X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
Implementação de uma ICC-SSVEP para o Comando de uma Cadeira de Rodas Robótica
Sandra Mara Torres Müller, Teodiano Freire Bastos Filho* e Mário Sarcinelli Filho*
Departamento de Engenharia e Computação, Universidade Federal do Espı́rito Santo - UFES
Rodovia BR101-Norte, Km 60, 29932-540, São Mateus-ES, Brasil
*Departamento de Engenharia Elétrica, Universidade Federal do Espı́rito Santo - UFES
Av. Fernando Ferrari, 514 – 29075-910, Vitória-ES, Brasil
Emails: [email protected], {teodiano, mario.sarcinelli}@ele.ufes.br
Abstract— This work presents a Brain-Computer Interface (BCI) based on the Steady-State Visual Evoked
Potential (SSVEP) that can discriminate four classes once per second. A statistical test is used to extract the
evoked response and a decision tree is used to discriminate the stimulus frequency. Designed according such
approach, volunteers were capable to online operate a BCI with hit rates varying from 60% to 100%. Moreover,
a robotic wheelchair could be commanded through an indoor environment using such BCI. As an additional
feature, such BCI incorporates a visual feedback, which is essential for improving the performance of the whole
system. All of this aspects allowed to use this BCI to command a robotic wheelchair efficiently.
Keywords—
Visual evoked potential, BCI, EEG analysis
Resumo— Este trabalho apresenta um Interface Cérebro-Computador (ICC) com base em Potenciais Evocados
Visuais (do inglês, SSVEP) que discrimina quatro classes, uma a cada segundo. Um teste estatı́stico é utilizado
para extrair a resposta evocada, e uma árvore de decisão é usada para discriminar a frequência de estı́mulo.
Projetada segundo essa abordagem, os voluntários são capazes para operar a ICC de forma online com taxas
de acerto variando de 60% a 100%. Além disso, uma cadeira de rodas robótica pôde ser comandada por um
ambiente fechado usando tal ICC. Como uma caracterı́stica adicional, tal ICC incorpora uma biorrealimentação
visual que é essencial para a melhoria do desempenho do sistema. Todos esses aspectos permitiram usar essa
ICC para comandar uma cadeira de rodas robótica de forma eficiente.
Palavras-chave—
1
ICC, SSVEP, Cadeira de Rodas Robótica
Introdução
Uma caracterı́stica que distingue os humanos de
outras espécies é sua habilidade em comunicar.
Comunicação pode ser definida como um processo
para expressar e compartilhar experiências entre
as pessoas. Algumas tendências observadas em
comunicação são as tecnologias de mı́dia e as interfaces entre o homem e a máquina (Ebrahimi
et al., 2003). Apesar de muitas inovações tecnológicas terem acontecido durante nossa era, a interação homem-máquina não tem avançado com
a velocidade esperada. Os principais instrumentos desta interação continua sendo o teclado e o
mouse. Entretanto, algumas pesquisas indicam
que esta interação pode ser estendida a outras
modalidades, tais como visão, tato, cheiro e voz
(Ebrahimi et al., 2003). A solução para um maior
avanço aponta para a fonte de nossos sentidos e
emoções: o cérebro humano. Apesar de sermos
capazes de monitorar processos fisiológicos, como
pressão sanguı́nea, atividades musculares e cardı́acas, uma interface natural entre o corpo e o monitoramento cerebral é necessária. Assim, os sinais
cerebrais indicam um novo modo de comunicação:
a Interface Cérebro-Computador (ICC).
Muitas ICCs já desenvolvidas se destinam a
melhoria de vida de pessoas com deficiência, que
pode se tornar realidade fora do mundo do laboratório usando uma combinação da tecnologia das ICCs junto com a tecnologia assistiva
(del R. Millan et al., 2010). ICCs têm sido
usadas com sucesso em alguns contextos, como
ISSN: 2175-8905 - Vol. X
o comando de um robô ou uma cadeira de rodas robótica (Ferreira et al., 2008), (Muller, Celeste, Bastos-Filho e Sarcinelli-Filho, 2010) e (del
R. Millan et al., 2009); operação de dispositivos
protéticos (Muller-Putz et al., 2005); seleção de
letras em um teclado virtual (Friman, Lüsth, Volosyak e Gräser, 2007); acesso à Internet (Karim
et al., 2006); navegação em ambiente de realidade
virtual (Leeb et al., 2007) e jogos de computador (Lalor et al., 2005), (Nijholt et al., 2008).
Mais ainda, ICCs podem ser usadas por pessoas saudáveis para aplicações em áreas de comunicação, jogos e entretenimento computacional
(Nijholt et al., 2008).
Atualmente, alguns estudos mostram que a
maioria da população é capaz de usar uma ICC.
Em (Guger et al., 2003) é apresentado um estudo com 99 pessoas saudáveis que tentam controlar o movimento horizontal de uma barra em
um monitor de computador a partir da imaginação motora. O resultado encontrado é que aproximadamente 93,3% das pessoas conseguiam controlar totalmente com cerca de 59% de precisão.
Um outro estudo similar, apresentado em (Guger
et al., 2009), mostra o resultado obtido com uma
ICC com base no potencial P300 com o propósito
de digitação de palavras. Este estudo foi realizado com 100 pessoas que tiveram 5 min de treinamento e, como resultado, 89% dos voluntários
foram aptos para digitar palavras com uma precisão variando de 80% a 100%, e somente menos
de 3% não conseguiram escolher nenhum caractere
corretamente. Estes estudos mostram que é possı́-
211
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
vel estender o uso das ICCs para grande parte da
população quando essa se tornar um dispositivo
prático e fácil de usar, o que requer uma definição dos próximos passos no desenvolvimento das
ICCs.
Entre os paradigmas usados no desenvolvimento de uma ICC, existe aquele que toma por
base os Potenciais Evocados Visuais em Estado
Permanente (do inglês, Steady-State Visual Evoked Potential - SSVEP). A componente fundamental e os harmônicos da frequência de emissão
de um estı́mulo visual estarão presentes no sinal de
EletroEncefaloGrama (EEG). As ICCs com base
nesses potenciais são chamadas de ICC-SSVEP, e
o interesse em desenvolver este tipo de ICC é devido principalmente à robustez deste fenômeno, já
que este potencial é uma resposta inerente do cérebro humano. Isto leva a um rápida adaptação
do indivı́duo em operar tal ICC (Friman, Volosyak
e Gräser, 2007).
As ICCs-SSVEP suportam um número maior
de comandos do que as ICCs com base em imaginação motora (Wolpaw et al., 2002), e também podem alcançar uma alta Taxa de Tranferência de Informação (TTI). Por exemplo, as
ICCs que não são baseadas em SSVEPs alcançam
uma TTI de 10 a 25 bits/min, enquanto que as
ICCs-SSVEPs atuais alcançam até 100 bits/min
(Vialatte et al., 2010). A alta TTI em uma ICCSSVEP é devido ao alto número de comandos (até
13 comandos simultâneos (Cheng et al., 2002),
(Wang et al., 2006)), e porque os SSVEPs são
induzidos por estı́mulos visuais externos que são
mais robustos e fáceis de controlar que um estı́mulo gerado internamente. Portanto, de acordo
com (Martinez et al., 2007), as vantagens deste
tipo de ICC são a alta TTI com uma mı́nima
requisição de treinamento, robustez em relação a
ruı́dos e artefatos e a relativa facilidade para aumentar o número de comandos. Entretanto, a estimulação com pequenos quadriculados piscando
pode causar fadiga se a ICC é utilizada por um
longo perı́odo de tempo.
Neste contexto, este trabalho apresenta uma
ICC-SSVEP desenvolvida para comandar uma cadeira de rodas robótica de forma eficiente. Para
isso, é necessário implementar alguns passos no
desenvolvimento da ICC, como apresentado na Seção 2. Os resultados qualitativos são mostrados na
Seção 3, enquanto a Seção 4 apresenta as conclusões finais do trabalho.
2
2.1
Sistema Desenvolvido
Experimentos
Nos experimentos desenvolvidos, os voluntários se
sentaram em uma cadeira confortável, a uma distância de 0,7 m de um monitor LCD de 17 polegadas. Foi pedido aos mesmos para visualizar uma
ISSN: 2175-8905 - Vol. X
tela de estimulação formada por 4 tarjas de quadrı́culos piscando, geradas por uma FPGA. Essa
tela de estimulação de quatro tarjas é apresentada simultaneamente para o usuário. São também usados quatro LEDs dispostos nas extremidades da tela, os quais funcionam como uma biorrealimentação visual (Figura 1). Doze canais de
EEG foram registrados, com um eletrodo de referência situado na orelha esquerda, amostrados
a 600 amostras/s e filtrados com um filtro passabanda de 0,1 a 100 Hz. O equipamento utilizado
para a gravação do sinal de EEG foi o BrainNet36, da EMSA Equipamentos Ltda. O sinal foi
adquirido em intervalos de 1 s usando um sistema
proxy chamado de EEGProxy. O eletrodos foram
colocados de acordo com o sistema internacional
10-20 estendido e suas posições foram P7, PO7,
PO5, PO3, POz, PO4, PO6, PO8, P8, O1, O2 e
Oz. Na fase de pré-processamento foi usado um filtro digital passa-bandas elı́ptico de quinta ordem
na faixa de 3 a 60 Hz. Além disso, foi implementado um filtro espacial com base no método de
Referência de Média Comum (do inglês, CAR).
Figura 1: Sistema de aquisição com sistema de
biorrealimentação visual.
No primeiro experimento, foi realizada uma
aquisição de sinais onde era pedido aos voluntários para mirar a tela sem nenhum estı́mulo, etapa
esta que foi chamada de estado de repouso. Depois da aquisição do estado de repouso de dois
minutos, uma única rodada de 160 s foi executada
por cada voluntário. Nesta rodada era pedido ao
indivı́duo para mirar cada tarja por 10 s quatro vezes. As frequências de estı́mulo foram 5,6 rps (em
cima), 6,4 rps (direita), 6,9 rps (em baixo) e 8,0
rps (esquerda). Um aviso sonoro foi utilizado para
avisar ao voluntário sobre a mudança da tarja a
ser observada. O experimento foi conduzido sem
o uso do sistema de biorrealimentação, e quatro
voluntários masculinos saudáveis, com idades entre 23 e 36, chamados de Vol15, Vol21, Vol25 e
Vol28, participaram deste primeiro experimento.
O segundo experimento foi realizado usando realimentação visual, e somente três voluntários Vol1,
Vol10 e Vol28 participaram. Novamente, o sinal
de EEG durante o estado de repouso foi adquirido seguido da livre escolha da tarja observada
212
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
por parte do usuário.
2.2
Extração de Caracterı́sticas
Considere que f (n) é a resposta evocada associada
ao SSVEP, e y(n) corresponda às oscilações induzidas no sinal de EEG (Liavas et al., 1998). Então,
o sinal de EEG gravado durante o perı́odo de repouso antes da estimulação, xpre (n), e durante a
estimulação, xpos (n), são descritos por
xpre (n) = ypre (n)
xpos (n) = f (n) + ypos (n).
Como demonstrado em (de Sá et al., 2006),
o periodograma de Bartlett pode ser usado para
aumentar a significância estatı́stica da estimativa
do espectro, isto é,
M −1
1 X (m)
P̃
(f ),
P̂B (f ) =
M m=0 xx
de acordo com os picos que ultrapassam o valor
T F Ecrit . Como não existe nenhuma métrica para
os pontos que se desejam classificar, foi escolhido
então um classificador baseado em regras. Para
isso, uma árvore de decisão foi desenvolvida e os
seus parâmetros foram relacionados com a amplitude destes picos e o valor de frequência associado.
Esses parâmetros são convertidos em atributos capazes de modelar o sistema de forma adequada.
Para cada amostra a árvore de decisão possui três atributos, A1, A2 e A3, relacionados aos
dez primeiro picos (se existirem) que rejeitam H0
no teste estatı́stico. Mais detalhes podem ser
conferidos em (Müller, Bastos-Filho e SarcinelliFilho, 2010). A árvore de decisão desenvolvida
é mostrada na Figura 2. Observe que há uma
classe para cada frequência de estı́mulo, e quando
a árvore classifica a amostra como pertencente à
classe X significa que aquela amostra não foi classificada. A fase de treinamento não é necessária,
o que representa uma grande vantagem devido à
redução do custo computacional.
onde M é o número de todos os segmentos de
x(n) que são independentes e têm a mesma dura(m)
ção, e P̃xx (f ) é o espectro estimado do m-ésimo
segmento. Portanto, P̂B (f ) tem uma distribuição
chi-quadrada com 2M graus de liberdade, ou seja,
χ22M . Assim, este teste-F , chamado de Teste FEspectral (T F E) (de Sá et al., 2006), pode ser
expresso como
T F E(f ) =
P̂xxpos (f )
P̂yypre (f )
,
cuja hipóteses nula e alternativa são: H0 : f (n) =
0, and H1 : H0 é f alsa. Sem a resposta evocada,
sob H0 , tem-se que
My
T F E(f ) ∼ F2Mx ,2My ,
Mx
onde Mx é o número de segmentos usados para
estimar o espectro durante a estimulação, e My
é o número de segmentos usados para estimar
o espectro durante o perı́odo de repouso (de Sá
et al., 2006). Consequentemente, H0 é rejeitado
(α = 0, 05) usando o valor crı́tico dado por
Figura 2: Árvore de decisão implementada.
2.4
Interface Gráfica
Com o objetivo de facilitar a interação entre o sistema e o usuário, uma interface gráfica foi desenvolvida usando a ferramenta GUI (Graphical User
Interface) do Matlab, como ilustrado na Figura 3.
Assim, o usuário pode ajustar alguns parâmetros,
tais como o seu nome, as frequências de estı́mulo,
e como o usuário pode observar os resultados da
classificação.
T F Ecrit = F(2Mx ,2My ,α) .
Ou seja, o valor crı́tico corresponde à hipótese nula
H0 de ausência de resposta. Portanto, a presença
da resposta evocada será considerada para valores
do espectro que estão acima deste valor crı́tico.
2.3
Classificação
A partir do teste-F desenvolvido na Seção 2.2,
os parâmetros do classificador são selecionados
ISSN: 2175-8905 - Vol. X
Figura 3: Interface gráfica desenvolvida.
A configuração da interface é dividida em três
etapas. A primeira está relacionada ao sinal de
213
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
repouso. Esta parte é preenchida com o nome do
usuário e o tempo de aquisição deste sinal. Então,
a barra Status informa o progresso dessa aquisição. Na segunda parte é possı́vel configurar as
frequências de estı́mulo usadas na ICC. Na terceira e última parte, é configurado o processo de
exibição do resultado da classificação. O primeiro
ajuste é sobre o uso ou não da porta serial. Esta
porta é responsável por operar o sistema de biorrealimentação, que pode ser o acendimento de
LEDs ou mesmo movimentar uma cadeira de rodas robótica. Mais ainda, o modo de visualização
dos resultados pode ser configurado. Em Mode 1 o
resultado da classificação é mostrado de forma assı́ncrona, de acordo com a classe determinada pela
ICC. Já no segundo modo, Mode 2, é mostrada a
taxa de acerto da tarja selecionada no menu Strip.
O processo de classificação começa quando o botão Start é pressionado.
2.5
um computador compacto e de baixa potência
(computador mini-ITX EPIA com 1 GHz de
frequência de clock e 1 GB de memória RAM).
Na ICC desenvolvida, este computador é responsável por processar o sinal de EEG registrado e
classificá-lo para geração de comandos para a cadeira de rodas. O mini-ITX está localizado na
parte traseira da cadeira de rodas robótica, assim
como a FPGA responsável pela geração de estı́mulos, ilustrado na Figura 5.
Cadeira de Rodas Robótica
A cadeira de rodas robótica utilizada neste trabalho foi desenvolvida na Universidade Federal do
Espı́rito Santo e foi implementada a partir de uma
cadeira de rodas motorizada cujo joystick foi trocado por um sistema que permite o controle da
cadeira de rodas por uma ICC. Um circuito com
base no microcontrolador MSP430 é responsável
pelo controle de velocidade das rodas, assim como
pela comunicação com o sistema inteiro da cadeira. Mais detalhes podem ser encontrados em
(Ferreira et al., 2008) e (Muller, Celeste, BastosFilho e Sarcinelli-Filho, 2010). A cadeira de rodas
robótica junto com o sistema de aquisição de sinal
de EEG é mostrado na Figura 4.
Figura 5: Mini-ITX e FPGA utilizadas na ICC.
2.6
Biorrealimenação
Neste trabalho, a biorrealimentação é essencial,
tanto para motivar o usuário quanto para aumentar sua concentração. Em um primeiro momento,
foi aplicada uma realimentação visual usando
LEDs, como mostrado na Figura 1. Para isso,
a interface gráfica utiliza cinco letras que representam os seguintes comandos: s - todos os LEDs
estão desligados, t - LED superior aceso, r - LED
direito aceso, b - LED inferior aceso, e l - LED
esquerdo aceso. Um circuito usando o microcontrolador PIC18F4550 é responsável por interpretar o comando vindo da porta USB para acender
o LED corretamente.
Um processo de realimentação similar foi implementado na cadeira de rodas robótica, com
base em seu movimento. Ou seja, a percepção
do movimento da cadeira por parte do usuário
pode servir de motivação para o mesmo aumentar a sua concentração. O caractere enviado pela
porta USB é usado para movimentar a cadeira
para frente (t), para a esquerda (l ), para a direita
(r ), ou pará-la (t ou s).
3
Figura 4: Cadeira de rodas robótica utilizada.
A ICC-SSVEP desenvolvida também foi implementada na cadeira de rodas robótica usando
ISSN: 2175-8905 - Vol. X
Resultados
Com base nos bons resultados obtidos com experimento offline (ver (Müller, Bastos-Filho e
Sarcinelli-Filho, 2010)), os sinais de EEG do primeiro experimento online descrito na Seção 2.1
214
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
Tabela 1: Matriz de confusão, TTI e Precisão do Classificador (PC) para o primeiro experimento.
C1
C2
C3
C4
C1
C2
C3
C4
Vol15
CX
C1
C2
0%
73%
3%
0%
27%
73%
0%
0%
30%
0%
8%
3%
TTI: 40,3 bits/min
C3
C4
0%
24%
0%
0%
68%
3%
19%
70%
PC: 71%
Vol21
CX
C1
C2
0%
81%
0%
0%
30%
70%
0%
0%
27%
0%
8%
3%
TTI: 42,0 bits/min
C3
C4
0%
19%
0%
0%
73%
0%
27%
62%
PC: 72%
Vol25
CX
C1
C2
0%
78%
5%
0%
16%
81%
0%
0%
24%
0%
3%
8%
TTI: 49,5 bits/min
C3
C4
3%
14%
0%
3%
76%
0%
22%
68%
PC: 76%
Vol28
CX
C1
C2
0%
81%
0%
0%
30%
70%
0%
0%
27%
0%
5%
0%
TTI: 43,8 bits/min
C3
C4
3%
16%
0%
0%
73%
0%
27%
68%
PC: 73%
(sem realimentação) foram utilizados com intervalos de análise de 4 s com sobreposição de 3
s, cujos resultados são apresentados na Tabela
1. Um estudo usando outros valores de intervalo
de tempo para o processo de análise foi desenvolvido em (Müller, de Sá, Bastos-Filho e SarcinelliFilho, 2011).
Devido ao bom desempenho obtido no primeiro experimento, o segundo experimento foi
implementado usando a biorrealimentação visual.
Os voluntários Vol1 e Vol10 apresentaram taxas
de acerto de aproximadamente 60% e 70%, provavelmente porque eles não se adaptaram aos valores das frequências de estı́mulo. O outro voluntário, Vol28, apresentou taxa de acerto de aproximadamente 100%. Para esse voluntário, a taxa
de acerto mudava de acordo com sua concentração sobre o estı́mulo. Mais ainda, este voluntário conseguia realizar uma conversação com uma
pessoa próxima a ele e a realimentação visual se
responsabilizou pelo aviso da possı́vel perda de
concentração. Portanto, este experimento mostrou que a biorrealimentação é importante para
melhorar o desempenho da ICC. Um estudo mais
aprofundado sobre a influência do uso da biorealimentação é apresentado em (Müller, Bastos-Filho
e Sarcinelli-Filho, 2011).
Em seguida, a ICC foi instalada no mini-ITX
localizado a bordo da cadeira de rodas. Apenas o
voluntário Vol1 utilizou esse sistema ilustrado na
Figura 6. No uso da cadeira de rodas robótica pelo
voluntário, não foi feita uma medida da taxa de
acerto ou da TTI, mas o mesmo conseguiu guiar a
cadeira de rodas robótica por todo o laboratório.
4
Conclusões
Este trabalho apresentou o desenvolvimento de
uma ICC-SSVEP prática. Este desenvolvimento
foi dividido em algumas etapas que são importantes para a operação eficiente da ICC. Desde o protocolo de aquisição do sinal de EEG até a etapa
de processamento, é importante ter em mente que
todas essas etapas têm que ser simplificadas para
se obter um bom desempenho. Uma interface grá-
ISSN: 2175-8905 - Vol. X
Figura 6: Usando a ICC-SSVEP para comandar
uma cadeira de rodas robótica.
fica também é importante para a interação com o
usuário, interação essa que é essencial e que foi
complementada pelo uso de uma biorrealimentação visual. Este trabalho mostrou que a realimentação é importante em uma ICC-SSVEP para a
melhoria do seu desempenho e para sua implementação prática. Todas essas considerações levaram
a uma ICC-SSVEP apta a comandar uma cadeira
de rodas robótica.
Como continuação deste trabalho, o sistema
será testado com mais voluntários, incluindo aqueles com deficiência.
Referências
Cheng, M., Gao, X. e Xu, D. (2002). Design and implementation of a brain-computer interface with
high transfer rates, IEEE Transactions on Biomedical Engineering 49(10): 1181–1186.
215
X SBAI – Simpósio Brasileiro de Automação Inteligente
18 a 21 de setembro de 2011
São João del-Rei - MG - Brasil
de Sá, A. M. F. L. M., Cagy, M., Lazarev, V. V. e
Infantosi, A. F. C. (2006). Spectral F-test power
evaluation in the EEG during intermittent photic
stimulation, Arq. Neuropsiquiatr. 64: 228–232.
del R. Millan, J., Galán, F., Vanhooydonck, D., Lew,
E., Philips, J. e Nuttin, M. (2009). Asynchronous
non-invasive brain-actuated control of an intelliget wheelchair, Proc. of 31st Annual International Conference of the IEEE Engineering in Medicine and Biology Society pp. 3361–3364.
del R. Millan, J., Rupp, R., Müller-Putz, G. R.,
Murray-Smith, R., Giugliema, C., Tangermann,
M., Vidaurre, C., Cincotti, F., Kübler, A., Leeb,
R., Neuper, C., Müller, K. R. e Mattia, D. (2010).
Combining brain-computer interfaces and assistive technologies: State-of-the-art and challenges, Frontiers in Neuroscience 4: 161.
Ebrahimi, T., Vesin, J.-M. e Garcia, G. (2003). Brain
computer interfaces in multimedia communication, IEEE Signal Processing Magazine .
Ferreira, A., Celeste, W. C., Cheein, F. A., Filho, T.
F. B., Filho, M. S. e Carelli, R. (2008). Humanmachine interfaces based on emg and eeg applied
to robotic systems, Journal of NeuroEngineering
and Rehabilitation 5: 1–15.
Friman, O., Lüsth, T., Volosyak, I. e Gräser, A.
(2007). Spelling with steady state visual evoked
potentials, Proceedings of the 3rd International
IEEE EMBS Conference on Neural Engineering
pp. 354–357.
Liavas, A. P., Moustakides, G. V., Henning, G., Psarakis, E. Z. e Husar, P. (1998). A periodogrambased method for the detection of steady-state
visually evoked potentials, IEEE Transactions on
Biomedical Engineering 45(2): 242–248.
Martinez, P., Bakardjan, H. e Cichocki, A. (2007).
Fully online multicommand brain-computer interface with visual neurofeedback using SSVEP
paradigm, Computational intelligence and neuroscience p. 9 pages.
Muller-Putz, G. R., Scherer, R., Pfurtscheller, G. e
Rupp, R. (2005). EEG-based neuroprosthesis
control: a step towards clinical practice, Neuroscience Letters 382: 169–174.
Müller, S. M. T., Bastos-Filho, T. F. e SarcinelliFilho, M. (2010). Incremental SSVEP analysis for BCI implementation, Proceedings of 32nd
Annual International Conference of the IEEE
EMBS pp. 3333–3336.
Müller, S. M. T., Bastos-Filho, T. F. e Sarcinelli-Filho,
M. (2011). Minimizing the number of electrodes
in a SSVEP-BCI, Submitted in IEEE Intelligent
Sytems .
Muller, S. M. T., Celeste, W. C., Bastos-Filho, T. F. e
Sarcinelli-Filho, M. (2010). Proposal of a braincomputer interface based on visual evoked potentials to command an autonomous robotic wheelchair, Journal of Medical and Biological Engineering 30(6): 407–416.
Friman, O., Volosyak, I. e Gräser, A. (2007). Multiple channel detection of steady state visual
evoked potentials for brain-computer interfaces,
IEEE Transactions on Biomedical Engineering
54(4): 742–750.
Müller, S. M. T., de Sá, A. M. F. L. M., Bastos-Filho,
T. F. e Sarcinelli-Filho, M. (2011). Spectral techniques for incremental SSVEP analysis applied
to a BCI implementation, Accepted in V Latin
American Congress on Biomedical Engineering .
Guger, C., Daban, S., Sellers, E., Holzner, C., Krausz,
G., Carabalona, R., Gramatica, F. e Edlinger,
G. (2009). How many people are able to control
a P300-based brain-computer interface (BCI)?,
Neuroscience Letters 462: 94–98.
Nijholt, A., Tan, D., Allison, B., del R. Millán, J.,
Jackson, M. M. e Graimann, B. (2008). Braincomputer interfaces for HCI and games, Proc.
ACM CHI 2008 pp. 3925–3928.
Guger, C., Edlinger, G., Harkam, W., Niedermayer,
I. e Pfurtscheller, G. (2003). How many people are able to operate an EEG-based braincomputer interface (BCI)?, IEEE Transactions
on Neural Systems and Rehabilitation Engineering 11(2): 145–147.
Karim, A. A., Hinterberger, T., Richter, J., Mellinger,
J., Neumann, N., Flor, H., Kübler, A. e Birbaumer, N. (2006). Web surfing with brain potentials
for the completely paralyzed, Neurorehabilitation
and Neural Repair 20.
Lalor, E. C., Kelly, S. P., Finucane, C., Burke, R.,
Smith, R., Reilly, R. B. e G.McDarby (2005).
Steady-state VEP-based brain-computer interface control in an immersive 3D gaming environment, EURASIP Journal on Applied Signal
Processing 19: 3156–3164.
Vialatte, F.-B., Maurice, M., Dauwels, J. e Cichocki,
A. (2010). Steady-state visually evoked potentials: Focus on essential paradigms and future
perspectives, Progress in Neurobiology 90: 418–
438.
Wang, Y., Wang, R., Gao, X., Hong, B. e Gao, S.
(2006). A practical VEP-based brain-computer
interface, IEEE Transactions on Neural Systems
and Rehabilitation Engineering 14(2): 234–239.
Wolpaw, J., Birbaumer, N., McFarland, D., Pfurtscheller, G. e Vaughan, T. (2002). Brain-computer
interfaces for communication and control, Clin.
Neurophysiol. 113: 767–791.
Leeb, R., Lee, F., Keinrath, C., Scherer, R., Bischof,
H. e Pfurtscheller, G. (2007). Brain computer
communication: Motivation, aim, and impact of
exploring a virtual apartment, IEEE Transactions on Neural Systems and Rehabilitation Engineering 15(4): 473–482.
ISSN: 2175-8905 - Vol. X
216