Estudio comparativo de métodos para el reconocimiento frecuencial de potenciales evocados visuales en estado estacionario en usuarios con y sin experiencia en Interfaces Cerebro-Computador
Uno de los paradigmas que se utiliza en las interfaces cerebro-computador (BCI) se relaciona a los potenciales evocados visuales en estado estacionario (SSVEP), cuya respuesta a nivel cerebral aparece principalmente en la corteza visual, la cual se ubica en la región occipital del cerebro cuando, al usuario, se le presentan estímulos visuales de diferentes frecuencias. Algunos de los métodos base para el reconocimiento de estas frecuencias son el análisis espectral de energía (SED) y el análisis de correlación canónica (CCA). Un reto de los sistemas BCI en tiempo-real es identificar la intención del usuario en un tiempo corto, a partir del análisis de un segmento de datos. El objetivo de este trabajo consiste en realizar un estudio comparat... Ver más
Guardado en:
1909-9762
1909-9991
13
2020-06-06
Revista Ingeniería Biomédica - 2020
info:eu-repo/semantics/openAccess
http://purl.org/coar/access_right/c_abf2
| id |
32329985023f28dee395976c3df20874 |
|---|---|
| record_format |
ojs |
| spelling |
Estudio comparativo de métodos para el reconocimiento frecuencial de potenciales evocados visuales en estado estacionario en usuarios con y sin experiencia en Interfaces Cerebro-Computador L. Meng, J.Lin, X.Wang, “A comparison of navigation system based on P300 BCI and SSVEP BCI”, 24th Chinese Control and Decision Conference (CCDC), Taiyuan, China, Mayo 2012. J. Gómez, Departamento Administrativo Nacional de Estadística (DANE) (2008). Consultado el 7 de octubre de 2019 en: https://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-y-poblacion/discapacidad. J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, T. M. Vaughan, "Brain-computer interfaces for communication and control", Clin. Neurophysiol., vol. 113, pp. 767-791, Junio 2002. J.Becedas, “Brain Machine Interfaces: basic and advances”, IEEE Transactions on system, man and cybernetics, vol 42, pp 825-836, 2012. J.Boelts, A.Cerquera, A.Ruiz, “Decoding of imaginary motor movements of fists applying spatial filtering in a BCI simulated application”, International Work-conference on the interplay between natural and artificial computation, Elche, España, 2015. G. Baura, Medical device technologies: a system-based overview using engineering standars, Academic Press, 2011, Capítulo 13, 280-283. N. Inkaew, N. Charoenkitkamjorn, C. Yangpaiboon, M. Phothisonothai, C.Nuthon, “Frequency component analysis of EEG recording on various visual tasks: Steady-state visual evoked potential experiment”, International conference on knowledge and smart technology (KST), Chonburi, Tailandia, Enero 2015. Y. J. Wang, R. P. Wang, X. R. Gao, B. Hong, S. K. Gao, "A practical VEP-based brain-computer interface", IEEE Trans. Neural Syst. Rehabil. Eng., vol. 14, pp. 234-239, 2006. D.Zhu, J.Bieger, G. García, R.Aarts, “A survey of stimulation methods used in SSVEP-Based BCIs”, Computational Intelligence and Neuroscience, vol 2010, pp 1-12, 2010. Q.Wei, M. Xiao, Z.Lu, “A comparative study of canonical correlation analysis and power spectral density analysis for SSVEP detection”, Third international conference on intelligent human-machine systems and cybernetics, Zhejiang, China, Agosto 2011. R. Wang, W. Wu, K. Iramina, S. Ge, “The combination of CCA and PSDA detection methods in a SSVEP-BCI system”, 11th World congress on intelligent control and automation, Shenyang, China, Julio 2014. G. Hakvoort, B. Reuderink, M. Obbink, Comparison of PSDA and CCA detection methods in a SSVEP-based BCI-system Technical Report TR-CTIT-11-03, 2011. C.Liu, S.Xie, X.Xie, X.Duan, W.Wang , K. Obermayer, “Design of a video feedback SSVEP-BCI system for car control based on improved MUSIC method”, 6th International conference on Brain-Computer Interface (BCI), GangWon, Corea del Sur, Enero 2018. Revista Ingeniería Biomédica - 2020 N.Gao, W.Zhai, J.Lu, S.Lu, Y.Tian, “Intelligent wheelchair research based on SSVEP brain-computer interface”, International Conference on Biological Information and Biomedical Engineering, Shangai, China, Junio 2018. M.H.Lee, O-Y.Kwon, Y-J.Kim, H-K.Kim, Y-E.Lee, J.Williamson, S.Fazli y S-W.Lee, ”EEG dataset and openBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy”, GigaScience , No 8, pp 1-16, Enero 2019. G. Hakvoort, B. Reuderink, M. Obbink, Comparison of PSDA and CCA detection methods in a SSVEP-based BCI-system Technical Report TR-CTIT-11-03, 2011. info:eu-repo/semantics/article http://purl.org/coar/resource_type/c_6501 http://purl.org/redcol/resource_type/ARTREF info:eu-repo/semantics/publishedVersion http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 Text M.Chan, Organización Mundial de la Salud (OMS) (2011). Consultado el 7 de octubre de 2019 en: https://www.who.int/disabilities/world_report/2011/es/. https://creativecommons.org/licenses/by-nc-sa/4.0/ Publication Español Uno de los paradigmas que se utiliza en las interfaces cerebro-computador (BCI) se relaciona a los potenciales evocados visuales en estado estacionario (SSVEP), cuya respuesta a nivel cerebral aparece principalmente en la corteza visual, la cual se ubica en la región occipital del cerebro cuando, al usuario, se le presentan estímulos visuales de diferentes frecuencias. Algunos de los métodos base para el reconocimiento de estas frecuencias son el análisis espectral de energía (SED) y el análisis de correlación canónica (CCA). Un reto de los sistemas BCI en tiempo-real es identificar la intención del usuario en un tiempo corto, a partir del análisis de un segmento de datos. El objetivo de este trabajo consiste en realizar un estudio comparativo entre diferentes segmentos de datos y los métodos CCA y SED, utilizando como métrica de validación la precisión en la identificación del estímulo. Se hace uso de una base de datos de señales SSVEP disponible, de cinco sujetos en dos sesiones de prueba a los cuales se les presenta estímulos con frecuencias: 12, 8,57, 6,67 y 5,45 Hz durante 4 segundos en 25 ensayos. Para el análisis se utilizaron 3 electrodos del estándar 10-20: , teniendo en cuenta que éstos se ubican en la región occipital. En el procesamiento se evaluaron ventanas de tiempo de 1,2 y 4 segundos, obteniendo precisiones de 73,57%, 91,67 % y 95% respectivamente para el método SED y 97,14%, 100% y 100% respectivamente para el método CCA. El método CCA obtuvo el mejor resultado, con una ventana de 2 segundos. Blanco Diaz, Cristian Felipe Ruiz Olaya, Andres Felipe Análisis de correlación canónica (ACC) Densidad espectral de energía (DEE) Electroencefalografía (EEG) Interface cerebro-computador (BCI) Potenciales evocados visuales en estado estacionario (SSVEP) 13 26 Artículo de revista application/pdf Universidad EIA Revista Ingeniería Biomédica https://revistas.eia.edu.co/index.php/BME/article/view/1371 Journal article Brain-Computer Interface; Visual Evoked Potentials; Neuroengineering. One of the advantages reported in the literature about of Steady State Visual Evoked Potentials (SSVEP) over other paradigms for use in a Brain-Computer Interface (BCI) is that it is possible to obtain an adequate classification of commands in users without BCI experience (naives). The present article focuses on quantifying the variation in the performance of a BCI-SSVEP for users with experience (group 1) and without experience (group 2). Two of the state-of-the-art methods for SSVEP recognition were used: Canonical Correlation Analysis (CCA) and Canonical Correlation Analysis using Filter Bank (FBCCA). For this study, a database referenced in other studies (benchmark) is used, it is composed of 40 different visual stimuli, the analysis was performed with 16 subjects (8 each group). Classification Percentage and ITR were used as rating metrics to evaluate the performance of methods, were evaluated in 4-time windows: 0.5 s, 1 s, 1.5 s and 2 s. In addition, a statistical significance analysis was performed. As result, it was obtained that the best SSVEP recognition method correspond to the FBCCA with average percentage of classification of 93.31% for group 1 and 89.22% for group 2, and ITR of 169.85 bits/minute for group 1 and 142.76 bits/minute for group 2, in this last case evaluated in a time window of 1.5 s. Finally, the statistical analysis with a significance of 5%, allows to conclude that the experience in BCI has a low influence on the performance of a BCI-SSVEP system. Comparative study of methods for the frequency recognition of Steady state visual evoked potentials on experienced and naive users on Brain-Computer Interface 2020-06-06 00:00:00 2020-06-06 00:00:00 2020-06-06 https://revistas.eia.edu.co/index.php/BME/article/download/1371/1328 1909-9762 1909-9991 10.24050/19099762.n26.2019.1371 https://doi.org/10.24050/19099762.n26.2019.1371 |
| institution |
UNIVERSIDAD EIA |
| thumbnail |
https://nuevo.metarevistas.org/UNIVERSIDADEIA/logo.png |
| country_str |
Colombia |
| collection |
Revista Ingeniería Biomédica |
| title |
Estudio comparativo de métodos para el reconocimiento frecuencial de potenciales evocados visuales en estado estacionario en usuarios con y sin experiencia en Interfaces Cerebro-Computador |
| spellingShingle |
Estudio comparativo de métodos para el reconocimiento frecuencial de potenciales evocados visuales en estado estacionario en usuarios con y sin experiencia en Interfaces Cerebro-Computador Blanco Diaz, Cristian Felipe Ruiz Olaya, Andres Felipe Análisis de correlación canónica (ACC) Densidad espectral de energía (DEE) Electroencefalografía (EEG) Interface cerebro-computador (BCI) Potenciales evocados visuales en estado estacionario (SSVEP) Brain-Computer Interface; Visual Evoked Potentials; Neuroengineering. |
| title_short |
Estudio comparativo de métodos para el reconocimiento frecuencial de potenciales evocados visuales en estado estacionario en usuarios con y sin experiencia en Interfaces Cerebro-Computador |
| title_full |
Estudio comparativo de métodos para el reconocimiento frecuencial de potenciales evocados visuales en estado estacionario en usuarios con y sin experiencia en Interfaces Cerebro-Computador |
| title_fullStr |
Estudio comparativo de métodos para el reconocimiento frecuencial de potenciales evocados visuales en estado estacionario en usuarios con y sin experiencia en Interfaces Cerebro-Computador |
| title_full_unstemmed |
Estudio comparativo de métodos para el reconocimiento frecuencial de potenciales evocados visuales en estado estacionario en usuarios con y sin experiencia en Interfaces Cerebro-Computador |
| title_sort |
estudio comparativo de métodos para el reconocimiento frecuencial de potenciales evocados visuales en estado estacionario en usuarios con y sin experiencia en interfaces cerebro-computador |
| title_eng |
Comparative study of methods for the frequency recognition of Steady state visual evoked potentials on experienced and naive users on Brain-Computer Interface |
| description |
Uno de los paradigmas que se utiliza en las interfaces cerebro-computador (BCI) se relaciona a los potenciales evocados visuales en estado estacionario (SSVEP), cuya respuesta a nivel cerebral aparece principalmente en la corteza visual, la cual se ubica en la región occipital del cerebro cuando, al usuario, se le presentan estímulos visuales de diferentes frecuencias. Algunos de los métodos base para el reconocimiento de estas frecuencias son el análisis espectral de energía (SED) y el análisis de correlación canónica (CCA). Un reto de los sistemas BCI en tiempo-real es identificar la intención del usuario en un tiempo corto, a partir del análisis de un segmento de datos. El objetivo de este trabajo consiste en realizar un estudio comparativo entre diferentes segmentos de datos y los métodos CCA y SED, utilizando como métrica de validación la precisión en la identificación del estímulo. Se hace uso de una base de datos de señales SSVEP disponible, de cinco sujetos en dos sesiones de prueba a los cuales se les presenta estímulos con frecuencias: 12, 8,57, 6,67 y 5,45 Hz durante 4 segundos en 25 ensayos. Para el análisis se utilizaron 3 electrodos del estándar 10-20: , teniendo en cuenta que éstos se ubican en la región occipital. En el procesamiento se evaluaron ventanas de tiempo de 1,2 y 4 segundos, obteniendo precisiones de 73,57%, 91,67 % y 95% respectivamente para el método SED y 97,14%, 100% y 100% respectivamente para el método CCA. El método CCA obtuvo el mejor resultado, con una ventana de 2 segundos.
|
| description_eng |
One of the advantages reported in the literature about of Steady State Visual Evoked Potentials (SSVEP) over other paradigms for use in a Brain-Computer Interface (BCI) is that it is possible to obtain an adequate classification of commands in users without BCI experience (naives). The present article focuses on quantifying the variation in the performance of a BCI-SSVEP for users with experience (group 1) and without experience (group 2). Two of the state-of-the-art methods for SSVEP recognition were used: Canonical Correlation Analysis (CCA) and Canonical Correlation Analysis using Filter Bank (FBCCA). For this study, a database referenced in other studies (benchmark) is used, it is composed of 40 different visual stimuli, the analysis was performed with 16 subjects (8 each group). Classification Percentage and ITR were used as rating metrics to evaluate the performance of methods, were evaluated in 4-time windows: 0.5 s, 1 s, 1.5 s and 2 s. In addition, a statistical significance analysis was performed. As result, it was obtained that the best SSVEP recognition method correspond to the FBCCA with average percentage of classification of 93.31% for group 1 and 89.22% for group 2, and ITR of 169.85 bits/minute for group 1 and 142.76 bits/minute for group 2, in this last case evaluated in a time window of 1.5 s. Finally, the statistical analysis with a significance of 5%, allows to conclude that the experience in BCI has a low influence on the performance of a BCI-SSVEP system.
|
| author |
Blanco Diaz, Cristian Felipe Ruiz Olaya, Andres Felipe |
| author_facet |
Blanco Diaz, Cristian Felipe Ruiz Olaya, Andres Felipe |
| topicspa_str_mv |
Análisis de correlación canónica (ACC) Densidad espectral de energía (DEE) Electroencefalografía (EEG) Interface cerebro-computador (BCI) Potenciales evocados visuales en estado estacionario (SSVEP) |
| topic |
Análisis de correlación canónica (ACC) Densidad espectral de energía (DEE) Electroencefalografía (EEG) Interface cerebro-computador (BCI) Potenciales evocados visuales en estado estacionario (SSVEP) Brain-Computer Interface; Visual Evoked Potentials; Neuroengineering. |
| topic_facet |
Análisis de correlación canónica (ACC) Densidad espectral de energía (DEE) Electroencefalografía (EEG) Interface cerebro-computador (BCI) Potenciales evocados visuales en estado estacionario (SSVEP) Brain-Computer Interface; Visual Evoked Potentials; Neuroengineering. |
| citationvolume |
13 |
| citationissue |
26 |
| publisher |
Universidad EIA |
| ispartofjournal |
Revista Ingeniería Biomédica |
| source |
https://revistas.eia.edu.co/index.php/BME/article/view/1371 |
| language |
Español |
| format |
Article |
| rights |
Revista Ingeniería Biomédica - 2020 info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| references |
L. Meng, J.Lin, X.Wang, “A comparison of navigation system based on P300 BCI and SSVEP BCI”, 24th Chinese Control and Decision Conference (CCDC), Taiyuan, China, Mayo 2012. J. Gómez, Departamento Administrativo Nacional de Estadística (DANE) (2008). Consultado el 7 de octubre de 2019 en: https://www.dane.gov.co/index.php/estadisticas-por-tema/demografia-y-poblacion/discapacidad. J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, T. M. Vaughan, "Brain-computer interfaces for communication and control", Clin. Neurophysiol., vol. 113, pp. 767-791, Junio 2002. J.Becedas, “Brain Machine Interfaces: basic and advances”, IEEE Transactions on system, man and cybernetics, vol 42, pp 825-836, 2012. J.Boelts, A.Cerquera, A.Ruiz, “Decoding of imaginary motor movements of fists applying spatial filtering in a BCI simulated application”, International Work-conference on the interplay between natural and artificial computation, Elche, España, 2015. G. Baura, Medical device technologies: a system-based overview using engineering standars, Academic Press, 2011, Capítulo 13, 280-283. N. Inkaew, N. Charoenkitkamjorn, C. Yangpaiboon, M. Phothisonothai, C.Nuthon, “Frequency component analysis of EEG recording on various visual tasks: Steady-state visual evoked potential experiment”, International conference on knowledge and smart technology (KST), Chonburi, Tailandia, Enero 2015. Y. J. Wang, R. P. Wang, X. R. Gao, B. Hong, S. K. Gao, "A practical VEP-based brain-computer interface", IEEE Trans. Neural Syst. Rehabil. Eng., vol. 14, pp. 234-239, 2006. D.Zhu, J.Bieger, G. García, R.Aarts, “A survey of stimulation methods used in SSVEP-Based BCIs”, Computational Intelligence and Neuroscience, vol 2010, pp 1-12, 2010. Q.Wei, M. Xiao, Z.Lu, “A comparative study of canonical correlation analysis and power spectral density analysis for SSVEP detection”, Third international conference on intelligent human-machine systems and cybernetics, Zhejiang, China, Agosto 2011. R. Wang, W. Wu, K. Iramina, S. Ge, “The combination of CCA and PSDA detection methods in a SSVEP-BCI system”, 11th World congress on intelligent control and automation, Shenyang, China, Julio 2014. G. Hakvoort, B. Reuderink, M. Obbink, Comparison of PSDA and CCA detection methods in a SSVEP-based BCI-system Technical Report TR-CTIT-11-03, 2011. C.Liu, S.Xie, X.Xie, X.Duan, W.Wang , K. Obermayer, “Design of a video feedback SSVEP-BCI system for car control based on improved MUSIC method”, 6th International conference on Brain-Computer Interface (BCI), GangWon, Corea del Sur, Enero 2018. N.Gao, W.Zhai, J.Lu, S.Lu, Y.Tian, “Intelligent wheelchair research based on SSVEP brain-computer interface”, International Conference on Biological Information and Biomedical Engineering, Shangai, China, Junio 2018. M.H.Lee, O-Y.Kwon, Y-J.Kim, H-K.Kim, Y-E.Lee, J.Williamson, S.Fazli y S-W.Lee, ”EEG dataset and openBMI toolbox for three BCI paradigms: an investigation into BCI illiteracy”, GigaScience , No 8, pp 1-16, Enero 2019. G. Hakvoort, B. Reuderink, M. Obbink, Comparison of PSDA and CCA detection methods in a SSVEP-based BCI-system Technical Report TR-CTIT-11-03, 2011. M.Chan, Organización Mundial de la Salud (OMS) (2011). Consultado el 7 de octubre de 2019 en: https://www.who.int/disabilities/world_report/2011/es/. |
| type_driver |
info:eu-repo/semantics/article |
| type_coar |
http://purl.org/coar/resource_type/c_6501 |
| type_version |
info:eu-repo/semantics/publishedVersion |
| type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| type_content |
Text |
| publishDate |
2020-06-06 |
| date_accessioned |
2020-06-06 00:00:00 |
| date_available |
2020-06-06 00:00:00 |
| url |
https://revistas.eia.edu.co/index.php/BME/article/view/1371 |
| url_doi |
https://doi.org/10.24050/19099762.n26.2019.1371 |
| issn |
1909-9762 |
| eissn |
1909-9991 |
| doi |
10.24050/19099762.n26.2019.1371 |
| url3_str_mv |
https://revistas.eia.edu.co/index.php/BME/article/download/1371/1328 |
| _version_ |
1797159100635676672 |