Тип работы:
 Предмет:
 Язык работы:


Роль двигательных тренингов в обучении управлению системой “мозг – компьютерный интерфейс”

Работа №123437

Тип работы

Дипломные работы, ВКР

Предмет

биология

Объем работы66
Год сдачи2018
Стоимость4325 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
17
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ
ГЛАВА 1. ОБЗОР ЛИТЕРАТУРЫ
1.1. Интерфейс мозг-компьютер……………………………………………………….5
1.2. Методы нейровизуализации в ИМК……………...
1.3. Виды ИМК
1.4. Типы сигналов для управления ИМК
1.5. Области применения ИМК……………………………………………………….15
1.6. Методики тренировок пользователей ИМК…………………………………….17
ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ
2.1. Структура эксперимента
2.2. Анализ данных
ГЛАВА 3. РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
3.1. Анализ влияния однократных, краткосрочных и длительных тренировок……38
3.2. Анализ субъективной сложности осуществления реальных и представляемых движений во время двигательного тренинга
3.3. Анализ кинематики движений руки…
ВЫВОДЫ
СПИСОК ЛИТЕРАТУРЫ


Интерфейс мозг-компьютер (ИМК) – стремительно развивающаяся область, интерес к которой во многом связан с клиническими разработками (Frolov et al., 2013, 2016;Черниковаи др., 2013). Большинство исследований по этой проблеме посвящено оптимизации работы классификаторов ИМК, и в значительной степени этот подход уже исчерпан. Другой подход состоит в поиске способов тренировки пользователей ИМК, и работ по этой теме значительно меньше (Боброва и др., 2017). Традиционно методы использования обратной связи в последнее время дополняются методами тренировок, способствующих улучшению концентрации внимания на задаче.
Один из подходов такого плана – это использование психосоматических практик (body-mind therapy), таких как статическая или динамическая медитация, требующая концентрации внимания на определенном состоянии или действии. Поскольку успешность управления ИМК связана с возможностями концентрации и удержания внимания пользователя, обеспечивающими стандартизацию активности мозга при формировании внутренних представлений, эти подходы могут быть перспективны для развития методов тренировки пользователя ИМК. Действительно, ряд исследований показывает, что эффективность управления ИМК выше в группах пользователей, имеющих опыт медитации или обучающихся медитации в ходе эксперимента (Loetal., 2004; Mahmoudi, Erfanian, 2006; Eskandari, Erfanian, 2008; Lakeyetal., 2011; Cassadyetal., 2014; Heetal., 2015; Tanetal., 2014). В большинстве этих исследований использовали ИМК, основанный на воображении движений, и испытуемых тренировали представлять движения правой и левой руки.
Роль двигательных и психосоматических (медитации разного типа) тренировок в успешности управления ИМК, подтверждается и результатами оценки психологических параметров, связанных с уровнем успешности управления ИМК (Hammer et al., 2012). При использовании батареи широкого спектра тестов у 82-х здоровых волонтеров, впервые управлявших ИМК, были выявлены два достоверно значимых предсказателя (предиктора) успешности управления ИМК. Первый – способность к зрительно-моторной координации (Two-Hand Coordination Test), отражающая точность тонкой моторики при координированной работе двумя руками, второй предиктор – способность концентрации на задании (AttitudesTowardsWork, r=0.50; (Kubinger, Ebenhöh, 1996; Hammeretal., 2012)).
Хотя эмоциональная устойчивость в работе (Hammer et al., 2012) не исследовалась, можно предполагать, что именно она может определять успешность обучения на управление ИМК. Основанием для такого предположения является выявленная в ряде работ связь между нейротизмом (эмоциональной устойчивостью) и вниманием (Wallace, Newman, 1997, 1998; Muris, Dietvorst, 2006), а внимание (в том числе концентрация на задании) является ключевым параметром при управлении ИМК.
Цель работы: изучение влияния психофизиологическихдвигательных тренингов на эффективность управления интерфейсом «мозг-компьютер» и выявление её коррелятов.
Задачи:
1) Определить, как влияет выполнение двигательных и медитативных практик, их характер и длительность на эффективность управления ИМК;
2) Определить, есть ли связь между навыками управления ИМК и темпераментом (уровнем нейротизма и интроэкстраверсии);
3) Выяснить, имеется ли связь между результатами управления и субъективной оценкой сложности (реальных и представляемых движений);
4) Изучить, как изменяется характер движения руки после двигательных практик;


Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
КУРСОВЫЕ СТАТЬИ ВКР

1) Выполнение двигательных и медитативных тренировок увеличивает эффективность управления ИМК.
2) Выявлена большая успешность обучения у испытуемых с низким уровнем нейротизма (т.е. высокой эмоциональной устойчивостью).
3) В результате использованных тренировок более успешно происходит обучение воображению движений левой руки, чем правой.
4) Тренировки разной длительности по-разному влияют на успешность управления ИМК. Одноразовый и двухразовый тренинг с интервалом 2 недели приводят к увеличению точности классификации состояний мозга только у испытуемых с низким нейротизмом. Двухнедельный тренинг приводит к увеличению точности классификации состояний мозга не только у пользователей с низким, но и с высоким нейротизмом, но только при воображении движений левой (не правой) руки.
5) Измерения кинематики движений руки показывают, что в результате длительной (двухнедельной) тренировки увеличивается скорость движений правой, но не левой руки при приближении к крайним точкам траектории. Это, по-видимому, свидетельствует о том, что в результате тренировки происходит активация левополушарных механизмов регуляции движений.
6) Вначале работы с ИМК испытуемым с высоким уровнем нейротизма субъективно сложнее представлять движения, чем испытуемым с низкими значениями данного показателя. Однако после тренинга субъективная сложность уменьшается, и связь с нейротизмом исчезает. Значимые корреляции субъективной сложности осуществления реальных движений с уровнем нейротизма не выявлены.



1. Бирюкова Е.В., Павлова О.Г., Курганская М.Е. Восстановление двигательной функции руки с помощью экзоскелета кисти, управляемого интерфейсом мозг-компьютер. Случай пациента с обширным поражением мозговых структур. Физиология человека. 2016. 42(1): 1–12.
2. Боброва Е.В., Фролов А.А., Решетникова В. В.Методы и подходы для оптимизации управления системой “интерфейс мозг-компьютер” здоровыми пользователями и пациентами с нарушениями движений. Журн. высш. нерв. деят. 2017. 67(4): 377–393.
3. Васильев А.Н., Либуркина С.П., КапланА.Я.Латерализация паттернов ЭЭГ у человека при представлении движений руками в интерфейсе мозг-компьютер. Журн. высш. нерв. деят. 2016. 66(3): 302–312.
4. Ганин И.П., Каплан А.Я. Интерфейс мозг-компьютер на основе волны P300: предъявление комплексных стимулов “подсветка + движение”. Журн. высш. нерв. деят. 2014. 64(1): 32–40.
5. Мокиенко О.А., Бобров П.Д., Черникова Л.А., Фролов А.А. Основанный на воображении движения интерфейс мозг-компьютер в реабилитации пациентов с гемипарезом. Бюллетень сибирской медицины. 2013. 12(2): 30–35.
6. Мокиенко О.А., Черникова Л.А., Фролов А.А. Интерфейс мозг-компьютер как новая технология нейрореабилитации. Анналы клинической и экспериментальной неврологии. 2011. 5(3): 46–52.
7. Солопова И.А., Мошонкина Т.Р., Умнов В.В., Виссарионов С.В., Баиндурашвили А.Г., Герасименко Ю.П. Нейрореабилитация пациентов с детским церебральным параличом. Физиология человека. 2015. 41(4): 123–131.
8. Фролов А.А., Бирюкова Е.В., Бобров П.Д., Мокиенко О.А., Платонов А.К., Пряничников В.Е., Черникова Л.А. Принципы нейрореабилитации, основанные на использовании интерфейса «мозг-компьютер» и биологически адекватного управления экзоскелетоном. Физиология человека. 2013. 39(2): 99–113.
9. Фролов А.А., Бирюкова Е.В., Бобров П.Д., Черникова Л.А., Мокиенко О.А., Платонов А.К., Пряничников В.Е. Интерфейс мозг-компьютер: физиологические предпосылки и клиническое применение. Информационно-измерительные и управляющие системы. 2013. 11(4): 44–56.
10. Фролов, А.А., Мокиенко О. А., Люкманов Р. Х., Черникова Л. А., Котов С. В., Турбина Л. Г., Бобров П. Д., Бирюкова Е. В., Кондур А. А., Иванова Г. Е., Старицын А. Н., Бушкова Ю. В., Джалагония И. З., Курганская М. Е., Павлова О. Г., Будилин С. Ю., Азиатская Г. А., Хижникова А. Е., Червяков А. В., Лукьянов А. Л., Надарейшвили Г. Г. Предварительные результаты контролируемого исследования эффективности технологии ИМК–экзоскелет при постинсультном парезе руки. Вестник РГМУ. 2016. 2: 17–25.
11. Фролов А.А., Мокиенко О.А., Бирюкова Е.В., Бобров П.Д., Люкманов Р.Х., Кондур А.А., Джалагония И.З. Клинический опыт постинсультной реабилитации с использованием экзоскелета кисти под управлением интерфейса «мозг-компьютер». Наука и инновации в медицине. 2016. 3: 56–61.
12. Черникова Л.А., Мокиенко О.А., Фролов А.А. Воображение движения и его практическое применение. Журн. высш. нерв. деят. 2013. 63(2): 195–204.
13. Aftanas L., Golosheykin S. Impact of regular meditation practice on EEG activity at rest and during evoked negative emotions. International J. Neurosci. 2005. 115(6): 893–909.
14. An J., Lee J.J., Ahn C.C. An efficient GP approach to recognizing cognitive tasks from fNIRS neural signals. Sci. China Inf. Sci. 2013. 56: 1–7.
15. An K.-O., Kim J.-B., Song W.-K., Lee I.-H. Development of an emergency call system using a brain computer interface (BCI). International Conference on Biomedical Robotics and Biomechatronics. 2010. 918–923.
16. Ang C.S., Sakel M., Pepper M., Phillips M. Use of brain computer interfaces in neurological rehabilitation. Brit J Neurosci Nurs. 2011. 7(3): 523–528.
17. Ang K.K., Guan C., Sui Geok Chua K., Ang B.T., Kuah C., Wang C., Phua K.S., Chin Z.Y., Zhang H. Clinical study of neurorehabilitation in stroke using eeg-based motor imagery braincomputer interface with robotic feedback. In: Engineering in Medicine and Biology Society (EMBC), 2010 Annual International Conference of the IEEE. IEEE. 2010. 5549–5552.
18. Arrouet C., Congedo M., Marvie J. E., Lamarche F., Lécuyer A., Arnaldi B. Open-ViBE: a 3D platform for real-time neuroscience. J. Neurotherapy. 2005. 9: 3–25.
19. Baillet S., Mosher J.C., Leahy R.M. Electromagnetic brain mapping. IEEE Signal Process. 2001. 18: 14–30.
20. Barbero-Jimenez A., Grosse-Wentrup M. Biased feedback in brain-computer interfaces. J. Neuroeng. Rehab. 2010. 7: 1–4.
21. Barbosa A.O., Achanccaray D.R., Meggiolaro M.A. Activation of a mobile robot through a brain computer interface. In: Robotics and Automation (ICRA), 2010 IEEE International Conference on. IEEE. 2010. 4815–4821.
22. Bashashati H., Rabab K., Birch E., Bashashati A. Comparing Different Classifiers in Sensory Motor Brain Computer Interfaces. PLoS One. 2015. 10(6): e0129435.
23. Bin H., Baxter B., Edelman B.J., Cline C.C., Wenjing W. Y. Noninvasive Brain-Computer Interfaces Based on Sensorimotor Rhythms. Proc. IEEE. 2015. 103(6): 907–925.
24. Birbaumer N., Hinterberger T., Kubler A., Perelmouter J., Neumann N., Kaiser J., Iversen I. Thought-translation device: Operant control of slow cortical potentials as BCI. Psychophysiol. 1999. 36: 16–21.
25. Birbaumer N., Ruiz S., Sitaram R.. Learned regulation of brain metabolism. Trends Cognitive Sci. 2013. 17(6): 295–302.
26. Blankertz B., Sannelli C., Halder S., Hammer E.M., Kübler A., Müller K.R., Curio G., Dickhaus T. Neurophysiological predictor of SMR-based BCI performance. Neuroimage. 2010. 51: 1303–1309.
27. Bonnet L., Lotte F., Lécuyer A. Two brains, one game: design and evaluation of a multi-user BCI video game based on motor imagery. IEEE Trans. Comput. Intell. 2013. 5: 185–198.
28. Bossetti C., Carmena J., Nicolelis M., Wolf P. Transmission latencies in a telemetry-linked brain-machine interface. IEEE Trans. Biomed. Eng. 2004. 51: 919–924.
29. Broetz D., Braun C., Weber C., Soekadar S.R., Caria A., Birbaumer N. Combination of brain-computer interface training and goal-directed physical therapy in chronic stroke: a case report. Neurorehabil. Neural. Repair. 2010. 24: 674–679.
30. Buch E., Weber C., Cohen L.G., Braun C., Dimyan M.A., Ard T., Mellinger J., Caria A., Soekadar S.R., Fourkas A., Birbaumer N. Think to move: a neuromagnetic brain–computer interface (BCI) system for chronic stroke. Stroke. 2008. 39: 910–917.
31. Bushnell M., Ceko M., Low L. Cognitive and emotional control of pain and its disruption in chronic pain. Nat. Rev. Neurosci. 2013. 14(7):502–511.
32. Callow N., Hardy L. The relationship between the use of kinaesthetic imagery and different visual imagery perspectives. J. Sports Sci. 2004. 22(2): 167–177.
33. Caria A., Weber C., Brötz D., Ramos A., Ticini L.F., Gharabaghi A., Braun C., Birbaumer N. Chronic stroke recovery after combined BCI training and physiotherapy: a case report. Psychophysiology. 2011. 48(4): 578–582.
34. Cassady K., You A., Doud A., He B. The impact of mind-body awareness training on the early learning of a brain-computer interface. Technology (Singap. World Sci.). 2014. 2(3): 254–260.
35. Cassady K., You A., Doud A., He B.The impact of mind-body awareness training on the early learning of a brain-computer interface. Technology (Singap. World Sci.). 2014. 2(3): 254–260.
36. Cincotti F., Kauhanen L., Aloise F., Palomäki T., Caporusso N., Jylänki P., Mattia D., Babiloni F., Vanacker G., Nuttin M., Marciani M., Del R Millán J. Vibrotactile feedback for brain-computer interface operation. Comput. Intell. Neurosci. 2007. 2007(48937): 7.
37. Cincotti F., Mattia D., Aloise F., Bufalari S., Schalk G., Oriolo G., Cherubini A., Marciani M.G., Babiloni F. Non-invasive brain-computer interface system: towards its application as assistive technology. Brain Res. Bull. 2008. 75(6): 796–803.
38. Cohen O., Koppel M., Malach R., Friedman D.Controlling an avatar by thought using real-time fMRI.J. Neural Engineering. 2014.11(3): 035006.
39. Contreras-Vidal J.L., Presacco A., Agashe H., Paek A. Restoration of whole body movement: toward a noninvasive brain–machine interface system. Pulse, IEEE. 2012. 3(1): 34–37.
40. Crane-Godreau P.The preparatory set: a novel approach to understanding stress, trauma, and the bodymind therapies. Front. Hum. Neurosci. 2015. 9: 178.
41. Davidson R., Kabat-Zinn J., Schumacher J., Rosenkranz M., Muller D., Santorelli S.F., Urbanowski F., Harrington A., Bonus K., Sheridan J.F. Alterations in brain and immune function produced by mindfulness meditation. Psychosom. Med. 2003. 65(4): 564–570.
42. Davidson R., McEwen B. Social influences on neuroplasticity: stress and interventions to promote well-being. Nat. Neurosci. 2012. 15(5): 689–695.
43. Deadwyler S.A., Berger T.W., Sweatt A.J., Song D., Chan R.H.M., Opris I., Gerhardt G.A., Marmarelis V.Z., Hampson R.E.Donor/recipient enhancement of memory in rat hippocampus. Front. Syst. Neurosci. 2013. 7: 120.
44. Eskandari P.,Erfanian A. Improving the performance of brain-computer interface through meditation practicing. Conf .Proc. IEEE Eng. Med. Biol. Soc.2008. 2008: 662–665.
45. Etnier J.L., Landers D.M. The influence of procedural variables on the efficacy of mental practice. Sport. Psychol. 1996. 10(1): 48–57.
46. Faller J., Scherer R., Friedrich E.V., Costa U., Opisso E., Medina J., Müller-Putz G.R. Non-motor tasks improve adaptive brain-computer interface performance in users with severe motor impairment. Front. Neurosci. 2014. 8:320.
47. Faller J., Vidaurre C., Solis-Escalante T., Neuper C., Scherer R. Autocalibration and recurrent adaptation: towards a plug and play online ERD-BCI. IEEE Trans. Neural Syst. Rehabil. Eng. 2012. 20: 313–319.
48. Feltz D., Landers D. The effects of mental practice on motor skill learning and performance: a meta-analysis. J. Sport. Exerc. Psych. 1983. 5: 25–57.
49. Friedrich E., Scherer R., Neuper C. Long-term evaluation of a 4-class imagery-based brain-computer interface. Clin. Neurophysiol. 2013. 124(5): 916–927.
50. Frolov A.A., Biryukova E.V., Bobrov P.D., Mokienko O.A., Platonov A.K., Pryanichnikov V.E., Chernikova L.A. Principles of neurorehabilitation based on the brain-computer interface and biologically adequate control of the exoskeleton. Human Physiology. 2013. 39(2): 196–208.
51. Gomez-Rodriguez M., Grosse-Wentrup M., Hill J., Gharabaghi A., Scholkopf B., Peters J. Towards brain-robot interfaces in stroke rehabilitation. 2011 IEEE International Conference on Rehabilitation. 2011.
52. Guger C. Brain computer interface. Advanced methods for the estimation of human brain activity and connectivity, applications to rehabilitation engineering. Greece, Patras. 2008.
53. Guger C., Daban S., Sellers E., Holzner C., Krausz G., Carabalona R., Gramatica F., Edlinger G. How many people are able to control a P300-based brain-computer interface (BCI)? Neurosci. Lett. 2009. b462(1): 94–98.
54. Guger C., Edlinger G., Harkam W., Niedermayer I., Pfurtscheller G. How many people are able to operate an EEG-based brain-computer interface (BCI)? IEEE Trans. Neural. Syst. Rehabil. Eng. 2003. 11(2):145–147.
55. Halder S., Agorastos D., Veit R., Hammer E.M., Lee S., Varkuti B., Bogdan M., Rosenstiel W., Birbaumer N., Kübler A. Neural mechanisms of brain-computer interface control. Neuroimage. 2011. 55(4):1779–1790.
56. Hammer E.M., Halder S., Blankertz B., Sannelli C., Dickhaus T., Kleih S., Müller K.R., Kübler A.Psychological predictors of SMR-BCI performance. Biol. Psychol. 2012. 89(1): 80–86.
57. Hammer E.M., Kaufmann T., Kleih S., Blankertz B., Kübler A. Visuo-motor coordination ability predicts performance with brain-computer interfaces controlled by modulation of sensorimotor rhythms (SMR). Front. Hum. Neurosci. 2014. 8: 574.
58. He B., Baxter B., Edelman B. J., Cline C. C., Wenjing W. Y. Noninvasive brain-computer interfaces based on sensorimotor rhythms. Proc. IEEE. 2015. 103(6): 907–925.
59. Hinterberger T., Smichdt S., Neumann N., Mellinger J., Blankertz B., Curio G., Birbaumer N. Brain-computer communication and slow cortical potentials. IEEE Trans. Biomed. 2004. 51: 1011–1018.
60. Holmes P., Collins D. The PETTLEP approach to motor imagery: A functional equivalence model for sport psychologists. J. Appl. Sport. Psychol. 2001. 13(1): 60–83.
61. Hwang H.-J., Kwon K., Im C.-H. Neurofeedback-based motor imagery training for brain-computer interface (BCI). J. Neurosci. 2009. 179: 150–156.
62. Irimia D., Poboroniuc M. Improved method to perform FES&BCI based rehabilitation. Conference: E-Health and Bioengineering Conference (EHB). 2013.
63. Jackson P., Lafleur M., Malouin F., Richards C., Doyon J. Potential role of mental practice using motor imagery in neurologic rehabilitation. Arch. Phys. Med. Rehabil. 2001. 82(8): 1133–1141.
64. Jeunet C., N'Kaoua B., Subramanian S., Hachet M., Lotte F. Predicting mental imagery-based BCI performance from personality, cognitive profile and neurophysiological patterns. PLoS ONE. 2015. 10(12): e0143962.
65. Kabat-Zinn J., Lipworth L., Burney R. The clinical use of mindfulness meditation for the self-regulation of chronic pain. J. Behav. Med. 1985. 8(2): 163–190.
66. Kaufmann T., Schulz S., Grünzinger C., Kübler A. Flashing characters with famous faces improves ERP-based brain-computer interface performance. J. Neural. Eng. 2011. 8(5): 056016.
67. Kennedy P., Bakay R., Moore M., Adams K., Goldwaithe, J. Direct control of a computer from the human central nervous system. IEEE Trans. Rehabil. Eng. 2000. 8: 198–202.
68. Khalid M.B., Rao N.I., Rizwan-i-Haque I., Munir, S., Tahir F. Towards a Brain Computer Interface Using Wavelet Transform with Averaged and Time Segmented Adapted Wavelets. In Proceedings of the 2nd International Conference on Computer, Control and Communication(IC4’09) Karachi, Sindh, Pakistan. 2009. 1–4.
69. Kim B., Giacobbi P. The use of exercise-related mental imagery by middle-aged adults. J. Imagery Res. Sport. Phys. Activity. 2009. 4(1): 1.
70. Kim T.,Kim S.,Lee B.Effects of action observationaltraining plus brain–computer interface‐based functional electrical stimulation on paretic arm motor recovery in patient with stroke: a randomized controlled trial. Occupational therapy international. 2016. 23(1): 39–47.
71. Kleih S. C., Kaufmann T., Hammer E., Pisotta I., Pichiorri F., Riccio A. Motivation and SMR-BCI: fear of failure affects BCI performance. 5th International BCI Meeting, Monterey, California, USA. 2013.
72. Konrad P., Shanks T. Implantable brain computer interface: Challenges to neurotechnology translation. Neurobiol. Dis. 2010. 38: 369–375.
73. Kubinger K., Ebenhöh J. Arbeitshaltungen—Kurze Testbatterie: Anspruchsniveau, Frustrationstoleranz, Leistungsmotivation, Impulsivität/Reflexivität. Frankfurt: Swets and Zeitlinger. 1996 (цит. по Hammer et al., 2014).
74. Kübler A., Kotchoubey B., Hinterberger T., Ghanayim N., Perelmouter J., Schauer M. The thought translation device: a neurophysiological approach to communication in total motor paralysis. Exp. Brain Res. 1999. 124: 223–232.
75. Kübler A., Neumann N., Kaiser J., Kotchoubey B., Hinterberger T., Birbaumer N. Brain–computer communication: self-regulation of slow cortical potentials for verbal communication. Arch. Phys. Med. Rehabil. 2001. 82: 1533–1539.
76. Kübler A., Neumann N., Wilhelm B., Hinterberger T., Birbaumer N. Predictability of brain-computer communication. J. Psychophysiol. 2004. 18: 121–129.
77. Kübler A., Nijboer F., Mellinger J., Vaughan T., Pawelzik H., Schalk G., McFarland D., Birbaumer N., Wolpaw J. Patients with ALS can use sensorimotor rhythms to operate a brain-computer interface. Neurology. 2005. 64(10): 1775–1777.
78. Lakey C., Berry D., Sellers E. Manipulating attention via mindfulness induction improves P300-based brain-computer interface performance. J. Neural. Eng. 2011. 8(2): 025019.
79. Laureys S., Boly M., Tononi G. Functional Neuroimaging. In The Neurology of Consciousness. Academic Press: New York, NY, USA. 2009. 31–42.
80. Lebedev M.A., Nicolelis M.A.L. Brain-machine interfaces: Past, present and future. Trends Neurosci. 2006. 29: 536–546.
81. Lécuyer A., Lotte F., Reilly R., Leeb R., Hirose M., Slater M. Brain-computer interface, virtual reality, and videogames. IEEE Comput. 2008. 41(10): 66–72.
82. Leeb R., Friedman D., Scherer R., Slater M., Pfurtscheller G. EEG-based "walking" of a tetraplegic in virtual reality. Maia brain computer interfaces workshop. 2006. 43.
83. Lo C., Chou T., Penzel T., Scammell T., Strecker R., Stanley H. Common scale-invariant patterns of sleep-wake transitions across mammalian species. Proc. Natl. Acad. Sci. USA. 2004. 101:17545–17548.
84. Lo P.-C., Wu S.-D., Wu Y.-C. Meditation training enhances the efficacy of BCI system control. International Conference on Networking, Sensing Control, Taipei, Taiwan, March 21–23. 2004.
85. Lorey B., Bischoff M., Pilgramm S., Stark R., Munzert J., Zentgraf K. The embodied nature of motor imagery: the influence of posture and perspective. Exp. Brain. Res. 2009.194 (2): 233–243.
86. Lotte F.,Larrue F., Mühl C. Flaws in current human training protocols for spontaneous brain-computer interfaces: lessons learned from instructional design. Front. Hum. Neurosci. 2013. 7: 568.
87. Lutz A., Dunne J., Davidson R. Meditation and the Neuroscience of Consciousness. Cambridge Handbook of Consciousness. 2007.
88. Lutz A., Slagter H., Dunne J., Davidson R. Attention regulation and monitoring in meditation. Trends. Cogn. Sci. 2008. 12(4): 163–169.
89. MacCoon D., Imel Z., Rosenkranz M., Sheftel J., Weng H., Sullivan J., Bonus K., Stoney C., Salomons T., Davidson R., Lutz A. The validation of an active control intervention for mindfulness based stress reduction (MBSR). Behav. Res. Ther. 2012. 50(1): 3–12.
90. MacIntyre T., Moran A. A qualitative investigation of meta-imagery processes and imagery direction among elite athletes. J. Imagery Res. Sport. Phys. Activity. 2007. 2(1): 4.
91. Mahmoudi B., Erfanian A. Electro-encephalogram based brain–computer interface: improved performance by mental practice and concentration skills. Med. Bio. Eng. Comput. 2006. 44: 959–969.
92. Mahoney M., Avener M. Psychology of the elite athlete: an exploratory study. Cognitive Ther. Res. 1977. 2: 135–141.
93. McFarland D., McCane L., Wolpaw J. EEG-based communication and control: short-term role of feedback. IEEE Trans. Rehabil. Eng. 1998. 6(1): 7–11.
94. McFarland D., Sarnacki W. Effects of training pre-movement sensorimotor rhythms on behavioral performance. J. Neural. Eng. 2015. 12(6).
95. McFarland D., Sarnacki W., Wolpaw J. Electroencephalographic (EEG) control of three-dimensional movement. J. Neural. Eng. 2010. 7: 036007.
96. Mulder T., Hochstenbach J.B.H., van Heuvelen M.J.G., den Otter A.R. Motor imagery: The relation between age and imagery capacity. Hum. Movement Sci. 2007. 26(2): 203–211.
97. Müller-Putz G.R., Daly I., Kaiser V. Motor imagery-induced EEG patterns in individuals with spinal cord injury and their impact on brain-computer interface accuracy. J. Neural. Eng. 2014. 11(3): 035011.
98. Muller-Putz G.R., Pfurtscheller G. Control of an Electrical Prosthesis With an SSVEP-Based BCI. IEEE Trans. Biomed. Eng. 2008. 55: 361–364.
99. Neumanna N., Hinterbergera T., Kaisera J., Leinsa U., Birbaumera N., Küblera A. Automatic processing of self-regulation of slow cortical potentials: evidence from brain-computer communication in paralysed patients. Clin. Neurophysiol. 2004. 115(3): 628–635.
100. Neuper C.,Scherer R.,Reiner M.,Pfurtscheller G.Imagery of motor actions: Differential effects of kinesthetic and visual–motor mode of imagery in single-trial EEG. Cogn. Brain Res.2005. 25(3): 668–677.
101. Neuper C., Scherer R., Wriessnegger S., Pfurtscheller G. Motor imagery and action observation: modulation of sensorimotor brain rhythms during mental control of a brain–computer interface. Clin. Neurophysiol. 2009. 120: 239–247.
102. Nicolas-Alonso L.F., Gomez-Gil J. Brain Computer Interfaces. Sensors. 2012. 12: 1211–1279.
103. Nijboer F., Birbaumer N., Kübler A. The influence of psychological state and motivation on brain-computer interface performance in patients with amyotrophic lateral sclerosis - a longitudinal study. Front. Neurosci. 2010. 4: 55.
104. Nijboer F., Furdea A., Gunst I., Mellinger J., McFarland D.J., Birbaumer N., Kübler A. An auditory brain-computer interface (BCI). J. Neurosci. Methods. 2008. 167(1): 43–50.
105. Nijholt A. BCI for games: a ‘state of the art’ survey. Proceedings of the 7th International Conference on Entertainment Computing (Berlin, Heidelberg: Springer-Verlag). 2009. 225–228.
106. Ortner R.,Irimia D.C.,Scharinger J.,Guger C.A. Human computer confluence inBCIfor stroke rehabilitation. Foundations of Augmented Cognition. Lecture Notes in Computer Science. 2015. 9183: 304–312.
107. Ortner R., Irimia D.C., Scharinger J., Guger C.A. Motor imagery based brain-computer interface for stroke rehabilitation. Stud. Health. Technol. Inform. 2012. 181: 319–323.
108. Page S., Levine P., Leonard A. Mental practice in chronic stroke, results of a randomized, placebo-controlled trial. Stroke. 2007. 38: 1293–1297.
109. Payne P., Crane-Godreau M.A. The preparatory set: a novel approach to understanding stress, trauma, and the bodymind therapies. Front. Hum. Neurosci. 2015. 9: 178.
110. Pfurtscheller G., Graimann B., Huggins E., Levine S., Schuh L. Spatiotemporal ERD/ERS patterns during voluntary movement and motor imagery. Clin. Neurophysiol. 2003. 114(7): 1226–1236.
111. Pfurtscheller G., Lopes da Silva F.H. Event-related EEG/MEG synchronization and desynchronization: Basic principles. Clin. Neurophysiol. 1999. 110: 1842–1857.
112. Pfurtscheller G., Neuper C. Motor imagery and direct brain-computer communication. Proc. IEEE. 2001. 89: 1123–1134.
113. Pfurtscheller G., Neuper C., Flotzinger D., Pregenzer M. EEG-based discrimination between imagination of right and left hand movement. Electroencephalogr. Clin. Neurophysiol. 1997. 103: 642–651.
114. Pfurtscheller G., Neuper C., Pichler-Zalaudek K., Edlinger G., da Silva L.F.H. Do brain oscillations of different frequencies indicate interaction between cortical areas? Neurosci. Letters. 2000. 286: 66–68.
115. Prasad G., Herman P., Coyle D. Applying a brain-computer interface to support motor imagery practice in people with stroke for upper limb recovery: a feasibility study. J. Neuroeng. Rehabil. 2010. 7(1): 60.
116. Presacco A., Forrester L., Contreras-Vidal J.L. Towards a noninvasive brain-machine interface system to restore gait function in humans. In: Engineering in Medicine and Biology Society, EMBC, 2011 Annual International Conference of the IEEE. IEEE. 2011. 4588–4591.
117. Qing T.-Y. , Tan L.-F., Mok S.-Y., Goh S.-Y.Effect of short term meditation on brain-computer interface performance. J. Med. Bioeng. 2015. 4(2): 135–138.
118. Qing T.-Y. Mindfulness meditation improves brain-computer interface (BCI) performance. Master dissertation/thesis, UTAR. 2015.
119. Ramos-Murguialday A., Broetz D., Rea M., Läer L., Yilmaz O., Brasil F., Liberati G., Curado M., Garcia-Cossio E., Vyziotis A., Cho W., Agostini M., Soares E., Soekadar S., Caria A., Cohen L., Birbaumer N. Brain–machine interface in chronic stroke rehabilitation: a controlled study. Ann. Neurol. 2013. 74: 100–108.
120. Ray A., Schürholz M., Caggiano V., Wildgruber M., Caria A., Hammer E.A., Halder S., Birbaumer N. Proprioceptive Feedback and Brain Computer Interface (BCI) Based Neuroprostheses. PLoS One. 2012. 7(10): e47048.
121. Regenbrecht H., Hoermann S., Ott C., Muller L., Franz E. Manipulating the experience of reality for rehabilitation applications. Proc IEEE. 2014. 102(2): 170–184.
122. Rizzolatti G., Sinigaglia C. Mirror neurons and motor intentionality. Funct. Neurol. 2007. 22: 205–210.
123. Ron-Angevin R., Díaz-Estrella A., Velasco-Alvarez F. A two-class brain computer interface to freely navigate through virtual worlds. Biomed. Tech. (Berl). 2009. 54(3): 126-133.
124. Ruiz S., Buyukturkoglu K., Rana M., Birbaumer N., Sitaram R. Real-time fmri brain computer interfaces: self-regulation of single brain regions to networks. Biol Psychol. 2014. 95: 4–20.
125. Saccoa K., Caudaa F., Cerliania L., Matea D., Ducab S., Geminiania G.C. Motor imagery of walking following training in locomotor attention. The effect of ‘the tango lesson’. NeuroImage. 2006. 32(3): 1441–1449.
126. Scherer R., Faller J., Friedrich E.V., Opisso E., Costa U., Kübler A., Müller-Putz G. Individually adapted imagery improves brain-computer interface performance in end-users with disability. PLoS One. 2015. 10(5): e0123727.
127. Schuster C., Hilfiker R., Amft O., Scheidhauer A., Andrews B., Butler J., Kischka U., Ettlin T.Best practice for motor imagery: a systematic literature review on motor imagery training elements in five different disciplines. BMC Medicine. 2011. 9:75.
128. Schwartz G., Davidson R., Goleman D. Patterning of cognitive and somatic processes in the self-regulation of anxiety: effects of meditation versus exercise. Psychosom. Med. 1978. 40(4): 321–328.
129. Sellers E., Donchinb E. A P300-based brain–computer interface: Initial tests by ALS patients. Clinical Neurophysiology. 2006. 117(3): 538–548.
130. Sellers E.W., Vaughan T.M.. Wolpaw J.R. A brain-computer interface for long-term independent home use. Amyotroph. Lateral Scler. 2010. 11: 449–455.
131. Selvam V.S., Shenbagadevi S. Brain tumor detection using scalp eeg with modified waveletica and multi layer feed forward neural network. In: Engineering in Medicine and Biology Society, EMBC, 2011 Annual International Conference of the IEEE. IEEE. 2011. 6104–6109.
132. SextonC.A. Theoverlookedpotentialforsocialfactorstoimproveeffectivenessofbrain-computerinterfaces. Front. Syst. Neurosci. 2015. 9: 70.
133. Sharanreddy M., Kulkarni P. Detection of primary brain tumor present in eeg signal using wavelet transform and neural network. Int J Biol Med Res. 2013. 4(1).
134. Shenefelt P. Hypnosis, hypnoanalysis, and mindfulness meditation in dermatology. Oxford University Press. 2014.
135. Silvoni S., Ramos-Murguialday A., Cavinato M., Volpato C., Cisotto G., Turolla A., Piccione F., Birbaumer N. Brain-computer interface in stroke: a review of progress. Clin. EEG Neurosci. 2011. 42(4): 245–252.
136. Slomski A. Meditation promotes better sleep in older adults. J. Am. Med. Assoc. 2015. 313(16): 1609.
137. Soekadar S., Birbaumerb N., Slutzkyd M., Cohene L. Brain–machine interfaces in neurorehabilitation of stroke. Stroke. 2015. 83: 172–179.
138. Stavisky S., Simeral J., Kim S., Centrella K., Donoghue J., Hochberg L. Architecture of the braingate neural interface system in the ongoing pilot clinical trial for individuals with tetraplegia. Abstracts of the Society for Neuroscience Annual Meeting (Chicago, IL). 2009.
139. Tan H., Kong K., Shee C., Wang C., Guan C., Ang W. Post-acute stroke patients use brain-computer interface to activate electrical stimulation. In: Engineering in Medicine and Biology SocietyEMBC), 2010 Annual International Conference of the IEEE. IEEE. 2010. 4234–4237.
140. Tan L.-F., Dienes Z, Jansaric A., Goh S.-Y. Effect of mindfulness meditation on brain–computer interface performance. Consciousness and Cognition 23. 2014. 12–21.
141. Tan L.-F., Jansari A., Keng S.-L., Goh S.-Y. Effect of mental training on BCI performance. Human-Computer Interaction. Novel Interaction Methods and Techniques. 2009.632–635.
142. Ungerleider S., Golding J.M. Mental practice among Olympic athletes. Percep. Motor Skills. 1991. 72: 1007–1017.
143. Vaughan T., McFarland D., Schalk G., Sarnacki W., Krusienski D., Sellers E., Wolpaw J. The Wadsworth BCI research and development program: at home with BCI. IEEE Trans. Neural. Syst. Rehabil. Eng. 2006. 14(2): 229-233.
144. Wolpaw J.R. Brain–computer interfaces as new brain output pathways. J. Physiol. 2007. 579: 613–619.
145. Woolfolk R., Lehrer P., McCann B., Rooney A. Effects of progressive relaxation and meditation on cognitive and somatic manifestations of daily stress. Behav. Res. Ther. 1982. 20(5): 461–467.

Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ
.