neurotechnology

Passive BCI

2011AktywnyOpublikowano: 27 lipca 2026Aktualizacja: 27 lipca 2026Opublikowany

Interfejs mozg-komputer, ktory pasywnie monitoruje mimowolna aktywnosc mozgu (np. obciazenie poznawcze, uwage, zaangazowanie), aby system mogl adaptowac sie do stanu uzytkownika. Podstawa technologii neuroadaptacyjnej.

Kluczowa innowacja

Wykorzystuje spontaniczna, mimowolna aktywnosc mozgu (stany mentalne) do wzbogacenia interakcji czlowiek-maszyna, zamiast wymagac swiadomych komend sterujacych jak w klasycznych (aktywnych/reaktywnych) BCI.

Kategoria

neurotechnology

Poziom abstrakcji

Paradygmat

Poziom operacji

AplikacjaSystemDane

Zastosowania

Technologia neuroadaptacyjna (adaptacja UI/UX do stanu uzytkownika)Monitorowanie obciazenia poznawczego i uwagiWykrywanie percepcji bledu (ErrP) do korekty systemuPersonalizacja interakcji czlowiek-maszynaBezpieczenstwo operatorow (monitorowanie zmeczenia/czujnosci)Neuroadaptacyjne uczenie AI

Jak działa

1) Sygnal mozgu (najczesciej EEG) jest rejestrowany w sposob ciagly, bez wymagania od uzytkownika swiadomych dzialan. 2) Z sygnalu ekstrahowane sa cechy neurofizjologiczne skorelowane ze stanami mentalnymi (np. moc w pasmach, potencjaly zwiazane ze zdarzeniami, ErrP). 3) Model uczenia maszynowego klasyfikuje w czasie rzeczywistym stan mentalny uzytkownika (np. wysokie/niskie obciazenie poznawcze, uwaga, wykrycie bledu). 4) Wynik jest przekazywany do systemu, ktory adaptuje swoje dzialanie (petla neuroadaptacyjna), np. upraszcza interfejs przy wysokim obciazeniu lub koryguje dzialanie po wykryciu percepcji bledu.

Rozwiązany problem

Klasyczne (aktywne/reaktywne) BCI wymagaja swiadomego wysilku i komend, co jest meczace i ma niska przepustowosc. Pasywne BCI pozwala systemom rozumiec stan uzytkownika bez dodatkowego obciazenia, umozliwiajac naturalna, adaptacyjna interakcje.

Komponenty

Akwizycja EEGWejscie sygnalu

Ciagla rejestracja sygnalu mozgu (elektrody + wzmacniacz), bez wymagania swiadomych dzialan uzytkownika.

Oficjalna

Klasyfikator stanow mentalnychDetekcja stanu

Model uczenia maszynowego rozpoznajacy w czasie rzeczywistym stany mentalne (obciazenie, uwaga, ErrP) na podstawie cech sygnalu.

Oficjalna

Petla neuroadaptacyjnaAdaptacja systemu

Mechanizm wykorzystujacy wykryty stan mentalny do adaptacji dzialania systemu/interfejsu.

Oficjalna

Implementacja

Implementacje referencyjne

Zander Labs — SAMANAI / Zypher EEG suite

Zander Labs

Pułapki implementacyjne

Niski SNR i artefakty EEGWysoka

Sygnal EEG jest slaby i zaszumiony; artefakty (ruch, mrugniecia, EMG) obnizaja niezawodnosc.

Rozwiązanie:Filtracja, usuwanie artefaktow, dobre elektrody/kontakt, uczenie odporne na szum.

Zmiennosc miedzyosobnicza / kalibracjaŚrednia

Wzorce EEG roznia sie miedzy osobami i sesjami, co czesto wymaga kalibracji per uzytkownik.

Rozwiązanie:Transfer learning, modele adaptacyjne, wieksze zbiory danych.

Ewolucja

Oryginalny paper · 2011 · Journal of Neural Engineering, 8(2):025005, 2011 · Thorsten O. Zander

Towards passive brain–computer interfaces: applying brain–computer interface technology to human–machine systems in general

Thorsten O. Zander, Christian Kothe

2011

Zdefiniowanie pasywnego BCI (Zander & Kothe)

Punkt przełomowy

Thorsten O. Zander i Christian Kothe wprowadzaja pojecie pasywnego BCI oraz taksonomie aktywne/reaktywne/pasywne.

2016

Komercjalizacja neuroadaptacji (Zander Labs)

Powstaje Zander Labs, rozwijajac technologie neuroadaptacyjna opierajaca sie na pasywnym BCI (platforma SAMANAI, pakiet EEG Zypher).

Hiperparametry (konfigurowalne osie)

Docelowy stan mentalnyKrytyczna

Ktory stan jest wykrywany (obciazenie, uwaga, zaangazowanie, ErrP).

cognitive loadObciazenie poznawcze.

ErrPPotencjal zwiazany z bledem.

Modalnosc sygnaluWysoka

Zrodlo sygnalu neurofizjologicznego (najczesciej EEG).

EEGNajczestsza modalnosc.

KalibracjaŚrednia

Zakres kalibracji per uzytkownik vs modele niezalezne od uzytkownika.

Złożoność obliczeniowa

Złożoność czasowa: O(kanaly × okno × cechy) na klasyfikacje. Złożoność przestrzenna: O(model klasyfikatora + bufor sygnalu).

Wąskie gardło obliczeniowe

Jakosc sygnalu i klasyfikacja w czasie rzeczywistym

Niski stosunek sygnalu do szumu (SNR), artefakty (ruch, mrugniecia) i zmiennosc miedzyosobnicza utrudniaja niezawodna klasyfikacje w czasie rzeczywistym.

Zależy od

Jakosc EEG / artefaktyKalibracja / zmiennosc osobnicza