Measuring the impact of reinforcement learning on an electrooculography-only computer game

A Reinforcement Learning Assisted Eye-Driven Computer Game Employing a Decision Tree-Based Approach and CNN Classification

“…In this paper we strive to mitigate the user adaptation problems often raised by the need for calibration and unfamiliarity to an interface, which prevent normal engagement with an EOG-based HMI. These problems were found in [26], where we first introduced an EOG-based videogame whose performance was excessively dependent on the user's EOG calibration and on the detection of the player's centering saccades, limiting the playability of the game.…”

“…The game's graphical interface follows the same layout proposed in [26], with a go-kart (controllable agent) going down a straight road and capable of avoiding obstacles by moving laterally (see Fig. 2).…”

“…In the present work we replace the saccade detection algorithm in [26], which was based on saccadic amplitudes and fixed thresholds based on a calibration session, with a decision provided by a CNN which is included in the information pipeline shown in Fig. 3.…”

Aprendizado de Máquina nos Jogos para Medicina: Uma Revisão Sistemática

“…O jogo apresentou melhoria nos níveis de atenção dos jogadores. Perdiz et al (2018) focaram em aumentar o nível de atenção dos jogadores por meio do uso de movimentos oculares para controlar um Card, apesar de apresentar uma melhora relativa na atenção, não houve efeito perceptivos nos scores dos jogadores. George et al (2011)…”

“…No trabalho apresentado por Hervés et al (2016), os autores usaram o AMS para detecção da interação empática e não empática, possibilitando o diagnóstico de Distúrbios da Comunicação Social. O seu uso teve bom desempenho somente com dados sintéticos, e está longe de representar uma solução definitiva para fornecer suporte no diagnóstico de Distúrbios da Comunicação Social, o que pode ter acontecido pelo pequeno conjunto de treinamento.O Aprendizado por Reforço foi utilizado em um trabalho apresentado porPerdiz et al (2018), que foi utilizado a fim de intermediar possíveis ações do usuário e instruções de atuação do jogo, e tentar adaptar sua resposta para maximizar os resultados e assim, chegar ao melhor resultado no jogo. Apesar dos jogadores não apresentarem um efeito perceptível nos scores, o uso da técnica de aprendizado por reforço pode ser tomada ao projetar jogos controlados por biosignal com pessoas com deficiência e Assistive Living em mente.Os trabalhos apresentados porLima et al (2016),Zielke et al (2018),Flores et al (2013),George et al (2011) e Kim et al (2013 não informaram o tipo de aprendizado utilizado.…”