“BCI” için sonuçlar
3 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Beyin-Bilgisayar Arayüzleri için Yeni Yapay Zeka Aracı: BCI-sift
Araştırmacılar, beyin-bilgisayar arayüzlerinin (BCI) performansını artırmak için BCI-sift adlı yeni bir Python tabanlı araç geliştirdi. Bu sistem, beyin sinyallerindeki gürültülü ve karmaşık veriler arasından en önemli özellikleri otomatik olarak seçerek makine öğrenmesi algoritmalarının daha doğru çalışmasını sağlıyor. Araç, sensorimotor kortekse yerleştirilen 64-128 elektrotla sekiz katılımcının konuşma verilerini analiz ederek test edildi. BCI-sift, scikit-learn ile uyumlu yapısı sayesinde farklı optimizasyon yöntemlerini entegre ediyor ve klinisyenlerin BCI uygulamalarında daha güvenilir sonuçlar elde etmesine yardımcı oluyor. Bu gelişme, felçli hastaların düşünce gücüyle cihazları kontrol etmesini sağlayan teknolojilerin ilerlemesinde önemli bir adım.
Beyin-bilgisayar arayüzlerinde yeni dönem: Hareket tabanlı görsel uyarım
Araştırmacılar, beyin-bilgisayar arayüzü teknolojisinde çığır açabilecek yeni bir yöntem geliştirdi. Geleneksel yanıp sönen ışık stimülasyonu yerine hareket tabanlı görsel uyarım kullanan bu sistem, kod modülasyonlu hareket görsel uyarılmış potansiyeller (c-MVEP) adını taşıyor. Çalışmada, pseudo-rastgele diziler kullanılarak nesnelerin hareket ettirilerek beyin aktivitesinin stimüle edilmesi sağlanıyor. EEG kayıtları üzerinde yapılan karşılaştırmalarda, yeni yöntemin mevcut flickering tabanlı sistemlerle benzer performans gösterdiği, ancak daha düşük frekans aralığında odaklandığı tespit edildi. Bu gelişme, özellikle ışık hassasiyeti olan kullanıcılar için beyin-bilgisayar arayüzü teknolojilerinin daha konforlu hale gelmesini sağlayabilir.
Beyin-bilgisayar arayüzlerinde düşünceyle kontrol artık daha hassas
Araştırmacılar, motor hayal gücü tabanlı beyin-bilgisayar arayüzlerinde (MI-BCI) daha hassas kontrol sağlayan yeni bir yöntem geliştirdi. Bu teknoloji, felçli hastaların düşünceleriyle protez uzuv veya bilgisayar kontrolü sağlamasında kullanılıyor. Mevcut sistemlerin en büyük sorunu, her bireyin beyin sinyallerinin farklı olması ve bu nedenle sistemin kişiye özel ayarlanması gerektiği. Yeni yaklaşım, beyin dalgalarının farklı frekans bantlarını kişiye özel olarak seçmek için fonksiyonel bağlanırlık analizi kullanıyor. Bu sayede sistem, her kullanıcının benzersiz beyin ritimlerini daha iyi tanıyor ve motor hayal gücü sinyallerini daha doğru çözümleyebiliyor. Geliştirilen yöntem, geleneksel Filter Bank Common Spatial Pattern algoritmasını geliştirerek, önceden tanımlanmış frekans bantları yerine fizyolojik kriterlere dayalı seçim yapıyor.