[Lecture] [Resume] Meningkatkan Interaksi Manusia-Komputer dengan Input dari Antarmuka Otak-Komputer Aktif dan Pasif

1. Mengakses dan menggunakan keadaan user untuk Interaksi Manusia Komputer

Interaksi hari ini antara mesin dan manusia pada umumnya didominasi oleh peristiwa diskrit dan terbuka, menuntut kesadaran tingkat tinggi dari pengguna. Perintah-perintah telah diubah menjadi pesan oleh tindakan manual eksplisit, seperti menekan tombol, atau mengontrol kemampuan bicara, dan informasi umpan balik dari mesin melalui visual, auditori dan/atau tampilan sentuh. Desain user-friendly HCI (Human-Computer Interaction) karenanya menjadi bagian penting dari penelitian saat ini. Pendekatan baru pun berkembang seperti HCI adaptif atau interpretatif, menuju dukungan yang optimal dari pengguna (Chen dan Vertegaal 2004; Rotting et al. 2009). Dengan itu, konteks-sensitivitas ditambahkan ke dalam sistem manusia-mesin yang sudah ada. Informasi penting untuk desain sistem tersebut adalah pengetahuan tentang keadaan pengguna saat ini dalam interaksi.

1.1 Menggunakan keadaan user untuk Interaksi Manusia-Komputer

Informasi yang relevan dalam interaksi manusia-komputer terdiri dari keadaan teknis sistem dan lingkungan sistem, serta keadaan pengguna, Secara khusus, proses kognitif seperti penafsiran internal pengguna terhadap situasi sedang sangat diminati. Hal ini dapat dijelaskan dengan melihat pada jenis lain dari interaksi antar manusia. Salah satu fraksi interaksi sosial adalah secara eksplisit-dengan sengaja mengirimkan pesan ke aktor lain. Selain itu, ada arus informasi implisit. Dengan mengamati aspek keadaan pengguna yang menyertai interaksi eksplisit, seperti gerakan, meniru, atau postur tubuh, pelaku mendapatkan akses ke informasi tentang keadaan internal satu sama lain. Akibatnya, mengintegrasikan informasi mengenai aspek-aspek keadaan pengguna ke HCI dapat menuntun pada cara yang lebih alami dari interaksi antara manusia dan mesin. Berikut aspek kognitif adalah dari minat khusus, karena mereka mungkin mencerminkan informasi yang sangat kompleks dari keadaan pengguna saat ini-yang terutama dikodekan dalam otak manusia.

1.2 Mengakses keadaan user dengan pengukuran Psycho-Psychological

Keadaan pengguna memiliki bagian rahasia, yang sulit untuk diakses dari luar. Contoh untuk bagian ini adalah proses fisiologis dalam tubuh manusia atau yang disebutkan di atas proses kognisi. Ada pendekatan untuk memanfaatkan langkah-langkah yang jelas, seperti perilaku pengguna, dan penggalian informasi yang berkorelasi dengan aspek keadaan pengguna (Becker et al. 2007). Selanjutnya, tindakan fisiologis seperti data haptic (Park et al. 2005) atau pandangan mata (Asteriadis et al 2009; Rotting et al. 2009) telah terbukti memberikan informasi yang berguna pada keadaan pengguna. Namun, ruang lingkup metode ini terbatas, karena mereka hanya dapat menghasilkan informasi yang berkorelasi lemah dengan keadaan pengguna yang sebenarnya (Müller et al. 2008). Ini memberikan dasar untuk menentukan bagian-bagian ini sebagai “aspek rahasia dari keadaan pengguna”, yang secara analog menyembunyikan perhatian (Posner dan Cohen 1984).

1.3 Aspek tersembunyi dari keadaan user

Aspek tersembunyi dari keadaan pengguna (Covert Aspect of User State/CAUS) adalah proses yang terjadi di dalam pengguna yang hanya dapat dideteksi dengan tingkat realibilitas yang lemah dengan menggunakan pengukuran yang jelas. Sebagai kognisi pengguna, secara inheren sulit untuk mengakses dengan langkah-langkah yang jelas, karena sebagian besar proses kognitif adalah CAUS. Oleh karena itu, kita membutuhkan ukuran yang rumit dan terus-menerus mengakses dan menyediakan mereka sebagai masukan untuk HCI seperti yang diusulkan pada bagian sebelumnya. karena electroencephalogram (EEG) memberikan wawasan tentang proses otak manusia, sumber dari semua kognisi, dalam resolusi temporal tinggi, maka itu adalah potensi pengukuran yang tepat.

2. BCI klasik dari sudut pandang HCI

BCI (Brain-Computer Interface) utamanya dianggap sebagai sarana komunikasi dan kontrol untuk pengguna mereka (Wolpaw et al. 2002). BCI “klasik” ​​ ini dapat dibagi menjadi dua sub kelompok, yang sekarang kita rangkum dari perspektif HCI.

  • Directly controlled BCI, beberapa BCI memungkinkan untuk komunikasi langsung dengan teknis sistem, dengan pemetaan aktivitas mental yang dikendalikan secara sadar ke output channel buatan baru . Dengan demikian, mereka dapat memotong output alami otak, yang merupakan bagian integral untuk aplikasi klinis mereka. Contohnya adalah BCI yang berdasarkan pencitraan sensorimotor (Blankertz et al. 2007), di mana jenis citra mental dipetakan ke sinyal kontrol multi-nilai. Meskipun kekuatannya dan kebaruannya, menerapkan jenis kontrol ini untuk Human-Computer Interface umum adalah sebuah tantangan.
  • Indirectly controlled BCI, BCI dalam kelompok kedua bergantung pada kesadaran modulasi dari aktivitas otak, yang muncul sebagai respons terhadap rangsangan eksternal. Dalam hal ini, kegiatan-kegiatan yang dimodulasi dipetakan ke sinyal kontrol buatan. Contohnya adalah pengeja P300 (Farwell dan Donchin 1988): sistem yang mendeteksi karakteristik respon otak, P300, yang ditimbulkan setiap kali huruf di layar difokuskan oleh pengguna menyala. Dengan demikian, aktivitas otak secara tidak langsung dikendalikan oleh mengalihkan perhatian.

3. Gagasan Umum dari BCI

Kita bisa kembali mengungkapkan kelompok sebelumnya diidentifikasi dalam kerangka yang menangkap tambahan jenis BCI, dengan menggeser perspektif dari sisi pengguna ke sisi aplikasi. Pergeseran ini memungkinkan untuk definisi BCI berikut ini, yang mencakup
spektrum yang lebih luas dari interaksi manusia-komputer.

“A BCI is a system to provide computer applications with access to real-time information about cognitive state, on the basis of measured brain activity.”

Merupakan hal yang  bermanfaat untuk tidak membatasi informasi yang tersedia untuk BCI terhadap aktivitas otak saja. Sebaliknya, parameter konteks dapat digunakan oleh BCI untuk membantu meningkatkan akurasi prediksi mereka, yang mengarah ke BCI hybrid (Pfurtscheller et al. 2006). BCI klasik memiliki, pada kerangka definisi di atas, peran memberikan informasi yang secara aktif mengirim pesan atau dimodulasi oleh pengguna dalam memesan untuk mengontrol aplikasi. Apa yang tidak dicakup oleh pengertian klasik ini, bagaimanapun, adalah informasi yang secara tidak sadar dikirim oleh pengguna, yang mencakup sebagian besar keadaan dari pengguna secara implisit.

3.1 Kategori BCI

Kami telah mengusulkan kategorisasi BCI menjadi tiga jenis (Zander et al. 2008).

  • BCI Aktif, BCI aktif adalah BCI yang outputnya berasal dari aktivitas otak yang langsung secara sadar dikendalikan oleh pengguna, independen dari peristiwa eksternal, untuk mengendalikan aplikasi.
  • BCI Reaktif, BCI reaktif adalah BCI yang outputnya berasal dari aktivitas otak yang timbul sebagai reaksi terhadap rangsangan eksternal, yang secara tidak langsung dimodulasi oleh pengguna untuk mengontrol aplikasi.
  • BCI Pasif, Sebuah BCI pasif adalah BCI yang outputnya berasal dari aktivitas otak yang sewenang-wenang (dengan sendirinya) tanpa tujuan untuk mengontrol secara sukarela, untuk memperkaya interaksi manusia-komputer dengan informasi implisit.

BCIs aktif dan reaktif sesuai dengan sub kelompok BCI klasik untuk kontrol langsung dan tidak langsung, masing-masing, dan BCI pasif tercatat untuk semua BCI lainnya. Kategori ini membentuk sebuah partisi dari ruang kendali kesadaran BCI, sejak pertama kali, yang tidak tergantung baik pada pengaruh eksternal, melakukan rendering reaktif, atau bekerja secara independen dari situ, membuatnya aktif, dan kedua, BCI pasif didefinisikan sebagai pelengkap, dalam tujuan, kendali sadar karena batasan antar kategorinya yang halus.

3.2 BCI Pasif

Sebuah contoh lengkap, salah satu kasus pertama yang menggunakan BCI pasif untuk meningkatkan interaksi manusia-komputer, dapat dilihat dalam poin ke 6, dimana BCI pasif dapat dilihat sebagai saluran komunikasi sekunder dalam Human-Machine Systems: Sistem Manusia-Mesin yang dihubungkan oleh beberapa saluran komunikasi utama (input manual misalnya) dapat dilengkapi dengan saluran sekunder opsional yang dibentuk oleh BCI pasif, mempengaruhi dan memperkaya interaksi utama yang sedang berlangsung dengan informasi pengguna implisit (Zander dan Jatzev 2009). Kinerja BCI pasif karenanya hal itu sebaiknya diukur oleh biaya atau manfaat dari penggunaannya dalam skenario tertentu, bukan dalam hal bit rate mereka.

3.2.a Karakteristik/Atribut Kunci

BCI pasif memiliki tiga aspek berikut yang membedakan mereka yang mana menjelaskan prospek praktis mereka di Human-Computer Interface:

  • Complementarity, Konsep BCI pasif adalah melengkapi sarana lain dari Interaksi Manusia-Mesin, dalam arti bahwa hal itu tidak mengganggu, berbeda dengan kebanyakan bentuk dari BCI aktif atau reaktif, untuk alasan yang disebutkan sebelumnya. Sebuah BCI pasif dapat bergantung pada baik kehadiran atau tidak adanya Interaksi Manusia Komputer konvensional yang berkelanjutan, atau menjadi lain di bawah hal itu.
  • Composability, Sebuah aplikasi dapat menggunakan banyak detektor BCI pasif dengan sewenang-wenang secara paralel tanpa konflik, yang mana ini menjadi lebih sulit untuk BCI aktif dan reaktif karena kemampuan terbatas dari pengguna secara sadar untuk berinteraksi dengan mereka.
  • Controlled Cost, Karena tidak ada upaya sadar yang diperlukan untuk penggunaan BCI pasif (selain persiapan), biaya operasional mereka ditentukan oleh biaya mis-prediksi mereka. BCI pasif memproduksi perkiraan probabilistik, bersama-sama dengan probabilitas apriori untuk memprediksi dengan benar, cukup untuk pengambilan keputusan cost-optimal sewenang-wenang di tingkat aplikasi, dengan nol manfaat pada kasus terburuknya.

Karena BCIs pasif begitu mudah diterapkan pada sistem di dunia nyata, satu-satunya masalah yang tersisa, yakni  faktor biaya persiapan dan kalibrasi, menjadi lebih difokuskan.

3.2.b Kondisi yang dapat diakses dan Aplikasi Potensial

Sebuah spektrum yang luas dari keadaan kognitif dapat diakses dengan BCI pasif ini termasuk keadaan laten kognitif seperti gairah (Chanel et al. 2006), kelelahan (Cajochen et al. 1996), kewaspadaan (Schmidt et al 2009.), memori beban kerja (Grimes et al 2008.), visual / pendengaran / taktil / lintas -modalitas fokus perhatian (Kelly et al 2005.), dan mungkin beberapa keadaan emosional, dll. Di satu sisi, dan peristiwa kognitif sementara seperti kejutan, persepsi kesalahan pengguna / mesin (Blankertz et al, 2002;. Zander et al 2008. , dan Ferrez del Millán 2008), atau pengambilan keputusan beban (Heekeren et al 2008), dll. Berbagai aplikasi potensial timbul dari data ini, seperti untuk menambah atau memperbaiki sistem yang ada, misalnya dengan meningkatkan keamanan dan kegunaan melalui pemantauan operator. Dalam perannya ini, mereka memungkinkan untuk lebih menghormati faktor manusia dalam Sistem Manusia-Mesin. Aplikasi lain adalah untuk menciptakan Human-Machine Interface yang sangat interaktif dan sensitif: memiliki informasi tentang profil aktivitas yang sedang berlangsung dari pengguna, sistem dapat beradaptasi untuk menghindari kelebihan beban kognitif, dan selanjutnya, informasi tentang penafsiran peristiwa oleh pengguna dapat berfungsi baik sebagai dasar untuk membuat keputusan.

4. Memurnikan kembali Training Sequence BCI

Menerapkan teknologi BCI seperti yang diusulkan dalam bagian sebelumnya menimbulkan tantangan baru terutama mengenai penerimaan oleh pengguna sehat. Tahap persiapan yang memakan waktu dari sistem EEG dan kalibrasi detektor BCI membatasi lingkup dari aplikasi mungkin dibuat. Meskipun tahap kalibrasi dapat dioptimalkan di beberapa cara. Secara umum, kita akan menghadapi masalah dari dua sistem adaptif yang dapat berbeda dalam suatu waktu. Baik mesin dan pengguna harus dilatih untuk membiarkan adaptasi mereka berkumpul. Untuk mengatasi masalah yang telah didefinisikan sebelumnya, definisi dari prosedur mendefinisikan aplikasi BCI harus lebih terperinci. Oleh karena itu, kami mengusulkan urutan berikut yang terdiri dari lima tahap, untuk penataan sesi BCI:

Pelatihan Pengguna

Dalam tahap ini pengguna mendapatkan mengakrabkan diri dengan tugas dari tahap Pelatihan Mesin. Tugas ini dapat menghasilkan sinyal BCI terdeteksi, terutama di BCI aktif atau reaktif, atau pada Interaksi Manusia Komputer yang telah di definisikan biasanya bersifat independen dari masukan BCI, untuk menghasilkan sinyal pasif.

Pelatihan Mesin

Dalam paradigma standar pengguna dipandu untuk menghasilkan prototipe dari kegiatan otak yang dapat digunakan sebagai masukan untuk aplikasi BCI yang diusulkan. Dalam tahap ini semua artefak harus dikontrol. Hasil dari tahap ini adalah sebuah sistem, biasanya kombinasi ekstraksi fitur dan classifier, yang mampu membedakan perintah yang dimaksud atau untuk menyimpulkan sebuah aspek dari keadaan kognitif. Kami menamakan sistem ini sebagai detektor.

Tahap Confluence

Di sini, sebuah aplikasi BCI sederhana didefinisikan, yang dapat dikontrol oleh hasil dari detektor yang telah ditetapkan sebelumnya. Tergantung pada kinerja detektor dalam aplikasi awal, sebuah parameter detektor dari mungkin disesuaikan atau, dalam BCI aktif, pengguna dapat belajar bagaimana berinteraksi dengan sistem.

Tahap Validasi

Tahap ini adalah pengujian pertama dari aplikasi BCI yang dimaksud. Hasilnya adalah perkiraan kinerja dari detektor yang ditentukan. Tergantung pada hasil ini, kemudian dapat diputuskan apakah akan mengulangi lagi beberapa dari tiga tahap sebelumnya untuk mendapatkan hasil yang lebih baik.

Tahap Aplikasi

Detektor yang telah didefinisikan dan divalidasi diterapkan untuk menghasilkan masukan kepada teknis sistem yang dihasilkan dari aktivitas otak pengguna. Metode yang mampu melakukan adaptasi secara online dapat digunakan untuk (terus menerus) menyesuaikan parameter detektor untuk mengaitkan perubahan dari keadaan pengguna.

5. BCI aktif dan hybrid: Mengkombinasikan input tatapan mata dengan BCI untuk interaksi tanpa sentuh

Integrasi dari modalitas masukan baru ke dalam HCI telah ditempuh oleh berbagai peneliti. Namun, mendefinisikan mekanisme yang memadai untuk perintah seleksi atau operasi klik kursor tetap merupakan sebuah tantangan. Solusi umum untuk antarmuka pengguna yang dikendalikan oleh tatapan mata adalah waktu diam, di mana sebuah barang terpilih ketika mereka terpaku oleh pengguna untuk durasi yang telah ditentukan. Hal ini memungkinkan untuk interaksi yang lebih cepat daripada  menggunakan mouse (Sibert dan Yakub 2000), tetapi menciptakan masalah dalam menemukan waktu diam yang tepat untuk rangsangan yang kompleks atau ikon. Dalam skenario dunia nyata masalah ini diperkuat oleh variasi tak terduga dalam kompleksitas stimulus, sehingga hampir mustahil untuk mendefinisikan waktu diam yang sesuai.

5.1 Sebuah solusi hybrid BCI

Dalam studi ini, antarmuka otak-komputer aktif (BCI) ditambahkan sebagai input modalitas kedua, melayani sebagai perangkat pemilihan tindakan dalam lingkungan tatapan mata yang terkendali (Vilimek dan Zander 2009). Sebuah kontrol kursor dua dimensi diwujudkan dengan melacak pandangan pengguna dan sebuah isyarat mental yang terdeteksi oleh BCI, imajinasi gerakan dua tangan, berfungsi sebagai perintah pemilihan. Integrasi aplikasi BCI yang aktif dalam HCI memungkinkan kontrol kesadaran secara langsung dan komunikasi melalui BCI.

5.1.a Tugas Percobaan

Pemilihan target berbasis BCI yang diusulkan kemudian dibandingkan dengan dua solusi waktu diam terhadap dua kompleksitas stimulus. Sepuluh peserta (lima perempuan, lima laki-laki) ikut ambil bagian dalam studi ini, melakukan tugas pencarian-dan-pilih. Dalam sebuah susunan melingkar yang terdiri dari 11 string (teks) distraktor yang sama, subyek harus menemukan string identik dengan string target, yang disajikan di tengah-tengah lingkaran (lihat gambar dibawah). Pada tugas ini terdapat dua tingkat kesulitan:  Kondisi “mudah” yang menghadirkan string dari empat huruf dan “sulit” (dengan tujuh karakter huruf), pada batas atas kapasitas memori kerja (Miller, 1994), di mana pengguna dipaksa untuk mengistirahatkan tatapan untuk proses encoding.

Contoh dari tugas pencarian mudah (kiri) dan sulit (kanan)
Contoh dari tugas pencarian mudah (kiri) dan sulit (kanan)

5.1.b Desain Percobaan

Struktur blok eksperimental dipilih sesuai dengan urutan pelatihan yang telah dijelaskan sebelumnya. Selama fase pelatihan pengguna, peserta dibantu untuk membayangkan gerakan tangan, diikuti oleh fase pelatihan mesin selama 15 menit. Selanjutnya, perintah BCI dipraktekkan selama tahap pertemuan, memungkinkan penyesuaian kembali dari ambang batas probabilitas untuk seleksi. Sikap mental yang terpilih untuk pemikiran aktivasi BCI adalah: “membayangkan meremas-remas handuk dengan kedua tangan ke arah yang berlawanan “. Kemudian, selama tahap aplikasi, tugas utama tadi dilakukan oleh para peserta, dengan menggunakan tiga mode aktivasi untuk masing-masing dari dua tingkat kesulitan tugas. Untuk memastikan ketahanan detektor, pengguna dari tugas pelatihan adalah sebuah varian dari tahap aplikasi, dengan perbedaan bahwa kotak abu-abu yang mengandung kata “search” itu menutup string dari lingkaran secara acak. Peserta kemudian mengikuti kotak sampai kata “pilih” muncul. dalam hal kasus ini, mereka harus melakukan gerakan tangan yang dibayangkan. Pelatihan ini memunculkan prototipe untuk dua kondisi mental atau kelas BCI. Satu kelas ditandai oleh pencarian (setelah “kotak pencarian”), yang lain ditandai dengan seleksi perintah (citra motor).

5.1.c BCI Control

Untuk analisis BCI, 32 saluran EEG digunakan, dengan fokus pada wilayah sensorimotor sekitar lokasi C3/C4. Ekstraksi fitur BCI berfokus pada sinkronisasi sensorimotor / desynchronization (Pfurtscheller et al. 1997). Fitur Spec-CSP (Tomioka et al. 2006) extractor digunakan untuk menemukan kombinasi bobot linear optimal untuk masing-masing elektroda dan frekuensi.

5.1.d Hasil

Keuntungan dari BCI hybrid ini diselidiki dari efektifitas pengukuran, efisiensi, permintaan kognitif (beban mental) dan penerimaan pengguna.

Hasil penggunaan BCI hybrid
Hasil penggunaan BCI hybrid

Efektivitas kinerja tugas diukur dengan kesalahan (pilihan target yang palsu), dan ketepatan pemilihan target, masing-masing, atau kondisi “mudah”, akurasi subjek menggunakan solusi berbasis BCI sedikit lebih rendah (88%) dibandingkan dengan waktu diam yang lama (93%), dengan waktu diam yang pendek mengakibatkan akurasi terendah (83,3%) (lihat gambar diatas). Hebatnya, BCI mencapai hasil terbaik dalam akurasi untuk kondisi “sulit” (78,7% benar), tetapi hanya untuk perbedaan waktu diam singkat (51,1% benar) yang signifikan. Sehubungan dengan efisiensi, ditunjukkan oleh waktu dibutuhkan untuk penyelesaian tugas, solusi BCI secara signifikan merupakan metode aktivasi paling lambat di atas kedua kondisi (5.90 s, 8,84 s) (lihat gambar diatas). Keseluruhan pengaruh beban kerja mental, diukur melalui Indeks Beban tugas NASA, menunjukkan tidak ada perbedaan, kecuali untuk satu subskala: ‘jumlah frustasi’. Di sini, metode BCI dinilai rendah (p <0,05) dibandingkan dengan solusi waktu diam. Selain itu, sembilan dari sepuluh peserta lebih suka menggunakan gabungan BCI/ Eye Gaze Interface. Banyak peserta menyatakan menggunakan strategi untuk menghindari mis-seleksi oleh waktu diam, mata mereka bergerak segera untuk item dan kemudian dengan cepat ke ‘daerah aman’. Sehubungan dengan klasifikasi BCI, yang berarti lintas-validasi akurasi adalah 89% (deviasi standerd dari 10,1%). Spec-CSP menunjukkan bobot elektroda tertinggi terhadap korteks motor (lihat Gambar. 11.2) dan bobot tertinggi untuk rentang frekuensi berada di band alpha, untuk karakteristik sensorimotor ritme (SMR).

5.1.e Diskusi

Interaksi yang lebih akurat mengenai rangsangan ‘sulit’, preferensi pengguna yang kuat
dan peringkat frustrasi yang rendah mendukung gagasan menerapkan BCI sebagai tambahan masukan untuk modalitas pada sistem berbasis “Eye Gaze”. Studi ini menunjukkan bahwa BCI aktif  dapat diintegrasikan dengan berhasil ke HCI dengan hibridisasi, menjamin akurasi pemilihan perintah untuk User Interface yang dikendalikan oleh tatapan mata, yang mana , berbeda dengan solusi berdasarkan waktu diam, yang bebas dari kompleksitas stimulus.

6. BCI Pasif: Otomasi Deteksi Error untuk Meningkatkan HCI melalui input sekunder

Contoh untuk BCI pasif diambil dari domain kesalahan dalam interaksi manusia dan komputer. Karena kemampuan deteksi kesalahan BCI didasarkan pada reaksi yang tidak disengaja dan reaksi otomatis otak terhadap konteks lingkungan, ini mendefinisikan BCI pasif, tidak memiliki usaha kognitif tambahan bagi pengguna, dan tidak memiliki  konflik dengan modus utama interaksi.

6.1 Desain Percobaan

Penerapan Error-BCI untuk meningkatkan efisiensi HCI diselidiki dengan memanfaatkan permainan sebagai tugas eksperimental, dalam rangka untuk mensimulasikan situasi dunia nyata dan untuk memastikan motivasi pengguna yang tepat. Tujuan dari pemain adalah untuk memutar salah satu dari dua huruf, yang diambil secara acak dari himpunan {L, R} dan disajikan di depan lingkaran, sampai konfigurasi target yang diberikan dapat tercapai.

Desain contoh percobaan
Desain contoh percobaan

6.2 Percobaan Offline

Dua percobaan pertama berlangsung di bawah kondisi laboratorium yang terkontrol, melibatkan 14 peserta (6 F / 8 M, usia: 21-30 tahun). Selama dua sesi awal pelatihan pengguna (40 putaran masing-masing), peserta belajar aturan permainan dengan berlatih tanpa lawan. Sesi pertama adalah dalam Mode Kontrol Penuh, dan sesi kedua adalah dalam Mode Kontrol yang Dikurangi. Dalam sesi pelatihan mesin berikutnya, peserta bermain melawan lawan yang terlatih dalam Mode Kontrol Dikurangi. Tidak ada
umpan balik online yang diberikan oleh BCI, namun terdapat 54 saluran EEG yang direkam untuk analisis nanti. Error-BCI, kemudian dievaluasi secara offline di sini, mendiskriminasikan dua kelas kondisi: (1) rotasi yang salah dan (2) rotasi yang benar. Skema klasifikasi ini dirancang untuk mendeteksi potensi terkait event (ERP), karena pola ketertarikan EEG adalah ERP.

6.3 Percobaan Online

Percobaan kedua dilakukan di Open House Institut Teknologi Berlin (LNdW 2007). Empat kali dua pemain yang berbeda dari penonton memainkan permainan RLR terhadap satu sama lain. Pengaturan di LNdW berperan sebagai lingkungan yang tidak terkontrol untuk menguji apakah classifier tersebut cukup kuat untuk bekerja dengan baik dalam situasi seperti itu. Setiap pasangan memainkan tiga sesi, yang terdiri dari 40 percobaan per kelas, dan berlangsung selama sekitar 15 menit. Pertama, pelatihan pengguna termasuk salah satu sesi tanpa keadaan error. Pelatihan terhadap mesin yang dilakukan kemudian memberitahukan error pada uji coba dengan probabilitas 30%. Sebuah classifier dilatih berdasarkan uji sampel tahap pelatihan mesin.

Hasil pengujian pada LNdW
Hasil pengujian pada LNdW

6.4 Diskusi

Penelitian yang disajikan dalam bagian ini menunjukkan bahwa dimungkinkan untuk meningkatkan efisiensi HCI melalui BCI pasif, yang merupakan sebuah saluran informasi tambahan. Dengan menyediakan sistem teknis dengan informasi tentang kesalahan yang dirasakan, sistem mampu beradaptasi dengan keadan kofnitif tersembunyi dari user dalam melihat sebuah error atau kesalahan.

7. Kesimpulan

Dalam bab ini, BCI telah diidentifikasi sebagai cara yang mungkin untuk mengakses porsi sangat menarik dari keadan sebuah sistem manusia-komputer -aspek tersembunyi dari keadaan user-. Setidaknya disini disajikan kerangka dari BCI pasif dan hybrid yang tertanam dalam urutan pelatihan yang diuraikan untuk mengarahkan kepada cara-cara baru dan lebih efisien dari interaksi antara manusia dan mesin. menambahkan Teknologi BCI ke sistem interaksi berbasis tatapan mengarah kepada interaksi yang lebih alami dan lebih sedikit terjadi error atau kesalahan. Akses ke interpretasi situasional pengguna memungkinkan untuk adaptasi otomasi pada tingkat yang lebih tinggi dan, untuk HCI yang sangat efisien.

Referensi Bacaan:

Tan, Nijholt. 2010. Brain-Computer Interfaces: Applying our Minds to Human-Computer Interaction. Springer.

Advertisements

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s