> PR : シンギュラリティ系有料メールマガジン発行を構想致しております
> 無料メールマガジン版 ( 別途有料版開始時打切 )
> http://mailux.com/mm_dsp.php?mm_id=MM53D8AF3589BC7
>
>
>
> Google 翻訳 http://webcache.googleusercontent.com/search?q=cache:arxiv.org/pdf/1809.07356
> 
> 
> ページ1
> arXiv：1809.07356v1 [eess.SP] 2018年9月19日
> 一般的な色付きジャーナル、VOL。 XX、NO。 XX、XXXX 2017
> 1
> 
> 
> SSVEPマグニチュード変動の予測モデル : ブレインコンピュータインタフェースにおける連続制御への応用
> 
> 
> Phairot Autthasan、Xiangqian Du、Binggwong Leung、Nannapas Banluesombatkul、Fryderyk K l、Thanakrit Tachatiemchan、Poramate Manoonpong、Tohru YagiとTheerawit Wilaiprasitporn、 メンバー、IEEE
> 
> 
> 抽象
> ? ry 、脳反応から一般的に認識されている視覚刺激頻度である。
> 定常状態視覚誘発電位ベースの脳 - コンピュータインターフェース（ＳＳＶＥＰ ^Z ＢＣＩ）は、脳反応からの周期的な視覚刺激認識の典型である。
> 各周波数は、機械を制御するための1つのコマンドを表します。
> 例えば、異なる周波数を有する複数の標的刺激を使用してロボットの移動速度を制御することができる。
> ? 各目標刺激 ry 。
> 各標的刺激周波数は速度レベルに対応する。
> ? ry 有する選択選択パラダイム ry 速度を離散的に制御することができる。
> このような従来のＳＳＶＥＰ ^Z ＢＣＩは離散的な情報を有する取捨選択パラダイムであり、これによりユーザは移動可能な物体の速度の離散的制御ができる。
> これにより、オブジェクトの動きが滑らかでなくなる可能性があります。
> この問題を克服するために、本研究では、連続制御のための連続情報を持つSSVEP ‐ BCIの概念設計を提案し、ユーザが物体の移動速度を滑らかに制御できるようにした。
> SSVEPマグニチュード変動の予測モデルは、提案された設計において重要な役割を果たします。
> したがって、この研究は主にBCIのためのSSVEPマグニチュード予測の使用に関する実現可能性研究に焦点を当てています。
> ? したがって、固定周波数の時間を使用して、さまざま ry 収集するための基本 ry 。
> 故に、固定周波数の回数を使用し様々な刺激強度からSSVEP応答を収集する為に基本的な実験が行われます。
> ランダムフォレスト回帰（RF）は、これらの予測タスクにおいて単純回帰およびニューラルネットワークより優れています。
> ? ry シミュレータに流すことに ry 。
> 最後に、提案されたＳＳＶＥＰ ^Z ＢＣＩの利点は、１０人の健康な被験者からの実際のＳＳＶＥＰ応答を脳制御ロボットシミュレータにストリーミングする事によって実証される。
> ? ry 結果は、周波数認識 ry 。
> この研究からの結果は、周期的認識とマグニチュード予測の両方を含む提案されたSSVEP-BCIが将来の連続制御応用のための有望なアプローチであることを示している。
> 
> 
> この作品は、タイ研究基金とGrant MRG 6180028（ジュニア科学才能プロジェクト、NSTDA、タイ）の下の高等教育委員会の事務所によって支援されました。
> 
> ? ry は、タイのラヨーンにあるVidyasirimedhi科学技術研究所のバイオインスパイアドロボット工学および神経工学研究室に所属しています。
> T.Wilaiprasitporn、P.Autthasan、N.Banluesombatkul、およびB.Leungは、バイオインスパイアドロボット工学および神経工学研究室 、情報科学・情報テクノロジ校、タイのラヨーンにある Vidyasirimedhi 科学技術研究所、に所属しています。 theerawit.w vistec ac th
> 
> Fryderyk K lはミュンヘン工科大学のミュンヘン工科大学、ドイツのミュンヘンにあります。
> 
> ? ry 神経工学研究室、ならびにE AIおよび ry 。
>P.Manoonpongは、タイのラヨーンにあるVidyasirimedhi科学技術研究所のバイオインスパイアードロボット工学および神経工学研究室、並びに義体的 AI 及び神経ロボット学研究室 、BioRoboticsのためのセンター、Msk Mc-Kinney Mller研究所、デンマークの Odense M、DK-5230 にある南デンマーク大学に所属しています。
> 
> ? ry は、東京工業大 ry のYagi Labと一緒にいます。
> X. DuとT. Yagiは、日本・東京の東京工業大学機械工学科の Yagi 研究室に所属しています。
> 
> Thanakrit Tachatiemchanはタイ・バンコクのチュラロンコン大学数学・コンピュータ科学科に所属しています
> 
> 索引用語
> SSVEP-BCI、連続BCI、SSVEPマグニチュード予測、SSVEP刺激強度、脳制御シミュレータ
> 
> I. 前書き
> 
> 電子部品と計算資源のコストの劇的な減少は、21世紀の研究者にとってブレイン - コンピュータインターフェース（BCI）をより魅力的なものにしました。
> ? ry と通信することが ry 。
> BCIによって、人々は脳の反応や信号を介して機械とコミュニケートする事ができます。
> その結果、BCI関連技術の開発は、運動機能の実行が困難な人々に利益をもたらす可能性があります[1]。
> 筋萎縮性側索硬化症（ALS）はそのような疾患の例です。
> ? ry 運動画像（MI）。
> BCIの研究は主に3種類の脳反応に焦点を当てています：事象関連電位（ERP）、定常状態視覚誘発電位（SSVEP）、および運動イメージ（MI）。
> ＥＲＰおよびＳＳＶＥＰは通常、人間の感覚系の視覚的、聴覚的または触覚的刺激によって生成される。
> ? ry には、実際には運動を実行することなく、 ry 。
> 一方、ＭＩ信号を生成するためには、何らかの運動を実際には実行することなく、運動機能（手または足の運動など）を実行することを想像しなければならない。
> ? ry 脳波記録法（EEG） ry 。
> 脳反応を測定するための最も広く普及している方法は脳波計 ( EEG ) であり、それは主にそれが非侵襲的で他のものと比較して幾分安いからである。
> 脳の反応を得るために、EEGは頭皮全体の電位の変化を測定します。
> 電位の変化は、脳内で発火する何十億ものニューロンから発生します。
> 
> 前述の3つの応答（ERP、SSVEP、およびMI）のうち、SSVEPは入手が容易なので最も実用的です。
> ? ry 使用できるのは何人（そしてどのような種類の）人ですか？ [2]。
> 最近、ある研究グループが次の質問に答えるために一連の実験を行いました。SSVEPベースのBCIを使用できる人数の多さは（そしてどのような種類の人々 ) ? [2]。
> ? 調査の実験結果によると、ほとんどの参加者は、以前にBCIを経験したことがなくても、SSVEPベースのBCIを許容できる精度 ry ことを示 ry 。
> BCI をそれまでに未経験てあれど、 SSVEP ベースの BCI を殆どの参加者が許容可能精度で使用できる事を研究の実験結果は示しています。
> ? 参加者は、刺激がちらつくことに煩 ry 。
> 刺激が何らかの方法でちらつく事に、参加者は煩わされませんでした。
> さらに、実験はノイズの多い環境で行われ、SSVEPベースのBCIの実用性が確認されました。
> ? この研究は、挑戦 ry マシン相互作用に向けたSSVEPベースのBCIの視覚刺激の活用に焦点 ry 。
> この研究は、 SSVEP ベース BCI にとっての視覚刺激を、挑戦的な問題であり続ける連続的で滑らかなブレインマシンインタラクションに向け利活用する事に焦点を当てています。
> ? ry のBCI調査における ry 。
> ただし、この調査の詳細を説明する前に、SSVEPベースの BCI 研究におけるマイルストーンのいくつかを検討することが重要です。
> 
> 
> 2ページ
> 2
> 
> 
> 
> 図1
> ? ry BCIの概念設計（ ry 対する強度予測 ry 。
> 従来のSSVEP-BCI のコンセプト設計（a）と、同じ制御アプリケーションに対するマグニチュード予測付きの提案されたSSVEP-BCI（b）。
> 
> 
> 2007年に、標準相関分析（CCA）と呼ばれる最先端のSSVEP認識技術がSSVEPベースのBCIで使用するために開発されました[3]。
> ? ry 、プロテーゼ ry 。
> その後、2008年に、電子プロテーゼを制御するためのSSVEPベースのBCIの適用が先駆的なBCI研究グループによって提案されました[4]。
> ? ry な選択選択 ry 。
> このシステムは、義肢の動きまたはジェスチャを生成するための典型的な取捨選択ＳＳＶＥＰベースのＢＣＩを含んでいた。
> ? ry 人々を含むSSVEP ry 。
> 別の先駆的なグループは、視線移動を実行することができない障害を持つ人々等を対象とした SSVEPベースのBCIのパフォーマンスに関する詳細な研究を行いました。
> ? このグループは、そのよう ry 使用するのを助ける ry 。
> そのような人々が視線を変えることなくシステムを使用するのを、このグループは、助けることができる刺激パターンを提案しました[5]。
> ? ry 当て、スティミュラスロックトレース間相関（SLIC）[6]という新しいアルゴリズム ry 。
> 2010年には、別の研究グループがSSVEPベースのBCIのユーザーフレンドリーな設計に焦点を当て、そして、 SLIC ( stimulus-locked inter-trace correlation , 刺激に固定したトレースの間の相関 ) [6] と名付けられた新アルゴリズムを提案しました。
> SLICの背後にある主な概念は、ERPとSSVEPの検出を組み合わせることです。
> 
> 2012年には、BCIのパフォーマンスを向上させるためのハイブリッドBCIシステムが提案されました。
> ハイブリッドBCIはさまざまな種類の脳の反応を利用します。
> ハイブリッドERP / SSVEPベースのBCIが、連続的な同時2次元カーソル制御のために導入されました[7]。
> ? ry、このシステムは離散情報を有する伝統的な選択の選択としてＳＳＶＥＰを使用した。
> しかしながら、離散情報取捨選択な伝統的な SSVEP をこのシステムは使用した。
> 後に、ERPとSSVEPの反応を組み合わせたハイブリッドスペラーが、情報転送速度（ITR）を増加させる目的で開発されました[8]、[9]。
> ? ry が、関節周波数 ry 。
> 最近、1つの研究グループが、統合周波数および位相変調SSVEP刺激を用いた高速SSVEPベースのBCIを報告しました。
> 彼らのオフライン研究は、BCIの使用経験のある参加者が250ビット/分以上のITRに達したことを示した[10]。
> ? ry 当てていましたが、 ry 研究[11]、[12]などのスムーズ ry アプリケーションの ry 。
> これまでのところ、ほとんどのSSVEPベースのBCIは、装置を起動/制御するために個別の情報を使用することに焦点を当てており、ロボット補綴物動作制御に関するこれまでの研究の様なスムーズに制御されるアプリケーション [11]、[12] 用の連続情報ではありません。
> 
> 既存のＳＳＶＥＰ ^Z ＢＣＩは、主にＥＥＧ反応からの周波数認識に頼っている。
> ユーザーがアプリケーションの移動速度を連続的に増減させる（すなわちロボットの動きを速くする）ことを可能にするブレインマシン制御システムのための新しいSSVEP-BCIパラダイムを開発するために、この研究はマグニチュード変動が目標を達成するのを助けると仮定します。
> ? ry されて、実現可能性研究はSSVEP刺激強度を使用してSSVEPマ ry ードを操作する実用性について実行 ry 。
> 人間の注意レベルとSSVEPゲインに関する神経科学的研究[13]に触発されて、 SSVEP マグニチュードを SSVEP 刺激強度を使用して操作する実用性の上に実現可能性研究が実行されます。
> この実験では、研究者らは刺激周波数を一定に保ちながらSSVEP刺激強度を変えた。
> さらに、ここではシングルチャンネルEEGのみが使用されています。
> 実験的に記録されたEEGを使用して、研究者らはSSVEPマグニチュード変動に関する3つの予測モデルの比較研究を行った。
> 多項式回帰（Poly）、ランダムフォレスト回帰（RF）、およびニューラルネットワーク（NN）が潜在的なモデルとして提案されています。
> ? ry 二乗平均誤差 ry 、1件除外相互検証 ry 。
> 予測の平均二乗誤差（MSE）を評価するために、一個抜き交差検証が実行されます。
> 結果は、RFアプローチを使用したSSVEPマグニチュード変動の予測モデルが、低MSEでの計算時間予測の点でPolyとNNの両方を上回ることを示しています。
> 最後に、この研究の利点は、実験からの記録されたEEG応答を脳制御ロボットシミュレータにストリーミングバックすることによって実証されます。
> シナリオは、既存のSSVEP-BCIシステムに対する提案されたSSVEP-BCIパラダイムの利点を実証するために設定されます。
> ? ry 刺激頻度と強度を変化させることで一緒 ry 研究の結果は円滑に制御された応用のための ry 。
>SSVEP刺激の頻度変化と強度変化とを一緒に考慮したこの研究の成果は、滑らかに制御されたアプリケーションの為のオンラインSSVEP ‐ BCIのさらなる開発のために有望である。

> このホワイトペーパーの残りの部分は、強度予測を伴うSSVEP-BCIの概念設計に関するセクション（セクションII）で構成されています。
> セクションIIIはデータ取得と2つの実験的研究を提示します。
> ? ry V and ry .
> 最後に、結果、考察、そして結論はそれぞれセクションIV、V、VI に含まれています。
> 
> II。 マグニチュード予測付きSSVEP-BCI
> 
> ? ry 使用して移動可能なスピードマシンやロボット ry 。
> 従来のSSVEP-BCIパラダイムを使用して可変速機械やロボットを制御するには、図1（a）に示すように視覚刺激を設計する必要があります。
> 黒い画面上に7つのターゲット刺激があり、それらは異なる周波数で点滅しています。
> 数値が大きいほど速度が速くなり、手のアイコンが付いた刺激はオブジェクトの移動を止めるために使用されます。
> 要約すると、従来のＳＳＶＥＰ ^Z ＢＣＩパラダイムのユーザは、画面上の目標速度番号（目標刺激）に注意を向けることによって可動速度機械を絶えず制御することができる。
> 
> ? ry SSVEPの大きさの変動 ry 。
> しかし、この論文の利点（SSVEP マグニチュード変動に対する予測モデル）を活用するための新しい設計を使用することで、視覚刺激の複雑さを図1（b）に示すように減らすことができます。
> ?  ry 、パラダイムは、機械の可動速度を同時に制御するための信号として、ＳＳＶＥＰ周波数認識と ry 両方を使用 ry 。
> このようにして、パラダイムは、 SSVEP 周波数認識と予測マグニチュード変動との両方を同時に、機械の可動速度を制御する為の信号として使用するであろう。
> 黒い画面上の3つの刺激は、異なる周波数でちらつき、概念設計のために使用されます。
> ? ユーザが目標の刺激に参加し、それでも凝視 ry している場合、それは、目標の刺激 ry  よってユーザがＳＳＶＥＰの大きさを操作するのを助 ry 。
> 一旦ユーザがターゲット刺激に参加し尚、凝視を維持している事、それは、 SSVEP マグニチュードをターゲット刺激強度（固定周波数）を変えることによって操作するユーザを、助けることができる。
> ? ry ます。
> マグニチュード変動の結果が示すように、BCIシステムは制御対象の速度をスムーズに増減させることができ、以下の利点があります :
> 1）
> この設計により、ユーザーは視線移動によるわずかな遅れで機械を円滑に制御することができます。
> 2）
> ? 少数の刺激周波数のために、 ry 刺激に焦点を合わせるとき ry 。
> 小さな刺激周波数により、それらの無人のものは、標的刺激にフォーカスする時にユーザをいらいらさせたり妨害したりする可能性が低い。
> したがって、ＣＣＡ手法の周波数認識率が低下する可能性は低い。
> 
> 
> 3ページ
> 著者ら：IEEEトランザクションおよびジャーナルのための論文の作成（2017年2月）
> 3
> 
> 
> 3）
> より低い視覚刺激の複雑さは、使用者の眼の疲労を軽減することができる。
> 
> 1つの重要な問題は概念設計がシステムを扱うためにSSVEPマグニチュード変動のための予測モデルを使わなければならないということです。
> ? このように、この ry 予測でSSVEP-BCIに ry 。
> 従って、この論文はマグニチュード予測付 SSVEP-BCI に向けた最初のステップをカバーしています。
> まず、本研究はSSVEPマグニチュード変動の予測モデルの調査に焦点を当てています。
> ? ry を容易にするために、 ry 。
> これを促進する為に、さまざまな強度のSSVEP応答を含むデータセットを収集するように実験を設定します。
> 第二に、この研究は実験から記録されたSSVEP応答を使用してロボットシミュレーションを制御することが可能であることを示しています。
> 
> III。 材料および方法
> 
> ? ry では、大きさが変化するSSVEP応答 ry プロトコルを紹介します。
> このセクションでは、マグニチュード変動な SSVEP 応答（データセット）を取得するための実験プロトコルが示されます。
> SSVEPマグニチュード変動の予測モデルを構築するという目的を達成するために、それぞれ多項式回帰（Poly）、ランダムフォレスト回帰（RF）、およびニューラルネットワーク（NN）からなる、最先端の機械学習およびニューラルネットワークアプローチが検討されました。
> ? 脳に制御されたロボ ry 。
> ブレインコントロールなロボットシミュレータへの最も適切なアプローチはその後組み込まれました。
> ? 最後に、SSVEP-BCIの実現可能性と利点をマグニチュード変動でテストするために、シミュ ry 。
> 最後に、マグニチュード変動な SSVEP-BCI の、実現可能性と利点とをテストする為にシミュレータの内部で実験が行われました。
> 
> A. データ取得 この実験の参加者は、２０歳から２５歳までの１０人の健康な人々であった（ｎ ＝ １０）。
> 実験は1975年のヘルシンキ宣言（2000年に改訂）に従い、日本の東京工業大学の内部審査委員会によって承認された。
> 
> 1） EEG記録：
> ? ry アンプを250 Hzのサンプリングレート、すなわちOpenBCIで使用しました[14]。
> この研究では、オープンソースで低コストのEEGアンプ即ち OpenBCI[14]を 250 Hz のサンプリングレートで使用しました。
> 実用的な目的のために、全ての実験中にデータを記録するために単一チャンネルＥＥＧ（０）を使用した。
> 
> 2） 刺激プロトコル：
> 
> 
> 0  ブラック
> 5秒 「条件1」
> 10秒
> :
> 60秒        ブラック
> 65秒        「条件3」
> 70秒
> :
> 時間[秒]
> （合計3.87分）
> 
> 
> 図2
> ４つの刺激条件が被験者に無作為に提示され、それぞれ５０秒間持続した。
> ? ry 面と条件付きの手がかりは、すべて条件の開始前に ry 。
> 黒い画面、と、条件付き合図、と、の両方は、全条件の開始時にそれぞれ4秒間表示されました。
> 
> 
> 現実世界の応用の継続的な開発における研究結果の実用性を確実にするために、実験は通常の環境（電磁シールドのない部屋）で行われた。
> 被験者は、17インチモニターの前に座って、画面から30 cm離れた顎当てに頭を置き、画面の中央に常に注意を払うように依頼されました。
> 図2にSSVEPスティミュラスプロトコルを示します。
> ４つの刺激条件が被験者にランダムな順序で提示された。
> 各条件は５０秒間続いた。
> ? 黒い画面と条件付きの合図が、それぞれの状態が始まる前に、それぞれ ry 。
> 黒い画面、と、条件付き合図、と、の両方が、全条件の開始時に、それぞれ4秒間表示されました。
> 条件は以下の通りであった。
> 1）
> ? ry 白黒 ry 。
> 7.5 Hzで点滅する270ピクセル×270ピクセルの白/黒の四角形が画面中央に表示されます。
> 最大光度では常にちらつきます。
> 光の強度は、レベル0（最小強度）からレベル255（最大強度）までさまざまです。
> ? ry 他の状態に対する基準として役立つ（条件１）。
> この状態は従来のＳＳＶＥＰ刺激であり、他の条件に対する基準として貢献する ( 条件 1 ) 。
> 2）
> 同じ正方形が105の強度レベルで点滅し始めます。
> ? その後、50秒間、光の強さを1秒 ry 。
> 光の強さを、その後 50 秒間、 1 秒間に3レベルずつ上げます。
> ? この状態は、被験 ry させるのに役立つと考 ry す（cond.2）。
> この条件は、被験者がSSVEPの大きさを増加させるのを助けると考えられています ( 条件 2 ) 。
> 3）
> ? ry 強度（225）で ry 。
> 同じ正方形が最大強度 ( 255 ) で点滅し始めます。 ?
> ? その後、50秒間、光の強さが1秒 ry 。
> 光の強さが、その後 50 秒間、1秒間に3段階減少します。
> ? この状態は、被験 ry させるのに役立ちます（cond.3）。
> この条件は、被験者がSSVEPの大きさを減少させるのを助けると考えられています ( 条件 3 ) 。
> 4）
> 正方形は強度レベル180で点滅し始めます。
> 50のうちの最初の20秒間では、強度は最大に達するまで1秒間に3レベルずつ増加します。
> ? ry は、状態が終了するまで、 ry 。
> 次の30秒間は、条件の終了まで、光の強度は1秒間に3レベル減少します（条件4）。
> 
> 研究の残りのためにデータセットを準備するために、５０Ｈｚのノッチフィルタ（電気的ノイズを除去するため）および７．３７．７Ｈｚのバンドパスフィルタ（バターワース、次数２）をＥＥＧデータに適用した。
> ? ry 従って分割された。
> ＳＳＶＥＰ応答は、フィルタリングされた信号から得られ、次いで実験条件に従って区画化された。
> 最終的に、10人の被験者からの50秒の長いSSVEP応答が各状態について得られた。
> 
> B. 実験I： SSVEPマグニチュード変動の予測モデル
> 
> 
> 
> 図3：マシンの速度を制御するために提案されたSSVEPベースのBCIのアーキテクチャ。
> 
> 
> 1） データ準備：
> ? ry 、訓練セット（９人の対象×４条件×５０秒の長さのデータ）については９人の対象から、そして試験セットについては残りの１人（１件×４条件×５０秒長データ）から無作為にＥＥＧ信号を選択した。
> それぞれが４つの条件を有する１０人の対象の前述のＳＳＶＥＰ応答から、テストセットに付いては１人（１件×４条件×５０秒長データ）からそして訓練セット（９件×４条件×５０秒の長さのデータ）に付いては残りの９人の対象から無作為にＥＥＧ信号を選択した。
> 図３に示すように、各被験者からのＥＥＧ信号を２組のデータについて計算した。
> 第１の組は入力信号（ａ）からなっていた。
> ? ry 信号は、最初に、３秒 ry ウィンドウおよび２秒のオーバーラップを有する一連のサブサンプルまたはブロックに変換された。
> 各被験者からのＥＥＧ信号は、 2 秒のオーバーラップを有する 3 秒（３秒×２５０Ｈｚ ＝ ７５０データポイント）のスライディングウィンドウの、サブサンプルかブロックかのシーケンスに最初に変換された。
> 
> 
> 4ページ
> 4
> 
> 
> 
> ? ry ７５０のデータ点または特徴。
> ステップ１が完了した後、以下の構造について４８ブロックのデータが得られた：４条件×４８ブロック×７５０の、フィーチャ又はデータポイント。
> ? ry 2では、各被験者の入力 ry ために各データポイントを2乗 ry 。
> 次に、ステップ2 では被験者の各データポイントを、入力信号を得る為に 2 乗しました。
> 第２組のデータは標的信号（ｂ）からなっていた。
> ３から始めて、各ブロックの平均値を入力信号から計算した。
> 従って、各条件について４８個の値が得られた。
> その後、ステップ４において、各条件について多項式関数（二次関数（poly2）または三次関数（poly3）のいずれか）を用いて曲線当てはめを行った。
> 最後に、標的シグナルは４条件×４８標的値（それぞれ４８点を有する４つの曲線）であった。
> データ準備が完了した後、各被験者の入力信号およびターゲット信号は、以下の手法を使用してＳＳＶＥＰ振幅予測に使用された。
> 
> 2） ニューラルネットワークアプローチ（ＮＮ）：
> リカレントニューラルネットワーク（ＲＮＮ）は、従来のフィードフォワードニューラルネットワークから拡張され、その反復的な隠れ状態のために、ＥＥＧなどの時系列データから本質的な特徴を抽出する能力を有する。
> 各タイムステップでの活性化は、前のステップのデータを使用して計算されます。
> ? ry Units（GRU）の層から始まります。 RNNs [15]の繰り返しユニットタイプの1つ。
> この研究で提案されているNNモデルは、Gated Recurrent Units [15] ( GRU ; RNNs の反復ユニットタイプの1つ ) の層から始まります。 
> ? その更新ゲートは、モデルが従来のRNNよりも長いシリーズのための入力トリームにおける特定 ry 存在を思い出させる。
> それの更新ゲートは、入力ストリームにおける、従来型 RNN のよりも長いシリーズの為の、特定の特徴の存在を想起するモデル、を作る。
> その後、時系列データの予測に適しているため、完全接続（FC）レイヤを使用しました。
> 
> 図３に示すように、ＮＮモデルをデータで訓練するために、入力信号をサンプル数×時間ステップ×特徴に再形成した（ａ）。
> 研究者らは、各条件の各ブロックを1つのサンプルと見なすことにしました。
> また、各サンプルの750個のデータポイントは実際には3秒の時系列データを表しているため、タイムステップ数は750になりました。
> さらに、特徴として各データポイントの値のみを使用する代わりに、各条件で0から47までの範囲のブロックIDも使用されました。
> ? ry 、デー ry 値とブロックIDを含む2つの機能があります。
> たとえば、各タイムステップには、それのデータポイント値とブロック ID とを含む2つの特徴があります。
> したがって、各被験者について、１９２サンプル×７５０時間ステップ×２特徴が得られた。
> 標的信号（ｂ）については、各条件における各ブロックも１つのサンプルと見なした。
> したがって、これらを各被験者について１９２サンプル×１目標値に再成形した。
> 
> ? ry 。これはモデルが最良のパラメータ構成を与えるまで調整されました。
> この研究におけるNNモデルはKeras [16]を使って実装されました。これはモデルが下記の様な最良のパラメータ構成を与えるまで調整されました :
> 
> ? 256単位のGRUの層。
> ^Z 256 ユニットの GRU のレイヤ。
> ^Z GRUレイヤでは確率0.3のドロップアウトが使用されました。
> ? One-hidden node with linear activation was applied for regression (FC).
> #1 hidden ry ?
> ? ry を伴う一隠れノードを回帰 ry 。
> ^Z 線形活性化を伴う隠れノード 1 つを回帰（FC）に適用した。
> ^Z オプティマイザはAdamで、学習率は0.001です。
> ^Z バッチサイズは864サンプル（トレーニングセットの半分）に設定されました。
> ^Z 平均二乗誤差（ＭＳＥ）を損失関数として使用した。
> 
> 最後に、最善の重み（テスト用のトレーニングモデルからの損失が最も少ないもの）を使用して、モデルを2,000エポックでトレーニングしました。
> 
> 3） ランダムフォレスト回帰アプローチ（RF）：
> ランダムフォレストは強力な教師付き学習アルゴリズムです。
> 分類と回帰の両方のタスクに使用できます。
> このモデルの重要な利点の1つは、すべての特徴をサブセットに分割し、それらのそれぞれを使用して複数の決定木を構築することによって、過剰適合を防ごうとすることです。
> 
> 
> 5ページ
> 5
> 
> 
> その後、多数決投票またはこれらの決定木からの結果の平均を使用して予測が実行されます。
> 
> 図3に示すようにデータをRFモデルに挿入するために、前のアプローチと同様に、入力信号の各ブロックを1つのサンプル（a）に再整形しました。
> ? したがって、各被験者から、サンプルあたり ry 有する１９２個のサンプル（４条件×４８ブロック）が得 ry 。
> 従って、 192 個のサンプル ( 4 条件× 48 ブロック、サンプル当り７５０個の特徴を有する ) が各被験者から得られた。
> その後、最後の機能として、ブロックIDが各条件に対して0から47の範囲で追加されました。
> その結果、入力の最終形状は192サンプル×751フィーチャになりました。
> 標的シグナル（ｂ）について、それは１９２サンプルを有する１Ｄテンソルに再成形された。
> 
> この研究のRFモデルはScikit-learnを使って実装された[17]。
> ツリーの最大深度を除いて、すべてのパラメータがデフォルト値に設定されています。
> ? 各折り目は、それが最良 ry 与えるので、１から５０の範囲内にあるように ry 。
> 各 Fold は、最良の訓練喪失結果を与える範囲としての、 1 から 50 までに収まるように選択された。
> 最後に、その数がテストに使用されました。
> 
> 4） 多項式回帰アプローチ（Poly）：
> Polyは、この研究のベースラインとして使用される単純な予測モデルです。
> SSVEPデータをPolyモデルに入力するために、RFモデルによる実験と同じ方法でデータを作成しました。
> ここでは、PolyモデルはScikit-learn [17]を使って実装されました。
> ? ry おいて2度と3度の多項 ry 除いて、すべて ry 。
> 評価に於て、 2 次と 3 次の多項式関数を除いて全てのパラメータはデフォルト値に設定されました。
> 
> 5） 評価：
> 
> 
> 
> アプローチ
> ? ry 誤差t SE
> 平均二乗誤差 ± SE
>    条件1
>    条件2
>    条件3
>    cond4。
> 計算時間予測t SE
>    すべての条件
> 
> Poly poly2 ポリポリ2
>    4.8380 t 3.0190
>    0.6324 t 0.5840
>    0.1287 t 0.0782
>    0.5583 t 0.3666
>    2.1806 t 0.0561
> 
> Poly poly3 ポリポリ3
>    5.1487 t 3.5327
>    0.6228 t 0.5831
>    0.0818 t 0.0582
>    0.3794 t 0.2494
>    2.4829 t 0.0909
> 
> RF poly.2          RFポリ2
>    0.1580 t 0.1086
>    0.0277 t 0.0228
>    0.0090 t 0.0049
>    0.0509 t 0.0343
>    0.0026 t 0.0001
> 
> RF poly.3          RFポリ2
>    0.1569 t 0.1088
>    0.0303 t 0.0258
>    0.0083 t 0.0046
>    0.0530 t 0.0371
>    0.0026 t 0.0002
> 
> NN (GRUs) poly2    NN（GRU）ポリ2
>    0.0926 t 0.0566
>    0.0207 t 0.0147
>    0.0094 t 0.0039
>    0.0397 t 0.0229
>    5.1167 t 0.2642
> 
> NN (GRUs) poly3    NN（GRU）ポリ3
>    0.0750 t 0.0440
>    0.0181 t 0.0136
>    0.0080 t 0.0037
>    0.0270 t 0.0160
>    4.8472 t 0.0626
> 
> 
> 表１：
> ６つのアプローチ間の平均二乗誤差と計算時間予測との比較。
> 太字の数字は他のものよりもかなり大きい、p <0.01。
> 
> 
> ? 一人一人離脱交差検証 ry 。
> 一個抜き交差検証を使用して、すべてのモデルを訓練および評価した。
> ? したがって、10倍、 ry 。
> 従って、10 Fold 、それぞれ訓練用の9人の被験者（1,728サンプル）および試験用の1人の被験者（192サンプル）からなる。
> ターゲット信号には2つのタイプがあるため、この調査では次の予測モデルを使用しました。比較のため、Poly poly 2、Poly poly 3、RF poly 2、RF poly 3、NN（GRU）poly 2、NN（GRU）poly 3。
> したがって、2つの値を使用して各アプローチのパフォーマンスを測定しました。
> 1つ目はMSEを使用して計算された各モデルの精度、2つ目は予測のための計算時間です。
> ? ry 、一元配置反復測定分散分析 ry 。
> これら３つのアプローチを比較するために、球形度の仮定（実験結果の統計分析）に基づいて、一元配置分散分析（ＡＮＯＶＡ）を用いた。
> データが球形度の仮定に違反したときに補正を適用した。
> ? 事後分析のためにボンフェローニ補正および対比較を行った。
> 一対比較とボンフェローニの補正とを事後解析の為に行った。
> 
> C. 実験II：脳制御ロボットシミュレータ
> 
> 
> 
> 図4
> ? ry 脳制御ロボ ry 。
> オンラインのような脳制御なロボットの実験プロトコルの図。
> ? ry 提案されたケース ry 。
> 実験プロトコルは、従来のSSVEP-BCIを超える提案ケースの利点を実証するように設計されています。
> ? ry 始まり、その後に一定 ry 期間が続きます。
> プロトコルは期間速度の増加から始まり、一定の最大速度、速度の減少、そして一定の最小速度の期間、と続きます。
> 最後の期間は動きを止めました。
> 
> 
> ? この部分では、 ry       。
> このパートでは、研究者らは、脳制御ロボット刺激装置を介して、提案されたSSVEP-BCIが従来の場合よりも優れていることを実証することを目指しています。
> ? ry 時間の両方 ry 、ＳＳＶＥＰ振幅変動 ry 。
> 実験Ｉの結果のように、ＲＦ ｐｏｌｙ２モデルは、小さい誤差と制御アプリケーションのための短い計算時間との両方の観点から、 SSVEP マグニチュード変動のための最も適切な予測モデルであることが分かった。
> したがって、RF poly 2アプローチのみがV-Repシミュレータに組み込まれました[18]。
> 提案されたSSVEP-BCIの概念を従来のものと比較して評価するためにV-Rep内のVortex物理エンジンモードが構築された。
> ? ここでは、80 ry cm 3の立方体と60 kgのロボットを備えた改良型Pioneer P3DXロボットを使用 ry 。
> ここではロボット、 60 kg で 80×80 cmのプレートと10 cm^3 の立方体とをその Pioneer P3DX ロボットの上に備えた改造型、を使用しました。
> ? オンラインの ry 速度プロファイル（VP）を作成しまし ry 。
> オンライン風の研究用にロボットシミュレータを設定するために、実験プロトコルに従って速力プロファイル（VP）が作成されました（図4）。
> 実験1から収集したデータセットを使用して、cond.2とcond.3からの予測信号をオンラインのようなSSVEP応答（脳の信号）に関連付けました。
> ? ry として使用されました。
> これらの脳の信号はスピードコントローラの入力としてその後使用されました。
> 制御装置は標準移動平均（ＭＡ）アルゴリズムを脳信号に適用した。
> 
> 
> 6ページ
> 6
> 
> 
> 最後に、MAの結果は、ロボットの移動速度を変えるためのVPとして使用されます。
> ? ry 、増減速度期間 ry 動作した。
> 以下の規則を使用して、コントローラは、速度期間増減について実験プロトコルに従って２つの状態間で交互に動作した :
> 
> ? 増加する速度期間： ry が高ければ ry 速度値 ry 。
> ^Z 速度期間の増加：入力値がより高ければ現在の速力値が更新され、そうでなければ値は安定したままです。
> ? 減少する速度期間： ry が低い場合 ry 速度値 ry 。
> ^Z 速度期間の減少：入力値がより低い場合は現在の速力値が更新され、それ以外の場合は値は安定したままです。
> 
> 以下のサブセクションに示すように、研究ＩおよびＩＩにおいて提案されたＳＳＶＥＰ ^Z ＢＣＩの性能を調査するために、前述の実験プロトコルを使用して脳制御ロボットシミュレータを設定した。
> 
> 1） 研究I： 処理ウィンドウの長さと滑らかな動きとの間のトレードオフ：
> この研究の目的は、ユーザーが許容できる速度でオブジェクトを滑らかに動かすのを助けるためにスピードコントローラに最も適した処理ウィンドウの長さを見つけることです。
> 実験プロトコールを図4に示す。
> 輸送作業を完了するとき、ロボットは速度コントローラの出力に従って動くことになっていました。
> 出力を作成するために、脳信号は、先に説明したように、２つの規則に従ってＲＦポリ２予測モデルと単純ＭＡの両方を使用して速度プロファイル（ＶＰ）に変換された。
> 研究者たちは、物体（あるいはこの実験では箱）の運搬における安定性と平均移動速度の両方を考慮しました。
> 箱の安定性は、ロボットプレート空間（２Ｄ平面）上の箱内の中心質量の偏差によって測定した。
> この研究における箱の偏差は、2D平面上の箱の元の位置と最終位置の間のユークリッド距離でした。
> 最適な処理窓の長さを得るために、長さを１秒のステップで１から５秒まで変えた。
> ? ry の10倍からの偏差と比較しました（1人の被験者を除外した交差検証）。
> 最後に、平均速度の平均をボックスの 10 Fold 分のずれと比較しました ( 一個抜き交差検証 ) 。
> ? 一元配置反復測定分散分析 ry 。
> 一元配置分散分析（ＡＮＯＶＡ）を統計分析に使用した。
> 
> 2） 研究II： 従来のSSVEP-BCIと提案されたSSVEP-BCIを使用した脳制御ロボットシミュレータの比較：
> 提案されたSSVEP-BCIが滑らかな制御アプリケーションにおいて従来のケースより優れていることを実証するために、研究Iと同じ実験プロトコルを実行した。
> 提案されたＳＳＶＥＰ ^Z ＢＣＩのＶＰを得るために、１秒の重ならない窓（研究Ｉからの最適窓長）を有するＲＦ ｐｏｌｙ２に基づく予測モデルが適用された。
> ? ry 速度に変化しました。
> これに対して、従来のSSVEP-BCIは、増加期間と減少期間の両方で直ちに一定の速度に変更されました。
> 従来の場合の各被験者のVPは、提案されたSSVEP-BCIからの同じ被験者VPの最大値および最小値を使用して設定された。
> ロボット制御タスクの性能を評価するために、平均速度とボックスの偏差を測定値として使用しました。
> 最後に、2つのケースの実験結果を標準のt検定を使用して比較しました。

> IV。 結果
> 
> このセクションでは、各実験の結果を別々に報告します。
> ? 結果私は ry 。
> 結果 I はSSVEPマグニチュード変動の予測モデルの比較を提供します。
> ? ry IIIは、脳 ry シミュレータによる提案 ry 実証している。
> 結果IIおよびIIIは脳制御ロボットシミュレータを介し、提案されたSSVEP-BCIの実現可能性および利点を実証する。
> 適切な実験では、定量的（MSE、計算時間予測、平均速度、およびボックスの偏差）および定性的尺度（グラフィカル）が考慮されます。
> 
> A. 結果I： SSVEPマグニチュード変動の予測モデル
> この研究の目的は、SSVEPマグニチュード変動を予測するための最も適切なモデルを選択することです。
> ここでは6つの予測モデルが比較されています。 Poly poly 2、Poly poly 3、RF poly 2、RF poly 3、NN（GRU）poly 2、NN（GRU）poly 3。
> 表１に示されるように、全ての予測モデルからのＭＳＥの平均は有意には異ならない。
> しかし、計算時間予測の平均比較には統計的な違いがあります。
> ? 温室 - ガイザー補正を用いた一方向反復測定ANOVA ry 。
> Greenhouse-Geisser の方法を用いた一元配置反復測定分散分析ANOVAにより、F（1.377、12.395）= 383.877、p <0.01が報告された。
> ? ry 、ボンフェローニ補正およびペアワイズ比較は、textitRFポリ2およびRFポリ3モデルの両方について ry 。
> さらに、一対比較及びボンフェローニの方法は、 textitRF poly2 と RF poly3 との両方のモデルに付いての計算時間予測が他のモデルより有意に低いことを示した（p <0.01）。
> ただし、RF poly2は多項式次数の計算量が少ないため、残りの研究ではRF poly2を選択しました。
> 定性的な結果を得るために、予測されたシグナルは、図５に示されるように各実験条件について時間ステップごとにプロットされた。
> 
> B.:結果II： 脳制御ロボットシミュレータ
> 1） 処理ウィンドウの長さと滑らかな動きとの間のトレードオフ：
> ウィンドウの長さは、オンラインの脳制御アプリケーションで重要な役割を果たします。
> このサブセクションでは、1^Z5秒の範囲でウィンドウの長さを変えた場合の平均速度の平均とボックスのずれの平均を比較します。
> 
> 
> 7ページ
> 7
> 
> 
> 
> (a) (b) (c) (d)            ? （あいうえお）
> 
> 
> 図5
> ? ry 対する生のSSVEP応答のデモ。
> 予測モデルRF poly2に対する raw SSVEP レスポンスのデモ。
> ? 一番下の行は、実際の（SSVEP入力）信号と予測信号の ry 。
> 下段は、実際の ( SSVEP入力 信号 ) と予測信号との比較を示しています。
> ? ry （d）のモデルを評価するために、一人一人の交差検定（10人に1人）が使用されます。実験条件1、条件2、条件2からの実際および予測信号の例それぞれ.3、およびcond.4。
> 図5（a） - （d）は、実験条件 1 、条件 2 、条件.3 、及び条件.4 からの、実際の及び予測の信号の例で、各々、モデルを評価する為に一個抜き交差検証（10 に 1 つ ）が使用されます。
> 
> 
> 
> 
> （a）（b）
> 
> 
> 図6
> ? ry 速度と偏差の平均値。 ry 。
> 1^Z5秒の範囲でウィンドウの長さを変えたときのボックスの平均速度とずれとの平均。（a）は増加する速度期間、（b）は減少する速度期間です。
> 
> 
> 表II：
> ? ry 際のSSVEP ‐ BCIのための従来の方法と提案された方法の比較
> 移動ロボット上の箱を維持する際の、従来のと提案された SSVEP-BCI のとの為の計測の比較
> ? 3つの対策があります ry ボックスの偏差（ ry 。
> 3 つの対策があります。ロボットシミュレータからの平均速度（太字が大きい）、増加期間におけるボックスのずれ（太字が小さい）、減少期間（太字が小さい）です。
> ? *その数 ry 。
> *はその数が他のものよりもかなり小さいことを意味します、p <0.01。
> 
> 
> 8ページ
> 8
> 
> 
> 
> （a）（b）（c）（d）（e）（f）
> 
> 
> 図7：
> 3人の被験者からのVPの比較。
> 上段（ａ）^Z（ｃ）は提案されたＳＳＶＥＰ ^Z ＢＣＩからのＶＰを示し、下段（ｄ）^Z（ｆ）は従来のＳＳＶＥＰ ^Z ＢＣＩからのＶＰを示す。
> 
> 
> 
> 
> （a） ( 訳注 : ずれ小 ) （b） ( 訳注 : ずれ大 )
> 
> 
> 図8
> 異なるパラダイムを持つパイオニアP3DXロボットの動きの例。
> ? ry は、移動速度ロボット ry 。
> 図８（ａ）は、可変速ロボットを制御するための提案されたパラダイムの一例を示す。
> 図８（ｂ）は、移動速度ロボットを制御するための従来のパラダイムの一例を示す。
> 
> 
> 9ページ
> 9
> 
> 
> ? 温室 - ガイザー補正を用いた一方向反復測定ＡＮＯＶＡは、それぞれ増加期間Ｆ（２．４２１、 ry 、ｐ ＜０．０１、および減少期間Ｆ（１．３８７、 ry 、ｐについて、処理ウィンドウ ry 報告した。 = 0.068です。
> Greenhouse-Geisser 補正を用いた一元配置反復測定分散分析 ANOVA は、増加と減少との期間の其々 F(2.421, 21.792) = 21.633, p<0.01 、および  F(1.387, 12.483) = 3.687, p=0.068 について、プロセッシングウィンドウ長にわたる平均速度の有意差を報告した。 
> ? ペアワイズ比較では、 ry 。
> 一対比較では、１秒処理ウィンドウからの平均速度の平均は、３秒、４秒、および５秒からの平均速度より有意に高い、ｐ ＜０．０５。
> ? ry からの平均速度よりも有意 ry 。
> 減少期間については、１秒処理ウィンドウからの平均速度の平均は、２秒および３秒からのそれよりも有意に高い、ｐ ＜０．０５。
> 平均速度は1秒の処理ウィンドウの長さで有意に高かったが、ボックスの結果の偏差は、図6に示すように処理ウィンドウの長さに渡って異ならなかった。
> 脳制御ロボットシミュレータの実験環境によると、１秒の処理ウィンドウ長は他の長さと比較して許容可能な精度でより高い情報転送速度を有することができると推論することができる。
> 2） 従来のSSVEP-BCIと提案されたSSVEP-BCIを使用した脳制御ロボットシミュレータの比較：
> ? ry IIは、従来のSSVEP-BCIと提案されたSSVEP-BCIの利点 ry 。
> 表II は提案された SSVEP-BCI の、従来のそれを越える利点を示しています。
> ? ry ＢＣＩからの速度の平均が従来の速度の平均に近い ry の偏差は、増加する期間（ｔ（９）＝ ４．７６）に対し ry 著しく低い。 、ｐ ＜０．０５）。
> 提案されたＳＳＶＥＰ ^Z ＢＣＩからの平均速度の平均、が従来の物のそれに近いとしても、提案されたモデルにおけるロボット移動中のボックスのずれは、増加期間 ( t(9)=4.76, p<0.05 ) に於て従来のもののそれよりも著しく小さい。 
> 減少期間についての結果は統計的差異を示さなかったが、提案されたモデルはより低いボックス偏差を与えた。
> ? 図７の定性的結果は、１０人 ry 者が、提案されたＳＳＶＥＰと従来のＳＳＶＥＰ ^Z ＢＣＩからのＶＰの比較を行うことを示している。
> 図 7 は、 10 人中３人の被験者が行う所の、提案 SSVEP-BCI と従来 SSVEP-BCI とからの VP の比較たる質的結果を示す。
> ? 配達作業に ry の捕獲を図8に示す。
> 配達タスクにおける脳制御ロボットシミュレータのキャプチャは図 8 に示される。
> ロボットの速度は実験プロトコルによって異なります。
> 
> V. 考察
> 
> ? ry 主要な問題が生じる。
> 実験結果によって、３つの主要な題目が浮かび上がる。
> ? ry 要約しています。
> 最初に、研究者らはオンライン脳制御ロボットのさらなる開発のための有望な側面を要約します。
> 次に、この研究が進行中の研究とどのように関連しているかについて説明します。
> ? ry おける最終目標を表明しています。
> 最後に、研究者らは、人と機械の間のギャップを埋めるためのオンライン連続SSVEP-BCIの開発に於ける、最終目標を表明します。
> 
> ? ry は、対象がＳＳＶＥＰ反応の大きさを操作するのを助け ry 。
> 視覚刺激強度の変動は、 SSVEP 反応のマグニチュードを被験者が操作するのを、助けることができる。
> 最新の機械学習アプローチ、すなわちランダムフォレスト回帰（RF）は、SSVEPマグニチュード変動を処理するための予測モデルとして提案されました。
> ? ry 使用した1件除外相互検証は、 ry 比較して、SSVEPの大きさの変化の予測 ry 。
> RFモデルを使用した一個抜き交差検証は、多項式回帰モデルおよびニューラルネットワークモデルと比較して、 SSVEP マグニチュードの変動の予測において最高のパフォーマンスを示しました。
> したがって、RFモデルは、この研究で提案されているSSVEP-BCIのさらなる開発に有望である。
> 提案されたSSVEP-BCIシステムで実際のオンラインモードで実験がまだ行われていなくても、シミュレータで実証された環境的かつ実用的なシナリオで、10人の被験者から実際の脳の信号をストリーミングバックし、提案されたシステムが実現可能で斬新であることを保証します。
> ? ry 、箱は目的地まで運搬する際の速度、誤差、および脳制御ロボットからの滑らかさに関してシステムが評価される。
> オンラインのようなシミュレーションを通して、箱を目的地まで運搬する際の脳制御ロボットからの、速度、誤差、および滑らかさに関して、システムが評価する。
> さらに、SSVEP刺激の概念設計はシンプルでユーザーフレンドリーです。
> ? ry 上の刺激の刺激に対し ry 。
> 測定された脳信号に対して、単一のＥＥＧチャネル（Ｏｚ）を有するスクリーン上のちらつく刺激に対しては３つの周波数しかない。
> 
> SSVEP-BCI. SSVEPマグニチュード変動の予測モデルに関する研究結果が示すように、予測SSVEPマグニチュードパラダイムは周波数認識パラダイムに統合され、新しいオンラインSSVEP-BCIを達成することができます。
> ? ry 、連続的なＳＳＶＥＰ ^Z ＢＣＩを提供 ry 。
> 定常的な脳の反応の頻度と大きさの両方を考慮に入れると、連続的 SSVEP-BCI を提供することができ、それによってユーザは装置（例えば移動ロボット）を円滑に制御することができる。
> ? さらに、スパース脳波チャネルを使用してオンライン ry 処理するために提案されたSSVEP-BCIを統合することを計画 ry 。
> 更に、提案 SSVEP-BCI をスパース脳波チャネルを使用して統合することをオンラインモードでロボットアームを処理する為に我々は計画しています。
> 予測ＳＳＶＥＰの大きさからの予測信号の連続的な増加または減少は、例えばロボットアームの速度を加速または減速することによってコマンド機能にマッピングすることができる。
> 
> 提案されたＳＳＶＥＰ ^Z ＢＣＩの性能を改善するためには、連続的な大きさの予測に対する雑音に対するロバスト性が重要である。
> ? ry からも振幅情報を測定 ry 。
> この問題を克服するための１つのアプローチは、目標ＳＳＶＥＰ周波数だけでなく近隣周波数からもマグニチュード情報を測定する簡単な適応アルゴリズムである。
> ? 目標頻度から ry 使用して、予測モデルはおそらく天気の大きさの変動を分類することがノイズまたはSSVEP応答の実際の変動からの影響であると仮定 ry 。
> ターゲット周波数からの絶対値の代わりに相対値を使用し我々は仮定します。 SSVEP 応答に於て天候のマグニチュードの変動の影響の原因は、ノイズである又は実際の変動である、と予測モデルは恐らくクラス分類する、と。
> ? ry として、我々は、連続的な情報を破損していないＳＳＶＥＰ応答と同じくらい閉じた状態に維持するために時間的記憶 ry を適用しよう ry 。
> 別のアプローチとして、 SSVEP 非破損応答であるかの様な連続的な情報を維持する為の時間的記憶モジュールとして振舞う分散型リカレントニューラルフォワードモデルを我々は適用しようとしている［１９］。
> したがって、この作業の貢献は、将来のBCIベースの制御への入り口として機能することができます。
> 
> VI。 結論
> 
> これは、新しいSSVEP-BCIに向けたSSVEPマグニチュード予測に関する最初の研究です。
> さまざまなSSVEPマグニチュード応答に関する実験からデータセットを作成しました。
> ランダムフォレスト回帰は、瞬間的なSSVEPマグニチュード予測のためのアルゴリズムとして提案されました。
> ? ry 結果は、leave-one-subject-out交差検証 ry から得られた。
> 実験結果は、一個抜き交差検証を使用して10人の被験者から得ており、有望と見込まれる。
> ? ry されたＳＳＶＥＰの大きさの瞬間的な変化は、脳制御用途（例えば ry 。
> 予測された SSVEP マグニチュード、に於ての瞬間的変化は脳制御アプリケーション（例えばロボット制御）用の速度制御装置にマッピングすることができる。
> ここでは、模擬移動ロボットを用いてオンラインのようなシステムを実施した。
> 実験では、ロボットの移動速度を制御するために、さまざまな大きさの実際のSSVEP応答をストリームバックしました。
> ? ry 単一の（０）ＥＥＧチャンネル ry 。
> 実用的な目的のために、全ての実験を通して単一の (Oz) EEG チャンネルを使用した。
> ＳＳＶＥＰマグニチュード予測の利点は、それがロボットを制御するときに安定性を維持する能力を有することである。
> 近い将来、この作業の成果は、移動ロボットやロボットアームの速度を加速または減速するなど、他のスムーズな脳制御アプリケーションにも実装されます。
> 
> 
> 10ページ
> ? 10年
> 
> 
> 参考文献
> 
> [1]
> JR Wolpaw、N。Birbaumer、DJ McFarland、G。Pfurtscheller、およびTM Vaughan、
> 「通信と制御のためのブレインコンピュータインタフェース」
> ? ry 、ｖｏｌ。 113、いいえ。 ６、ｐｐ．７６７７９１，２００２。
> 臨床神経生理学, vol. 113, no. 6, pp. 767^Z791, ２００２。
> [2]
> B.アリソン、T。ルース、D。バルブエナ、A。Teymourian、I。Volosyak、A。Graser、
> ? `` Bci ry ：何人（そして ry の）の人が ry ？ '' 「」
> 「 Bci人口統計：どれだけの人数の ( そしてどのような種類の ) 人がssvep bciを使うことができますか？ 」
> ? ry 、vol。 18、いいえ。 ２、ｐｐ．１０７１１６， ry 。
> 神経系とリハビリテーション工学に関するIEEEのトランザクション, vol. 18, no. 2, pp. 107^Z116,  ２０１０。
> [3]
> Z. Lin、C. Zhang、W. Wu、およびX. Gao、
> ? ry ベースのbcisの ry 周波数認識」
> 「ssvepベース bci 用の正準相関分析に基づく周期的認識」
> ? ry 関するＩＥＥＥ取引 ry 、ｖｏｌ。 54、いいえ。 ６、ｐｐ．１１７２１１７６， ry 。
> 生物医学工学に関する IEEE トランザクション , vol. 54, no. 6, pp. 1172^Z1176, ２００７。
> [4]
> GR Muller-PutzとG. Pfurtscheller
> 「ssvepベースのbciを使用した電気補綴物の制御」
> ? ry 、ｖｏｌ。 55、いいえ。 １、ｐｐ．３６１３６４、 ry 。
> 生物医学工学に関するＩＥＥＥトランザクション, vol. 55, no. 1, pp. 361^Z364, ２００８。
> [5]
> BZ Allison、DJ McFarland、G. Schalk、SD Zheng、MM Jackson、およびJR Wolpaw、
> 「定常状態視覚誘発電位を用いた独立したブレインコンピュータインターフェースに向けて」
> ? ry 、ｖｏｌ。 119、いいえ。 ２、ｐｐ．３９９４０８， ry 。
> 臨床神経生理学, vol. 119, no. 2, pp. 399^Z408, ２００８。
> [6]
> A.ルオとTJサリバン、
> 「時間領域分類器を使用した、ユーザフレンドリなssvepベースのブレインコンピュータインタフェース」
> ? ry 、ｖｏｌ。 7、いいえ。 ２、ｐ。 2010年2月10日。
> 神経工学ジャーナル, vol. 7, no. 2, p. 026010, 2010.
> [7]
> ? ry C。Brunner、C。Altst W、 ry
> BZ Allison、C. Brunner、C。Altst穩ter、IC Wagner、S。Grissmann、およびC. Neuper、
> ``連続同時2次元カーソル制御のためのハイブリッドerd / ssvep bci ''
> ? 神経科学の方法のジャーナル、vol。 209、いいえ。 ２、ｐｐ．２９９３０７， ry
> 神経科学メソッドジャーナル , vol. 209, no. 2, pp 299^Z307, ２０１２。
> [8]
> E. Yin、Z. Zhou、J。Jiang、F。Chen、Y. Liu、およびD. Hu。
> ? ry ハイブリッドbciスペル」
> 「ssvepをp300パラダイムに取り入れた新しいハイブリッド bci スペラー」
> ? ry 、ｖｏｌ。 10、いいえ。 ２、ｐ。 2013年2月12日。
> 神経工学ジャーナル, vol. 10, no. 2, p. 026012, 2013.
> [9]
> E. Yin、Z. Zhou、J。JIang、F。Chen、Y。Liu、およびD. Hu。
> ? ry ハイブリッドbciスペルアプローチ」
> 「p300とssvepを組み合わせたスピーディーなハイブリッド bci スペリングアプローチ」
> ? ry 、ｖｏｌ。 61、いいえ。 ２、ｐｐ．４７３４８３、 ry 。
> 生物医学工学に関するＩＥＥＥトランザクション, vol. 61, no. 2, pp. 473^Z483, ２０１４。
> [10]
> 王Y.、X。Chen、X. Gao、S。Gao、
> 「SSVEPベースのブレインコンピュータインターフェースのベンチマークデータセット」
> ? ry 、vol。 25、いいえ。 １０、ｐｐ．１７４６１７５２、 ry 。
> 神経システムとリハビリテーション工学に関するIEEEトランザクション, vol. 25, no. 10, pp. 1746^Z1752, ２０１０年１０月。
> [11]
> B.アリソン、B.グレイマン、およびG.プルトシェラー、
> ? ブレイン - コンピュータインタフェースヒューマン - コンピュータインタラクションの革命化
> ブレイン-コンピュータインタフェース : ヒューマン-コンピュータインタラクションを革命する
> Springer、2010年。
> [12]
> X. Chen、Y. Wang、S。Zhang、S。Gao、Y. Hu、X. Gao、
> 「相互変調周波数を用いたマルチクラスssvep-bciのための新しい刺激法」
> ? ry 、ｖｏｌ。 14、いいえ。 ２、ｐ。 2017年2月13日。
> 神経工学ジャーナル, vol. 14, no. 2, p. 026013, 2017.
> [13]
> YJ Kim、M. Grabowecky、KA Paller、K. Muthu、およびS. Suzuki、
> ? ry お^Z^Zける同期ベースの反応獲得を誘導 ry
> 「注意は定常状態の視覚誘発電位に於ける同期ベースの反応ゲインを誘導する」
> Nature neuroscience、vol。 10、いいえ。 １、ｐ。 117、2007。
> [14]
> 「オープンソースのブレインコンピュータインターフェイス」
> http://openbci.com/
> 。
> [15]
> K. Cho、B。Van Merri、C. C. Gulcehre、D。Bahdanau、F。Bougares、H。Schwenk、およびY. Bengio、
> 「統計的機械翻訳のためにrnnエンコーダ - デコーダを使用したフレーズ表現の学習」
> arXivプレプリントarXiv：1406.1078、2014。
> [16]
> F. Chollet et al。、
> “ Keras”
> http://github.com/fchollet/keras/
> 、2015年。
> [17]
> ? ry Ｖ。ミシェル、Ｂ． Cournapeau ry
> Ｆ．ペドレゴサ、Ｇ．ヴァロコー、Ａ．グラムフォート、Ｖ。ミシェル、Ｂ． Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau、M。Brucher、M。Perrot、およびE. Duchesnay、
> 「Scikit-learn：Pythonでの機械学習」
> ? ry 、ｖｏｌ。 １２、ｐｐ．２８２５２８３０， ry 。
> 機械学習研究ジャーナル, vol. 12, pp. 2825^Z2830, ２０１１。
> [17] 
> F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau, M. Brucher, M. Perrot, and E. Duchesnay, 
>  `` Scikit-learn: Machine learning in Python, '' 
> Journal of Machine Learning Research2011.
> [18]
> ? ry SPNシン、
> MFE Rohmer、SPN Singh, 
> 「V-rep：多用途でスケーラブルなロボットシミュレーションフレームワーク」
> ? Procで。 インテリジェント ry （IROS）、2013年。
> インテリジェントロボットとシステムに関する国際会議（IROS） 議事録 、2013年。
> [19]
> S. Dasgupta、D. Goldschmidt、F. Wrgtter、およびP. Manoonpong、
> 「歩行ロボットの複雑な行動のためのシナプス適応およびcpgベースの制御を用いた分散リカレントニューラルフォワードモデル
> ? ry 、ｐ。 2015年10月10日。
> Neuroroboticsのフロンティア、vol。 ９, p. 10, 2015.
> ? ry 。 入手可能： http : // ry
> [オンライン]。 有効: http://www.frontiersin.org/article/10.3389/fnbot.2015.00010



-- 
YAMAGUTIseisei ( str_h__namae = { "sei" => "山口", "mei" => "青星" } )
http://yahoo.jp/HsDIGs?#__Sponsor_-_2TB_0S03224
heiwa furiisekkusu 1tu



訂正 Subleq ベースのシンプルなマルチプロセッサコンピュータ
>値が0より小さい、等しい、またはより大きい場合の簡潔なチェックは次の通りで :