Please enable JavaScript.

Coggle requires JavaScript to display documents.

Brain Powered 2022-2023 - Coggle Diagram

- - - - beta power
      - alfa power
      - alpha/beta ratio
    - - Exp 1
        
        motor imagery
        
        linkerhand, rechterhand, beide handen naar je toe, beide handen van je af, rust
      - Exp 2
        
        concentreren vs. ontspannen
    - - verwerking
        
        handmatig berekenen
        
        machine learning
        
        logistic regression
        
        neural networks
      - meten
        
        EEG (power van alfa en beta band)
    - - Exp 1:
        
        manual analysis
        
        no differences in alhpa/beta power between conditions or electrodes. But: alhpa always higher than beta -> relaxed participants?
        
        Ook onverwacht: alpha/beta ratio hoger in linker electrodes op individueel niveau. Hand dominantie? Verstoort drone besturen? Moet verder onderzocht worden
        
        Verklaringen niet verwachte resultaten gekregen: motor imagery taak misschien niet intenstief genoeg, of juist te moeilijk, instructies niet bij iedereen hetzeldfe begrepen, geen feedback gegeven
        
        automatic processing
      - Exp 2: no results????
      - Advies
        
        Motor imagery moet beter onderzocht worden om een betere taak te maken!!!
        
        Betere taak voor beta opscillations maken (zoals aandachtseisend spel)
        
        Andere machine learning technieken die beter met weinig/periodieke data kunnen omgaan (zoals convolutional neural networks of wavelet feature extraction)
  - - - Motor imagery
        
        Exp 1`:
        
        Exp 2:
        
        Exp 3:
    - - Classificatie
        
        k-Nearest-Neighbor
        
        treshhold = 0.8
      - EEG
    - - alpha band beste distinguisability
      - tong niet bruikbaar
      - handen goed van elkaar te onderscheiden, voeten niet
  - - - weet ik niet precies
    - - covert aandacht verleggen links rechts oscillateis vergelijken
    - - kNN with 2 commands: 78% accuracy, met raw data
    - - Volgens het 2019 report was de data van 2018 niet goed!!!
  - - - speech imiagery
        
        ba en ku op ritme
      - direction imagery
        
        left, right, straight ahead
      - visual image imagery
        
        faces, extreme sports, natural images
      - motor imagery
        
        wiggling their left toes, right toes, left fingers, right fingers and all their toes and fingers
      - alpha oscillations in occipital crtex paradigm
        
        tochj niet gedaan want leek niet praktisch
    - - meten
        
        EEG
      - (pre)processing
        
        independent component analsysi
      - classification
        
        linear discriminant analysis
        
        k nearest neighborus
        
        neural networks
      - feature extraction
        
        fourier transform
    - - kNN én NN: low accuracy (33%)
      - Wilde 2018 met hoge accuracy in raw data nadoen maar dan met preprocessing
        
        Repliceerde later exact 2018 met hun data en code, maar vond geen hoge accuracy??
        
        Persoon van BP 2018 gecontacteerd -> bleek dat de code niet goed was -> 4 labels omzetten in 2 zorgde ervoor dat 25% van de data in label 1 zat en 75% van de data in label 2 -> biased machine learning!!!!
    - - wilde 2018 verbetren, maar vond fout in 2018 implementatie?
      - volgens hun etere (pre)processing en classification gebruikt dan in 2018
      - volgens hen had 2018 promising kNN results met binaire classificatie
  - - - Motor imagery
        
        Linkerhand, rechterkant, beide handen
      - Motor movement
        
        Linkerhand, rechterkant, beide handen, tong
        
        Knipperen, oogbewegingen & fronzen
      - Op flikkerende cirkel focussen (voor SSVEP)
    - - Sommige alleen getest, niet gekozen
        
        P300 component
        
        Res: niet gevonden
        
        Oscillations
        
        Res: theta phase lock niet gevonden
        
        Li et al (2011): best classifier is phase difference in delta oscillations in temp & par cortex
        
        EOG spikes
      - 2 gekozen
        
        SSVEP
        
        frequentie in visuele gebieden opgewekt door cirkels (corresponderend met drone richting) te laten knipperen in verschillende frequenties
        
        Res: normaal verdeeld + significant anders dan kansnieveau
        
        meten als power van iedere band (relatief tov baseline)
        
        blinks
        
        res: niet normaal verdeeld & niet significant anders dan kansniveau
    - - Meettechnieken
        
        EEG
        
        ERP
      - Programmering
        
        Fourrier transformation
        
        Power ratios
    - - SSVEPs significant anders dan kansniveau
      - SSVEPs beste parameters want minste variability inter en inta persoon
      - motor imagery taken vereisten teveel training
      - blinking niet gelukt?
- - - - Resultaten/conclusies
        
        Besturen lijkt gelukt te zijn
        
        zie video
      - Parameters
        
        P300
      - Taken
        
        P300 experimental paradigm
        
        op visuele cues focussen
        
        zelf kiezen welke afbeelding of niet? niet duidelijk
        
        er staat 'that s/he wants to be executed by the drone'
        
        wanneer geselecteerd -> afbeelding wordt groot -> commando naar drone
        
        celebrity images tussendoor (Waarom?)
        
        video feedback
      - Technieken
        
        EEG/ERP
        
        8 elektroden
        
        parietaal/occipitaal
        
        Fz, Cz, P3, Pz, P4, PO7, PO8, Oz
        
        classification = Linear Discriminant Analysis
        
        2 laptops
        
        commando geselecteerd op laptop 1 met taak -> commando sturen via Unshie;ded Twisted Pair (UTP) kabel -> laptop 2 leest -> stuurt signaal door naar drone via wireless connection
        
        Unicorn Speller
        
        om experimental paradigm te maken
        
        ook om signaal te filteren
        
        scaling, bandpass, notch
        
        feature extraction; calculation average of p300 amplitude?
        
        90% of results for training, 10% for testing
      - Aantekeningen
        
        Ik snap niet helemaal hoe de taak in elkaar zit (hoe je vrijwillig de drone bestuurt) maar het ziet er veelbelovend uit
        
        VAE, military purposes
        
        niet zo goed geschreven
        
        helemaal gelezen
      - (https://ieeexplore.ieee.org/document/9154926/authors#authors)
    - - parameters
      - resultaten/conclusies
        
        mi training
        
        8/10 participants boven 75% accuracy
        
        de drie beste hadden 95 95 en 100 %
        
        ssvep offline data analysis
        
        uit FFT blijkt: significante piek bij corresponderende frequenties
        
        threshold setting
        
        MI-reference correlate: correlatie coefficient onder 0.5 op 1x na)
        
        SSVEP-reference correlatie: correlatie coefficient boven 0.5 (op 1x na)
        
        daarom: threshold is op 0.5 gezet
        
        wheelchair experiment
        
        sommige participants lukte alles, sommigen 'had a scratch' bij doorgang/obstakels, 1 persoon had de helft goed maar de heflt gebosts, 1 persoon had de helft goed maar kreeg een steering error tijdens obstacle avoidance (mechanical flaw of wheelchair control system)
        
        subjective measures
        
        go straight: 9.3+-10, turning: 7.5+-1.2, overall control multi vergeleken met MI 9.6+-05, vergeleken met SSVEP 9+-0.5
        
        MI hogere control vanwege capacity of continous control
        
        vergelijking met single modal bcis
        
        hun eerdere konderzoek (zhang et al): rolstoel aansturen met ssvep
        
        taak 1 (rechtdoor) lukt dan goed
        
        maar taak 3 en 4 (met contonously draaien) niet, ookal is ssvep secogntion accuracy hoog, want subjects konden niet de draai graad goed bepalen
        
        later in experiment werd classification accuracy minder door visual fatigue
        
        online experiment av acc 70.94&, itr 130 bit/min
        
        discussie
        
        lukte de meeste patienten met deze multi modal bci een rolstoel te besturen (ik ben er nog wel skeptoisch over. bv ove rhun meetwaarden. hoe test je dat het gelukt is??? als het al lukte hoe is dat The Cell artikel dat relevant?)
        
        moeilijke taak. blijkbaar ook met joystick moeilijk
        
        uit evaluatie bleek: bci systeem is robuust, alle subjects well adaptes
        
        ITR: gebaseerdop time used en c of control commands, system outputs control every 1.5 s
        
        vergelijken met single modal bci, heeft dit systeem advantages -> betere efficiency
        
        overlap mi en ssvep frequenties?
        
        stimulation frequency voor ssvep kan gekozen worden uti 1-100 Hz. significante spextrum peaks gevonden in 4-30 hz. mi relevantie frequenties zijn relatief laag (mu 8-13, beta 13-30). therefore stimulation frequency slsectrd by ssytem is ni 25-30 hz for cldear peaks in ssvep signal , small overlap mi signal frequencies
        
        threshold van p.5 is feasible
        
        want met 240 experimenten met 8 personen is de mi-reference correlation maar 1 keer over de 0.5 gegaan
        
        toekomst: aantal commands expanden door bv command te genereren op completion van every two tasks
      - aantekeningen
        
        inleiding
        
        paar BCI's met alleen MI of alleen SSVEP zijn al gemaakt
        
        maar MI heeft als limiet dat er maar weinig commandos uit gehaald kunnen worden
        
        en SSVEP heeft als limiet dat het alleen discrete commands kan geven
        
        maar heeft wel higher information transfer rate (ITR)
        
        eo
        
        li et al: p300 en ssvep gecombineerd, control/idle states, go.stop als p30 en ssvep in dezelfde button groep???
        
        huang et al: MI en EOG om integrates system te controllen
        
        pfurtscheller et al: MI switch om SSVEP aan/uit te zetten
        
        horki et al duan et al: mi en ssvep voor control engineering
        
        zhang et al: asynchrone ssvep bci met 93% acuracy, further improvement om tussen 0 en 90 graden te kunnen draaien?
        
        niet applied to multi dimenstional control
        
        challenge voor bci om apparaten te besturen die hoge nauwkeurigheid en continious control vereisen
        
        methoden
        
        veel formules, niet veel begrepen erval
        
        heel snel geskimd
        
        beetje slecht geschreven. wat zijn de parameters bv?
      - taken
        
        offline taken om data te halen om te trainen
        
        SSVEP
        
        6 commands: start, forward, back, stop, turn on/off lights, whistle
        
        focussen op ssvep stimulation panel
        
        MI
        
        wheelchair aansturen links en rechts
        
        linker/rechter hand
        
        online taak om te testen
        
        wheelchair aansturen in complexe omgeving
        
        4 onderdelen/taken
        
        taak 1: rechtdoor in gang
        
        taak 2: door doorgang na linker turn
        
        taak 3: obstakels vermijden in kamer
        
        taak 4: om obstakeld heen draaien (stoel en tafel)
        
        achteraf vragenlijst
        
        raten: ability om wheelchair recht te besturen met SSVEP. ability om te draaien met MI, control capacity van multi modal vergelijken met singe MI en single SSVEP BCI
      - technieken
        
        multi-modal BCI
        
        switchen met treshold discrminiation
        
        om meer commands te kunnen hebben
        
        threshold gebaseerd op data analyse van offline experimenten
        
        threshold staat basically voor bestaan van SSVEP. CCA wordt gerund over MI en SSVEP data met de geconstruderde 6 types SSVEP reference signalen. correlatie coefficient tussen SSVEP/MI data en referentie SSVEP frequenties sinusoides wordt berekend.
        
        MI: elke subject 3 trials, 10 comparisons
        
        SSVEP: elke subject 3 trials, 6 comparisons
        
        gebruiken om te switcen tijdens online experiment: grootste correlation coefficient tussen current eeg en ssvep refence signals wordt berekend met caconical correlation analysis (CCA)
        
        als de grootste correlation coefficient minder is dan de thesrhold, dan wordt MI signaal classificatie gedaan, zo niet dan wordt aangenomen dat de gebruiker focusst op de SSVEp panel en dan wordt SSVEP classification uitgevoerd
        
        handig figuurtje uit artikel dat ik hier kan plakken (vpn doet t ff niet)
        
        MI en SSVEP
        
        electric wheelchair
        
        draaien met MI
        
        andere commands met SSVEP
        
        feature extraction
        
        MI
        
        discriminative fitler banbk common spatial pattern (DFBCSP)
        
        handig figuurtje om werking te laten zien, en stukje tekst erbij ook nuttig
        
        SSVEP
        
        FFT
        
        classification
        
        SSVEP
        
        filter bank canonical correlation analysis (FBCCA)
        
        stappen: 1. filte rbank analsysi 2. cca tussen ssvep subband compoenents en sinusoide refernece signalen 3. target indintification
        
        MI
        
        offline model training -> online classification process
        
        hybrid kernel function relevance vector machine (HKF-RVM)
        
        accuracy MI moet minimaal 75% zijn om naar echte taak te mogen
        
        want p moet 0.05 voor significant, en met 8 sessies is dat 0/05=0.00625, en met een formule berkenen ze dan dat ze van de 20 trials per sessie er meer dan 14 goed moeten hebben om p=0.00625 te berkenen (kon toch ook simpeler? 75% van 20 is 15?)
    - - taken
        
        testen met 2 taken, 1 simpele en 1 complexe
        
        Motor imagery én SSVEP
        
        MI voor links & rechts en SSVEP voor rise and fall (eye blinking voor switchen tussen modes)
        
        motor imagery
        
        voor links/rechts
        
        SSVEP
        
        voor rise/fall
        
        blinking
        
        voor mode switch
      - technieken
        
        CICSP (complete information commson spatial pattern)
        
        voor 2 MI features
        
        specifiek: ERD/ERS patronen?
        
        CCA (canonical correlation analysis)
        
        voor de SSVEPs
        
        counting peak method within each eeg data block
        
        eye blinking
      - resultaten/conclusies
        
        bij complete taak wel 86.5% accuracy
        
        multi modal BCI (zoals deze) zorgen voor betere accuracy, minder task burden, en betere performance van BCI in real world
        
        resultaten calibration phase
        
        average correct recogntion
        
        SSVEP: 83.44%
        
        MI: 80.45%
        
        eye blinking 99.07%
        
        success rate entire task: 87.65
        
        bester resulaten 90-nogwattes
        
        slechtste resultaten (kansniveau) komen van dezelfde participant die 'incapable of bci aaproach' bleek te zijn?
        
        Zowel met CSP ans CICSP geprobeerd, CICSP was beter! (ook significante t test tussen de 2)
        
        beste 5 participants (met minimaal 80% bij alle 3 de modes) hadden 92% voor SSVEP, 90% voor MI en 99% voor eye blinking, entire task 94%
        
        resultaten actual environment
        
        alleen de beste 5 participants
        
        simple flight task
        
        average percetage task corect: 92%, 2 participants hadden 100%A
        
        2 participants hadden 100% accuracy
        
        voor vergelijking BCI control en cmmon approach of control en baseline: 2 andere experimenten met een remote controller zonder user intent, pv bci
        
        setup
        
        bestuurd ander persoon met ervaring maar zonder proficiency
        
        complexe taak
        
        maximum rise and fall speeds gelijk aan met bci, max speed hortixzontal direction ook gelijk aan die van bci
        
        alle beweging richtingen nhortizontal mogelijk zodat niet aleen 2 actuaties
        
        baseline level om te meten in hoeverre de subjects performace te verkalren is door succes van bci systeem
        
        participant moest fake fedback video kijken en niet de taken utivoeren
        
        bci opgezet zoals normaal
        
        eeg opgenomen
        
        note: slechte performance kan niet door eeg of noise want...?
        
        complex task
        
        'subjecst were succesful in achieving accurate control of teh quadcopter in the actual environment'
        
        ptc (percentage task correct):
        
        van 5 participants gemiddeld: 86.5%
        
        remote control: 100%
        
        baseline: 2.5%
        
        dus: proefpersonen maar beetje later dan remote, en veeeeel hoger dan baseline
        
        beste subject: 97.5%, 39 gates, ook het sneltst
        
        slechtes subject: 27 gates, was ok het slechts bij calbratie. deed er ook langer over
        
        omdat het langer duurde -> frustratie -> slechtere performance
        
        tijd 2,5 xo lang met proefpersonen dan met remore control (0.80 vs 0.32 min), maar wel vele sneller dan baseline (20 min)
        
        ouy of boundaries per uinit time (OBUT) was 0.06, ver onder baseline
        
        ITR (infro transfer rate) 1.69 voor participants en 3.69 voor remote control
        
        itr voor bci was 18.8 hoger dan die vna baseline level
        
        indicatie dat de subjects intentioneel moeite dden om het EEG signaal de moduleren om de taak met succces te voltooien
        
        discussie
        
        doel van multi modal: meer control commands, minder task burden, betere recognition success rate
        
        gebruikers konden met succes een qaudcopter aansturen, naar target toe en obstakels vermijden, buiten, volgens een 'fixed view' (weet niet wat dat is)
        
        gebruik van eye blinking om modes te switchen was resultaat van 'careful consideration'
        
        eerst ander systeem: SSVEP mode en MI mode switchen door een treshold van SSVEP activatie
        
        activatie MI en SSVEO toch in a ndere hersengebieden dus zit erlkaar nte in de weg
        
        maar: LEDs moesten de hele tijd blijven knipperen. Leidt af!
        
        leidde tot meer buiten boundaries
        
        dus toch voor eye blinking switch gekozen
        
        2 more items...
        
        sommige subjects werden nerveus van drone geluid
        
        of van falen tijdens vliegen
        
        in de toekomst willzen ze meer commands
        
        door CICSp te gebruiken met multi class ERD/ERS
        
        en door meet flikkerende LEDs te gebruiken
        
        advantages compares with previous studies
        
        duan et al 2015 had humanoid robot bestuurd
        
        in simulatie: met 80%, lager dan onze 93.67
        
        in echt:73.3, lader dan PTC (86.5%)
        
        met behulp van visual servo module
        
        dit onderzoek alleen met eeg signalen
        
        wang et al 2018 gebruikte 4-class ssvep in VR om gesimuleerde quadcopter te besturen
        
        online accuracy: 78%, lader dan olveral accuracy rate van onze multi modal bci (86.5%)
        
        alleen gesimuleerd
        
        LaFleur bestuurde unitary MI mode om quadcopter aan te sturen
        
        average ITR was 1.16, lager dan die van hier (1.69)
        
        dus: deze multi modal bci kon 1. accuracy rate verbeteren, 2. mental burden verminderen 3. visual fatigue verminderen
      - aantekeningen
        
        inleiding
        
        fijne inleiding met uitleg ERD/ERS, SSVEP, P300
        
        bij sommige onderzoeken nog niet genoeg bciII
        
        cicsp ipv csp vanwege computational cost?
        
        multimodal zou minder mental burden en visual fatigue zijn
        
        dual task interference (simultaneous SSVEP stoort ERD taak, maar secondary ERD taak stoorrt SSVEP taak niet?)
        
        twee taken apart mer in lij met fysiologische basis
        
        veel voorbeeld onderzoeken genoemd met conbinatis MI/SSVEP/alhpa/blinking etc met afwiiselingen
        
        methoden niet gelezen
      - parameters
  - - - https://jusst.org/wp-content/uploads/2021/05/Drone-Control-Using-EEG-1.pdf
      - aantekeningen
        
        vet vaag artikel, nutteloos
        
        volgens mij door ki mensen geschreven want ze gaan niet dieper dan 'brain waves'.... heel erg simpele/basale beschrijving van hersenactiviteit....
      - review over 6 onderzoeken + voorstel oplossing
        
        "problem identified: realise the potential of the brain to human interface by which the effort humans have to take minimizes, upscaling the potential usage in biotic arms, artificial limbs, hormone control and body function control"
        
        OPMERKELIJK: artikelen 4 5 en 6 lijken in de abstract over een food supply chain te gaan, maar volgens de tabel gaan ze wel over drones. Ik kan ze ook niet online vinden?????
        
        Arote R, Nawale K, Shinde M, Bansode P A, Bhamare B, "Brainwave Controlled Wheelchair" (2017)
        
        abstract
        
        matlab en arduino gebruikt
        
        matlab om signals van sensors te receiven en procesen en input commands te setten
        
        dan via arduino naar harware base gestuurd
        
        harware sodfrware connectie met rf transmitter en receiver
        
        beide sensoren (neurosky en accelerometer) connected met 2 arduino boards voor betere wired communicatie
        
        2 sensors
        
        accelerometer
        
        direction of wheelchair
        
        neurosky
        
        phase sensor?
        
        electrode op frontal lobe en een ground op achter oor?
        
        neurosky
        
        eeg
        
        Mukhopadhyay S "Prosthetic arm Controller Based on Brainwaves Spectrum EEG Sensor (2014)"
        
        abstract
        
        parrton mkini drone en emnotiv insight bci
        
        onderzoek bestaat uit wiskunde modellen en numerical simulation van dron en bci
        
        twee ubiquitous elementen interconnected
        
        brain-computer interface (BCI) gekoze
        
        mens-machine itneractie zodner elemten te bewegen
        
        unconventional man-machine interfaces
        
        drones
        
        veelvoorkomend en veel geintergreerd in verschillende velden
        
        Zhou L, Li F "Brain Controlled Robot Car" (2014)
        
        tabel
        
        matlab,labview
        
        'brain signals respons to take move while concentration leads to accelration'
        
        tabelbluetooth for robot car
        
        neurosky
        
        mediation, attention, eyeblink
        
        arduino
        
        abstract
        
        grand average classification accuracy hoger dan kansniveau
        
        dus feasability
        
        basic mcahine learning algorithm
        
        4 scenario's
        
        eeg
        
        drone cwart conrtol simulator environment
        
        visual imagery paradigm
        
        drone swarm control, brain-swarm interface system
        
        Prasewar S B, Polawar P P, Paul G V "Brain Wave Controlled Drone" (2015)
        
        tabel
        
        signalen verwerkt en gestuurd naar esc (electronic speed controller)
        
        bluetooth nar dreon
        
        conditioning circuit om analoge signalen om te zetten
        
        electrodes on frontal part of scalp
        
        abstract
        
        Dit is echt het meest random stukje tekst dat ik ben tegengekomen tijdens BP. Het gaat niet eens over drones. Zou bijna denken dat dit de verkeerde abstract is
        
        electrodynamics web template, verdeling reations van kersosine, rijst, graan etc in stad en land gebieden gecheckt, gemonitord, gecontroleerd, corrputtie tegengaan
        
        computerisatie van food grain supply chain
        
        discussieert stragetie van ict gebruiken om diversion the controllen en peakage in delivery system tegen te gaan
        
        armere staten hebben policies aangepast
        
        souterhn states hebben er veel werk in verricht
        
        computerisatie goed voor pds
        
        samenvatting theoretisch en empirisch werk over corruptie tegen gaan
        
        e-gonverment om corruptie tegen te gaan
        
        Madur A N, Matte P N, "Drone Control based on Mental Commands and Facial Expressions" (2013)
        
        tabel
        
        via mgtt sturen naar raspbery pi
        
        eeg data processed met algoristmes
        
        python
        
        bluetooth
        
        rasperccy pi
        
        emotiv insight eeg
        
        drone
        
        abstract
        
        publieke voedselverdeling corrupt
        
        komt omdat pds systeem manual is
        
        voorstel: manual pds vervangen met smart pds at ration shop
        
        3 more items...
        
        daardoor eten niet naar arme mensen
        
        Valarmathy S, Ramani R, Selvaraju S, Ramachandran G "Controlling electrocal deviced with human brainwaves" (2013)
        
        tabel
        
        beta and gamma waves
        
        neurosky, raw signals, processing algorthms, microcontroller, relay
        
        abstract
        
        day ration card
        
        deze paper stelt automatic ration materials distribution based on gsm (global system for moblie) voor en rifd (radio frequency identification) technologie ipv ration cards
        
        automatisch zodner hulp van mensen
        
        heel belangrijk voor verschllende dingen
        
        address proof
        
        gas connection
        
        familei dertails
        
        two draw backs
        
        als materiaal neit aan het eind van de maand gekocht, verkcoht aan anderen zonder intimatie aan government of customers
        
        gewicht van materiaal kan inaccuraat zijn
        
        proposed system
        
        eeg headset -> desktop device -> flters -> desired type of signal -> machine learning model
        
        ml model getrained van tevoren
        
        subjects moeten focussen op command die ze willen geven
        
        ml model checkt output
        
        svm classifier beste optie voor deze type data
        
        10 subjects voor high efficiency
        
        data gestuurd naar aduino uno -> drone via bluetooth -> beweging gemaakt
        
        advantage: higher efficiency met meer geavanceerde ml en betere filters, zoveel noise eruit als omgelijk
        
        wireless, bluetooth
        
        objectives
        
        To reduce human effort, using automation.
        
        To demonstrate a downscaled application of BCI which can be used in various other
        
        fields which may revolutionise usage and scope of BCI.
        
        To allow hands free and easy control of the drone.
        
        To make a reliable and cost-effective solution for automation
        
        conclusion
        
        This paper includes the use of EEG waves for controlling a drone through BCI (Brainwaves)
        by using an Arduino. It is intended that this paper explains a person about the EEG waves
        and how to use them to control a drone with the help of a machine learning model and filters
        applied to the brainwaves, to achieve maximum efficiency.
        The future scope that the drone can be controlled more precisely using a commercial headset
        as it has more sensors and even by switching over to LABVIEW as a computer processing of
        the signals.
        Additionally, we can implement some more features like increasing the speed of the drone.
        This project can be integrated with better technologies to enhance the use of artificial limbs,
        various implants to improve their efficiency and performance
  - - - aantekeningen
        
        belangrijk punt van de auteurs: goede training door patient is erg belangrijk!!!!
        
        niet alleen goede training/lerproces, maar ook 'shared control' door gebruik te maken van robot intelligence (met een soort laser een map maken van de ruimte/objecten)
        
        ze zeggen dat bmi onderzoek meestal niet-verlamde patienten gebruikt en ook nooit longitiditaal is (dit onderzoek wel)
        
        "Here, we hypothesized that non-invasive BMI-controlled wheelchairs are mature for clinical translation and long-term usability by end-users if grounded on two pillars: mutual learning between user and decoder and the integration of robotic intelligence in the control loop."
        
        volgens hen is mutual learning wel als als belangirjk gezien maar robotic intelligence wordt verlaarloosd. Hier gaan ze robot en user intelligence koppelen door 'shared control' voor de complexe navigatie taak
        
        Uitzoeken: wat is 'shared control'??
        
        wat is het verschil tussen bmi decoding accuracy en feature discrimination?
        
        achterin staan nog veel details over wat ze met de data acquisitie en processing en taak details etc
        
        helemaal gelezen (op de method details in de appendix na) )(annabel)
        
        95-85% accuracy!!!!
      - https://www.cell.com/iscience/fulltext/S2589-0042(22)01690-X#%20
      - taken
        
        motor imagery
        
        beide handen = commando links, beide voeten = commando rechts
        
        paar maanden lang 3x per week trainen
        
        op het scherm was een soort autostuur die naar links/rechts draaide volgens de hersenactiviteit. Bij de training was er een pijltje te zien welke kant op gedacht moest worden
      - technieken
        
        "In this work, we demonstrate that three individuals affected by severe tetraplegia after spinal cord injury (SCI) learned to operate a self-paced sensorimotor rhythm (SMR)-based BMI to drive an intelligent robotic wheelchair in real-world scenarios with different degrees of proficiency."
        
        Wat is SMR???
        
        https://en.wikipedia.org/wiki/Sensorimotor_rhythm
        
        "SMR-golven zijn hersengolven die een frequentiebereik van 12 tot 16 Hz hebben en een indicatie voor het aanwezig zijn van fysieke rust en sensomotorische bewustzijn." - wiki
        
        Power spectral density
        
        pwelsh (fft maar dan genormalsierd)
        
        gaussian classifier
        
        Fischer score????
        
        canonical variate analysis
        
        ze kijken naar 'accuracy' bij de MI taak van de gaussian classifier over de sessies
        
        ze kijken ook naar feature discriminancy (hoe goed de hersenactiviteit dingen van elkaar te scheiden waren) over de sessies
        
        classifier accuracy en FD correleren significant!
        
        wijst op synaptische verandering (leerproces)?
        
        ze keken ook naar command latency die ze ook belangrijk vonden voor t bestruren van een rolstoel
        
        ze keken ook naar BMI control
      - parameters
        
        SMR
      - resultaten/conclusies
        
        alleen de 2 patienten die goed leerden (exhibiting increasing decoding performance and feature discriminancy, significant neuroplasticity changes and improved BMI command latency) hadden die hoge accuracy
        
        "dexterous, continuous control of robots is possible through low-degree of freedom, discrete and uncertain control channels like a motor imagery BMI, by blending human and artificial intelligence through shared-control methodologies"??
        
        "We posit that subject learning and shared-control are the key components paving the way for translational non-invasive BMI."
        
        decoding performance (accuracy) bij oefeningen/evaluaties MI sessies: accuracy ging bij participant 1 en 2 omhoog over de sessies heen. ookal had p3 een setback door introductie van een nieuwe decoder.feedback in sessie 7. Maar ging daarna weer wel omhoog. Accuracy van participant 2 nam niet toe gedurende de training, curve was flat, maar had net genoeg accuracy om de rolstoel te besturen?
        
        ze rapporteren decoder accuracy ook al inforamtion transfer rate maar ik weet niet wat dat is
        
        belangrijk is dat bij p1 en p3 veranderingen in hersenactiviteit zijn gezien (wat erop wijst dat ze wat leerden) en bij p2 niet (die ook neit goed performde). En dat P3 het wel goed had kunnen doen maar er ging iets veranderen/mis bij sessie 7 dus performance ging omlaag was moest opnieuw aanleren
        
        limitatie: ze weten nog niet wanneer t een goed idee is om te decodder te recalibraten (bij p2 leverde t een probleem op)
        
        limitatie: 2 class, regelen hoe je naar voren gaat is nog lastig (geen command geven of beide commands balanceren?)
    - - introduction
        
        invasive en non invasive bci
        
        invasive beter signaal
        
        maar non invasief veiliger / minder grote ingrepen, daarom voorkeur
        
        dit artikel focust op noninvasive
        
        verschillende technieken voor meten hersenactiviteit
        
        eeg
        
        electrodes on scalp
        
        meg
        
        recodring magnetic fields using very sinsitive magnetometers
        
        fmri
        
        blood oxygenation and flow
        
        grote equipment nodig
        
        fnirs (functional near-infrared spectroscopy
        
        variateis in optical properties in brain images met near infrared light zien
        
        eeg en fnirs zijn handiger voor real usage scnario's door lage kosten en portabiloty
        
        eeg heeft beste hoge temporele resolutie, daarom is die het vaakst gebruikt
        
        eeg bci recent veel interesse
        
        ze noemen een paar artikelen die het goed bespreken/uitleggen
        
        nuttig om later te lezen??
        
        Nicolas-Alonso LF, Gomez-Gil J (2012) Brain computer interfaces, a review. Sensors 12:2
        
        Bi L, Fan XA, Liu Y (2013) EEG-based brain-controlled mobile robots: a survey. IEEE Trans Human-Mach Syst 43(2):161–176
        
        Krishnan NM, Mariappan M, Muthukaruppan K, Hijazi M, Kitt W (2016) Electroencephalography (EEG) based control in assistive mobile robots: a review. IOP Conf Ser Mater Sci Eng 121:150
        
        Rechy-Ramirez EJ, Hu H (2015) Bio-signal based control in assistive robots: a survey. Digital Commun Netw 27:999
        
        wel oud....
        
        dit artikel: review of eeg based brain controlled mobile robots and robotic arms
        
        sectie 2: overview eeg based robot control systems, en paar eeg feature extraction and classification methods
        
        sectie 3: verschillende controle systemen voor mobiele robots
        
        sectie 4: robotic arms
        
        sectie 5: evaluation & most common challenges
        
        sectie 6: main conclusion and highlights
      - aantekeningen
        
        bespreekt bci met mensen en robotdingen/protheses
        
        nuttig want bespreekt ook verschillende methodes voor zowel filtering, feature extraction en classification!
        
        en citeert ook andere mogelijk nuttige review artikelen
      - https://link.springer.com/article/10.1007/s11370-020-00328-5
      - eeg based robot control
        
        eeg robot control systems kunnen verdeeld worden in 3 categoriën
        
        event-related desychronization/event-related synchronisation (ERD/ERS)
        
        tijdens performance van mental tasks zoals motor imagery, (MI) mental arithmetic, mental rotation
        
        MI: mu (8-13) en beta (14-30) frequentie t meest belangrijk
        
        tijdens MI is hersenactivatie in de beta band (beta-ERD) vooral in contralaterale motor gebieden, terwijl beta-ERS ipsilateraalis
        
        post-movement ERS gerelateerd aan hets stoppen van de beweging kan ook in de contralaterale motorgebeiden gecreerd worden
        
        kan commands iedere 0.5-4 seconden genereren
        
        in het algemeen wordt hersenactiveit bij MI gemeten in de sensiomotorisch cortex met electrodes C3, C4 en CZ (volgens 10-20)
        
        kan wekenlange training vereisen
        
        accuracy vaak laag
        
        daarom ook laag aantal command options
        
        ik snap dit eigenlik ngo niet 100%, maar is dit gewoon waar we het de hele tijd al over hadden wanneer we t hadden over alhpa/beta power bij MI?
        
        P300 wave
        
        afhankelijk van externe stimuli, vereis geen training
        
        piek na 300 ms
        
        midline centroperietal regions (Pz, Fz, Cz, Oz)
        
        steady-state visually evoked potential (SSVEP)
        
        afhankelijk van externe stimuli, vereist geen training
        
        stead-state fysieke response op flikkerende stimuli
        
        zoals fonkelende vierkantjes, schaakborden, gratings, of LEDs
        
        peridiek
        
        primaire visuele cortex en erbuiten een beetje
        
        Oz, O1, O2
        
        1-90 Hz, clear resonance phenomena op 10, 20, 40 en 80 hz
        
        met SSVEP kortere tijd nodig om commands op te wekken dan met P300, maar SSVEP heeft lagere accuracy
        
        nog 1 extra: slow cortical potentials (SCPs)
        
        langzame voltage shifts
        
        duren 1 tot meerdere seconden
        
        gebaseerd op hersensignalen minder dan 1 hz
        
        auteurs hebben in de literatuur geen implementatie van SCps gevonden
        
        dus focus artikel op de andere 3
        
        eeg signaal analyse
        
        eeg signalen worden in verschillende frequentie banden gedecomposed: delta (< 4 Hz), theta (4–8 Hz), alpha (8–13 Hz), beta (13–30 Hz), and gamma (> 30 Hz)
        
        5 basic stages in eeg based bci
        
        2.1 signal acquisition
        
        dit artikel focus op noninvasie
        
        raw signals opgenomen door electrodes op de schedel volgens international 10-20 systeem
        
        3 more items...
        
        2.2 preprocessing
        
        waarom?
        
        noise door eletrische en electromagnetische velden (pwer line, sensing & digittalization process, other devices) weghalen
        
        brain pulses are small -> must be amplified before digitization
        
        frequency domain filtering
        
        bandpass filters
        
        1 more item...
        
        notch filters
        
        1 more item...
        
        time-fruqnecy domain filtering
        
        1 more item...
        
        spatial filtering
        
        use to increase signal-to-noise ratio (SNR)
        
        1 more item...
        
        Laplacian filterin
        
        2 more items...
        
        common average refernce (CAR)
        
        1 more item...
        
        common spatial filter (CSP (kan nt de goede acronym zjin toch?))
        
        3 more items...
        
        autocorrelation (AC)
        
        canonical correlation analysis (CCA)
        
        independent component analysis (ICA)
        
        mimum energy combination (MEC)
        
        prinicpal component analysis (PCA)
        
        blind source separation (BSS)
        
        meeste van deze methods nuttig om robustheid van systeem te verbeteren
        
        1 more item...
        
        2.3 feature extraction
        
        goal: transform the pre-processed signal into a feature vector by highlighting ints important feature (i.e. eliminates redunant data from the feature vector)
        
        maar niet alle methodes geven gewenste resultaat
        
        dus belangrijk om gepaste methode te kiezen!!
        
        fourier transform (FT)
        
        fast fourier transform (FFT)
        
        1 more item...
        
        discrete fourier transform (DFT)
        
        wavelet transform (WT)
        
        geconcludeerd datfrquentie componenten van eeg signaal als functie van de tijd veranderen (ie signal is nonstationary)
        
        1 more item...
        
        common spaial pattern (CSP)
        
        is common spatial filter hetzelfde?
        
        vaak gebruikt vanwege abiloity to provide a set of spatial filters for decreagin the variance of one class while increasing it for the other class and thus reducing the number of channels used to represent the eeg signal
        
        logarithmic bang power method
        
        vaak gebruikt om power van eeg signalen te estimated
        
        voordeel is zijn simplicity (it involves only squaring, averaging, and logarithmic operations()
        
        1 more item...
        
        vorige studie van auteurs had logarithmic band power method met csp gecombineerd om features van twee classes the resdistrubuten voor makkelijk classificatie
        
        nonlinear methods
        
        lyapunov exponent (LLE)
        
        fractal dimension (FD)
        
        seeral entropy functions
        
        can be used to measure the complexity, reguilaroity and statistic quantification of eeg signals
        
        auteurs proposedn ook een methode die features van verschillende feature extraction methods combineert
        
        maar combinatie van te veel features kan leiden tot redundancy, overfitting, and increase in the processing time
        
        1 more item...
        
        tabel met nog meer feature extractors https://link.springer.com/article/10.1007/s11370-020-00328-5/tables/4
        
        2.4 classification
        
        lineare en non lineare classifiers
        
        bij linieare is eht niet nodig om veel parameters te adjusten
        
        1 more item...
        
        maar bij sommige applicaties (vooral met complere/grote data sets) hebben nonlineare classifiers betere resultaten
        
        goal: signaal classifieren (als command)
        
        linear discriminant analysis (LDA)
        
        binary classification
        
        based on mean vectors and covariance matrices of feature vectors or indivisual classes
        
        uses a hyperplane to distinguisch between clases, minimizing the variance within a class and maximizing the variance between classes
        
        preferres because o satisfactory performance and low costs & because it doe not require extensive pretraining
        
        maar vanwege linearity, kan poor results gevenbij grote nonlineare eeg data
        
        1 more item...
        
        support vector machine (SVM)
        
        builds linear optimal hyperplane or model
        
        1 more item...
        
        als nonlinear classificatie probleem: kernel trick om data/feature the trasnformen naar andere space
        
        lda en svm waren oorsprinkelijk twee-klass classifiers
        
        1 more item...
        
        artificial neural network (ANN)
        
        veelgebruikt in bci veld
        
        simuleert menselijk denksysteem
        
        meerdere interconnected computational neural units
        
        moet getrained worden om wights en biases van de units te bepalen voor de desires mapping
        
        1 more item...
        
        multilayer perceptrion (MLP) meest gebruikt voor classificatie
        
        2 more items...
        
        wordt nauwelijks toegepast in SSVEP en P300
        
        1 more item...
        
        k-nearest neighbour (kNN)
        
        onderscheiden tussen twee o meer patronen
        
        The principle underlying the algorithm of this classifier is that features that represent different patterns will form different clusters in the features space, while similar or convergent patterns will form similar clusters.
        
        In order to distinguish a test feature vector, KNN considers k metric distances between the test samples features and those of the nearest patterns.
        
        1 more item...
        
        KNN is used rarely in BCI applications, because this classifier is highly sensitive to the dimension of the feature vector
        
        fuzzy classifiers
        
        kunnen patronen in data zien die anders moeilijk te detecteren zijn
        
        hangen af van de toleratie van imprecision and uncertainity, to accomplish tractable and robust solutions for classification
        
        in sommige applicaties worden neural networks met fuzzy classifeirs gecombineerd (ANFIS) to obtain a new classifeirs
        
        tabel met nog meer classifiers https://link.springer.com/article/10.1007/s11370-020-00328-5/tables/5
        
        2.5 control unit phase
        
        na classificatie: contrul unit vertaalt categorie naar motion command ens tuurt het naar robot / assistive device
        
        rolstoel
        
        robotic arm
        
        1 more item...
        
        computer
        
        drone
        
        robot
        
        1 more item...
        
        wordt in sectie 3 besproken
        
        sofware libraries
        
        BCI200
        
        open source
        
        widely employed for data acquisition, stimulus presentation, and brain monitoring applications
        
        OpenViBE
        
        open source
        
        generic real-time EEG acquisition, processing, and visualization system,
        
        EEGLAB
        
        MATLAB toolbox
        
        capable of processing EEG data and other electrophysiological signals
        
        ICA, time–frequency analysis, artifact rejection, several modes of data visualization, and other tasks can be implemented using this toolbox
        
        matlab/labview
      - mobile robot control
        
        in deze paper: 'mobile robot' betekent wheelchair, humanoid robot, simulator or virtual robot, oror any robot that can be navigated in two dimensions
        
        main goal: to enable a subject to control a mobile robot to reach a target safely and accurately through brain signals
        
        bci needed as core technology
        
        additional techniques can be used in conjunctino with BCI for this goal
        
        such as robot intelligence techniques and hybrid control
        
        robot intelligence voor bv peripheral sensing, localization, route planning, and collision avoidance
        
        hyrbid control twee of meer BCI systemen
        
        control gedeeld door bci en intelligenct controler
        
        3.1 ERD/ERS-based approaches
        
        tabel overzicht studies met ERS/ERS met oa feature extractors en classifisiers en taken en resultaten: https://link.springer.com/article/10.1007/s11370-020-00328-5/tables/6
        
        aansturen robot met eeg signalen gemeten tijdens taken zoals motor imagery, mental arithmetic, or mental rotations
        
        Millán et al
        
        bouwde eerste brain-controlled mobile robit in virtual environment (VE)
        
        aantal mentale taken: relaxation, imaginary movement of left and right had, cube rotation
        
        found that mental control was competitive alternative to manual control for the same predefined task, performance ratio 0.74
        
        Tanaka et al
        
        eeg based control for electric wheelchair
        
        evaluation criterion: “The electric wheelchair is able to reach the target when the number of wrong direction decisions is ≤ 1 and the number of correct direction decisions is 3.”
        
        20 control trials met 6 subjects
        
        mean succes rate was about 80%
        
        Leeb et al
        
        asynchronous BCI to control wheelchair in VE
        
        participant places in street VE with 15 avatars, had to to to palces and reach end of street
        
        accuracy elvel 90%
        
        Tsui et al
        
        asynchronous online training BCI system
        
        simulated robot
        
        avery accuracy of two subjecst without ionline training: 75%
        
        subhects with online training: 85%
        
        Choi et al
        
        noninvasice bci
        
        motorized wheelchair
        
        visual feedback every 0.125s to reduce traing duraction and improve performance
        
        voor evaluatie: 2 experiments
        
        controlling bars
        
        1 more item...
        
        avoiding obstacles
        
        2 more items...
        
        vergelijking resultaten feeback training method vs resultaten imaginary movement experiment zodner visual feedback (met 2 andere subjects)
        
        Barbosa et al
        
        mobile robot
        
        syncronous bci
        
        evaluation cirterion: “The occurrence of each class is evaluated after 5 trials, if a class reaches an occurrence rate of at least 50%, then it is selected and translated to a motion.”
        
        classification rate 65%, succcessful command rate 91%
        
        Dandan et al
        
        wheelchair control in 2D
        
        BCI2VR
        
        simulates scenario size 20 m2, spel 0.4 ms, rotational speeed 27s per 360 degrees
        
        mean time to reach target 10m: 58.6s met gebruik MI, 51.52 emt gebruik physical movement
        
        average success rate reaching target: 87.55
        
        Chae et al
        
        aynschronous bci, humanoid robot navigation
        
        2 classifiers were trained offline until ana ccuracy level of at least 75% was accomplshed
        
        speed of robot 3.3 cm/s, rotational speed 48 per 380 degrees
        
        aim: optimizing bci and anvigation performance
        
        Kilicarslan et al
        
        onlien control of Rex (a hands-free, self-supporting, independently controlled, robotic mobility device) by parapledig user
        
        eeg signals to go forward and stop
        
        Varona-Moya et al
        
        robotic wheelchair
        
        concludes: bci is effective option fo controlling wheelchair
        
        Lee et al
        
        powere lower-limb exoskeleton with ERD-based EEG strategy
        
        developed binary decoder thatw as able to discriminate between two mental tasks, move and rest, which was emplyed in cascared manner to control exoskeleton in three directions
        
        Ron-Angevin et al
        
        brain-controlled wheelchaior base on discrimination of only two mental tasks
        
        sensimotor rythms modulated through a right0hand MI task of mental idle state
        
        peculiraity: based on serioal auditory interface that provided the userd with four navigation commands
        
        nine subjects, meduim accuracy elvel above 0.83
        
        hun eigen eerdere paper (Aljalal M, Djemal R, Ibrahim S (2018))
        
        synchronous control
        
        MI-based BCI
        
        robot navigation
        
        proposed a new feature extractino technique
        
        uses CSP combined with band power to form feature vectors
        
        LDA used to classify two types of MI task (right and left hand)
        
        devloepd posture-dependent control archutecture that translates opbained MI into FOUR robot motion commands (forward, left, right, stop)
        
        simulates robot in VE
        
        task met lopen door kamer
        
        completed in 170 s with collisium number of 0.65, distance of 23.92m, succesful command rate 80%
        
        performance varies between subjects, but the robot always reached final position succesfully
        
        3.2 SSVEP and P300 BCI (sychronous BCI)
        
        SSVEP and P300 both dependent on external stimuli
        
        P300
        
        aantal onderzoeken naar p300 bci
        
        Rebsamen et al
        
        "To the best of the authors’ knowledge, Rebsamen et al. were the first to propose a P300 BCI system for wheelchair control"
        
        SSVEP
        
        Graser et al
        
        LED panl with 4 diodes oscillating at 13, 14, 15 and 16 Hz
        
        left, right, forward, backward
        
        wheelchair
        
        Zhao et al
        
        humanoid robot
        
        intgratnig mutliple software programs, such as OpenViBE, Choregraph, C++ and MATLAB
        
        er is een figur met hun systeem
        
        specific closed loop robot control tasks within different environments
        
        walking through obstacles and pushing a light switch and delivering a balloon to the subject
        
        4 diodes: 4,615, 12, 15 and 20 Hz
        
        Shao et al
        
        wall-crawling cleaning robot
        
        four flicker pieces oscillating at 6, 7.5, 8.57, and 10 Hz
        
        nog wat meer geciteerde onderzoeken
        
        Jing et al
        
        SSVEP & P300 comparitevely evaluates using mind controlled humanoid platform (zie figuur)
        
        6-class P300
        
        average accuracy rate over 90
        
        average success rate 91.3
        
        average response time 6.6 s
        
        average information transfer rate (IRT) 18.8 bits/min
        
        4-class SSVEP
        
        average accuracy rate 90
        
        average success rate 90.3
        
        average response time 3.65 s
        
        average information transfer rate (IRT) 24.7 bits/m
        
        conclusion: SSVEP BCI achieves a faster response to the subject’s mental activity, whereas a P300 BCI is appropriate for a greater number of targets
        
        SSVEP en P300 require minimal training but can provide a more stable performance and a higher accuracy rate than ERD/ERS
        
        maar: SSVEP en P300 zijn afhankelijk van externe stimuli
        
        daarom ERS/ERS vaak preferable voor aansturen dingen
        
        tabel met summary motion commands ERD/ERS, P300, SSVEP https://link.springer.com/article/10.1007/s11370-020-00328-5/tables/7
        
        P300: large number of commands. ERD/ERS: small number of commands
        
        classification accuracy in p300 high -> more commands, more directions.
        
        ERD/ERS: signal generated by MI is small, considerable amount of noise -> classifciation accuracy low, less commands
        
        but still most widely used because no external stimulus required
        
        3.3 Hybrid control and intelligent controllers
        
        meeste besproken artikelen tot nu toe
        
        gebruiken 1 EEG methode (ERD/ERS, P300, SSVEP)
        
        zouden bv kunnen combineren met bv electrooculography (EOG) (EOG is a technique for measuring potential in the human eye and thus can be used for recording eye movements)
        
        gebruikten niet een intelligente controller of autonoom navgiatie systeem
        
        pure BCI approach: users zijn helemaal verantwoordelijk voor aansturen robots
        
        advantage: low cost, low computational complexity
        
        maar: performance is niet zo goed, want hangt erg af van BCI system's performace, die langzaam en onzeker kan zijn
        
        daarom hybriede voorgesteld
        
        hyrbid appreach: systeem heeft ook intelligente controle om autmatisch te navigeren met sensors
        
        bv laser sensor, sonar, camera
        
        hybride = combinatie BCI en tweede systeem
        
        tweede systeem kan tweede BCI zijn
        
        tweede systeem kan ook intelligent robotic intelligence zijn
        
        dan is het shared control
        
        scenario 1: in sommige gevallen hoefrt de user alleen een paar heel high-level commando's te geven en wordt de rest automatisch aangevuld/uitgevoerd
        
        2 more items...
        
        Leeb et al
        
        1 more item...
        
        Carlson et al en Millán et al
        
        1 more item...
        
        scenario 2: gebruiker vooral verantwoordelijk voor robot aansturen, maar intelligent controller veratnwoordleijk voor obstacle avoidance
        
        3 more items...
        
        tabel hybride systemen en applicatie
        
        https://link.springer.com/article/10.1007/s11370-020-00328-5/tables/8
        
        recent ook functional near-infrared spectroscopy (fNIRS) als niewue kandidaat
        
        meet hemodynamic response zoals fmRI maar dan met miniaturized sensors die in field settings en outdoors gebruikt kunnen worden
        
        Batula et al
        
        4 class MI (left hand, right hand, left foot, right foot)
        
        control navigation of simualtor or ead robot (DARwIn-OP of humanoir robot))
        
        conclusie: gebruik van fNIRS-BCI kan feasable zijn emt genoeg subject training
        
        Wang et al
        
        EOG en EEG gecombineerd
        
        robot liep terug via autonoom systeem via orginal track
        
        turtleneck robot
        
        robot liep langs track met EOG & EEG
        
        Vehicles
        
        Tianwei et al
        
        unmanned areal vehicle (UAV) (drone)
        
        two subsystems
        
        decision system
        
        1 more item...
        
        semiautonomous navigation system
        
        2 more items...
        
        demonstrated the possibility and effectiveness of controlling a vehicle using a BCI system in conjunction with an intelligent controller
        
        Xin et al
        
        P300 en SSVEP
        
        P300 om destination te kiezen
        
        SSVEP voor confirmation
        
        veel intessse voor hybride BCI's
        
        ondanks veel improvement hbriede BCI performance, nog steeds niet in echte elven gebruikt
        
        nodig: development of additional systems to ensure the overall performance of brain controlled mile robots under the limitations of the BCI system
      - 4 Robotic arms control
        
        robotic arm = mechanical device die menselijke arm naboosts in fucntie
        
        kan in hand eindigen
        
        taken zoals grijpen
        
        certain numberof degrees o freedom (DOF)
        
        https://www.techtarget.com/whatis/definition/degrees-of-freedom#:~:text=Degrees%20of%20freedom%20is%20often,its%20own%20degrees%20of%20freedom.
        
        belangirjk doel BCI's: to allow anthropomorphic movement of s highly decxtrous prosthetic limb or an exoskeleton as an assistive device through translating the signals generated by the patients mental tasks
        
        Robinson et al
        
        review van recente achievements in motor control bci's, vooral kinematic decoding en motor control of licalized areas of the limb
        
        Li et al
        
        motion o serial manioulator in entire workspace
        
        small word neural networks (SWNN)
        
        5 brain states
        
        MI
        
        shared control
        
        control strategy: six 2-tuple commnads achieve motion control pof manipuilator in 3D Cartesian space
        
        Pohlmeyer et al
        
        aap moest met robot arm objecten reachen
        
        eten als beloning
        
        Elstob et al
        
        industrial hand opnen en sluiten met links en rechts MI
        
        tabel met allemaal odnerzoeken robot arms en bewegingen en resultaten: https://link.springer.com/article/10.1007/s11370-020-00328-5/tables/9
        
        verschillende feature extraction and classfication techniques are required
        
        verschil ligt m in de bewegingen die armen met verschillende DOFs kunnen performen
        
        citeert onderzoeken met 1 DOF armen of met 7 DOF armen
        
        multi-DOF armen kunnen meer bewegen
        
        net als bij eeg robot
        
        ERD/ERS based BCI
        
        Jianjun et al
        
        7-DOF robotic arm
        
        typical voorbeeld
        
        Wang et al
        
        three-class MI: left/right hand and foot motor imageries
        
        translated as 8 commands (“left,” “right,” “up,” “down,” “ahead,” “aback,” “hold,” and “put”)
        
        Úbeda et al
        
        planar arm in 2d
        
        two control strategies
        
        hierarchical and directional control of the motion
        
        validates these two strategies in real world
        
        Palankar et al
        
        9 DOF wheelchair-mounted robotic arm
        
        p300 bci
        
        15 stimuli -> 15 commands (14 for robot arm movements, 1 for stop)
        
        stop command used to interpreted the subject's intent to drive the wheelchair aslong a rtoue to a required point
        
        Tanwani et al
        
        SSVEP
        
        müller-putz et al
        
        grasp functionalty and wrist rotation (right or left)
        
        during training: online classification accuracy 44-88%
        
        controlling prosthetic hand asynchronously: 75.5-217.5 s to copy series of movements (minimaal mogelijk was 64s)
        
        Chen et al
        
        7-DOF robotic arm
        
        move grasp lift task without user training
        
        average accuracy of 92.78%
        
        15 commands/min trasnfer rate
        
        hybrides
        
        Pfurtshceller et al
        
        ERD/ERS & SSVEP
        
        ERS/ERD BCI used to actuate on the SVEP based orthosis when neccesary
        
        and to deactivate the ELDs in the restiong periods
        
        4/6 participants lukte het self-pased BCI met goede performance te operaten (psitieve prediction value PPVb >0.70)
        
        Úbeda et al
        
        BCI combined with radio requency identification (RFID)
        
        RFID system saves the object information to assist the BCI system
        
        robit arm, pick and place operations
        
        3 mental tasks
        
        Four volunteers have successfully controlled the robot arm
        
        Chu et al
        
        funcitonal electrial stimulation (FES)
        
        triggered based on SSVEP classification rsults
        
        controlled using iteriative learning control appreach
        
        to stimulate relevant musscles of upper limbs
        
        1 more item...
        
        "concluded that the feasibility of BCI integrated with upper extremity FES toward improved function restoration for an individual with upper limb disabilities, especially for patients with tetraplegia."
        
        Postelnicu et al
        
        combination EEG and EOG
        
        Iáñez et al
        
        combination EEG and fMRI
        
        Qiang et al
        
        combines MI, EEG and SSSVEP for writing task
        
        MI task used as single-pole double throw brain switch (SPDTBS_
        
        in combination with 4 class SSVEP: movement robotic arm controlled in 3d space
        
        EMG for teeth clenching condition, emplyed as interrupter, initalizes SPDTBS statement
        
        The subjects who participated in the study succeeded in manipulating the robotic arm to write the word “HI”
        
        intelligent control
        
        as in mobile robots, significantly used
        
        intelligent controller shares control of the poethesis with user
        
        Zhijun et al
        
        the subject is required to transmit only one intention command using the P300 system for one drinking task
        
        the autonomous robot completes the rest of the specific control task, delivering the desired container to the mouth of the subject and then replacing it in the original position
        
        Zhang et al
        
        hybrid eeg based system fir cintrlling robot's grasp
        
        first: objects in scene recognized by computer vision using Kinect system
        
        SSVEp responsible for slecting target object
        
        second: shared control paradigm responsible for grasp task
        
        Xu et al
        
        hybrid system for reach and grasp tasks
        
        MI based BCI
        
        shared control
        
        computer vision guidance
        
        subject: perform different mental tasks (left and right movement) to move the end point of the roboti arm to the area around the target
        
        then: robotic arm will indepedently grasp the target
        
        other types of eeg signals
        
        Nisar et al
        
        robotic arm
        
        4 movements: flex and extend the elbow, make, and release a fist
        
        eeg signals generated by facial expressions
        
        Sharma et al
        
        blinks and teth clencihng
        
        robot arm in 3d, pcik and place task
        
        Zeng et al
        
        hyrbid gaze-BCI
        
        combines EEG based BCI ad eye tracking system
        
        intuitive and effective control of robotic arm
      - Evaluation and challenges
        
        5.1 evaluation
        
        mail goal EEG-based robot control systems: allow disabled people to control a mobile robot or robotic arms
        
        with mobile robots:people can move around freely/independently
        
        with robtic arms: effective persormance cetrain stasks, such as grasping anc carrying objects
        
        divide performance of EEG-based robot control into two levels:
        
        BCI performance
        
        represented mainly by classification accuracy
        
        effectiveness of the BCI system in terms of differentiating bewteen different implemented mental tasks
        
        complete system performance
        
        represented mainly by effetiveness performing a specific task
        
        in general no standard metric for perforance evaluation of complete system
        
        but mostly used:
        
        3 more items...
        
        according to authors:
        
        cost should also be considered
        
        indicator fo system's practicality
        
        and for arms: high accuracy and time reguire for task
        
        5.2 challenges
        
        considerable reseach in recent years
        
        but development of systems still in sciencitif reseach process
        
        many challenges
        
        classifcation accuracy
        
        influences by many factors
        
        5 more items...
        
        basic and most midely used measure of accuracy of BCI system
        
        calculaed by n of correctly classified trials / total n of trials
        
        Safety
        
        een van de mogelijke commands is de 'stop' command
        
        2 more items...
        
        Environment
        
        zowel simulates ans echte mogevingen moten consideren worden
        
        zowel bekende als onbekende omgevingen mnoeten consderd worden
        
        Time consumption
        
        user training
        
        1 more item...
        
        calibration of classifiers
        
        1 more item...
        
        updating of nacigational system
        
        1 more item...
        
        Portability and ease of use
        
        electrodes
        
        2 more items...
        
        Cost effectiveness
        
        componenten duur
        
        2 more items...
      - dit artikel: review of eeg based brain controlled mobile robots and robotic arms
        
        sectie 2: overview eeg based robot control systems, en paar eeg feature extraction and classification methods
        
        sectie 3: verschillende controle systemen voor mobiele robots
        
        sectie 4: robotic arms
        
        sectie 5: evaluation & most common challenges
        
        sectie 6: main conclusion and highlights
      - Conclusions and future directions
        
        samenvattinkje over wat er aan bod is geweest
        
        future research: moet zich richten op more robust & accurate brain controlled mobile robots & robit arms
        
        ciritical om te kunnen gebruiken in real world application
        
        hun recente studie (Aljalal et al)
        
        emplyed new feature extracion technique that uses CSP filtering combined with band power to form feature vectors for two types of MI tasks (right hand and left hand)
        
        prepressing is belangrijke stap in eeg analyse
        
        is meeer onderzoek naar nodig
        
        bci's should...
        
        have apative learning capability to improve performance over time
        
        haverobust posture-dependent control architecture that has the ability to correct some classifciatoin errors
        
        eeg combineren met additional sensor modaloity (MEG, ECG)
        
        have standardized performance evaluation
        
        fair evaluation of different systems
        
        have any newly proposed method be verified ans tested intesively using the eeg signals from targeted ppopulation (with adequate samples) before it can be used widely in real life
    - - Indeling
        
        Intoduction
        
        Methodology
        
        Relevance of this Review
        
        Overview of the Literature Growth across Time
        
        Synchonous vs Asynchonous control
        
        BCIs in the Physical World: Applications and Paradigms
        
        6.1 Motor Imagery Paradigms
        
        6.2 Spelling and Induced Emotions
        
        6.3 Facial Movement Paradigms
        
        6.4 Multiparadigm Systems
        
        Shared Control
        
        Obtaining Stable Control from BDI Decoders
        
        8.1 False Alarm Approaches
        
        8.2 Smoothing Approaches
        
        Overcoming the Limited Degrees of Freedom in endogenous BCIs
        
        Error Handling
        
        Signal Processing and Classification Techniques at the Cutting Edge
        
        Subjects
        
        User-Experience Surveys
        
        Conclusions: Emerging Questions and Future Work
      - aantekeningen
        
        over endogeen!
      - Introduction
        
        systematische literatuur review over ONLINE ENDOGENE EEG BCI for external device control
        
        doelen van bcis zijn unieke challenges zoals navigeren door rommelige ruimte
        
        apparten zjihn bv armen, robots, drones, rolstoelen, exoskeletons etc
        
        endogeen = commands generated by actions executed by users
        
        geen externe stimuli nodig! (dat is exogeen)
        
        bv ssvep is exogeen
        
        paper focust op dynamic device control
        
        hoe commando's uit verschillende paradigmes worden gehaald
        
        intuitie van verschillende appraoches
        
        shared control (data van sensors en commands samen brengen voor veiligere/makkeljike uitvoering)
        
        stabilisatie van BCI decoder output voor betrouwbare operation
        
        methodes om limited degrees of freedom uit te breiden
        
        limited degrees of freedom is inherente eigenschap endogene bci's!
        
        doel paper: samenvatting sate of the art in de genoemde gebieden + opvallende gaten in literatuur highlighten
        
        duidelijke opties voor toekomstig werk
        
        om objectiviteit te verhogen: systematische methdologuie im te bepalen welke papers included zijn
        
        besproken in 2. methodology
        
        indeling
        
        paper selectie methodologie -> relevantie review -> asynchronous vs synchronous bci -> main body
        
        main body: endogene pardigmas -> devices -> commands ->L shared control -> stabilisation techniques for bci decoder output -> methodes voor lage degrees of freedom -> novel techniques for handling errors in bci for eeg clasification (traditional and deep machine leanring), focus op state of the art techniques voor dynamic devi ce control
        
        daarna: users ( 1. type proefpersoon gebruikt, want vaak gezonde mensen getest mar disables testen is ook hele belangrijk voor goede ap[plicatie en zien wat er verbeterd moet worden en 2. user experience report is erg belangrijk voor verbetering)
        
        einde: discussion of emerging questions, suggestions for future work
      - Abstract
        
        bci achtergrond info (niet opgeschreven)
        
        merging of signal procesing ans classificaion techniques witgh contol thoery
        
        sterke classification performance voor endogene bci is lastig
        
        eeg decoder outputs can be ubstable
        
        paper tm eind 2021
        
        bespreekt apparaten, eeg partadigmes, shared control, eeg signaal stabilisatie, tradiational & depe machine learnihng, user experience
      - Methodology
        
        PRISMA methodology gebruikt voor papers selecteren
        
        vanwege focus op objectiviteit
        
        3 stappen: 1. establishing elegibiloity criteria 2. database search 3. selecting papers through screening
        
        2.1 Eligibility Criteria
        
        joural papers, not retracted, till dec 23 2021, human subjects, written in english, scalp EEG, filly noninvasive, novel bvi implementation (not just tutorials etc), in press but reviewsd also acceptd, purely endogenous BCI (studies with endo and exo excluded), online component to experimentation (brain data recorded & processed real time), limb execution ecldudd, facial movement & jaw * blink allowed, active BCI (used controlled device), no virtual reality etc
        
        2.2 Information srouches and Search Strategy
        
        verschillende zoekopdrachten voor verschillende websites (pubmed, ieee, scopus vanwege egineering & science)
        
        ik plak t later wel hier
        
        2.3 Selection Process
        
        2 methodes: computer of peers
        
        computer: fase 1 is abstract lezen, fase 2 is full text lezen
        
        2 more items...
        
        peers: uit gelezen, 6 gekozen
        
        samen: 66 goedgekeurde artikelen opgeleverd
      - Relevance of this review
        
        review papers niet opgenomen in de 66 artikelen want ze presenteren niet zelf nieuwe bci methodes
        
        paar nuttige reviews over eeg bci voor dynamic device control hier toch kort besproken
        
        Hekmatmanesh, 2021 [7]: Focus on brain-controlled vehicles, covering exogenous paradigms and endogenous paradigms.
        
        vooral gefocust op brain controlled vehicles. ook veel focus op featur extraction & classification techniques. maar deep learning niet zo diep besproken. keek naar zowel exo als endogene paradigmas, maar endogeen ging bijna alleen over motor imagery & facial expression. kijkt niet naar seminal works
        
        padfield kijkt ook naar prosthetics, robotic arms, exoskeletons, and pedaling machines. kijkt meer naar deep learning. en padfield kijkt naar trends in ltieratuur over mmental actiity mapping & commands, control signal stabilisation, shared control (incl a taxonomy), issue of overcoming low degrees of freedom in bci, user expreience. padfield kijkt bij endogeen niet alleen naar MI en facial movement maar ook naar andere endogene paradigmas zoals spelling based & emotion basewd paradigmas. kijkt ook naar seminal works
        
        Wang, 2021 [8]: Review of BCI-controlled wheelchair systems, including electrode type, modality, and synchronicity.
        
        Wankhade, 2020 [9]: Focus on different EEG-based BCI paradigms, both exogenous and endogenous, and the signal-processing techniques used with them, as well as a brief discussion of online systems.
        
        discussie over online bci had maar 3 papers, en er was geen diepe discdussie over methodes van exterenal device control
        
        padfield heeft wel 66 papaers, en extensive discussion van verschillend endogene bci paradigmas om devices mee aan te sturen
        
        Abiri, 2019 [10]: In-depth discussion of different EEG paradigms, including exogenous paradigms, with some discussion of signal-processing and classification techniques.
        
        sterke focus op bci paradigmas (exogeen, endogeen, mi, eerp, mixd). methods vooral conentional machine learning, maar 2 mentions neural/deep learning
        
        maar padfield focus niet alleen maar op paradigmas, ook stable control, shared control. en kijkt meer naar neural & deep learning
        
        Al-qaysi, 2018 [11]: Focused on EEG-based BCIs that drive wheelchairs, including exogenous and endogenous brain signals.
        
        alleen gefocust op wheelchairs
        
        padfield kijkt wijder (exoskeletons, haptic robots, orthotics, prosthetics, robotic arms, pedaling machines, quadcopters, mobile robots, and wheelchairs), kan zo beter naar technieken en overachting issues kijken
        
        vooral ecogene paradigmas, alleen MI genoemd in conjunctie met exogene paradigmas of met ander bisignaal zoals elextromyogram (EMG)
        
        padfield kijkt naar puur endogene paradigmas met traditional & sequential MI, facial movement, spelling & emotion based paradigmas, + mixed paradigmas die 1 of meer van die methodes combineerden
        
        Padfield (dit artikel) veel recenter & papers zijn systematisch unbiased uigekozen
      - Overview of the Literature Growth across Time
        
        figure 2: bar plot aantal studies per jaar
        
        https://www.ncbi.nlm.nih.gov/core/lw/2.0/html/tileshop_pmc/tileshop_pmc_inline.html?title=Click%20on%20image%20to%20zoom&p=PMC3&id=9370865_sensors-22-05802-g002.jpg
        
        studie naar dynamic device control early 2000s: mobile robots, orthothics/prosthetics
        
        BCI competitions 2003-2008: substantial volume of bci research in offline data
        
        this focus on offline: may be reason for tekort aan studies van dynamic device control 2005-2011
        
        veld van endogene bci begon weer in 2012
        
        mogelijk geboost door deze reasearch naar offline signal processing
        
        sterke afname weer in 2021, wrs door covid pandemie
      - Synchronous vs. Asynchronous Control
        
        synchronous: BCI geeft interval aan waarin subjects command mag geven
        
        na interval: data verwerkt, command executed
        
        kan hoge accuracies geven, maar latenties zijn veel langer, niet praktisch voor veel applicaties, vooral bij brain control
        
        want dan krijg je episodic movements van protheses/rolstoelen terwijl je dat liever smooth wilt
        
        asynchronous control: gebruiker kan caommand geven wanneer hij wil
        
        bci verwerkt gebufferde data met geeft command af in reguliere intervals, bv iedere 0.0625s (16 hz)
        
        van gereviewde papers heeft 81% asycnhronous gebruikt
        
        18% alleen synchronous
      - BCIs in the Physical World: Applications and Paradigms
        
        figuur 3: verschillende bci controlled dynamic devices in de reviewed papers
        
        https://www.ncbi.nlm.nih.gov/core/lw/2.0/html/tileshop_pmc/tileshop_pmc_inline.html?title=Click%20on%20image%20to%20zoom&p=PMC3&id=9370865_sensors-22-05802-g003.jpg
        
        Meest populair: mobile robots en assistive limb movement devices (exoskeletons, orthotics, haptic robots), beide 24%
        
        mobile robots wordt 38% als wheelchairs included zijn
        
        assistive limb devices wordt 51% als prosthetics, robotic arms & hands included zijn
        
        minst populair: unmanned aerial vehicles (UAVs), prothetics, pedaling machines
        
        UAVs meestal quadcopters
        
        pedaling machines meestal alleen in stroke rehabilitation gebruikt, erg niche
        
        prosthetics meestal gebruikt in subjects met amputaties maar nog wel goede resturende spierwerking (voor EMG dus)
        
        "viable alternative voor BCI controlled prosthetics"?
        
        BCI-controlled exoskeletons, orthotics, mobile robots, wheelchairs, and robotic arm kunnen daarentegen gebrukt worden door mensen met spinal/neurological injureis, vermidnerde speerwerking
        
        er is een mutual relationship tussen de applicatie waarvoor een bci gedesigned is, en het gebruikte endogene paradigma
        
        tabel 1: samenvatting van applicaties, paradigmas, aantal classes, en control functies samen voor EEG controlled devices (met ÉÉN paradigmsa) gepubliceerd 2017-2021
        
        representeert state of the art
        
        https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9370865/table/sensors-22-05802-t001/?report=objectonly
        
        details voor systemen met een enkel EEG paradigms, zoals MI
        
        'accuracy' kolom laat accuracy oftewel 'success rate' zien
        
        geeft idee van performance, maar studies hadden verschillende experimentele setups
        
        sommige hadden bv obstakels, andere niet
        
        niet alle studies lieten een accuracy of success rate zien, maar andere parameters zoals sensitivity of specificity (N/A in de kolom)
        
        tabel 2: systemen met mixed paradigms
        
        6.1 Motor Imagery Paradigms
        
        traditionele motor imagery was meest populaire paradigma
        
        intuitief voor bv exoskeletons, rehabiliative redalling, en robotic hands
        
        veel systemen vooral of helemaall afhankelijk van linker en rechterhand MI classifieren
        
        want distince patronen in linker en rechter hemisferen, goed te classifiercen
        
        en intuitief, pas goedt bij commands zoals naar links en recht sturen
        
        maar..
        
        en MI based paradigmas hebben veel user training ondig voor reloiable use
        
        en kunnen relatief hoge BI illiterary rate hebben
        
        1 more item...
        
        systemn met trasditionele MI hebben maar 4 commandos of minder, want multiclass MI is moeilijk te decoden
        
        voorgesteld: intuitie en control van MI driven prothetics kunnen worden verbeterd dmv functional eletrical simulation (FES), die de spieren van de patient activeert
        
        Yu et al 2018
        
        sequential motor imagery en finite-staite-machine approach om wheelchair te besturen
        
        sequential MI: subjects geeft command door twee sequential mental activities (bv eerst linkerhand ebwegen dan rechterhand bewegen)
        
        1 more item...
        
        fitie state machine: zelfde sequential command gebruiken om andere actie te doen, gebaseerd op de state van het systeem
        
        bedacht om degrees of freedom te increasen
        
        Jeong et al
        
        robotic arm op basis van single limb MI
        
        moeilijk om te decoden dan bewegingen van verschillend elimbs door ligging op cortex, maar geeft wel een opportunity voor intuitive controle (1 3d robot arm bewegen gelijk aan beweging 1 normale arm)
        
        voor suitable control is extensive training ondig
        
        traditionele MI EEG subject training schemas gebruiken discrete trial (DT) approach
        
        DT approach = subjects krijgen cues die aangeven welke MI taak ze voor een bepaalde tijd moeten doen, en rkrijgen on screen feedback
        
        1 more item...
        
        Edelman et al presenteerde een nieuwe traning methode: continous pursuit (CP)
        
        CP = subjects getraind door gameline interface, cursos controlen om bewegen on screen object te volgen
        
        participants waren meer engaged, hadden sterkere hersensignalen, en konden mogeljk in minder tijd getraind worden dan met DT. in test trials met een robotic arm werd de performance van training maintained -> CP is effectief voor training
        
        6.2 Spelling and Induced Emotions
        
        spelling
        
        kan intuitief zijn
        
        maar is maar door 1 paper in de literatuur gebruikt
        
        had wel 90% success rate, maar was synchronous
        
        idle state was niet included, dus om lang naar voren te gaan, moeste de proefpersoon steeds maar opnieuw 'forward' spellen
        
        1 more item...
        
        self-induced emotions
        
        emotieos oproepen door herinneringen fo concepten op te halen
        
        effectief voor asynchronous control (73-85%)
        
        maar erg counter intuitive voor navigatie commando's
        
        en mentally draining, niet praktisch voor everyday lfie
        
        6.3 Facial-Movement Paradigms
        
        viable alternative voor andere endogene paradigmas door veel lage BCI illiteracy rates
        
        want EEG patroon van bv blnks of eyebrow movement is distinct, met hoge accuracy te herkennen
        
        sequential faceial movements zijn ook gebruikt, met 2-3 bewegingen voor een actie, om aantal commandos te vergroten met weinig spieren
        
        vereist wel even training om te sets van bewegingen die corresponderen met bepaalde acties te onthouden
        
        kan wel erg counter intuitive control zijn, bv wenkbrouw bewaren voor hand sluiten of ogen lang dicht hebben voor rolstoel bewegen
        
        6.4 Multiparadigm Systems
        
        tabel 2: mixed paradigm systems
        
        drie van zulke systemen mergden traditionele MI met andere paradigmas vanwege relatief lage classification accuracy van MI systems vergelekn met exogene systemen zoals SSVEP
        
        https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9370865/table/sensors-22-05802-t002/?report=objectonly
        
        Ortiz et al
        
        stelde mixed paradigm voor, gebaseerd op MI classifcation en attention detection, om een exoskelet mee te besturen
        
        attention detecten iditificeert wanneer sbuject een hoge attention level had, bv wanneer MI wordt gegenreerd
        
        gebruikt voor two-class system: MI voor lopen van exoskeleton, idle state voor stoppen
        
        EEG data wordt door 2 onafhankelijke decoders gehaald, eentje om MI te identificeren en eentje om aandacht leven te identificeren
        
        1 more item...
        
        MI en aandacht samen leverde accuracy van 67% op, MI alleen 56% en aandacht alleen 58%
        
        2 more items...
        
        Tang et al
        
        combineerde facial expressions met MI
        
        linkerhand MI, rechterhand MI voor links & rechts draaien, blinken voor forward
        
        1 more item...
      - Shared Control
        
        shared control = BCI decoder output mergen met informatie van environmental sensors
        
        vooral gebruikt om emergengy stopping, obstacle avoidance, en semiautonomous navigation
        
        27% van gereviewde papers besprak expliciet shared control
        
        andere papers maakten nog wel gebruik van sensors op de dynamische devices, bv interne die standaard bij het bewegen hoorden voor guidance
        
        maar padfield bespreekt nu alleen die 27%
        
        heeft een trade-off tussen autonomie vna gebruiker in systeem via BCI decoder gebruiken, en control actions genomen obv feedback van sensors
        
        verschillende niveaus van shared control
        
        hoog niveau = meer impact van sensor informatie
        
        padfield bespreekt deze levels, van passieve cimmunicatie over sensor informatie op laag niveau, tot semiautonome systmen die zelf naar door user geselecteerd target gingen op het hoogste niveau
        
        laag niveau: passieve communicatie van dynamic device naar user
        
        user is uiteindelijk verantwoordenlijk voor de info gebruiken voor obbstacle avoidance etc
        
        LaFleur et al 2013, Kim et al 2014: video stream van drone
        
        Li et al: RGB sensor, met deep learning worden de objecten gemapt, mapt wordt aan gebruiker laten zien
        
        nuttig voor remote control, bv robots na aardbevingen, of drones besturen
        
        iets hoger niveau: Ghandi et al
        
        user kan beweginge mobile robot besturen door direction commands te selecteren (bv links rechts forward halt), from an intelligent adaptive user itnerface
        
        2 more items...
        
        similar approach: Shit et al
        
        UAV, laser range finder & video camera om obstakels te vinden
        
        1 more item...
        
        shared control for emergency stopping
        
        emergengy stopping is hoger niveau sharec control, aangezien feedbak van sensors automatisch bewegingen stopt, superseding de BCI decoder output tijdens noodgevallen
        
        infrared, ultarsound, kinect sensors zijn gebruikt
        
        wanneer device gestopt is, moet de gebruiker met de BCI commands zelf om het object heen navigeren
        
        1 more item...
        
        sommige devices hebben fine movement control nodig om obstakels te vermijden, op een niveau dat momenteel nog niet mogelijk is met EEG-based BCI decoders
        
        kan worden gefixt met higher level shared control systems, met automatische obstacle avoidance of fine motor conrtol executiiob
        
        2 more items...
        
        voor het eerst gezien in Millan et al 2003
        
        3 more items...
        
        shared control is ook gebruikt om clean-cut control modes tussen de BCI en onderliggende controller te implementeren
        
        Xu et al
        
        1 more item...
        
        semiautonome systemen hebben het hoogste level shared control in de gereviewde literatuur
        
        bv Frisoli et al
        
        3 more items...
        
        Zhang et al
        
        1 more item...
        
        figuur 4: taxonomie voor besproken shared control approaches / levels
        
        https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9370865/figure/sensors-22-05802-f004/
        
        basically twee grote branches:
        
        2 more items...
        
        systemen met higher levels of shared control verminderen de mental workload voor subjects
        
        sneller & met minder commands complexe taken navigeren
        
        maar: bij hoger niveau moet je er ook voor zorgen dat de will van de user niet overridden worden door de sensor-based control algorithm
        
        1 more item...
      - Obtaining Stable Control from BCI Decoders
        
        de meeste gereviewde papers krgen control sdignal direct uit de BCI classifier output
        
        in asynchrone systemen moet daarvoor de eeg date gewindowd wporden en de classificatie data op een regular rate krijgen, om de device aan te sturen
        
        maar BCI decoders are known to have an unsable output that is prone to spurious misclassifications
        
        sommige vna de gerevieede papers probeerden dit te verzachten om een meer stabiele BCI control signal te krijgen
        
        twee main approaches in de literatuur: false-alarm approach en smoothing approach
        
        8.1 False-Alarm Approaches
        
        5 more items...
        
        8.2 Smoothing Approaches
        
        3 more items...
      - Overcoming the Limited Degrees of Freefrom in Endogenous BCIs
        
        een van de core issues van endogene BCI: zelfs met state of the art claswsification & processing, is het aantal classes dat nauwkeurig kan owrden geclassificeerd, gelimiteerd
        
        in eo vaak max 4 classes
        
        dynamische systemen wille graag een hoog aantal degrees of freedom
        
        dus er zijn allemaal oplossingen bedacht
        
        "The main solutions in the reviewed literature were sequential control paradigms, hybridization of the BCI, and menus that could be navigated through limited commands."
        
        9.1 Sequential Command Paradigms
        
        5 more items...
        
        9.2 Finite-State Machines
        
        1 more item...
        
        9.3 Hybrid BCIs: Increasing the Degrees of Freedom through Additional Biosignals
        
        3 more items...
        
        9.4 Menu Navigation with Limited Commands
        
        4 more items...
      - Error Handling
        
        cutting-edge probleem in online BCIs
        
        voorbeelden vna dingen die de performance affecten
        
        verandering van mental state in de gebruiker (bv verlies van concentratie)
        
        state-of-the-art BCI decoders hebben wel eens spurious misclassifications
        
        errors leiden tot errinous behavior, niet gewild in dynamic devices, kan gevaarlijk zijn (verkeerde navigatie of zelfs botsingen)
        
        als een mens een error waarneemt komt er een spike genaamd ErrPs in het EEG signaal
        
        recent odnerzoek kijkt naar of ErrPs gebruikt kunnen worden om besturing van BCIs te helpen
        
        Ehrlich et al
        
        ErrP-based decoder om asynchroon ErrPs te identificeren in een mens die naar een robot kijkt die een taak utivoert
        
        de mens wist welke taak de robot uit moest voeren -> dus herkende fouten als ze gemaakt werden -> ErrPs in het signaal gevonden
        
        1 more item...
        
        Bhattacharyya et al
        
        ground-breaking study
        
        combineerde MI en ErrPs om robotarm aan te sturen
        
        met rechterhand MI: robotarm draaien
        
        robotarm moest bepaald punt bereiken in 2D plane
        
        met voet MI: planar position aanpassen
        
        met ErrPs: rotatie of planar movement stoppen wanneer ErrP geidentificeerd werd
        
        basic en limited application
        
        enige uit de literatuur die ErrPs met andere paradigma (MI) combineert
      - Signal-Processing and Classification Techniques at the Cutting Edge
        
        11.1 Features for Traditional Machien Learning Techniques
        
        figuur 7 & 8: overzicht gebruikte features en classifiers in literatuur
        
        https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9370865/figure/sensors-22-05802-f007/
        
        61 studies gebruikten machine learning. sommigen gebruikten meerdere features of meerdere classifiers
        
        common spatial pattern (CSP)-based features waren het populairst
        
        niet verrassend aangezien CSP features (extraheneren spatiele features) een lange geschiedenis hebben als robuste features in MI EEG classificatie
        
        meeste studies gebruikten traditionele CSP, maar filter bank CSP features, 'which have shown to perform better than traditional CSP features', waren ook common
        
        2 more items...
        
        https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9370865/figure/sensors-22-05802-f008/
        
        23 studies gebruikten time-domain modeling (bv autoregressice features) of multichannel time series data voor classificatie, 17 grbuikten freauency, of time-trequency domain featues
        
        time-series data is soms gebruikt voor tresholding classification
        
        in real-time systemen zijn low execution times essentieel
        
        1 more item...
        
        riemannian-geometry-based features zijn een emerging approach
        
        toegpeast in 2 rehabilitative pedaling-machine BCIs
        
        1 more item...
        
        sommige studies gebruikten mix van verschillende features om EEG data de classificeren
        
        doel: MI EEG data beter representeren
        
        1 more item...
        
        veel studies gebruikten CSP om spatiotemporele karakteristieken uit de data te halen, en daarna koppelden ze die met time-domain features, zoals de discrete wavelet transform, en/of functional brain network features
        
        andere studies koppelenden time-domain features met time-frequency domain features, of frequency domain features
        
        studies die effecitiviteit van verschillende van verschillende features voor online control vergelijken, zowel van algoritmisch als gebruikers perspectief, kunnen inzicht geven in welke features voor de beste performance zorgen
        
        helaas niet gevonden in reviewed literature
        
        11.2 Classifiers for Traditional Machine Learning Techniques
        
        figuur 8: welke featuers bij welke classifiers gebruikt werden
        
        studies met meerdere features bij een clasifier worden meerdere malen geteld
        
        dicriminant analysis classifiers waren duidelijk het meest populair
        
        25 hiervan waren linear discriminant analysis (LDA)
        
        LDA classifier werd het meest gebruikt bij binary classification problems (17 van 25)
        
        1 more item...
        
        maar geen van de papers gaf een extensive study van de effectiviteit van LDA als een multiclass classification appraoch bij dynamic device control
        
        ookal is LDA veelgebruikt, het kan een baseline eprformance geven die gebruikt kan worden voro vergelijking
        
        preferable door low computational time
        
        information, quadratic & spectral regression discrmininant analysis (which mitigate the curse of dimentionality problem in LDA) was de rest
        
        SVM was ook een poulaire classiier
        
        veel studies gebruikten SVM voor binary classification
        
        door zijn reliability
        
        andere studies gebruiken expansions van SVM voor multiclass classification
        
        Zhuang et al presenteerde majority-voting-based approach voor four-multiclass classification
        
        2 more items...
        
        Gao et al gebruikte directed acyclic graph om SVM twe gebruiken bij 3 klassen MI (trap omhoog trap omlaag vloer lopen)
        
        1 more item...
        
        fuzzy-logic classifiers zijn een veelbelovend alternatief voor populaire SVM en LDA
        
        Andreu-Perez et al
        
        online moblile robot control task om hun multiclass novel fuzzy classification (genaamd GT FS) te vergelijken met andere benaderingen in de literatuur (waarnder LDA en SVM)
        
        robot bewoog in lege ruimte, object werd er geplaatst, robot moet object vermijden
        
        classification accuracy van 86% voor three class problem
        
        1 more item...
        
        in de framework erd iedere MI classe beschreven met een aantal fuzzy rules
        
        1 more item...
        
        heeft ook een key problem in bci classification aangepakt: door de nonstationarity van EEG data kunnen misclassifications met verloop van tijd voorkomem als de online data diverges in its statistical properties van de data gerbuikt voor training
        
        1 more item...
        
        gaussian & bayesian porterior-probability classifiers kunnen de inherente onzekerheid van EEG data modelleren
        
        maakt probabilities geassocieerd met iedere class die een reliable estimate geven van de zekerheid van de classifier
        
        zijn gebruikt om de bci output signal te smoothen om spurious misclassifications te voorkomen
        
        thresholding-based classifiers zijn gebruikt voor paradigmas met highly distinctive eeg patterns
        
        bv blinks,te zien als duidelijke spikes in signaal
        
        gebruikt om te onderscheiden tussen ogen-open ogen-gesloten condities door de duidelijke alpha band power die voorkomt als subjects hun ogen sluiten
        
        Banach et al 2021
        
        3 more items...
        
        ook gebruikt om tussen MI classes te onderscheiden
        
        relatief simpele ondiepe neurale netwerken blijken ook effectief voor endogene bci control
        
        Jubnwei et al
        
        bci wheelchair, patienten met nerodegeneratieve ziekte
        
        93& success rate voor navigatie taak in eeryday envornment
        
        mentaal spelle van let forward backward & forward
        
        T3 en T4 electrodes
        
        feature extraction: chebychev filter bank met 22 frequency bands om eeg te filteren, band pwoer voor iedere band extracted en summer across the channels used
        
        1 more item...
        
        classification: radial basis function neural network met een single hidden layer
        
        ookal had het high success rate, het werkte synchronous, 5 seconden eeg data meten (waarin subject de volgende commando moest geven, command werd utigevoerd, en herhaald) -> operational latency
        
        Li et al
        
        asynchrone control, multilayer feed-forward neural network en wavelet transform om prosthetic hand te bewegen
        
        2 more items...
        
        niet praktisch voor echt gebruikt
        
        2 more items...
        
        ensemble learning van tradtiionele machine learning classifiers kan classification performance verbeteren
        
        Kucukyildiz et al
        
        merged SVM, random forest (RF) and artificial neural network (ANN) om wheelchair te besturen
        
        hierarchical classification: eerst kijken of ANN boven treshold -> zo niet dan of SVN en RF met elkaar eens waren -> zo niet dan SVM output -> zo niet dan RF output.
        
        als geen een van de labels boven de treshold uitkwam, danw as de sample inclassified -> prevous control mode continued
        
        average sensitivity of 85% across the three classes, compared to 65%, 76%, and 79% for the ANN, SVM, and RF classifiers, respectively
        
        1 more item...
        
        Spychala et al
        
        ensemble learning technique based on logistic regression, MI BCI control of robotic hand
        
        1 more item...
        
        effectief voor online control van bci bij stroke patienten, median online accuracy van boven 60%
        
        geen vergelijking in de paper van de ensemble classiier met multiclass classifiers -> opening for future work
        
        Kucukyildiz en Spychala laten zien dat ensemble learninge ffectief kan zijn voor dynamic device control
        
        studies naar offline eeg classification hebben meerdere nieuwe enseble learning techniques voorgesteld die in de toekomst misschien bij online ook zouen kunnen werken
        
        salient appraoches orobeerdenn meer generalizable classifiers te maken die robuust zijn voor artefacts en nonstationarities in eeg data
        
        Raza et al 2019
        
        presenteerde adaptive ensemble learning technique
        
        1 more item...
        
        Zhenget al 2022
        
        stelde ensemble learning techniek voor gebaseerd op temporal features, spatial features, en multiscale filter bank
        
        eerst werd bootstrap sampling gebruikt om de eeg data te verdelen in subsets -> frome each subset, 20 different SVM classifiers were derived
        
        1 more item...
        
        outperormde andere classificatie technieken toegepast op dezelfde dataset
        
        Zuo et al
        
        proposed a cluster-decomposing-based ensemble learning framework
        
        2 more items...
        
        Linear mappings is een alternatieve classification appraoch
        
        Kobayashi et al
        
        time-domain features extracted van de EEG data en dan input in linear formule die de features mapte op de class labels
        
        Xu et al
        
        linear mapping gebruikt om robot atm re bewegen in 2D vlak
        
        1 more item...
        
        samenvatting
        
        CSP features werden meestal gebruikt met SVM en LDA classifiers
        
        deze pairing is een klassieke BCI signal-processing popeline voor MI EEG
        
        time-domain features bleken het meest versatile te zijn, zijn met 8 verschillende classifiers gebruikt
        
        frequency domain features, time series en CSP features zijn met 4 verschillende classifiers gebruikt, ook wel versatile
        
        riemannian, time-frequency domain and unctional brain entwork features zijn emerging features
        
        toekomstig werd kan onderzoeken hoe ze performen met verschillend eandere classifiers for dynamic device control
        
        11.3 Deep-Learning-Based Techniques
        
        Simpel gezegd: deep neural networks zijn multilayer kernel networks met meer dan 1 verborgen laag
        
        characterized by architectureal characterisitics -> computational benefits
        
        vaak rauwe data gegeven aan dnn die dan met de vele lagen de nuttige eigenschappen eruit haalt
        
        interesse in applicatie in EEG groeit
        
        door succesvolle applicatie in signal processing en somputer vision
        
        eo: vooral effectief voor nonstationairy en nonlinear data
        
        dus gepast voor brain imaging & brain-signal decoding
        
        nieuwe netwerken zoals spiking neural network (SNN) vooral interessant voor bci onderzoekers
        
        want snn is neuromorphic (functionailiteit imiteert hresenactiviteit)
        
        is niet beschikbaar in traditional machine learning classification approaches
        
        gebruikt voor asynchrone control met intuitive paradigmas
        
        Tang et al 2020
        
        1D convolutional neural network (CNN) voor een wheelchair
        
        in de CNN werden EEG signalen verwerkt langs een tijd as
        
        CNN had three-branch architecture met een small-scale kernel in de eerste branch, een large-scale kernel in de tweede, en een max-pooling laag voor subsampling gevolgd door een convolutional layer in de derde laag
        
        1 more item...
        
        multichannel EEG data time series zo arranged zodat de electroden op de linkerhand eerst gegroepeerd werden, dan die aan de rechterhand, dan de signalen die het verschil tussen de signalen aan corresponderende tegenovergestelde kanten van de schedel representeren
        
        res
        
        online tests: 70-92% accuracy, afhankelijk van gebruikte command
        
        1 more item...
        
        offline analysis van two-class classification problem for left- and right-hand MI: de 1D CNN approach accuracy 83%, veel beter dan CSP & SVM (67%), deep belief network (77%) en een CNN met een sparse autoencoder (78%) voor hetzelfde experimentele framework
        
        1 more item...
        
        Jeong et al 2020
        
        CNN en bidirectional long short-term memory (Bi-LSTM) om 3D robotarm te besturen
        
        beweging van de robotarm werd bepaald door een velocity profile output van de deep learning system
        
        1 more item...
        
        proefpersonen moesten bewegingen van dezelfde arm in 6 richtingen inbeelden (up down left right forward backward)
        
        twee online taken om performance te meten (object oppakken en uit glas drinken)
        
        success rate eerste: 47-87%, tweede:33%-57%
        
        offline analyse: vergelijken met state-of-the-art appraoches met normalized root-mean-square error (NRMSE)
        
        CNN had 0.1150-0.2112, EEGNET had 0.1412-0.3692
        
        ook beter dan ShallowConvNet en een LSTM netwerk
        
        hoogste degree of freedom van een puur EEG paradigma (van ALLE gereviewde papers)
        
        drawback: commands werden continu afgegeven, er was geen idle state
        
        Batres-Mendoza et al 2021
        
        SSN die quaternion features gebruikt om mobile robot aan te sturen
        
        quaternions modelleren EEG data op een abstracte manier met rotations en orientations
        
        mobiele robot bewoog op basis van linkerhand mi rechterhand mi en idle state
        
        de enige deep-learning based approach die shared control gebruikte
        
        een ultrasonic sensor detecteerde obstakels -> dan stopte de robot en wachte het op commands
        
        CNNs willen verwerking in visuele cortex imiteren, maar SNNs willen de general biological behavior of neurons imiteren
        
        applicatie van SNNS op BCIs is nieuw, veelbelovend door spatiele en spectrale karakteristieken van hersenactiviteit modelleren
        
        vergeleek niet direct de SNN performance met CNN performance via experimentatie, dus lastig om te concluderen of SNNs voordeel hebben
        
        wel vergeleken met resultaten van adnere studies met vergelijkbare experimentele condities -> deze was de enige die meer dan 95% accuracy had in online tests
        
        CNN had een response time 0.1-1.11 korter dan die van comparison sustems (CSP-LDA, CSP-SVM, hierarchical model-multilayer perceptron classifier)
        
        bedoelen ze SNN?
        
        deep learning technieken hebben de potential om traditionele machine learning methodes te outperformen, zowel bij classification accuracy als response tijd
        
        verder onderzoek nodig of ze altijd outperformen, en zo niet, in welke applicaties dan wel
        
        11.4 Merging Traditional Machine Learning and Deep Machine Learning
        
        Zhuang et al
        
        enige studie die traditional machine learning met deep learning combineerde
        
        de ensemble bestond uit een generic CNN classifier network die EEG time-series data als input had, en een SVN classifier die CSP features als input had
        
        de Adaboost.M1 boosting algoriithm werd gebruikt om classificatie resultaten te mergen
        
        offline studie: ensemble was effectiver dan individuele classifiers: classification accuracy van 92% (vs 87% van CNN en 83% van SVM)
        
        4 MI commands
        
        gebruikte subject-independent training: de classifiers werden getrained met data van 3 subjects en daarna in het online experiment op een andere subject getest
        
        verdere validatie is nodig om meer subjects om te ziek of subject-independent training het effectiefst is, of of transfer learning (netwerk pretrainen met data van andere subjects) gebruikt moet worden
        
        resultaten gaven aan dat traditionele & deep learning complimentary is, en dat een ensemble hun capabilities mergt, wat kan leiden tot overall improved performance
        
        voor praktische applicatie is betrouwbare EEG classificatie met hoge nauwkeurigheid van belang
        
        precise control is specifiek voor zulke BCIs belangrijk omdat ze vaak taken moeten uitvoeren zaols fijne motoriek taken met een hand, spullen oppakken in rommelige omgevingen, scherpe bochten maken met een rolstoel etc
        
        deze sectie
        
        veel studies genoemd in deze review focusen op nieuwe classificatie en signal-processing techniqeken om berere nauwkeirgheid te krijgen
        
        gebruikte technieken kunnen onderverdeeld worden in tradtional machine learning based en deep learning based
        
        figuur 6 overzicht
        
        https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9370865/figure/sensors-22-05802-f006/
        
        92% (61 papers) traditional, 6% (4 papers) deep, 2% (1 paper) combinatie
      - Subjects
        
        figuur 9: hoevaak welk aantal subjects is gebruikt
        
        table 3: aantal patienten in iedere studie
        
        18% van de studies (12) gebruikten deelnemers met relevante pathologie
        
        6x stroke, 4x paraplegia/tetraplegia, 1x spinal injury, 1x neurodegenerative disease
        
        recruiten van zulke patienten kan weer nieuwe challenges met zich meebrengen, maar is toch wel erg relevant aangezien veel bci technieken op hun doelgroep gericht zijn
        
        zo kunnen de beste paradigmas en control strategies gevonden worden
        
        historisch gezien: bci technologien hebben lage uptake in die populatie
        
        skew toward lower numbers of participants
        
        verwacht, want recruiten is lastig
        
        studie met hoogste aantal (32) was een clinical trial, significant resources & extensive participant sourcing
      - User-Experience Surveys
        
        maar 4 van de gereviewde papers hadden formele resultaten over user experience van de BCI
        
        standardized questionnaires
        
        Lui et al
        
        standaard questionnaires voor subjective workload assessment (NASA Task Load Index (NASA-TLX) en de Subjective Workload Assessment Technique (SWAT))
        
        NASA-TLX: workload in human0machine interface
        
        1 more item...
        
        SWAT: vragen over 3 gebieden van gebruikerservaring: time load, metnal effort, & physiological stress
        
        1 more item...
        
        assessed user experience for controlling lower-limb exoskeleton MI, and compared two different signal-processing algorithm for control (one based on sensorimotor rythms (SMR) and one based on movement-related cortical potentials (MRCPs))
        
        SMR: classic activity in motor cortex during MI, decreases in alpha and beta band power
        
        2 more items...
        
        MRCPs: signals associated with readiness, when planning or carrying out movement
        
        2 more items...
        
        Leeb et al
        
        NASA-TLX to asses change in load in controlling wheelchair wich BCI versus joystick
        
        BCI: increased mental load, nit no significant difference in frustration, perceived performance, or perceived temporal load
        
        useful to compares studies, but they are generic
        
        specifially designed questionnaires
        
        tailored to the device and tasks
        
        Spychala et al
        
        assessed subjects' sense of ownership, agency, and binding
        
        group level: sense of ownership, agency and binding
        
        1 more item...
        
        robot hand, neurofeedback, MI-based stroke rehabilitation
        
        een andere stroke cinical rehabilitation trial
        
        controlling a robotic glove or haptic robot through MI
        
        physiological and comfort issues that may occur in use, perception of system, usefulness of system.
        
        res: teh system was turing and uncomfortable
        
        laten zien dat user feedback nuttige info kan geven over de praktischheid van een BCI systeem
        
        toch gebruikten veel papers het niet
        
        ookal heeft een ssyteem een goede accuracy: als het erg niet fijn is in gebruik, zullen mensen het niet snel gebruiken
        
        dus user assesment wel nodig voor klinische & commerciele inzet
        
        paradigmas & control schemes vinden die voor de gebruiker goed te gebruiken zijn
      - Conclusions: Emerging Questions and Future Work
        
        core issue accross various systems: lack of intuitive or practical commands
        
        bv forms, smirks, tongue movement voor bewegingen apparaten
        
        facial movement heeft wel een high detection rate en wordt daarom wel eens gekozen maar t nadeel is dus te niet-intuitive aard van de commands
        
        endogene systemen op basis van mentsl sctivity kan heel intuitif zijn en seamless control geven
        
        feature extraction & classification technieken hadden een fundamenteel effect op de BCI performance
        
        maar meer studies moeten ze online vergelijken als we endogene systemen heel functioneel willen maken
        
        veel studies stelden nieuwe benaderingen voor, maar zonder die vegelijkingen is de waarde van een benadering nog een open vraag
        
        offline analyse kan belangrijke ihdicaties geven wat betreft de best passende classifiers & features, maar een online BCI moet adequatly robust zijn voor online gebruik
        
        domain shift, nonstationarities: afleidingen, verlies van concentratie, dwalende gedacten, hebben invloed op systeem performance
        
        dus onderzoekers moeten niet alleen relyen op offline succesvolle benaderingen, maar ook de online problemen aanpakken
        
        sommige studies waardoner Andreu-Perez et al, stelde een unsupervised method for updating a fuzzy-logic-based clasifier
        
        MI was het meestvoorkomende paradigma
        
        in 80% van de studies included
        
        established & reliable paradigm voor gebruikers die het kunnen gebruiken, maar...
        
        hoge illiteracy rate
        
        en laag aantal degrees of freedom
        
        met hybridizatie van de BCI kun je het aantal commands vergrooten, maar dan heb je vaak weer een onpraktische setup (bv naar een gui staren en mentel arithmetics)
        
        meer onderzoek is nodig naar hBCI gebaseerd op intuitive control paradigms en die seamlessy nitegrate different biosignals for enchanced control without increased impracticality
        
        sequential commands en finite-state machines zijn ook gebruikt, maar vergroten vaak de mental load voor de gebruiker, vooral in vroege trainingstadia
        
        alternatieve paradigmas voor MI kunnen in de toekomst onderzocht worden
        
        een synchrone spelling paradigmsa was effectief foor device conrol door iemand met een neurodegeneratieve ziekte
        
        toekomst: asynchroon testen
        
        speech imagery presteerde ook goed in GUI-based application
        
        kan in de toekomst gebruikt worden voor extral device control met simpele maar effectieve commands
        
        ErrPs kunnen in asynchrone error correction in BCIs gebruikt worden
        
        Bhattacharyya et al liet zien hoe ErrPs asynchroon gedetecteerd kunnen worden om de beweging van een arm te stoppen als er een fout gemaakt werd
        
        experiment waas wel simpel
        
        toekomst: ErrPs inzetten bij complexere taak, bv robot of wheelchair in everyday environment
        
        sophisticated shared control is ondig voor goede navigatie in complexe omgevingen
        
        veel studies gebruikte simpele shared control, vaak me een emergency stop
        
        dan moet de gebruiker zelf de obstacle avoidance doen, kan mentally fatigiuing zijn
        
        liever intagrated obstacle avoidance
        
        sommigfe studies hadden meer sophisitaed approaches, maar waren toch gelimiteerd tot maximum margin avoidance, of selectie van een target opbject in rommelige omgeving
        
        in sommige applicaties wil je vlak langs een object gaan dus dan is afstand nemen ervan neit handig
        
        potential fielts zijn gebruikt om dichtbij objecten te koemen die adners gezien zouden worden als obstakels
        
        wel een bekende fout: in een gang kunnen beide muren als obstakel gezien worden en gaat de beweging oscillieren
        
        en je kan vastkomen te zitten in een local mimima
        
        gebuikers kunnen verschillende risk tolerances en bci litteracies hebben
        
        shared conrtol zou je moeten kunnen tunen
        
        user-experience surveys zijn ook belangrijk, voor inzicht ove practicality en intuition van bcis
        
        naar kwantitatief ook kwalitatief odnerzoek nodig
        
        low uptake in target users wrs door gebrek aan kennis over needs en expectations van gebruikers met disability of diseases that affect mobility
    - - Abstract
        
        BCI gefocust op gebruik biten eht lab, meer accesible maken
        
        rolstoel bestuurbaar met alfa waves en maar een paar electrodes
        
        8 binary words zijn gedesigned voor de commands
        
        project
        
        mobile application maken, gebruikt als gui,
        
        real-time signal processnig o the eeg signal
        
        development of electric wheelchair engines control system and mechanical construction
        
        results
        
        av. sinsitivity (no traning) = 7899.58
        
        av. specificity 97.08%, persons no previous contact bci
        
        concl: hun systeem is helpful
      - Introduction
        
        relevantie etc
        
        bcis handiger dan eog of facial movements wnat geen connectie met spieren etc nodig
        
        vertaling is de issue
        
        EEG graag gebruikt want niet te duur en wel snel
        
        maar EEG kan toch duur zijn vor gebruiker en electrodes installeren in onhandig
        
        daarom bestaat er oplossing: eeg headband
        
        daarom doel vand eze onderzoekers: EEG accesible buiten het lab maken doore en algoritme te maken dat kan werken met maar een klein aantal electrodes en een lage signal-to-noise ratio!
        
        eo
        
        1 studie: beta dooor MI voeten voor 1 richting
        
        self paces BCI obv een enkele bipolar recording
        
        virutle straat
        
        1 studie: gebruiker kiest 1 van 4 commands, emotie wordt bijgehouden, commands wrdt utigevoerd zolang de gebruiker nog satisfied is
        
        1 studie: P300 en motion guidance
        
        1 studie: desynchronisatie van alfa rytmes in visuele cortex die gebeuren wanneer de ogen gesloten of open zijn
        
        https://iopscience.iop.org/article/10.1088/1742-6596/90/1/012094/pdf
        
        O1 en O2
        
        eigen link toegevoegd: gebruikten O1, O2, PO3, PO4, PO7, PO8, P3, P4
        
        1 more item...
        
        = Ferreire et al 2007
        
        veel studies gebruiken hybride BCIs
        
        bv Wang et al: MI, P300 en eye blinking
        
        Cao et al: MI en SSVEPs
        
        aanpak
        
        rolstoel
        
        2 mental states: relation en focus
        
        alfa golven
        
        binaire staat
        
        gebruiker kiest momvent direction op basis van binary dictionary
        
        voordelen
        
        accesible uiten lab
        
        simpel
        
        geen tranining nodig
        
        klein aantal electroden nodig
        
        veilig en comfortabel
      - Methods
      - Results and discussion
      - Conclusion
      - https://www.degruyter.com/document/doi/10.1515/bams-2021-0095/html
    - - Introduction
      - System structure
      - Signal Acquisition and Processing
      - . Experiments
      - https://iopscience.iop.org/article/10.1088/1742-6596/90/1/012094
- - - - Frequentiebanden
        
        Delta
        
        Beta
        
        Gamma
        
        Alpha
        
        SMR?
        
        https://nl.wikipedia.org/wiki/SMR_(hersengolf)
      - ERP
      - ERD/ERS?
  - - - complete information common spatial pattern (CICSP)
      - filter bank canonical correlation analysis (FBCCA)
  - - - power
    - - P300
  - - - alle classifcators gevonden, van de feature extractors alleen pcs