture relevant neurophysiological signals with readily available computing hardware. Mindset facilitates the translation of BCI research into clinical and practical use by improving the accessibility and usability of BCI technology.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,018 | 0,004 |
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 ».