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.
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.
Ciagla rejestracja sygnalu mozgu (elektrody + wzmacniacz), bez wymagania swiadomych dzialan uzytkownika.
Oficjalna
Model uczenia maszynowego rozpoznajacy w czasie rzeczywistym stany mentalne (obciazenie, uwaga, ErrP) na podstawie cech sygnalu.
Oficjalna
Mechanizm wykorzystujacy wykryty stan mentalny do adaptacji dzialania systemu/interfejsu.
Oficjalna
Sygnal EEG jest slaby i zaszumiony; artefakty (ruch, mrugniecia, EMG) obnizaja niezawodnosc.
Wzorce EEG roznia sie miedzy osobami i sesjami, co czesto wymaga kalibracji per uzytkownik.
Thorsten O. Zander i Christian Kothe wprowadzaja pojecie pasywnego BCI oraz taksonomie aktywne/reaktywne/pasywne.
Powstaje Zander Labs, rozwijajac technologie neuroadaptacyjna opierajaca sie na pasywnym BCI (platforma SAMANAI, pakiet EEG Zypher).
Złożoność czasowa: O(kanaly × okno × cechy) na klasyfikacje. Złożoność przestrzenna: O(model klasyfikatora + bufor sygnalu).
Niski stosunek sygnalu do szumu (SNR), artefakty (ruch, mrugniecia) i zmiennosc miedzyosobnicza utrudniaja niezawodna klasyfikacje w czasie rzeczywistym.
Ktory stan jest wykrywany (obciazenie, uwaga, zaangazowanie, ErrP).
Zrodlo sygnalu neurofizjologicznego (najczesciej EEG).
Zakres kalibracji per uzytkownik vs modele niezalezne od uzytkownika.
Ciagle, pasywne przetwarzanie sygnalu; wynik zalezy od stanu mentalnego uzytkownika.
Ciagle monitorowanie, bez routingu.
Kanaly i cechy mozna przetwarzac rownolegle; petla sterujaca jest sekwencyjna.
Klasyfikacja stanow mentalnych z EEG jest lekka obliczeniowo i moze dzialac na CPU / urzadzeniach wbudowanych (przetwarzanie lokalne).
