Trends in EEG-BCI for daily-life: Requirements for artifact removal

Minguillón, Jesús; López-Gordo, M. A.; Pelayo, Francisco J.

doi:10.1016/j.bspc.2016.09.005

Cited by 242 publications

(144 citation statements)

References 124 publications

Supporting

Mentioning

122

Contrasting

Unclassified

Order By: Relevance

“…Most common artifacts in EEG recordings arise from other electrical equipment, changing electrode impedance and eye/muscle movements (for reviews, see [70,61]). Approaches for noise rejection include filtering, linear regression, and source decomposition methods (for review, see [71]). Importantly, the acquisition and preprocessing of data have to occur online and without significant latency.…”

Section: Neurofeedback System Componentsmentioning

confidence: 99%

A framework for closed-loop neurofeedback for real-time EEG decoding

Tuckute

Kjaer

et al. 2019

Preprint

View full text Add to dashboard Cite

Neurofeedback based on real-time brain imaging allows for targeted training of brain activity with demonstrated clinical applications. A rapid technical development of electroencephalography (EEG)-based systems and an increasing interest in cognitive training has lead to a call for accessible and adaptable software frameworks. Here, we present and outline the core components of a novel open-source neurofeedback framework based on scalp EEG signals for real-time neuroimaging, state classification and closed-loop feedback.The software framework includes real-time signal preprocessing, adaptive artifact rejection, and cognitive state classification from scalp EEG. The framework is implemented using exclusively Python source code to allow for diverse functionality, high modularity, and easy extendibility of software development depending on the experimenter's needs.As a proof of concept, we demonstrate the functionality of our new software framework by implementing an attention training paradigm using a consumer-grade, dry-electrode EEG system. Twenty-two participants were trained on a single neurofeedback session with behavioral pre-and post-training sessions within three consecutive days. We demonstrate a mean decoding error rate of 34.3% (chance=50%) of subjective attentional states. Hence, cognitive states were decoded in real-time by continuously updating classification models on recently recorded EEG data without the need for any EEG recordings prior to the neurofeedback session.The proposed software framework allows a wide range of users to actively engage in the development of novel neurofeedback tools to accelerate improvements in neurofeedback as a translational and therapeutic tool.

show abstract

Section: Neurofeedback System Componentsmentioning

confidence: 99%

A framework for closed-loop neurofeedback for real-time EEG decoding

Tuckute

Kjaer

et al. 2019

Preprint

View full text Add to dashboard Cite

show abstract

“…Además de estas líneas, el BCI Lab de la UGR ha realizado una revisión crítica del estado del arte sobre tendencias y requisitos para la eliminación de artefactos en sistemas BCI modernos (Minguillon et al, 2017). Toda esta actividad investigadora ha estado enmarcada dentro de varios proyectos de investigación, entre los que destacan: a) el proyecto BRAINS (Sistema de interacción cerebral para discapacitados, P07-TIC03310) de la Junta de Andalucía, en colaboración con el grupo DIANA de la Universidad de Málaga; y b) el proyecto Plat-EEG (Plataforma de altas prestaciones para la adquisición, extracción y procesamiento inteligente de señales EEG, P11-TIC7983) de la Junta de Andalucía, en colaboración con el grupo DIANA de la Universidad de Málaga.…”

Section: Interfaces Cerebro-computadorunclassified

“…El Brain-Computer Interface Lab de la Universidad de Granada (BCI Lab -UGR) ha contribuido en el apartado de la investigación en procesado de EEG a través de varias contribuciones científicas, entre las que destacan: i) una revisión crítica del estado del arte en tendencias y requisitos para la eliminación de artefactos en sistemas BCI modernos (Minguillon et al, 2017) y ii) un estudio relacionado con la medida del estrés a través de ritmos cerebrales (Minguillon et al, 2016b) y la influencia de la luz sobre distintas señales electrofisiológicas (incluyendo EEG) en sujetos sanos (Renedo-Criado et al, 2016).…”

Section: Procesado De Eeg Y Megunclassified

Estado del Arte en Neurotecnologías para la Asistencia y la Rehabilitación en España: Tecnologías Fundamentales

Barrios¹,

Hornero

Pérez-Turiel

et al. 2017

Revista Iberoamericana de Automática e Informática Industrial R

View full text Add to dashboard Cite

ResumenLas neurotecnologías son aquellas tecnologías dirigidas al estudio del sistema nervioso o a mejorar su función. Estas tecnologías permiten extender el rango de tratamientos disponibles para la rehabilitación de funciones dañadas y proporcionan nuevas soluciones asistenciales para las funciones perdidas. En este artículo se revisan las neurotecnologías de asistencia y rehabilitación, en trastornos motores principalmente, se introduce una taxonomía que facilita su revisión sistemática, y se proporciona una visión global de los avances logrados en la investigación, desarrollo y aplicación en España de aquellas de sus tecnologías más básicas. Palabras Clave:Neurotecnologías, interfaces cerebro-computador, robótica, procesamiento de señal, estimulación eléctrica, sistemas biomédicos, rehabilitación, tecnologías de asistencia. IntroducciónEl movimiento humano es el resultado del accionamiento del sistema musculo-esquelético, realizado por el sistema nervioso de forma coordinada. Para llevarlo a cabo de forma efectiva, éste se ayuda de la realimentación que le proporciona el sistema sensorial. El conjunto funciona como una maquinaria de precisión capaz de ejecutar movimientos armoniosos y proezas, como las que exhiben los grandes deportistas. Lamentablemente, la función motora también es susceptible de deteriorarse o, peor aún, perderse debido a traumatismos, enfermedades neurodegenerativas y otros trastornos. El tratamiento médico convencional en estos casos consiste en la aplicación repetida de fuerzas y momentos mecánicos sobre el cuerpo del paciente para rehabilitar su movilidad.Las tecnologías para la rehabilitación tuvieron su origen en los primeros tratamientos, mediante prótesis y ortesis, desarrollados para las disfunciones motoras causadas por la Segunda Guerra Mundial y la posterior epidemia de poliomielitis (DiGiovine et al, 2014). En la actualidad, las neurotecnologías permiten extender el rango de tratamientos rehabilitadores disponibles, mejorar posiblemente la efectividad de los convencionales, y proveer de soluciones asistenciales más allá de la rehabilitación clínica.El propósito de este trabajo de revisión es presentar una visión representativa de los avances logrados en la investigación, desarrollo y aplicación en España de las neurotecnologías de asistencia y rehabilitación, en trastornos motores principalmente. El contenido de este artículo se organiza en cuatro secciones. En la sección 2 se presenta el concepto, papel y modalidades de las neurotecnologías. También se introduce una taxonomía, de carácter técnico, que permite presentar después las diferentes tecnologías de forma sistemática. En el nivel superior de la clasificación se distinguen dos grandes categorías: tecnologías fundamentales y tecnologías auxiliares. En la sección 3 se describen contribuciones de grupos de investigación españoles en la primera de ellas. Por último, en la sección 4 se resumen las principales conclusiones de este artículo. El trabajo de revisión se completa en un artículo complementario , que cubre las tecn...

show abstract

“…Brainwaves are detected in the frequency domain, having signal intensity measured in microvolts (µV) and signal frequency usually ranging from 1 to 100 Hz. According to their frequency, there are specific bands classified as delta (δ) (1-4 Hz), theta (θ) (4-7 Hz), alpha (α) (8)(9)(10)(11)(12)(13), beta (β) (13)(14)(15)(16)(17)(18)(19)(20)(21)(22)(23)(24)(25)(26)(27)(28)(29)(30), and gamma (γ) (>30 Hz) [4]. evaluation and require extensive training.…”

Section: Introductionmentioning

confidence: 99%

Robot Motion Control via an EEG-Based Brain–Computer Interface by Using Neural Networks and Alpha Brainwaves

et al. 2019

View full text Add to dashboard Cite

Modern achievements accomplished in both cognitive neuroscience and human-machine interaction technologies have enhanced the ability to control devices with the human brain by using Brain-Computer Interface systems. Particularly, the development of brain-controlled mobile robots is very important because systems of this kind can assist people, suffering from devastating neuromuscular disorders, move and thus improve their quality of life. The research work presented in this paper, concerns the development of a system which performs motion control in a mobile robot in accordance to the eyes' blinking of a human operator via a synchronous and endogenous Electroencephalography-based Brain-Computer Interface, which uses alpha brain waveforms. The received signals are filtered in order to extract suitable features. These features are fed as inputs to a neural network, which is properly trained in order to properly guide the robotic vehicle. Experimental tests executed on 12 healthy subjects of various gender and age, proved that the system developed is able to perform movements of the robotic vehicle, under control, in forward, left, backward, and right direction according to the alpha brainwaves of its operator, with an overall accuracy equal to 92.1%.A Brain-Computer Interface (BCI) is a system that enables communication between brain and machines. A BCI, in order to perform its purposes, records brain signals, interprets them, and produces corresponding commands to a connected machine [5]. BCI technology is used in various applications, such as security and authentication, education, neuromarketing and advertisement, games and entertainment, and several medical applications, such as cognitive neuroscience, brain-related prevention and diagnosis of health problems, rehabilitation, and restoration [6][7][8][9].This article presents the development of a BCI-based system that performs the motion control of a robotic vehicle by using brainwaves of a human operator. After capturing the brainwaves via EEG, a set of features is extracted and given as input to a neural network, which is trained to predict the desired movement of the robotic vehicle. The rest of this paper is organized as follows: In Section 2, the theoretical background of the research carried out is set up. In Section 3, the structure and operation of the proposed system are explained. In Section 4, the performance of the system is evaluated through the description of the experimental tests made, and the presentation of the corresponding results and discussion on them. Finally, Section 5 concludes the article and proposes future research work. Theoretical Background BCI TypesA BCI provides an interconnection platform that supports the full duplex communication between the brain and an external device. According to the way that BCIs use to set up the brain-device interconnection, they are classified as non-invasive or invasive. Non-invasive BCIs use electrodes placed on the scalp. They are easy and safe to use, low-cost, portable, and offer a relatively hig...

show abstract

Trends in EEG-BCI for daily-life: Requirements for artifact removal

Cited by 242 publications

References 124 publications

A framework for closed-loop neurofeedback for real-time EEG decoding

A framework for closed-loop neurofeedback for real-time EEG decoding

Estado del Arte en Neurotecnologías para la Asistencia y la Rehabilitación en España: Tecnologías Fundamentales

Robot Motion Control via an EEG-Based Brain–Computer Interface by Using Neural Networks and Alpha Brainwaves

Contact Info

Product

Resources

About