No abstract

Objective. This work proposes a method for two calibration schemes based on sensory feedback to extract reliable motor imagery (MI) features, and provide classification outputs more correlated to the user's intention. Method. After filtering the raw EEG, a two-step method for spatial feature extraction by using the Riemannian Covariance Matrices (RCM) method and Common Spatial Patterns (CSP) is proposed here. It uses electroencephalogram (EEG) data from trials providing feedback, in an intermediate step composed of both kth nearest neighbors and probability analyses, to find periods of time in which the user probably performed well the MI task without feedback. These periods are then used to extract features with better separability, and train a classifier for MI recognition. For evaluation, an in-house dataset with eight healthy volunteers and two post-stroke patients that performed lower-limb MI, and consequently received passive movements as feedback was used. Other popular public EEG datasets (such as BCI Competition IV dataset IIb, among others) from healthy subjects that executed upper-and lower-limbs MI tasks under continuous visual sensory feedback were further used. Results. The proposed system based on the Riemannian geometry method in two-steps (RCM-RCM) outperformed significantly baseline methods, reaching average accuracy up to 82.29%. These findings show that EEG data on periods providing passive movement can be used to contribute greatly during MI feature extraction. Significance. Unconscious brain responses elicited over the sensorimotor areas may be avoided or greatly reduced by applying our approach in MI-based brain-computer interfaces (BCIs). Therefore, BCI's outputs more correlated to the user's intention can be obtained.

No abstract

Objective. This study proposes an U-net shaped Deep Neural Network (DNN) model to extract remote photoplethysmography (rPPG) signals from skin color signals to estimate Pulse Rate (PR). Approach. Three input window sizes are used into the DNN: 256 samples (5.12 s), 512 samples (10.24 s), and 1024 (20.48 s). A data argumentation algorithm based on interpolation is also used here to artificially increase the number of training samples. Main results. The proposed model outperformed a prior-knowledge rPPG method by using input signals with window of 256 and 512 samples. Also, it was found that the data augmentation procedure only increased the performance for window of 1024 samples. The trained model achieved a Mean Absolute Error (MAE) of 3.97 Beats per Minute (BPM) and Root Mean Squared Error (RMSE) of 6.47 BPM, for the 256 samples window, and MAE of 3.00 BPM and RMSE of 5.45 BPM for the window of 512 samples. On the other hand, the prior-knowledge rPPG method got a MAE of 8.04 BPM and RMSE of 16.63 BPM for the window of 256 samples, and MAE of 3.49 BPM and RMSE of 7.92 BPM for the window of 512. For the longest window (1024 samples), the concordance of the predicted PRs from the DNNs and the true PRs was higher when applying the data augmentation procedure. Significance. These results demonstrate a big potential of this technique for PR estimation, showing that the DNN proposed here may generate reliable rPPG signals even with short window lengths (5.12 s and 10.24 s), suggesting that it needs less data for a faster rPPG measurement and PR estimation.

Resumen: En este trabajo se presenta una interfaz especialmente diseñada para la navegación de una silla de ruedas robotizada dentro de entornos restringidos. El funcionamiento de la interfaz se rige por dos modos: un modo autónomo y un modo no-autónomo. El manejo no-autónomo de la interfaz de la silla de ruedas se realiza por medio de un joystick adecuado a las capacidades del usuario el cual gobierna el movimiento del vehículo dentro del ambiente. El modo autónomo de la silla de ruedas se ejecuta cuando el usuario tiene que girar un determinadoángulo dentro del ambiente. La estrategia de giro se ejecuta mediante un algoritmo de maniobrabilidad compatible con la cinemática del vehículo y mediante el uso del algoritmo de SLAM (por sus siglas en inglés de Simultaneous Localization and Mapping). El modo autónomo se compone de dos módulos: un módulo de planificación de caminos y un módulo de control. El módulo de planificación de caminos usa la información del mapa provista por el algoritmo de SLAM para trazar un camino seguro y compatible con la silla de ruedas, que le permita al vehículo alcanzar la orientación deseada. El módulo de control gobierna el movimiento del vehículo en el seguimiento del camino trazado mediante un controlador de seguimiento de trayectorias. Las referencias del controlador son actualizadas mediante la estimación de la postura de la silla de ruedas dentro del ambiente, obtenida por el algoritmo de SLAM. Acompañan a este trabajo resultados experimentales utilizando una silla de ruedas robotizada real. Copyright c 2011 CEA.Palabras Clave: Vehículos autónomos, Sistemas biomédicos, Navegación de robots. INTRODUCCIÓNEn este trabajo se presenta el diseño y experimentación de una interfaz para la navegación autónoma y no-autónoma de una silla de ruedas robotizada. La navegación no-autónoma se ejecuta mediante un joystick manual. El joystick permite el control directo de la silla de ruedas en entornos que no presenten restricciones o dificultades de maniobrabilidad. La navegación autónoma permite la maniobrabilidad de la silla de ruedas robotizada dentro de entornos restringidos. La estrategia de maniobrabilidad permite el giro -cuyoángulo es previamente especificado por el usuario-de forma segura, protegiendo la integridad del usuario y del vehículo.La maniobrabilidad y gobernabilidad de vehículos de asistencia dependen actualmente de las habilidades del usuario. Aún más, los movimientos de los vehículos de ambientes internos se encuentran restringidos por la estructura y disposición del entorno. Los vehículos de asistencia, en hospitales o centros de rehabilitación, son usados para el acarreo de medicina, asistencia a los ancianos o a personas con capacidades motoras limitadas y para el transporte de usuarios (Park et al., 2004;Dario et al., 1999). Aunque estos vehículos constituyen una solución al servicio de asistencia al usuario, la falta de in-teligencia de los mismos para sobrellevar de forma autónoma situaciones inesperadas, o moverse dentro de ambientes desconocidos hacen que su funcional...