Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
An Adaptive Human Brain to ComputerInterface System for Robotic or Wheel-Chair based Navigational Tasks
KTH, School of Industrial Engineering and Management (ITM), Machine Design (Dept.).
2012 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Ett adaptivt gränssnitt mellan hjärna ochdatorsystem för navigering av robot ellerrullstol (Swedish)
Abstract [sv]

Ett av flera huvudsyften med ett gränssnitt mellan hjärna och datorer är att förbättralivskvaliteten för förlamade personer. I tidigare studier har betydande ansträngningar gjorts föratt känna igen en användares avsikter. Dock finns inga tidigare studier som visar varför detta ärviktigt. De system som idag ligger i framkant gällande gränssnittet mellan hjärna och dator hardessvärre låg bandbredd vilket leder till en hög kognitiv belastning på användaren. Ett gränssnittmellan hjärna och dator som är designat med dynamisk anpassning kan minska ansträngningensom krävs av användaren för att använda systemet samt ge denna en förkroppsligande känsla.Utgående för detta försöker denna rapport att utveckla ett intelligent system för gränssnittetmellan hjärna och användare. Detta system baseras på lärandet av en användares beteende samtatt förutspå användarens intention när det kommer till att navigera en semiautonom robot. Vidarehar arbete lagts på att modellera en användare samt att bygga en robot för att träna denutvecklade algoritmen. Simulerade tester av den utvecklade algoritmen bekräftar möjligheternaatt använda ett sådant användare anpassat system för interaktionen mellan hjärna och dator.Även med en adaptiv gränssnitt mellan hjärna och dator så är systemet utsatt för fel på grund avfelaktig klassificering av användarens avsikt. Detta fel kan leda till felaktigt beteende hos enrobot eller felaktig förflyttning av en rullstol för en funktionshindrad person. Flera fysiologiskastudier har visat att fel-relaterade potentialer framkallas i hjärnan när ett fel begås av ett systemsom agerar som gränssnitt mellan människa och maskin. Erkännande av fel-relaterade potentialeri de inspelade elektroencefalografi data kan utnyttjas för att förhindra felfortplantning tillgenomförande och därmed fungera som en kontrollmekanism för att känna igen användarensintention. Således i den sista delen fokuserar denna uppsats på att utveckla en klassificerare fördetektering av fel-relaterade potentialer genom användning av Support Vector Machine ochresultatet visar jämförbar klassificerings prestanda för Support Vector Machine som för de bästaGauss klassificerare.

Abstract [en]

Among several, one of the main goals of Brain-computer interface (BCI) system is to improvethe quality of life for paralyzed persons. While significant effort has been made to recognize userintention, the necessity of predicting user intention in the context of BCI for navigational tasks todesign a dynamic interface, has not been addressed yet. State-of-the-art BCI system has lowbandwidth because of which the user is subjected to much cognitive or interaction load. Howevera BCI system designed with dynamic customization feature to adapt as per individual user,would indeed reduce the interaction load and provide embodiment feeling to the user. Thereforethis thesis attempts to develop an intelligent BCI system based on reinforcement learningapproach to learn the user behaviour and predict the intentions in the context of a semiautonomousrobotic navigational task.In addition, an effort has also been made towards modeling a user or to build an agent, in orderto train the developed algorithm. Simulated testing of the developed algorithm confirms thepotential of using such a user adapted brain-computer interface system.Even with an adaptive brain-computer interface, the system is prone to errors due tomisclassification of the user's intention. Propagation of this classification error could lead towrong execution of a robotic avatar or movement of a wheel-chair in use by a paralyzed person.Several physiological studies have shown that error-related potentials are elicited in the brainwhen an error is committed by the BCI system. Recognition of error-related potentials in theElectroencephalography recorded data could be exploited to prevent error propagation tillexecution and hence act as a verification mechanism for the classifier devoted for recognizinguser intention in the context of BCIs. Thus in the last part, this thesis focuses on developing aclassifier for detection of error-related potentials using Support Vector Machine and the resultshows comparable classification performance of Support Vector Machine to that of state-of-theartclassifiers such as Gaussian classifier and Bayesian filter method.

Place, publisher, year, edition, pages
2012. , 51 p.
Series
MMK 2012:75 MDA 445
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-142603OAI: oai:DiVA.org:kth-142603DiVA: diva2:703583
Supervisors
Examiners
Available from: 2015-03-27 Created: 2014-03-07 Last updated: 2015-03-27Bibliographically approved

Open Access in DiVA

fulltext(1139 kB)125 downloads
File information
File name FULLTEXT01.pdfFile size 1139 kBChecksum SHA-512
a1ef3bb74334257bd27d7dc83b05edd5b45a2fe86cee47b4db7f9d7fb501d49659e20db66d51c9b4d39f049f238ba7170383dfe66dbe4e419c66c79dd73e0fad
Type fulltextMimetype application/pdf

By organisation
Machine Design (Dept.)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 125 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 342 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf