Συντάχθηκε 01-03-2022 11:10
Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 04/03/2022 11:00
Λήξη: 04/03/2022 12:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΖΑΧΑΡΙΟΥΔΑΚΗΣ ΝΙΚΟΛΑΟΣ
Θέμα
Ανάπτυξη Διεπαφής Ανθρώπου Μηχανής Χαμηλού Κόστους βασισμένη σε Οπτικά Προκλητά Δυναμικά για Εφαρμογές Πλοήγησης
A Low Cost EEG SSVEP-based Brain Computer Interface for Navigation Applications
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Απόστολος Δόλλας
Δρ. Ευάγγελος Σακκαλής (Διευθυντής Ερευνών ΙΤΕ)
Περίληψη
Τα τελευταία χρόνια έχει αυξηθεί ο αριθμός των μελετών που επικεντρώνονται στα συστήματα Brain Computer Interface (BCI) και στο μη επεμβατικό ηλεκτροεγκεφαλογράφημα (EEG), με την μέθοδο του Steady State Visual Evoked Potential (SSVEP) να παίζει σημαντικό ρόλο, λόγω του υψηλού επιπέδου σε ρυθμό μεταφοράς πληροφοριών (ITR) και σε αναλογία σήματος προς θόρυβο (SNR), καθώς και λόγω των ελάχιστων απαιτήσεων στην εκπαίδευση του αλγορίθμου. Τα SSVEP μπορούν να ληφθούν από τον ινιακό και τον βρεγματικό λοβό, αλλά η επιλογή διαφορετικών συνδυασμών καναλιών EEG και η προσαρμογή του μεγέθους των λαμβανόμενων δεδομένων, στο άτομο, παίζουν σημαντικό ρόλο για βέλτιστα αποτελέσματα. Η παρούσα μελέτη στοχεύει στη περαιτέρω βελτίωση υφιστάμενων συστημάτων, βασιζόμενων σε SSVEP, με ένα εξίσου αποτελεσματικό και ακριβές, το οποίο είναι πιο οικονομικό, προσφέροντας έτσι λύση σε ένα σοβαρό πρόβλημα για όσους αντιμετωπίζουν κινητικές αναπηρίες ή είναι τετραπληγικοί και που παράλληλα δεν έχουν προβλήματα όρασης. Επίσης, μελετάται η δυνατότητα αντικατάστασης wet ηλεκτροδίων με dry. Ένας από τους στόχους λοιπόν είναι να προσφέρουμε την ευκαιρία σε άτομα με περιορισμένη ή καθόλου κινητικότητα να γίνουν ανεξάρτητοι στην καθημερινή τους ζωή. Για την επιβεβαίωση λειτουργίας του συστήματος, χρησιμοποιήθηκε ένα ρομποτικό αυτοκίνητο εξοπλισμένο με συσκευή καταγραφής βίντεο, με τη δυνατότητα να αντικατασταθεί από αναπηρικό αμαξίδιο στο μέλλον. Σε αυτή τη μελέτη, τα δεδομένα συλλέχθηκαν με τη χρήση δύο τύπων ηλεκτροδίων, wet και dry, με τα τελευταία να είναι πιο ευαίσθητα στο θόρυβο. Ωστόσο, αποκλειστικές τεχνικές επεξεργασίας σήματος και πιο συγκεκριμένα την Canonical Correlation Analysis (CCA) μπορεί κανείς να αυξήσει την ακρίβεια για την ανίχνευση SSVEP. Τέλος, ο κύριος στόχος αυτής της μελέτης είναι να σχεδιάσει ένα πρακτικό σύστημα BCI που εστιάζει σε hardware και software χαμηλού κόστους, στην ευκολία χρήσης, στην σταθερότητα και στην αυξημένη απόδοση.
Abstract
There has been an increase in the number of studies lately focusing on Brain Computer Interface (BCI) systems and non-invasive scalp Electroencephalography (EEG) measurement, with Steady State Visual Evoked Potential (SSVEP) playing a significant role due to its higher Information Transfer Rate (ITR) and signal-to-noise ratio, as well as its minimal training requirements. The SSVEPs can be acquired in the occipital and parietal lobes, but selecting different EEG channel combinations and adapting data length to each subject specifics promises better results. The present study aims to improve further existing systems, relying on SSVEPs, with an equally efficient and accurate one, which is more cost-effective thus offering a solution to a serious problem for those facing mobility disabilities or are quadriplegic and are not visually impaired. Moreover, the possibility of replacing wet electrodes with dry ones is being studied. One of the objectives therefore, is to offer the opportunity for those with limited or no mobility to become mobile and self-reliant in their daily life. As a proof of principle, a robotic car equipped with a video capturing device was used, with the potential to be replaced by a wheelchair in the future. In this study, data were collected using two types of electrodes, wet and dry, with the latter being more sensitive to noise. Nonetheless, using dedicated signal processing techniques and more specifically Canonical Correlation Analysis (CCA) one can increase the accuracy for SSVEP detection. Finally, the main target of this study is to design a practical BCI system focusing on low-cost hardware and software, ease to use, and robust with increased performance.
