Eog-sEMG Human Interface for Communication

Abstract

målet med denne studien er å presentere electrooculogram (EOG) og surface electromyogram (sEMG) signaler som kan brukes som et menneske-datamaskin grensesnitt. Etablering av en effektiv alternativ kanal for kommunikasjon uten åpen tale og håndbevegelser er viktig for å øke livskvaliteten for pasienter som lider av amyotrofisk lateral sklerose, muskeldystrofi eller andre sykdommer. I dette papiret foreslår VI ET eog-sEMG human-computer interface system for kommunikasjon ved hjelp av både krysskanaler og parallelle linjer kanaler på ansiktet med de samme elektrodene. Dette systemet kan registrere EOG og sEMG signaler som» dual-modalitet » for mønstergjenkjenning samtidig. Selv om så mye som 4 mønstre kan gjenkjennes, som omhandler pasientens tilstand, velger vi bare to klasser (venstre og høyre bevegelse) AV EOG og to klasser (venstre blink og høyre blink) av sEMG som lett kan realiseres for simulerings-og overvåkingsoppgave. Fra simuleringsresultatene oppnådde systemet vårt firemønsterklassifisering med en nøyaktighet på 95,1%.

1. Innledning

under øyebevegelser eksisterer et potensial over hornhinnen og netthinnen, og det er grunnlaget for elektrookulogrammet (EOG). EOG kan modelleres av en dipol og brukes i medisinske systemer. Flere EOG-baserte menneske-datamaskin grensesnitt studier finnes i litteraturen. For eksempel utvikles en rullestol styrt med øyebevegelser for funksjonshemmede og eldre. Øyebevegelsessignalene og sensorsignalene kombineres, og både retning og akselerasjon styres . Overflate elektromyogram signaler (sEMGs) oppdages over hudoverflaten og genereres av den elektriske aktiviteten av muskelfibre under sammentrekning . Flytte muskler kan oppdages ved å analysere sEMGs. En av de viktigste bruksområdene til sEMGs er å kontrollere kunstige ben. Selv om hodebevegelse, som er en naturlig gest, kan brukes til å indikere en bestemt retning, kan alvorlig funksjonshemmede ikke bevege nakken og hodet. Imidlertid kan mange av disse menneskene ansette ansiktsmuskelbevegelse. sEMG er en måte å studere ansiktsmuskelaktiviteter ved å registrere handlingspotensialene fra kontraherende fibre. sEMG kan oppdages med overflateelektroder, som er enkle å påføre og ikke-invasive og utgjør ingen helse-og sikkerhetsrisiko for brukerne. Datasystemer kan også styres ved hjelp av face sEMG signaler . Disse datasystemene kan gjenkjenne ansiktsbevegelse (venstre blink, høyre blink og bite) ved hjelp av sEMG sensorer. VIDERE KAN eog, elektroencefalogram (EEG) og EMG-signaler klassifiseres i sanntid og kan styre bevegelige roboter ved hjelp av en kunstig nevrale nettverksklassifiserer .

Undersøker muligheten for å bruke EOGs for et menneske – datamaskin grensesnitt, er forholdet mellom synsvinkelen og EN EOG bestemt. Dybdestudier har funnet ut at den sakte skiftende baseline-driften gjør det vanskelig å estimere kontinuerlige EOG-signaler, og denne driften vises bare i likestrømssignaler i kretsen. For å overvinne dette problemet, foreslo vårt system tidligere bruk av vekselstrøm (AC) Av EOGs for å redusere baseline drift ved segmentering av signalet . I disse papirene introduserte vi musemarkørkontrollsystemet ved hjelp av Vår EOGs-teknikk. De første terskelene til øynebevegelsesklassen (høyre, venstre og frivillig blink) bestemmes empirisk individuelt for hver bruker. To øyne bevegelse klasser (høyre og venstre) er kommando av samme bevegelse av musepekeren. I disse papirene er øyebevegelsen av diagonalt nedre høyre retning en kommando for klikkbehandling. I tillegg er frivillig blink en kommando for klikkbehandling også. Imidlertid har disse systemene et problem der ansiktssemg-signalene blir støyende for EOG-signaler.

i denne studien utvikler vi et eog-sEMG human interface system for kommunikasjon. Vår foreslåtte EOG-enhet har ikke problemet med gjenstander fra øyet blinker. Vi bruker en algoritme som bruker både dynamisk variasjon AV DC element og mønster klassifisering AV AC element. Denne segmenteringen av signalet reduserer baseline drift. Selv om det var en 3-elektrodemetode som kunne måle vertikale og horisontale komponenter I EOG som ble ansett som støy under EEG-måling, bruker VÅRT EOG-system fortsatt krysskanaler som bruker 4 elektroder for både å forbedre nøyaktigheten AV EOG-måling og realisere eog-sEMG «dual-modality» – prosessen samtidig. Videre har krysskanals EOG-signaler en lignende ytelse til plusskanalmetoden som er mye brukt I EOG-måling. I tillegg har elektrodeposisjonen til krysskanal eog-signaler-metoden en god funksjon at sEMG også kan måles effektivt samtidig. I sammenligning med andre papirer er dette en nyttig fortjeneste.Sammenlignet Med andre relaterte undersøkelser på menneske – datamaskin grensesnitt for å hjelpe mennesker med nedsatt funksjonsevne som eye tracking systemer , som bruker bildebehandling, EOG-sEMG basert på vårt forslag menneske-datamaskin grensesnitt har sterk anti-interferens evne fra miljøet som lys og lyder. Pasientene kunne bruke denne typen grensesnitt selv uten syn. SPESIELT KAN als-pasientene fortsatt kontrollere øyebollene og musklene rundt øynene selv i terminalstadiet, der de også kunne bruke EOG-sEMG basert på vårt forslag menneske-datamaskin-grensesnitt. Selv om bildebehandlingsenheter er mye brukt på grunn av å være intuitive og mer forutsigbare, GIR EOG-sEMG basert på vårt forslag human-computer interface fortsatt godt valg for de alvorlig funksjonshemmede.

i dette papiret foreslår vi en teknikk som kan utføre ansiktsmønstergjenkjenning ved å registrere EOGs og sEMGs. For å bevise ytelsen til vår foreslåtte metode, prøvde vi 3 relaterte eksperimenter trinnvis. I begynnelsen, selv om så mye som 7 klasser kunne gjenkjennes, som omhandler pasientens virkelige tilstand og de første nøyaktighetstestene, velger vi bare to klasser (venstre og høyre bevegelse) AV EOG og to klasser (venstre blink og høyre blink) av sEMG som lett kan realiseres for simulerings-og overvåkingsoppgave. Deretter utførte vi eksperimenter med tegninnganger ved å bruke vårt foreslåtte system med de 4 klassene. De eksperimentelle deltakerne var friske menn i tjueårene som er enige om å delta i våre eksperimenter uten tvang. Fra disse forsøkene viste vi at fire-mønstergjenkjenningen av vårt foreslåtte system er lett å lære og bruke. Videre brukte vi vår foreslåtte forenklede metode (programvare som kan gjøre tegninngang med ett klikk (en mønstergjenkjenning)) for de alvorlig funksjonshemmede (muskeldystrofi pasienter).

2. Målesystemet

2.1. Kryss-Kanaler

som vist I Figur 1(a), er plusskanalmetoden mye brukt som den mest konvensjonelle måten FOR opptak AV EOG-signaler i forrige forskning: de horisontale signalene ble registrert Av Kanal 1 (CH1), og de vertikale signalene ble registrert Av Kanal 2 (CH2) . I dette papiret, for å forbedre nøyaktigheten AV eog-signalene, foreslås en ny krysskanalmetode som vist i Figur 1 (b). De horisontale og vertikale signalene kan registreres av begge kanalene samtidig. Det er mye lettere å analysere data ved hjelp av doble signaler.

2.2. EOG-sEMG Målesystemet

i dette underavsnittet foreslås utformingen AV eog-EMG målesystemet. Figur 2 viser den formelle ordningen for innhenting og analyse AV EOG-og sEMG-signaler for kontroll og informasjonsflyt gjennom systemet. Vårt foreslåtte system har fire komponenter: (1) forsterker, (2) filter, (3) a / D-omformer og (4) musemarkørkontrollsystem. Spesielt betyr dette at systemet består av fem elektroder, en a / D-omformer, en personlig datamaskin og en skjerm (vist i Figur 2). Fire elektroder for de to kanalene av sEMG-signaler limes på ansiktet, og en elektrode limes på høyre eller venstre håndledd som bakken.

(a)

(b)

(a)
(b)

2.3. EOG-sEMG Sensing Device

i dette underavsnittet viser vi grensesnittenheten som brukes i denne studien. Figur 3 viser en person som bærer grensesnittenheten. Denne grensesnittenheten ligner briller eller briller, og fester elektrodene. Signalene målt av enheten sendes til PCEN ved Hjelp Av Bluetooth. De sendte dataene er vist i Figur 4. De målte signalene er LIKESTRØMMER for to EOG-kanaler (2 ch), SOM ER CH1 OG CH2, OG VEKSELSTRØM for to eog-kanaler (CH3 OG CH4). Samtidig måles 2 ch signaler av sEMG, som ER CH5 OG CH6. Vi vil vise detaljene for de målte dataene i følgende avsnitt.

3. EOG Recording System

I denne delen vil vi introdusere EOG recording system. Vårt foreslåtte EOG-system er basert på to strømmer: (1) forsterkeren og lavpassfilteret (DC-element) og (2) forsterkeren, lavpassfilteret og høypassfilteret (AC-element). Etter opptak av signalamplituden (1000 ganger) og støyreduksjonstiltak for det biopotensielle datainnsamlingssystemet, gjenkjennes fire typer øyebevegelser (høyre, venstre, opp og ned) nøyaktig, og den elektroniske støyreduksjonen er også vellykket. Det skal bemerkes at de horisontale EOG-signalene er sterkere enn de vertikale EOG-signalene. Det er fordi vertikale saccades er tregere enn horisontale saccades, og nedover saccades er den tregeste . Figur 5-8 viser at de fire øyebevegelsene (høyre, venstre, opp og ned) er klart forskjellige. VIDERE ER CH1 OG CH2 DC-signaler, som kan brukes til å registrere kontinuerlige bevegelser av øynene. CH3 OG CH4 er AC-signaler fra EOG. DERFOR REAGERER CH3 og CH4 sterkt på øyebevegelser bare.

FORDI EOG-signalene endres for alle fire øyebevegelser, importerte VI CH1 + CH2, som brukes til de vertikale signalene og CH1-CH2 for de horisontale signalene. I forsøkene spurte vi hver deltaker om å flytte øyebollene for å følge neste rekkefølge: senter-høyre-senter-venstre-senter-opp-senter-ned-senter. Resultatene av disse to nye prosedyrene er vist i Figur 9.

4. sEMG Signal Recording

Figur 2 viser den formelle ordningen for innhenting og analyse av sEMG signaler for kontroll og flyt av informasjon gjennom systemet. Vårt system består av disse fire komponentene: (1) overflateelektroder, (2) forsterker, (3) høypassfilter og (4) personlig datamaskin for sEMG-signalklassifisering. SEMG-signalene som oppdages av overflateelektrodene forsterkes og filtreres før datainnsamling for å redusere støyartefakter og forbedre spektrale komponenter som inneholder informasjonen for dataanalyse. To kanaler med sEMG-signaler kan brukes til å gjenkjenne ansiktsbevegelse. For å fjerne DC-nivået og støyen fra 60 Hz-strømledningen, brukes høypassfilteret. Cutoff-frekvensen til høypassfilteret er 66,7 Hz.

opptakene I Figur 10 viser de anvendte støyreduksjonsmålinger i vårt system. Som et resultat er dataene fra de tre sEMG-klassene (høyre blink, venstre blink og bite) klart forskjellige. Etter filtrering og forsterkning (omtrent 1000 ganger) digitaliseres sEMG-signalene og overføres deretter til den personlige datamaskinen. Samplingsfrekvensen til måledataene er 1 KHz på et bånd fra 0 Hz til 500 Hz.

sEMG-signalene behandles av glidende gjennomsnittlig behandling. Moving average processing beregner det korrigerte og uveide gjennomsnittet av de tidligere datapunktene. Deretter bestemmes verdien etter den glidende gjennomsnittsbehandlingen som «aktiv » eller» inaktiv » basert på terskelen. Terskelene (CH5 OG CH6) er satt i henhold til brukerne. Denne metoden er nødvendig for å angi terskelverdien til hver bruker. Videre reagerer dette systemet ikke på vanlig blink. Figur 11 viser et diagram over denne prosessen.

5. Mønstergjenkjenningsalgoritme

I denne delen vil vi introdusere vår foreslåtte eog-sEMG mønstergjenkjenningsalgoritme. Figur 12 viser den totale flyten i vårt foreslåtte system. Denne prosessen består av gjentatte trinn. Mønstergjenkjenning består av fem klasser: to klasser (venstre og høyre bevegelse) FOR EOG og de tre klassene (venstre blink, høyre blink og bite) for sEMG.

hvis sEMG-dataene etter signalbehandling overskrider en terskel, bestemmes mønsteret av sEMG-dataene bare AV CH1 (høyre blinklignende bevegelse) eller CH2 bare (venstre blinklignende bevegelse) eller begge (bitt eller sterkt blink). Vår foreslåtte algoritme initialiserer DC-elementene i EOG etter at sEMG-aktiviteten er fullført. Videre, når AC-elementet I EOG ikke har endret seg (øynene beveger seg ikke) og sEMG ikke er aktiv, initialiserer vår foreslåtte algoritme referanseverdien som øynene ser ut som fronten («EOG renewal» I Figur 12). Med andre ord bestemmer vårt system at øynene ser på forsiden, FORDI AC-elementet ikke endres. På den tiden oppdaterer systemet vårt som referanseverdien TIL DC-elementene. Etter det bruker systemet vårt mengden endring I DC fra denne referanseverdien.

fra forsøksregelen settes det en dømmende terskel mellom aktiv og inaktiv. Neste, når øynene beveger seg, sammenligner vår algoritme det skiftende området CH1 + CH2 OG CH1-CH2. NÅR CH1-CH2 er større, utfører vår algoritme bestemmelsesprosessen TIL EOG. NÅR CH1 + CH2 er større, bestemmer vår algoritme at øynene beveger seg i vertikal retning, fordi EOG-dataene for øynets vertikale retning ligner EOG-dataene for blinkmønsteret. I tillegg indikerer våre eksperimentelle resultater at mange mennesker ikke lett kan kontrollere øyets oppretning.

deretter introduserer VI eog pattern recognition algorithm, et eksempel PÅ eog pattern recognition processing vist i Figur 13. Selv Om Figur 9 viser at alle øynebevegelser kan ved å sjekke verdier FOR CH1 + CH2 OG CH1-CH2, er mønstermarsjalgoritme fortsatt nødvendig for å løse grunnlinjeforskyvningen forårsaket av driftproblem. Algoritmetrinnene I Figur 13 er Som følger: (1) DC-og AC-elementene i EOG overskrider terskelen for riktig retning. Det er bestemt at dette er riktig retning av øynene.(2) DC-elementet fortsetter å overskride terskelen for riktig retning, OG AC-elementet vender tilbake til grunnlinjen. Øynets retning fortsetter å være til høyre.(3) AC-elementet endres sterkt i negativ retning når øyeretningen vender tilbake til midtposisjonen.(4) AC-elementet og DC-elementet går tilbake til hvert elements grunnlinje. Deretter oppdateres baseline.Vårt system utfører bestemmelsen av høyre og venstre bevegelse av øynene ved å bruke denne algoritmen. Denne algoritmen gjør det mulig å bestemme retning. Dette er en vanskelig prosess når DU bare bruker AC-elementet.

6. Eksperimenter og Resultater

for å teste effektiviteten av vårt foreslåtte system, gjennomførte vi to eksperimenter: den ene er en mønstergjenkjenningstest og den andre er en tegninngangstest.

6.1. Pattern Recognition Experiment

Først gjennomførte vi mønsterklassifiseringseksperimenter for de to øyebevegelsesklassene (høyre og venstre) og de tre ansiktssemg-klassene (høyre blink, venstre blink og bite). Intervallet for hver handling er 3 sekunder (vist I Figur 14). Hver deltaker utførte hver øyebevegelse ni ganger. I tillegg testet vi om vårt foreslåtte system kunne avvise en normal blink. Vi utførte den normale blinkavvisningstesten 30 ganger. Deltakerne i forsøkene var åtte friske menn som er alle tallene i laboratoriet i tjueårene som ga sitt samtykke til å delta i dette eksperimentet.

6.2. Mønstergjenkjenning Eksperimentelle Resultater

mønstergjenkjenning eksperimentelle resultater er vist I Tabell 1 og den siste linjen viser ytelse evaluering (PE) av hvert mønster under 5 poeng regel (riktig for 5 poeng, avvis for 2 poeng, og bommer for 0 poeng). Avvis betyr at inngangsmønsteret ikke reagerte. Miss betyr at inngangsmønsteret var feil svar. Fra forsøkene er EOG mønstergjenkjenning (høyre og venstre) av vårt foreslåtte system pålitelig. Fra disse eksperimentelle resultatene viser vårt foreslåtte system god ytelse i anerkjennelsen av de fire klassene (høyre, venstre, høyre blink og venstre blink). Gjennomsnittlig anerkjennelsesrate var 95,1%, gjennomsnittlig avvisningsrate var 1,4%, og gjennomsnittlig missrate var bare 3,5%, og gjennomsnittlig PE er 4,79 av 5.

semg bite mønstergjenkjenning er imidlertid ikke så god som forventet. En grunn er at noen mennesker har problemer med okklusal uregelmessighet som forårsaker divergens mellom kinnene sine. Denne typen bite handlinger ble vanligvis anerkjent som høyre eller venstre blink. En annen grunn er at vi brukte en terskel tuning metode for å skille normal blink, og normal blink avvisning test hadde en 97% suksessrate (232/240). Under denne metoden vil bitehandlingene som ikke kunne passere terskelen, bli avvist på samme måte som normal blink.

6.3. Tegninngangseksperiment

Deretter gjennomførte vi tegninngangseksperimentet ved hjelp av de fire klassene (høyre (EOG), venstre (eog), høyre blink (sEMG) og venstre blink (sEMG)). Alfabetet setning innspill programvare, Solid Stige, er vist I Figur 15. Vi brukte fire-divisjon utvalgsmetoden. Vi tildelte de fire mønstrene som følger: Høyre (EOG) er kommandoen for å velge nedre høyre område. Venstre (EOG) er kommandoen for å velge nedre venstre område. Høyre blink (sEMG) er kommandoen for å velge høyere høyre område. Venstre blink (sEMG) er kommandoen for å velge høyere venstre område.Brukeren gjentok filtreringen av fire mønstre til tegnet til det siste mønsteret ble valgt. Kontrollintervallet var 0,1 s. vi gjennomførte eksperimenter av» miyazaki » inngangsoppgave (8 tegn: 4 operasjoner for 1 tegn)som er navnet på vårt universitet. Deltakerne i forsøkene var ni friske menn i tjueårene som ga sitt samtykke til å delta i dette eksperimentet. De eksperimentelle deltakerne inkluderte seks personer som opplevde dette systemet.

6.4. Tegn Input Eksperimentelle Resultater

vi prøvde fem forsøk på» miyazaki » input oppgave. Vi telte antall savner og tidsvarigheten til slutten av inngangen. De eksperimentelle resultatene er vist I Tabell 2. Fra disse forsøkene var gjennomsnittlig tid for en prøve 50,0 s. gjennomsnittlig inngangstid for ett tegn i alfabetet var omtrent 6,3 s (50 s / 8 tegn) i vårt foreslåtte system. Tiden til den raskeste deltakeren, K. M, var 4,5 s (35,8 s/8 tegn). I tillegg, hvis vi vurderte deltakerne Mf, Ms og Rk som hadde brukt vårt foreslåtte system over 100 h som erfarne og de andre 6 deltakerne som ikke brukte vårt foreslåtte system av noen sjanse som uerfaren, var gjennomsnittlig tid for de erfarne deltakerne 49.2 s og de uerfarne deltakerne var 51,5 s. missfrekvensen til de uerfarne deltakerne var også lav. Fra disse resultatene anser vi at en fordel med vårt foreslåtte system er at brukerne ikke trenger mye trening.

vi sammenlignet ytelsen til vår foreslåtte metode MED EOG-metoden og sEMG-metoden. EOG-metoden brukte bare høyre og venstre øyebevegelser som 2-divisjon utvalgsmetode. SEMG-metoden som brukes til høyre blinker og venstre blinker bare som 2-divisjon valgmetode. Vi prøvde de samme forsøkene med fem forsøk på» miyazaki » – inngangsoppgaven med de samme deltakerne. Disse eksperimentelle resultatene er vist i Tabell 3. Det kan ses at vår foreslåtte metode har den beste ytelsen til alle de tre metodene. Vi beregnet tiden som kreves for en operasjon. EOG-metoden var 1,93 s, sEMG-metoden var 1,65 s, og vår foreslåtte metode var 1,56 s. i tillegg var missfrekvensen for sEMG-metoden mindre enn den for vår foreslåtte metode. En av de mest avgjørende grunnene er at antall operasjoner (7 operasjoner for 1 tegn) er større i 2-divisjonsvalgmetoden enn 4-divisjonsvalgmetoden.

som vi nevnte i denne delen, kan 2 eller 4 mønstre gjenkjennes av vårt foreslåtte system. Alle disse mønstrene kan tilordnes som adskilte funksjoner, og når det gjelder brukernes tilstand, kan alle disse mønstrene brukes av en hvilken som helst kombinasjon av dem. I neste avsnitt vil vi diskutere anvendelsen av vårt foreslåtte system for de alvorlig funksjonshemmede som bare bruker 1 mønster.

7. Eksperimentelle Resultater av Alvorlig Funksjonshemmede

i denne artikkelen brukte vi vår foreslåtte metode for alvorlig funksjonshemmede (muskeldystrofi pasienter). Vi har fått godkjenning av etikkutvalget Ved Universitetet I Miyazaki. Forsøket Av Seksjon 6 med komplisert operasjon vil føre til stor tretthet for funksjonshemmede, så eksperimenter ble utført på den måten at ett tegn vil bli skrevet inn med ET enkelt klikk ved HJELP AV EOG eller sEMG. Bare ett mønster ble valgt FRA EOG eller sEMG mønstre som lett kunne brukes. I denne karakterinngangsmetoden velges tegn automatisk av programvare; brukeren kan velges ved å klikke når målkarakteren er valgt av programvaren. I dette eksperimentet utføres klikkbehandling ved anerkjennelse AV EOG eller sEMG-aktivitet.

dette eksperimentet hadde de to fagene. For å minimere påvirkningen av fysisk tilstand av fag og miljøer, prøvde vi de samme forsøkene 10 ganger ved forskjellige anledninger på forskjellige dager. De kontinuerlige 30 minuttene i ett eksperiment ble brukt til å teste Den Japanske tegninngangen. Tabell 4 viser de eksperimentelle resultatene. Fra Tabell 4 er anerkjennelsesgraden for sEMG-metoden 99,2% og anerkjennelsesgraden FOR EOG-metoden er 98,0%. Inngangstiden var langsom om 1 til 2 sekunder sammenlignet med friske personer. Derfor har de funksjonshemmede det samme resultatet som friske ved hjelp av et enkelt klikk. Fra disse resultatene kan vi si at vår tilnærming er effektiv i alvorlig funksjonshemmede.

8. Konklusjoner

i denne studien introduserte vi en eog-sEMG human-computer interface-enhet designet for pasienter som lider av amyotrofisk lateral sklerose eller andre sykdommer. Vi bruker både tverrkanaler og parallelle linjer kanaler på ansiktet med de samme 4 elektroder. Dette systemet kan registrere EOG og sEMG signaler som dual-threading for mønstergjenkjenning samtidig. Videre reduserer vår foreslåtte metode ved hjelp av kombinasjonen AV AC og DC-elementer I EOG tilsvarende drift og muliggjør kontinuerlig drift i opptak av øyebevegelser. De eksperimentelle resultatene viste at vår foreslåtte metode er effektiv for fire mønstergjenkjenning (høyre (EOG), venstre (eog), høyre blink (sEMG) og venstre blink (sEMG)). Spesielt viste vår foreslåtte metode god ytelse for karakterinngangseksperimentene. Miss rate var bare 1,4%. I tillegg viste resultatene fra uerfarne og erfarne deltakere svært liten forskjell. Fra disse resultatene tror vi at en fordel med vårt foreslåtte system er at brukerne ikke trenger mye trening.

videre sammenlignet vi vår foreslåtte metode MED EOG-metoden og sEMG-metoden. Vår foreslåtte metode krevde kortest tid for karakterinngang. Vårt foreslåtte menneske-datamaskin-grensesnitt kan brukes I EOG-systemet, sEMG-systemet og EOG-sEMG-systemet. Det er mulig å bruke vårt system for pasienter som bare kan kontrollere øyebevegelsene sine. Det er også mulig å bruke kun sEMG-signaler med høy suksessrate til brukeren er komfortabel med å bruke enheten. Vårt foreslåtte menneske – datamaskin-grensesnitt har fordelen at den kan brukes avhengig av situasjonen.Vi håper å kunne kommunisere med pasienter som lider av amyotrofisk lateral sklerose eller andre sykdommer ved å bruke vårt system. I vårt fremtidige arbeid planlegger vi å teste mange fag og mer alvorlig funksjonshemmede.

Konkurrerende Interesser

denne forskningen ble finansiert AV SYOWA Co. Ltd.

Takk

denne forskningen ble støttet Av Miyazaki Prefectural Industrial Support Foundation (R&D) og Et Tilskudd Til Unge Forskere (B) (23700668) KAKEN. Forfatterne er takknemlige For Mr. Kazuhiko Inami Og Mr. Kazuya Gondou. De anerkjenner takknemlig arbeidet til tidligere og nåværende medlemmer av deres laboratorium.