Детальная информация
Название | Бесконтактное управление роботом-тележкой на основе интерфейса «мозг–компьютер» // Системный анализ в проектировании и управлении: сборник научных трудов XXVII Международной научно-практической конференции, 13–14 октября 2023 года: [в 2 частях]. Ч. 2 |
---|---|
Авторы | Журавская Анжелика; Шкабара Ярослав Александрович |
Организация | Санкт-Петербургский политехнический университет Петра Великого; ООО «Геоскан» |
Выходные сведения | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2024 |
Коллекция | Общая коллекция |
Тематика | Роботы; интерфейс «мозг-компьютер»; электроэнцефалография; воображаемые движения; классификация; бесконтактное управление; brain-computer interface; electroencephalography; imaginary leg move-ments; classification; non-contact control |
УДК | 621.865.8 |
Тип документа | Статья, доклад |
Тип файла | |
Язык | Русский |
DOI | 10.18720/SPBPU/2/id24-166 |
Права доступа | Свободный доступ из сети Интернет (чтение, печать, копирование) |
Ключ записи | RU\SPSTU\edoc\73332 |
Дата создания записи | 19.08.2024 |
В статье рассматривается система бесконтактного управления на основе интерфейса «мозг-компьютер» для робота-тележки и использованием оборудования Neuroplay-8Cap. Данная нейрогарнитура имеет 8 сухих электродов. Для управления роботом использовалось 5 команд: остановка, ехать вперед, ехать назад, поворот влево, поворот вправо. Команды сопоставляются с моторными воображаемыми движениями рук, ног и фазой бездействия. Для классификации ЭЭГ-данных использовался алгоритм на основе римановой геометрии, максимальная точность, которого по всем испытаниям составила 64,8 %. Предполагается, что точность классификации в дальнейшем может быть повышена путем оптимизации настроек риманова классификатора.
The article discusses a non-contact control system based on a brain computer interface for a robot cart using Neuroplay-8Cap equipment. This neuroheadset has 8 dry electrodes. To control the robot, 5 commands were used: stop, go forward, go back, turn left, and turn right. The commands are compared with motor imaginary movements of the arms, legs and the inactive phase. To classify EEG data, an algorithm based on Riemannian geometry was used, the maximum accuracy of which was 64.8% for all tests. It is assumed that the classification accuracy can be further improved by optimizing the settings of the Riemannian classifier.
Количество обращений: 49
За последние 30 дней: 15