- Abstrakt
- 1. Inledning
- 2. Mätsystemet
- 2.1. Tvärkanaler
- 2.2. Eog-sEMG-mätsystemet
- 2.3. Eog-sEMG-Avkänningsenheten
- 3. Eog-inspelningssystemet
- 4. sEMG-Signalinspelning
- 5. Mönsterigenkänningsalgoritm
- 6. Experiment och resultat
- 6.1. Mönsterigenkänningsexperiment
- 6.2. Mönsterigenkänning experimentella resultat
- 6.3. Teckeninmatningsexperiment
- 6.4. Teckeninmatning experimentella resultat
- 7. Experimentella resultat av svårt handikappade personer
- 8. Slutsatser
- konkurrerande intressen
- bekräftelser
Abstrakt
syftet med denna studie är att presentera elektrookulogram (EOG) och ytelektromyogram (sEMG) signaler som kan användas som ett gränssnitt mellan människa och dator. Att etablera en effektiv alternativ kanal för kommunikation utan öppna tal-och handrörelser är viktigt för att öka livskvaliteten för patienter som lider av amyotrofisk lateralskleros, muskeldystrofi eller andra sjukdomar. I denna uppsats föreslår vi en eog-sEMG människa-dator interface system för kommunikation med både tvärkanaler och parallella linjer kanaler i ansiktet med samma elektroder. Detta system kan spela in eog-och sEMG-signaler som” dual-modality ” för mönsterigenkänning samtidigt. Även om så mycket som 4 mönster kunde erkännas, som handlar om patienternas tillstånd, väljer vi bara två klasser (vänster och höger rörelse) av EOG och två klasser (vänster blinkning och höger blinkning) av sEMG som lätt kan realiseras för simulering och övervakningsuppgift. Från simuleringsresultaten uppnådde vårt system fyra mönsterklassificering med en noggrannhet på 95,1%.
1. Inledning
under ögonrörelser finns en potential över hornhinnan och näthinnan, och det är grunden för elektrookulogrammet (EOG). EOG kan modelleras av en dipol och användas i medicinska system. Flera EOG-baserade människa-datorgränssnittsstudier finns i litteraturen. Till exempel utvecklas en rullstol som styrs med ögonrörelser för funktionshindrade och äldre. Ögonrörelsesignalerna och sensorsignalerna kombineras, och både riktning och acceleration styrs . Ytelektromyogramsignaler (sEMG) detekteras över hudytan och genereras av muskelfibrernas elektriska aktivitet under sammandragning . Rörliga muskler kan detekteras genom att analysera sEMGs. En av de viktiga tillämpningarna av sEMGs är att kontrollera konstgjorda ben. Även om huvudrörelse, som är en naturlig gest , kan användas för att indikera en viss riktning, kan allvarligt funktionshindrade inte röra nacken och huvudet. Men många av dessa människor kan använda ansiktsmuskelrörelse. sEMG är ett sätt att studera ansiktsmuskelaktiviteter genom att registrera åtgärdspotentialerna från kontraherande fibrer. sEMG kan detekteras med ytelektroder, som är lätta att applicera och icke-invasiva och utgör inga hälso-och säkerhetsrisker för användarna. Datorsystem kan också styras med hjälp av face sEMG-signaler . Dessa datorsystem kan känna igen ansiktsrörelse (vänster blink, höger blink och bite) med hjälp av sEMG-sensorer. Dessutom kan eog, elektroencefalogram (EEG) och EMG-signaler klassificeras i realtid och kan styra rörliga robotar med hjälp av en artificiell neuralt nätverksklassificerare .
undersöker möjligheten att använda EOGs för ett gränssnitt mellan människa och dator, förhållandet mellan synvinkeln och en EOG bestäms. Fördjupade studier har funnit att den långsamt föränderliga baslinjedriften gör det svårt att uppskatta kontinuerliga EOG-signaler, och denna drift visas endast i likströmssignaler (DC) i kretsen. För att övervinna detta problem föreslog vårt system tidigare användningen av växelström (AC) av EOGs för att minska baslinjens drift genom segmentering av signalen . I dessa papper introducerade vi muspekarkontrollsystemet med vår eogs-teknik. De initiala tröskelvärdena för ögonrörelseklassen (höger, vänster och frivillig blinkning) bestäms empiriskt individuellt för varje användare. Två ögon rörelse klasser (höger och vänster) är kommandot för samma rörelse av muspekaren. I dessa papper är ögonrörelsen i diagonalt nedre högra riktningen ett kommando för klickbehandling. Dessutom är den frivilliga blinkningen också ett kommando för klickbehandling. Dessa system har emellertid ett problem där ansiktssemg-signalerna blir bullriga för EOG-signaler.
i denna studie utvecklar vi ett eog-sEMG mänskligt gränssnittssystem för kommunikation. Vår föreslagna eog-enhet har inte problemet med artefakter från ögonblinkning. Vi tillämpar en algoritm som använder både den dynamiska variationen av DC-elementet och mönsterklassificeringen av AC-elementet. Denna segmentering av signalen minskar baslinjen drift. Även om det fanns en 3-elektrodmetod som kunde mäta vertikala och horisontella komponenter i EOG som betraktades som bruset under EEG-mätningen , använder vårt EOG-system fortfarande tvärkanaler som använder 4 elektroder för att både förbättra noggrannheten för eog-mätning och realisera EOG-sEMG ”dual-modality” – processen samtidigt. Dessutom har eog-signalerna med flera kanaler en liknande prestanda som plus-channel-metoden som ofta används vid eog-mätning. Dessutom har elektrodpositionen för eog-signaler med flera kanaler en bra funktion att sEMG också kan mätas effektivt samtidigt. I jämförelse med andra papper är detta en användbar förtjänst.
jämfört med andra relaterade undersökningar om människa-datorgränssnitt för att hjälpa personer med funktionshinder som ögonspårningssystem , som använder bildbehandling, har EOG-sEMG baserat på vårt förslag människa-datorgränssnitt stark anti-interferensförmåga från miljön som ljus och ljud. Patienterna kunde använda denna typ av gränssnitt även utan syn. I synnerhet kunde als-patienterna fortfarande kontrollera sina ögonbollar och muskler runt ögonen även i terminalstadiet, där de kunde använda EOG-sEMG baserat på vårt förslag människa-datorgränssnitt också. Även om Bildbehandlingsenheter används i stor utsträckning på grund av att de är intuitiva och mer förutsägbara, ger EOG-sEMG baserat på vårt förslag människa-datorgränssnitt fortfarande bra val för allvarligt handikappade personer.
i detta dokument föreslår vi en teknik som kan utföra ansiktsmönsterigenkänning genom att spela in EOGs och sEMGs. För att bevisa prestanda för vår föreslagna metod försökte vi 3 relaterade experiment steg för steg. Först, även om så mycket som 7 klasser kunde erkännas, som handlar om patienternas verkliga tillstånd och de initiala noggrannhetstesterna, väljer vi bara två klasser (vänster och höger rörelse) av EOG och två klasser (vänster blink och höger blink) av sEMG som lätt kan realiseras för simulering och övervakningsuppgift. Därefter utförde vi experiment med teckeningångar genom att använda vårt föreslagna system med de 4 klasserna. De experimentella deltagarna var friska män i tjugoårsåldern som går med på att delta i våra experiment utan tvång. Från dessa experiment visade vi att fyrmönsterigenkänningen av vårt föreslagna system är lätt att lära sig och använda. Vidare tillämpade vi vår föreslagna förenklade metod (programvara som kan göra teckeninmatning med ett klick (ett mönsterigenkänning)) för allvarligt handikappade personer (muskeldystrofipatienter).
2. Mätsystemet
2.1. Tvärkanaler
som visas i Figur 1(a) används pluskanalmetoden i stor utsträckning som det mest konventionella sättet för inspelning av EOG-signaler i tidigare forskning: de horisontella signalerna spelades in av Kanal 1 (CH1) och de vertikala signalerna spelades in av Kanal 2 (CH2) . I detta dokument, för att förbättra noggrannheten hos EOG-signalerna, föreslås en ny kanalöverskridande metod som visas i Figur 1(b). De horisontella och vertikala signalerna kan spelas in av båda kanalerna samtidigt. Det är mycket lättare att analysera data med dubbla signaler.
2.2. Eog-sEMG-mätsystemet
i detta underavsnitt föreslås utformningen av eog-EMG-mätsystemet. Figur 2 visar det formella systemet för förvärv och analys av eog-och sEMG-signalerna för kontroll och informationsflöde genom systemet. Vårt föreslagna system har fyra komponenter: (1) förstärkare, (2) filter, (3) A/D-omvandlare och (4) muspekarkontrollsystem. Specifikt betyder detta att systemet består av fem elektroder, en A/D-omvandlare, en persondator och en bildskärm (visas i Figur 2). Fyra elektroder för de två kanalerna av sEMG-signaler klistras på ansiktet, och en elektrod klistras på höger eller vänster handled som marken.
(a)
(b)
(a)
(b)
2.3. Eog-sEMG-Avkänningsenheten
i detta underavsnitt visar vi gränssnittsenheten som används i denna studie. Figur 3 visar en person som bär gränssnittsenheten. Denna gränssnittsenhet liknar glasögon eller glasögon och fixerar elektroderna. Signalerna som mäts av enheten skickas till datorn med Bluetooth. De skickade uppgifterna visas i Figur 4. De uppmätta signalerna är LIKSTRÖMMAR för två eog-kanaler (2 ch), som är CH1 och CH2, och AC-strömmar för två EOG-kanaler (CH3 och CH4). Samtidigt mäts också 2 ch-signaler av sEMG, vilka är CH5 och CH6. Vi kommer att visa detaljerna för de uppmätta data i följande avsnitt.
3. Eog-inspelningssystemet
i det här avsnittet introducerar vi eog-inspelningssystemet. Vårt föreslagna EOG-system är baserat på två flöden: (1) förstärkaren och lågpassfiltret (DC-element) och (2) förstärkaren, lågpassfiltret och högpassfiltret (AC-element). Efter inspelning av signalamplituden (1000 gånger) och brusreduceringsåtgärder för det biopotentiella datainsamlingssystemet, erkänns fyra typer av ögonrörelser (höger, vänster, upp och ner) exakt och den elektroniska brusreduceringen är också framgångsrik. Det bör noteras att de horisontella eog-signalerna är starkare än de vertikala EOG-signalerna. Det beror på att vertikala saccades är långsammare än horisontella saccades, och nedåtgående saccades är de långsammaste . Figurerna 5-8 visar att de fyra ögonrörelserna (höger, vänster, upp och ner) är tydligt olika. Dessutom är CH1 och CH2 DC-signaler, som kan användas för att registrera ögonens kontinuerliga rörelser. CH3 och CH4 är AC-signaler från EOG. Därför reagerar CH3 och CH4 starkt endast på ögonrörelser.
eftersom eog-signalerna ändras för alla fyra ögonrörelserna importerade vi CH1 + CH2, som används för de vertikala signalerna och CH1 − CH2 för de horisontella signalerna. I experimenten bad vi varje deltagare att flytta sina ögonbollar för att följa nästa sekvens: center-right-center-left-center-up-center-down-center. Resultaten av dessa två nya förfaranden visas i Figur 9.
4. sEMG-Signalinspelning
Figur 2 visar det formella systemet för förvärv och analys av sEMG-signalerna för styrning och flöde av information genom systemet. Vårt system består av dessa fyra komponenter: (1) ytelektroder, (2) förstärkare, (3) högpassfilter och (4) persondator för sEMG-signalklassificering. SEMG-signalerna som detekteras av ytelektroderna förstärks och filtreras före datainsamling för att minska brusartefakter och förbättra spektralkomponenter som innehåller informationen för dataanalys. Två kanaler med sEMG-signaler kan användas för att känna igen ansiktsrörelse. För att ta bort DC-nivån och bruset från 60 Hz kraftledningen används högpassfiltret. Klippfrekvensen för högpassfiltret är 66,7 Hz.
inspelningarna i Figur 10 visar de tillämpade brusreduceringsåtgärderna i vårt system. Som ett resultat är data från de tre sEMG-klasserna (höger blink, vänster blink och bite) tydligt olika. Efter filtrering och förstärkning (cirka 1000 gånger) digitaliseras sEMG-signalerna och överförs sedan till persondatorn. Samplingsfrekvensen för mätdata är 1 KHz på ett band från 0 Hz till 500 Hz.
sEMG-signalerna behandlas av den rörliga genomsnittliga behandlingen. Den rörliga genomsnittliga bearbetningen beräknar det korrigerade och ovägda medelvärdet av de tidigare datapunkterna. Därefter bestäms värdet efter den rörliga genomsnittliga bearbetningen som ”aktiv” eller ”inaktiv” baserat på tröskeln. Tröskelvärdena (CH5 och CH6) ställs in enligt användarna. Denna metod är nödvändig för att ställa in tröskelvärdet för varje användare. Dessutom reagerar detta system inte på den vanliga blinkningen. Figur 11 visar ett diagram över denna process.
5. Mönsterigenkänningsalgoritm
i det här avsnittet kommer vi att presentera vår föreslagna eog-sEMG mönsterigenkänningsalgoritm. Figur 12 visar det totala flödet av vårt föreslagna system. Denna process består av att upprepa steg. Mönsterigenkänningen består av fem klasser: två klasser (vänster och höger rörelse) för EOG och de tre klasserna (vänster blink, höger blink och bite) för sEMG.
om sEMG-data efter signalbehandling överskrider ett tröskelvärde bestäms mönstret för sEMG-data endast av CH1 (höger blinkliknande rörelse) eller endast CH2 (vänster blinkliknande rörelse) eller båda (biten eller stark blinkning). Vår föreslagna algoritm initierar DC-elementen i EOG efter att sEMG-aktiviteten är klar. Dessutom, när AC-elementet i EOG inte har förändrats (ögonen rör sig inte) och sEMG inte är aktivt, initierar vår föreslagna algoritm referensvärdet som ögonen ser ut som framsidan (”eog-förnyelse” i Figur 12). Med andra ord bestämmer vårt system att ögonen tittar på framsidan, eftersom AC-elementet inte ändras. Vid den tiden uppdateras vårt system som referensvärdet för DC-elementen. Därefter använder vårt system mängden förändring i DC från detta referensvärde.
från experimentregeln ställs tröskelvärdet mellan aktiv och inaktiv in. Därefter, när ögonen rör sig, jämför vår algoritm det förändrade intervallet CH1 + CH2 och CH1 − CH2. När CH1-CH2 är större utför vår algoritm bestämningsprocessen för EOG. När CH1 + CH2 är större bestämmer vår algoritm att ögonen rörde sig i vertikal riktning, eftersom EOG-data för ögonens vertikala riktning liknar eog-data för blinkmönstret. Dessutom indikerar våra experimentella resultat att många människor inte enkelt kan kontrollera ögats uppriktning.
därefter introducerar vi eog-mönsterigenkänningsalgoritmen, ett exempel på eog-mönsterigenkänningsbehandling som visas i figur 13. Även om Figur 9 visar att alla ögonrörelser kan genom att kontrollera värden för CH1 + CH2 och CH1 − CH2, är mönstermarschalgoritmen fortfarande nödvändig för att lösa baslinjeskiftet orsakat av driftproblem. Algoritmstegen i figur 13 är följande:(1)DC-och AC-elementen i EOG överstiger tröskeln för rätt riktning. Det är bestämt att detta är rätt riktning för ögonen.(2) DC-elementet fortsätter att överskrida tröskeln för rätt riktning och AC-elementet återgår till baslinjen. Ögonriktningen fortsätter att vara till höger.(3)AC-elementet förändras kraftigt i negativ riktning när ögonriktningen återgår till mittläget.(4) AC-elementet och DC-elementet återgår till varje Elements baslinje. Sedan uppdateras baslinjen.Vårt system utför bestämningen av höger och vänster rörelse i ögonen med hjälp av denna algoritm. Denna algoritm gör det möjligt att bestämma riktningen. Detta är en svår process när man bara använder AC-elementet.
6. Experiment och resultat
för att testa effektiviteten i vårt föreslagna system genomförde vi två experiment: det ena är ett mönsterigenkänningstest och det andra är ett teckeninmatningstest.
6.1. Mönsterigenkänningsexperiment
först genomförde vi mönsterklassificeringsexperiment för de två ögonrörelseklasserna (höger och vänster) och de tre ansiktssemg-klasserna (höger blink, vänster blink och bite). Intervallet för varje åtgärd är 3 sekunder (visas i figur 14). Varje deltagare utförde varje ögonrörelse nio gånger. Dessutom testade vi om vårt föreslagna system kunde avvisa en normal blinkning. Vi utförde det normala blinkningsavstötningstestet 30 gånger. Deltagarna i experimenten var åtta friska män som är alla nummer i vårt laboratorium i tjugoårsåldern som gav sitt samtycke till att delta i detta experiment.
6.2. Mönsterigenkänning experimentella resultat
mönsterigenkänning experimentella resultat visas i Tabell 1 och den sista raden visar prestationsutvärdering (PE) för varje mönster under 5 poäng regel (korrigera för 5 poäng, avvisa för 2 poäng och missa för 0 poäng). Avvisa betyder att inmatningsmönstret inte reagerade. Miss betyder att inmatningsmönstret var fel svar. Från experimenten är EOG-mönsterigenkänningen (höger och vänster) av vårt föreslagna system tillförlitligt. Från dessa experimentella resultat visar vårt föreslagna system bra prestanda i erkännandet av de fyra klasserna (höger, vänster, höger blinkning och vänster blinkning). Den genomsnittliga igenkänningsgraden var 95,1%, den genomsnittliga avvisningsgraden var 1,4% och den genomsnittliga missfrekvensen var bara 3,5% och den genomsnittliga PE är 4,79 av 5.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
sEMG bite pattern recognition är dock inte så bra som förväntat. En anledning är att vissa människor har problem med ocklusal oregelbundenhet som orsakar divergens mellan kinderna. Denna typ av bettåtgärder erkändes vanligtvis som höger eller vänster blinkning. En annan anledning är att vi använde en tröskelinställningsmetod för att skilja normal blinkning, och det normala blinkningsavstötningstestet hade en framgångsgrad på 97% (232/240). Under denna metod avvisas bettåtgärderna som inte kunde passera tröskeln på samma sätt som den normala blinkningen.
6.3. Teckeninmatningsexperiment
därefter genomförde vi teckeninmatningsexperimentet med de fyra klasserna (höger (EOG), vänster (EOG), höger blink (sEMG) och vänster blink (sEMG)). Alfabetet meningen input programvara, hjärtlig stege, visas i Figur 15. Vi använde urvalsmetoden med fyra divisioner. Vi tilldelade de fyra mönstren enligt följande: höger (EOG) är kommandot för att välja nedre högra området. Vänster (EOG) är kommandot för att välja nedre vänstra området. Höger blink (sEMG) är kommandot för att välja Högre högra område. Vänster blink (sEMG) är kommandot för att välja Högre vänstra område.Användaren upprepade filtreringen av fyra mönster tills tecknet för det sista mönstret valdes. Kontrollintervallet var 0,1 s.vi genomförde experiment med ”miyazaki” – inmatningsuppgiften (8 tecken: 4 operationer för 1 tecken) som är namnet på vårt universitet. Deltagarna i experimenten var nio friska män i tjugoårsåldern som gav sitt samtycke till att delta i detta experiment. De experimentella deltagarna inkluderade sex personer som upplevde detta system.
6.4. Teckeninmatning experimentella resultat
Vi försökte fem försök med inmatningsuppgiften ”miyazaki”. Vi räknade antalet missar och tidslängden fram till slutet av inmatningen. De experimentella resultaten visas i Tabell 2. Från dessa experiment var den genomsnittliga tiden för en försök 50,0 s. Den genomsnittliga inmatningstiden för ett tecken i alfabetet var ungefär 6,3 s (50 s/8 tecken) i vårt föreslagna system. Tiden för den snabbaste deltagaren, K. M, var 4,5 s (35,8 s/8 tecken). Dessutom, om vi betraktade deltagarna M. F, M. S och R. K som hade använt vårt föreslagna system över 100 h som erfarna och de andra 6 deltagarna som inte använde vårt föreslagna system av någon slump som oerfarna, var den genomsnittliga tiden för de erfarna deltagarna 49.2 s och de oerfarna deltagarnas var 51,5 s. missfrekvensen för de oerfarna deltagarna var också låg. Från dessa resultat anser vi att en fördel med vårt föreslagna system är att användare inte behöver mycket träning.
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
vi jämförde prestandan för vår föreslagna metod med EOG-metoden och sEMG-metoden. EOG-metoden använde endast höger och vänster ögonrörelser som 2-divisionsvalsmetod. SEMG-metoden som används höger blinkar och vänster blinkar endast som 2-divisionsvalsmetod. Vi försökte samma experiment av fem försök med” miyazaki ” – inmatningsuppgiften med samma deltagare. Dessa experimentella resultat visas i tabell 3. Det kan ses att vår föreslagna metod har den bästa prestandan av alla tre metoderna. Vi beräknade den tid som krävs för en operation. EOG-metoden var 1,93 s, sEMG-metoden var 1,65 s och vår föreslagna metod var 1,56 s. Dessutom var missfrekvensen för sEMG-metoden mindre än den för vår föreslagna metod. En av de mest avgörande orsakerna är att antalet operationer (7 operationer för 1 tecken) är större i 2-Divisionens urvalsmetod än 4-Divisionens urvalsmetod.
|
||||||||||||||||||||||||||||
som vi nämnde i detta avsnitt kunde 2 eller 4 Mönster erkännas av vårt föreslagna system. Alla dessa mönster kan tilldelas som separerade funktioner och, som handlar om användarnas tillstånd, kan alla dessa mönster användas av vilken kombination som helst av dem. I nästa avsnitt kommer vi att diskutera tillämpningen av vårt föreslagna system för allvarligt handikappade personer som använder endast 1 mönster.
7. Experimentella resultat av svårt handikappade personer
i detta dokument tillämpade vi vår föreslagna metod för svårt handikappade personer (muskeldystrofipatienter). Vi har fått godkännande av etikutskottet vid universitetet i Miyazaki. Experimentet i Avsnitt 6 med komplicerad operation kommer att orsaka stor trötthet för personer med funktionshinder, så experiment utfördes på det sätt som ett tecken kommer att matas in med ett enda klick med EOG eller sEMG. Endast ett mönster valdes från eog-eller sEMG-mönster som lätt kunde användas. I denna teckeninmatningsmetod väljs tecken automatiskt av programvara; användaren kan väljas genom att klicka när måltecknet har valts av programvaran. I detta experiment utförs klickbehandling genom erkännande av eog-eller sEMG-aktivitet.
detta experiment hade de två ämnena. För att minimera påverkan av fysiska tillstånd hos ämnen och miljöer försökte vi samma experiment 10 gånger vid olika tillfällen under olika dagar. De kontinuerliga 30 minuterna i ett experiment användes för att testa den japanska teckeninmatningen. Tabell 4 visar de experimentella resultaten. Från Tabell 4 är erkännandegraden för sEMG-metoden 99,2% och erkännandegraden för EOG-metoden är 98,0%. Ingångstiden var långsam cirka 1 till 2 sekunder jämfört med friska försökspersoner. Därför har de handikappade samma resultat som friska med ett enda klick. Av dessa resultat kan vi säga att vårt tillvägagångssätt är effektivt för svårt handikappade personer.
|
||||||||||||||||||
8. Slutsatser
i denna studie introducerade vi en EOG-sEMG människa-datorgränssnittsenhet avsedd för patienter som lider av amyotrofisk lateral skleros eller andra sjukdomar. Vi använder både tvärkanaler och parallella linjer kanaler på ansiktet med samma 4 elektroder. Detta system kan spela in eog-och sEMG-signaler som dubbelgängning för mönsterigenkänning samtidigt. Dessutom minskar vår föreslagna metod med kombinationen av AC-och DC-element i EOG motsvarande drift och möjliggör kontinuerlig drift vid inspelning av ögonrörelser. De experimentella resultaten visade att vår föreslagna metod är effektiv för fyra mönsterigenkänning (höger (EOG), vänster (eog), höger blink (sEMG) och vänster blink (sEMG)). I synnerhet visade vår föreslagna metod bra prestanda för teckeninmatningsexperimenten. Missfrekvensen var bara 1, 4%. Dessutom visade resultaten av oerfarna och erfarna deltagare mycket liten skillnad. Från dessa resultat tror vi att en fördel med vårt föreslagna system är att användare inte behöver mycket träning.
dessutom jämförde vi vår föreslagna metod med EOG-metoden och sEMG-metoden. Vår föreslagna metod krävde kortast tid för teckeninmatning. Vårt föreslagna gränssnitt mellan människa och dator kan tillämpas i eog-systemet, sEMG-systemet och EOG-sEMG-systemet. Det är möjligt att använda vårt system för patienter som bara kan kontrollera sina ögonrörelser. Det är också möjligt att endast använda sEMG-signalerna med hög framgångsgrad tills användaren är bekväm att använda enheten. Vårt föreslagna gränssnitt mellan människa och dator har fördelen att det kan användas beroende på situationen.
Vi hoppas kunna kommunicera med patienter som lider av amyotrofisk lateralskleros eller andra sjukdomar genom att använda vårt system. I vårt framtida arbete planerar vi att testa många ämnen och mer allvarligt funktionshindrade.
konkurrerande intressen
denna forskning finansierades av SYOWA Co. Ltd.
bekräftelser
denna forskning stöddes av Miyazaki Prefectural Industrial Support Foundation (R&D) och ett Bidragsstöd för unga forskare (B) (23700668) KAKEN. Författarna är tacksamma för Kazuhiko Inami och Kazuya Gondou. De erkänner tacksamt arbetet med tidigare och nuvarande medlemmar i deras laboratorium.