- abstrakt
- 1. Introduktion
- 2. Målesystemet
- 2.1. Cross-kanaler
- 2.2. Eog-sEMG-målesystemet
- 2.3. EOG-sEMG Sensing Device
- 3. Eog-optagelsessystemet
- 4. sEMG-signaloptagelse
- 5. Mønstergenkendelsesalgoritme
- 6. Eksperimenter og resultater
- 6. 1. Mønstergenkendelseseksperiment
- 6.2. Mønstergenkendelse eksperimentelle resultater
- 6, 3. Tegninputeksperiment
- 6.4. Tegn Input eksperimentelle resultater
- 7. Eksperimentelle resultater af de alvorligt handicappede
- 8. Konklusioner
- konkurrerende interesser
- anerkendelser
abstrakt
formålet med denne undersøgelse er at præsentere elektrookulogram (EOG) og overfladeelektromyogram (sEMG) signaler, der kan bruges som en Human-computer interface. Etablering af en effektiv alternativ kanal til kommunikation uden åben tale og håndbevægelser er vigtig for at øge livskvaliteten for patienter, der lider af amyotrofisk lateral sklerose, muskeldystrofi eller andre sygdomme. I dette papir foreslår vi et eog-sEMG Human-computer interface system til kommunikation ved hjælp af både tværgående kanaler og parallelle linjer kanaler på ansigtet med de samme elektroder. Dette system kunne optage eog-og sEMG-signaler som” dobbeltmodalitet ” til mønstergenkendelse samtidigt. Selvom så meget som 4 mønstre kunne genkendes, der beskæftiger sig med patienternes tilstand, vælger vi kun to klasser (venstre og højre bevægelse) af EOG og to klasser (venstre blink og højre blink) af sEMG, som let kan realiseres til simulering og overvågningsopgave. Fra simuleringsresultaterne opnåede vores system klassificering med fire mønstre med en nøjagtighed på 95,1%.
1. Introduktion
under øjenbevægelser findes der et potentiale på tværs af hornhinden og nethinden, og det er grundlaget for elektrookulogrammet (EOG). EOG kan modelleres af en dipol og anvendes i medicinske systemer. Flere EOG-baserede Human-computer interface undersøgelser findes i litteraturen. For eksempel udvikles en kørestol styret med øjenbevægelser til handicappede og ældre. Øjenbevægelsessignalerne og sensorsignalerne kombineres, og både retning og acceleration styres . Overfladeelektromyogramsignaler (sEMG ‘ er) detekteres over hudoverfladen og genereres af den elektriske aktivitet af muskelfibre under sammentrækning . Bevægelige muskler kan detekteres ved at analysere sEMG ‘ er. En af de vigtige anvendelser af sEMGs er at kontrollere kunstige ben. Selvom hovedbevægelse, som er en naturlig gestus , kan bruges til at indikere en bestemt retning, kan alvorligt handicappede ikke bevæge deres nakke og hoved. Imidlertid kan mange af disse mennesker anvende ansigtsmuskelbevægelse. sEMG er en måde at studere ansigtsmuskelaktiviteter ved at registrere handlingspotentialerne fra kontraherende fibre. sEMG kan detekteres med overfladeelektroder, som er lette at påføre og ikke-invasive og ikke udgør nogen sundheds-og sikkerhedsrisici for brugerne. Computersystemer kan også styres ved hjælp af face sEMG-signaler . Disse computersystemer kan genkende ansigtsbevægelse (venstre blink, højre blink og bid) ved hjælp af sEMG-sensorer. Desuden kan eog, elektroencefalogram (EEG) og EMG-signaler klassificeres i realtid og kan styre bevægelige robotter ved hjælp af en kunstig neural netværksklassifikator .
undersøgelse af muligheden for at anvende eog ‘ er til en human-computer-grænseflade bestemmes forholdet mellem synsvinklen og en EOG. Dybdegående undersøgelser har vist, at den langsomt skiftende baseline-drift gør det vanskeligt at estimere kontinuerlige EOG-signaler, og denne drift vises kun i jævnstrømssignaler (DC) i kredsløbet. For at overvinde dette problem foreslog vores system tidligere brugen af vekselstrøm (AC) af EOGs for at reducere baseline drift ved segmentering af signalet . I disse papirer introducerede vi musemarkørstyringssystemet ved hjælp af vores eogs-teknik. De indledende tærskler for øjenbevægelsesklassen (højre, venstre og frivilligt blink) bestemmes empirisk individuelt for hver bruger. To øjne bevægelse klasser (højre og venstre) er kommando af den samme bevægelse af musemarkøren. I disse papirer , øjnene bevægelse diagonalt nederste højre retning er en kommando af klik behandling. Derudover er den frivillige blink også en kommando for klikbehandling. Disse systemer har imidlertid et problem, hvor ansigtssemg-signalerne bliver støjende for EOG-signaler.
i denne undersøgelse udvikler vi et eog-sEMG human interface system til kommunikation. Vores foreslåede EOG-enhed har ikke problemet med artefakter fra blinkende øjne. Vi anvender en algoritme, der bruger både den dynamiske variation af DC-elementet og mønsterklassificeringen af AC-elementet. Denne segmentering af signalet reducerer baseline drift. Selvom der var en 3-elektrodemetode , der kunne måle lodrette og vandrette komponenter i EOG, som blev betragtet som støj under EEG-målingen, vores EOG-system bruger stadig tværkanaler, der bruger 4 elektroder til både at forbedre nøjagtigheden af EOG-måling og realisere eog-sEMG “dual-modalitet” – processen samtidigt. Desuden har eog-signalerne på tværs af kanaler en lignende ydelse som plus-kanalmetoden, som i vid udstrækning anvendes til eog-måling. Derudover har elektrodepositionen for eog-signalmetoden på tværs af kanaler en god funktion, at sEMG også kan måles effektivt på samme tid. I sammenligning med andre papirer er dette en nyttig fortjeneste.
sammenlignet med andre relaterede undersøgelser af menneske-computer-grænseflader til at hjælpe mennesker med handicap såsom øjensporingssystemer , der bruger billedbehandling, har EOG-sEMG baseret på vores forslag Human-computer interface stærk anti-interferensevne fra miljøet såsom lys og lyde. Patienterne kunne bruge denne type interface selv uden syn. Især kunne als-patienterne stadig kontrollere deres øjenkugler og muskler omkring øjnene, selv i terminalfasen, hvor de kunne bruge EOG-sEMG baseret på vores forslag human-computer interface også. Selvom Billedbehandlingsenheder er meget udbredt på grund af at være intuitive og mere forudsigelige, giver EOG-sEMG baseret på vores forslag Human-computer interface stadig et godt valg for de alvorligt handicappede.
i dette papir foreslår vi en teknik, der kan udføre ansigtsmønstergenkendelse ved at optage EOGs og sEMGs. For at bevise udførelsen af vores foreslåede metode forsøgte vi 3 relaterede eksperimenter trin for trin. Til at begynde med, selvom så meget som 7 klasser kunne genkendes, der beskæftiger sig med patienternes reelle tilstand og de indledende nøjagtighedstest, vælger vi kun to klasser (venstre og højre bevægelse) af EOG og to klasser (venstre blink og højre blink) af sEMG, som let kan realiseres til simulering og overvågningsopgave. Dernæst udførte vi eksperimenter med karakterindgange ved at bruge vores foreslåede system med disse 4 klasser. De eksperimentelle deltagere var sunde mænd i tyverne, der er enige om at deltage i vores eksperimenter uden tvang. Fra disse eksperimenter viste vi, at firemønstergenkendelsen af vores foreslåede system er let at lære og bruge. Desuden anvendte vi vores foreslåede forenklede metode (program, der kan gøre tegninput med et enkelt klik (en mønstergenkendelse)) for de alvorligt handicappede (muskeldystrofipatienter).
2. Målesystemet
2.1. Cross-kanaler
som vist i Figur 1(a) anvendes plus-kanalmetoden i vid udstrækning som den mest konventionelle måde til optagelse af EOG-signaler i den tidligere forskning: de vandrette signaler blev optaget af kanal 1 (CH1), og de lodrette signaler blev optaget af Kanal 2 (CH2) . I dette papir, for at forbedre nøjagtigheden af EOG-signalerne, foreslås en ny tværkanalmetode som vist i Figur 1(b). De vandrette og de lodrette signaler kunne optages af begge kanaler på samme tid. Det er meget lettere at analysere data ved hjælp af dobbeltsignaler.
2.2. Eog-sEMG-målesystemet
i dette underafsnit foreslås designet af eog-EMG-målesystemet. Figur 2 viser den formelle ordning for erhvervelse og analyse af eog-og sEMG-signalerne til kontrol og strøm af information gennem systemet. Vores foreslåede system har fire komponenter: (1) forstærker, (2) filter, (3) A/D-konverter og (4) musemarkørstyringssystem. Specifikt betyder dette, at systemet består af fem elektroder, en A/D-konverter, en personlig computer og en skærm (vist i figur 2). Fire elektroder til de to kanaler af sEMG-signaler indsættes på ansigtet, og en elektrode indsættes på højre eller venstre håndled som jorden.
(a)
(a)(a) (a) 
(b)
2.3. EOG-sEMG Sensing Device
i dette underafsnit viser vi den grænsefladeenhed, der blev brugt i denne undersøgelse. Figur 3 viser en person, der bærer interfaceenheden. Denne interface enhed ligner beskyttelsesbriller eller briller, der fastgør elektroderne. Signalerne målt af enheden sendes til PC ‘ en ved hjælp af Bluetooth. De sendte data er vist i figur 4. De målte signaler er jævnstrøm for to eog-kanaler (2 ch), som er CH1 og CH2, og vekselstrøm for to EOG-kanaler (CH3 og CH4). På samme tid måles også 2 ch-signaler af sEMG, som er CH5 og CH6. Vi viser detaljerne i de målte data i det følgende afsnit.
3. Eog-optagelsessystemet
i dette afsnit introducerer vi EOG-optagelsessystemet. Vores foreslåede EOG-system er baseret på to strømme: (1) forstærkeren og lavpasfilteret (DC-element) og (2) forstærkeren, lavpasfilteret og højpasfilteret (AC-element). Efter registrering af signalamplituden (1000 gange) og støjreduktionsforanstaltninger for det biopotentielle dataindsamlingssystem genkendes fire slags øjenbevægelser (højre, venstre, op og ned) nøjagtigt, og den elektroniske støjreduktion er også vellykket. Det skal bemærkes, at de vandrette EOG-signaler er stærkere end de lodrette eog-signaler. Det skyldes, at lodrette saccades er langsommere end vandrette saccades, og nedadgående saccades er de langsomste . Figur 5-8 viser, at de fire øjenbevægelser (højre, venstre, op og ned) er klart forskellige. Desuden er CH1 og CH2 DC-signaler, som kan bruges til at registrere de kontinuerlige bevægelser af øjnene. CH3 og CH4 er AC-signaler fra EOG. Derfor reagerer CH3 og CH4 stærkt kun på øjenbevægelser.
da eog − signalerne ændres for alle fire øjenbevægelser, importerede vi CH1 + CH2, som bruges til de lodrette signaler og CH1-CH2 til de vandrette signaler. I eksperimenterne bad vi hver deltager om at flytte sine øjenkugler for at følge den næste sekvens: center-højre-center-venstre-center-op-center-ned-center. Resultaterne af disse to nye procedurer er vist i figur 9.
4. sEMG-signaloptagelse
figur 2 viser den formelle ordning for erhvervelse og analyse af sEMG-signalerne til styring og strøm af information gennem systemet. Vores system består af disse fire komponenter: (1) overfladeelektroder, (2) forstærker, (3) højpasfilter og (4) personlig computer til sEMG-signalklassificering. SEMG-signalerne detekteret af overfladeelektroderne forstærkes og filtreres inden dataindsamling for at reducere støjartefakter og forbedre spektrale komponenter, der indeholder informationen til dataanalyse. To kanaler med sEMG-signaler kan bruges til at genkende ansigtsbevægelse. For at fjerne DC-niveauet og støj fra 60 HS-strømledningen anvendes højpasfilteret. Afskæringsfrekvensen for højpasfilteret er 66,7 timer.
optagelserne i Figur 10 viser de anvendte støjreduktionsforanstaltninger i vores system. Som et resultat er dataene fra de tre sEMG-klasser (højre blink, venstre blink og bid) klart forskellige. 1000 gange) digitaliseres sEMG-signalerne og overføres derefter til pc ‘ en. Prøveudtagningsfrekvensen for måledataene er 1 HS på et bånd fra 0 hs til 500 HS.
sEMG-signalerne behandles af den glidende gennemsnitlige behandling. Den glidende gennemsnitsbehandling beregner det korrigerede og uvægtede gennemsnit af de tidligere datapunkter. Derefter bestemmes værdien efter den glidende gennemsnitsbehandling som “aktiv” eller “inaktiv” baseret på tærsklen. Tærsklerne (CH5 og CH6) er indstillet efter brugerne. Denne metode er nødvendig for at indstille tærskelværdien for hver bruger. Desuden reagerer dette system ikke på det sædvanlige blink. Figur 11 viser et diagram over denne proces.
5. Mønstergenkendelsesalgoritme
i dette afsnit introducerer vi vores foreslåede eog-sEMG mønstergenkendelsesalgoritme. Figur 12 viser den samlede strøm af vores foreslåede system. Denne proces består af gentagne trin. Mønstergenkendelsen består af fem klasser: to klasser (venstre og højre bevægelse) for EOG og de tre klasser (venstre blink, højre blink og bid) for sEMG.
Hvis sEMG-dataene efter signalbehandling overstiger en tærskel, bestemmes mønsteret af sEMG-dataene kun af CH1 (højre blink-lignende bevægelse) eller kun CH2 (venstre blink-lignende bevægelse) eller begge dele (bid eller stærk blink). Vores foreslåede algoritme initialiserer DC-elementerne i EOG, efter at sEMG-aktiviteten er afsluttet. Når AC-elementet i EOG ikke er ændret (øjnene bevæger sig ikke), og sEMG ikke er aktiv, initialiserer vores foreslåede algoritme referenceværdien, som øjnene ser ud som fronten (“eog-fornyelse” i Figur 12). Med andre ord bestemmer vores system, at øjnene ser på forsiden, fordi AC-elementet ikke ændres. På det tidspunkt opdateres vores system som referenceværdien for DC-elementerne. Derefter bruger vores system mængden af ændring i DC fra denne referenceværdi.
fra den eksperimentelle regel indstilles bedømmelsestærsklen mellem aktiv og inaktiv. Dernæst, når øjnene bevæger sig, sammenligner vores algoritme det skiftende interval af CH1 + CH2 og CH1 − CH2. Når CH1-CH2 er større, udfører vores algoritme beslutningsprocessen for EOG. Når CH1 + CH2 er større, bestemmer vores algoritme, at øjnene bevæger sig i lodret retning, fordi EOG-dataene for den lodrette retning af øjnene ligner EOG-dataene for blinkmønsteret. Derudover indikerer vores eksperimentelle resultater, at mange mennesker ikke let kan kontrollere opretningen af øjet.
dernæst introducerer vi eog-mønstergenkendelsesalgoritmen, et eksempel på eog-mønstergenkendelsesbehandling vist i Figur 13. Selvom figur 9 viser, at alle øjne bevægelser kunne ved at kontrollere værdier for CH1 + CH2 og CH1 − CH2, mønster marcherende algoritme er stadig nødvendigt at løse baseline skift forårsaget af afdrift problem. Algoritmetrinnene i Figur 13 er som følger:(1)DC-og AC-elementerne i EOG overskrider tærsklen for den rigtige retning. Det er fastslået, at dette er den rigtige retning af øjnene.(2) DC-elementet fortsætter med at overskride tærsklen for den rigtige retning, og AC-elementet vender tilbage til basislinjen. Retningen af øjnene fortsætter med at være til højre.(3) AC-elementet ændrer sig meget i den negative retning, når øjenretningen vender tilbage til midterpositionen.(4) AC-elementet og DC-elementet vender tilbage til hvert elements basislinje. Derefter opdateres basislinjen.Vores system udfører bestemmelsen af højre og venstre bevægelse af øjnene ved hjælp af denne algoritme. Denne algoritme gør det muligt at bestemme retning. Dette er en vanskelig proces, når du kun bruger AC-elementet.
6. Eksperimenter og resultater
for at teste effektiviteten af vores foreslåede system gennemførte vi to eksperimenter: den ene er en mønstergenkendelsestest, og den anden er en tegninputtest.
6. 1. Mønstergenkendelseseksperiment
først gennemførte vi mønsterklassificeringseksperimenter for de to øjenbevægelsesklasser (højre og venstre) og de tre ansigts sEMG-klasser (højre blink, venstre blink og bid). Intervallet for hver handling er 3 sekunder (vist i figur 14). Hver deltager udførte hver øjenbevægelse ni gange. Derudover testede vi, om vores foreslåede system kunne afvise et normalt blink. Vi udførte den normale blink-afvisningstest 30 gange. Deltagerne i eksperimenterne var otte sunde mænd, der er alle antallet af vores laboratorium i tyverne, der gav deres samtykke til at deltage i dette eksperiment.
6.2. Mønstergenkendelse eksperimentelle resultater
mønstergenkendelse eksperimentelle resultater er vist i tabel 1, og den sidste linje viser præstationsevaluering (PE) for hvert mønster under 5 point regel (korrekt for 5 point, Afvis for 2 point og miss for 0 point). Afvis betyder, at inputmønsteret ikke reagerede. Miss betyder, at input mønster var forkert svar. Fra eksperimenterne er eog-mønstergenkendelsen (højre og venstre) af vores foreslåede system pålidelig. Fra disse eksperimentelle resultater viser vores foreslåede system god præstation i anerkendelsen af de fire klasser (højre, venstre, højre blink og venstre blink). Den gennemsnitlige anerkendelsesrate var 95,1%, den gennemsnitlige afvisningsrate var 1,4%, og den gennemsnitlige miss rate var kun 3,5%, og den gennemsnitlige PE er 4,79 af 5.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
sEMG-bidemønstergenkendelsen er dog ikke så god som forventet. En af grundene er, at nogle mennesker har problemer med okklusal uregelmæssighed, der forårsager divergens mellem deres kinder. Denne slags bidhandlinger blev normalt anerkendt som højre eller venstre blink. En anden grund er, at vi brugte en tærskelindstillingsmetode til at skelne mellem normal blink, og den normale blink-afvisningstest havde en succesrate på 97% (232/240). Under denne metode afvises bidhandlingerne, der ikke kunne passere tærsklen, det samme som det normale blink.
6, 3. Tegninputeksperiment
dernæst gennemførte vi tegninputeksperimentet ved hjælp af de fire klasser (højre (EOG), venstre (eog), højre blink (sEMG) og venstre blink (sEMG)). Alfabetets sætningsindgangsprogram, hjertelig stige, er vist i Figur 15. Vi brugte metoden til udvælgelse af fire divisioner. Vi tildelte de fire mønstre som følger: højre (EOG) er kommandoen for at vælge nederste højre område. Venstre (EOG) er kommandoen for at vælge nederste venstre område. Højre blink (sEMG) er kommandoen til at vælge højere højre område. Venstre blink (sEMG) er kommandoen til at vælge højere venstre område.Brugeren gentog filtreringen af fire mønstre, indtil karakteren af det sidste mønster blev valgt. Kontrolintervallet var 0,1 s. vi gennemførte eksperimenter med” miyasaki ” – inputopgaven (8 tegn: 4 operationer for 1 tegn), som er navnet på vores universitet. Deltagerne i eksperimenterne var ni sunde mænd i tyverne, der gav deres samtykke til at deltage i dette eksperiment. De eksperimentelle deltagere omfattede seks personer med erfaring med dette system.
6.4. Tegn Input eksperimentelle resultater
Vi forsøgte fem forsøg med” miyasaki ” input opgave. Vi tællede antallet af misser og tidsvarigheden indtil slutningen af input. Forsøgsresultaterne er vist i tabel 2. Fra disse eksperimenter var gennemsnitstiden for et forsøg 50,0 s.Den gennemsnitlige inputtid for et tegn i alfabetet var cirka 6,3 s (50 s/8 tegn) i vores foreslåede system. Tiden for den hurtigste deltager, K. M, var 4,5 s (35,8 s/8 tegn). Derudover, hvis vi betragtede deltagerne M. F, M. S og R. K, der havde brugt vores foreslåede system over 100 timer som de erfarne og de andre 6 deltagere, der ikke brugte vores foreslåede system ved nogen chance som uerfarne, var den gennemsnitlige tid for de erfarne deltagere 49.2 s og for de uerfarne deltagere var 51,5 s.Frøken for de uerfarne deltagere var også lav. Fra disse resultater mener vi, at en fordel ved vores foreslåede system er, at brugerne ikke har brug for meget træning.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Vi sammenlignede udførelsen af vores foreslåede metode med EOG-metoden og sEMG-metoden. EOG-metoden brugte kun højre og venstre øjenbevægelser som 2-divisions udvælgelsesmetode. SEMG-metoden anvendte højre blinker og venstre blinker kun som 2-divisions udvælgelsesmetode. Vi forsøgte de samme eksperimenter af fem forsøg med” miyasaki ” input opgave med de samme deltagere. Disse eksperimentelle resultater er vist i tabel 3. Det kan ses, at vores foreslåede metode har den bedste ydelse af alle de tre metoder. Vi beregnede den tid, der kræves til en operation. EOG-metoden var 1,93 s, sEMG-metoden var 1,65 s, og vores foreslåede metode var 1,56 s. derudover var miss-hastigheden for sEMG-metoden mindre end for vores foreslåede metode. En af de mest afgørende grunde er, at antallet af operationer (7 operationer for 1 tegn) er større i 2-divisionsvalgsmetoden end 4-divisionsvalgsmetoden.
|
||||||||||||||||||||||||||||
som vi nævnte i dette afsnit, kunne 2 eller 4 mønstre genkendes af vores foreslåede system. Alle disse mønstre kunne tildeles som adskilte funktioner, og i forbindelse med brugernes tilstand kunne alle disse mønstre anvendes af enhver kombination af dem. I det næste afsnit vil vi diskutere anvendelsen af vores foreslåede system for alvorligt handicappede, der kun bruger 1 mønster.
7. Eksperimentelle resultater af de alvorligt handicappede
i dette papir anvendte vi vores foreslåede metode til de alvorligt handicappede (muskeldystrofipatienter). Vi har fået godkendelse fra det etiske udvalg ved Universitetet i miyasaki. Eksperimentet i Afsnit 6 med kompliceret operation vil medføre stor træthed for handicappede, så eksperimenter blev udført på den måde, at et tegn vil blive indtastet med et enkelt klik ved hjælp af EOG eller sEMG. Kun et mønster blev valgt fra eog-eller sEMG-mønstre, der let kunne bruges. Brugeren kan vælges ved at klikke, når målet tegn er blevet valgt af programmet. I dette eksperiment udføres klikbehandling ved genkendelse af EOG-eller sEMG-aktivitet.
dette eksperiment havde de to emner. For at minimere påvirkningerne af fysisk tilstand af emner og miljøer forsøgte vi de samme eksperimenter 10 gange ved forskellige lejligheder i forskellige dage. De kontinuerlige 30 minutter i et eksperiment blev brugt til at teste den japanske tegninput. Tabel 4 viser de eksperimentelle resultater. Fra tabel 4 er genkendelsesgraden for sEMG-metoden 99,2%, og genkendelsesgraden for EOG-metoden er 98,0%. Inputtiden var langsom omkring 1 til 2 sekunder sammenlignet med raske forsøgspersoner. Derfor har de handicappede det samme resultat som sunde ved hjælp af et enkelt klik. Ud fra disse resultater kan vi sige, at vores tilgang er effektiv hos alvorligt handicappede.
|
|||||||||||||||||||||||||||||||
8. Konklusioner
i denne undersøgelse introducerede vi en eog-sEMG Human-computer interface enhed designet til patienter, der lider af amyotrofisk lateral sklerose eller andre sygdomme. Vi bruger både tværgående kanaler og parallelle linjer kanaler på ansigtet med de samme 4 elektroder. Dette system kunne optage eog-og sEMG-signaler som dobbelttrådning til mønstergenkendelse samtidigt. Desuden reducerer vores foreslåede metode ved hjælp af kombinationen af AC-og DC-elementer i EOG den tilsvarende drift og muliggør kontinuerlig drift i optagelsen af øjenbevægelser. De eksperimentelle resultater viste, at vores foreslåede metode er effektiv til firemønstergenkendelse (højre (EOG), venstre (EOG), højre blink (sEMG) og venstre blink (sEMG)). Især viste vores foreslåede metode god præstation for karakterinputeksperimenterne. Miss-satsen var kun 1,4%. Derudover viste resultaterne af uerfarne og erfarne deltagere meget lille forskel. Fra disse resultater mener vi, at en fordel ved vores foreslåede system er, at brugerne ikke har brug for meget træning.
desuden sammenlignede vi vores foreslåede metode med EOG-metoden og sEMG-metoden. Vores foreslåede metode krævede den korteste tid til tegninput. Vores foreslåede Human-computer interface kan anvendes i EOG-systemet, sEMG-systemet og EOG-sEMG-systemet. Det er muligt at bruge vores system til patienter, der kun kan kontrollere deres øjenbevægelser. Det er også muligt kun at bruge sEMG-signalerne med en høj succesrate, indtil brugeren er komfortabel med at bruge enheden. Vores foreslåede Human-computer interface har den fordel, at den kan bruges afhængigt af situationen.
Vi håber at kunne kommunikere med patienter, der lider af amyotrofisk lateral sklerose eller andre sygdomme ved at bruge vores system. I vores fremtidige arbejde planlægger vi at teste mange emner og mere alvorligt handicappede.
konkurrerende interesser
denne forskning blev finansieret af
anerkendelser
denne forskning blev støttet af miyasaki Prefectural Industrial Support Foundation (R&D) og et tilskud til unge forskere (B) (23700668) KAKEN. Forfatterne er taknemmelige for HR. De anerkender taknemmeligt arbejdet fra tidligere og nuværende medlemmer af deres laboratorium.