Vai ai contenuti. | Spostati sulla navigazione | Spostati sulla ricerca | Vai al menu | Contatti | Accessibilità

| Crea un account

Marchetti, Mauro (2012) Covert orienting of visuospatial attention in a brain-computer interface for communication. [Tesi di dottorato]

Full text disponibile come:

[img]
Anteprima
Documento PDF - Versione preliminare (Draft)
2995Kb

Abstract (inglese)

1. Introduction
The multidisciplinary approach of using brain signals for directly controlling external devices, like computers or prosthesis, is named brain-computer interface (BCI). Farwell and Donchin (1988) showed that it is possible for humans to communicate using a BCI, by means of their event-related potentials (ERPs; e.g., P300), without the involvement of their voluntary muscle activity. The use of brain-wave-guided BCIs offered new perspectives regarding communication and control of devices for patients suffering from severe motor impairment or for patients who completely paralyzed, such as the patients affected by amyotrophic lateral sclerosis (ALS), in the latest stages of the illness.
In the last two decades an important scientific and clinical challenge has been the development of efficient BCIs for ALS patients. Most of the progress in the field has been mainly concerned with algorithm improvement for better signal classification. In contrast, only few studies have addressed, to date, the role of cognitive mechanisms underlying the elicitation of brain-signals in BCIs.
In the present study we investigated the possibility to modulate the brain signal and, by doing so, the performance of an ERP-guided BCI system, by designing and implementing three new interfaces in which participants were required to perform covert visuospatial attention orienting (Posner, 1980), in order to control the movement of a cursor on a monitor.

2. Experiment 1
The effects of covert visuospatial attention orienting within an ERP-guided BCI were tested on healthy participants. We compared the effectiveness of three visual interfaces, each of whom elicited different modalities of covert visuospatial attention orienting (exogenous vs. endogenous). Twelve adult participants performed 20 sessions, using the abovementioned ERP-guided BCI interfaces to control the movement of a cursor. Brain waves were recorded on each trial and were subsequently classified online, by means of an ad-hoc algorithm. Each time the target ERPs were correctly classified, the cursor moved towards the target position. The “endogenous” interface was associated with significantly higher performance than the other two interfaces during the testing sessions, but not in the follow-up sessions. Endogenous visuospatial attention orienting can be effectively implemented to increase the performance of ERP-guided BCIs.

3. Experiment 2
To investigate whether the findings reported in Experiment 1 depended on the used classification system, we performed an offline reclassification of the data of Experiment 1. The online analysis of the epochs was made via Independent Component Analysis (ICA), which, in turn, was followed by fixed features extraction and support vector machine (SVM) classification. The offline epochs analysis was performed by means of a genetic algorithm (GA), which permitted us to retrieve the relevant features of the signal to be classified, and then to categorise them with a logistic classifier. The offline analysis confirmed the advantages derived from the use of the “endogenous” interface. The performance-related findings were in line with those obtained in the neurophysiological data analysis. Nonetheless, epoch categorization was performed better with the GA algorithm than with the ICA: the higher mean and the smaller standard deviation of the classification performed with the GA seem to promise a possible improvement of the ERP-guided BCI also on online tests.

4. Experiment 3
On the basis of the results of Experiments 1 and 2, we tested the efficacy of two visual interfaces, each of whom elicited different modalities of covert visuospatial attention orienting (exogenous vs. endogenous), in ALS patients. Ten ALS patients performed 16 online sessions with each interface. Although the ALS patients had a performance of about 70% with both the interfaces, the endogenous interface elicited a larger difference on ERP potentials between target and non-target trials. These results supported the hypothesis that the use of the endogenous interface may offer a more efficient channel of communication for ALS patients with respect to the use of the exogenous interface.

5. Conclusions
Neurological diseases that affect the motor system may impair communication abilities of patients, as in the case of amyotrophic lateral sclerosis. This pathology might evolve in the locked-in syndrome (LIS), a condition in which patients remain conscious but cannot move any of their muscles. For instance, they may become unable to express their opinions and decisions on important questions regarding their clinical treatment or their living and biological wills. The BCIs represent a potential solution to the communication problems of ALS-LIS patients. Despite the fact that more than 20 years have passed since the first published article on a P300-guided BCI, the effects of cognitive mechanisms (i.e., executive functions, attention, memory, etc.) involved in brain signal elicitation have not been investigated extensively.
In the abovementioned experiments, we tested the effect of covert visuospatial attention orienting on an ERP-guided BCI, by comparing a number of visual interfaces, each of whom elicited a different modality of covert visuospatial attention orienting. Taken together, the results supported our main hypothesis: It is possible to modulate the performance of an ERP-guided BCI, by using endogenous or exogenous visuospatial attention orienting. Of particular relevance is the fact that our ALS patients were able to use endogenous visuospatial attention orienting and, by doing so, they could increase their performance in an ERP-guided BCI. We suggest that the study of covert visuospatial attention orienting is essential for developing efficient visual BCIs for patients who cannot control their eye movements.
Implementing principles taken from cognitive psychology, may improve BCIs efficiency. This, in turn, can increase the benefits for patients with severe motor and communication disabilities. Finally, an efficient cognitive-based BCI may have the considerable ethical implication of “giving a voice” to CLIS-ALS patients

Abstract (italiano)

1. Introduzione
Farwell e Donchin (1988) per primi hanno dimostrato la possibilità che l’uomo ha di comunicare usando i potenziali evento correlati (ERP; e.g., P300), senza bisogno di usare alcun muscolo per tale fine. Questa scoperta ha offerto nuove prospettive per la comunicazione ed il controllo di periferiche in pazienti affetti da gravi disabilità motorie o completamente paralizzati, come nel caso dei pazienti affetti da sclerosi laterale amiotrofica (SLA), negli stadi più avanzati di malattia. L’approccio multidisciplinare che consente di tradurre segnali cerebrali direttamente in comandi per controllare computer o protesi meccaniche è chiamato brain-computer interface (BCI). Negli ultimi vent’anni un’importante sfida scientifica è stata quella di sviluppare una BCI efficace, affinché potesse essere usata nella pratica clinica con i pazienti. I progressi più rilevanti fatti finora riguardano principalmente la registrazione e l’elaborazione dei segnali cerebrali, grazie ad algoritmi sempre più potenti ed efficaci nella categorizzazione dei biosegnali.
Minore attenzione è stata posta, invece, nell’investigare il ruolo dei meccanismi cognitivi che sottendono l’uso di una BCI. Nel presente studio è stata indagata la potenzialità dei partecipanti di modulare specifiche onde cerebrali e, di conseguenza, l’efficacia di un sistema BCI guidato dagli ERP, attraverso l’uso di diversi processi di orientamento implicito dell’attenzione visuospaziale (Posner, 1980). A tale scopo sono state progettate e testate tre nuove interfacce visive per controllare il movimento di un cursore su un monitor.

2. Esperimento 1
Nel primo esperimento è stato testato l’effetto dell’orientamento implicito dell’attenzione visuospaziale in partecipanti sani, il cui scopo era di controllare il movimento di un cursore con una BCI guidata da ERP, per raggiungere specifici bersagli. È stato confrontato l’uso di tre interfacce, ciascuna delle quali prevedeva l’utilizzo di una specifica modalità dell’orientamento implicito dell’attenzione visuospaziale (esogeno vs. endogeno). Dodici partecipanti adulti hanno eseguito 20 sessioni, con ciascuna delle tre interfacce. Simultaneamente, gli ERP associati a ciascun trial di ogni interfaccia erano registrati e classificati da un algoritmo ad hoc. Ogni volta che gli ERP associati alla direzione della posizione bersaglio erano correttamente classificati, il cursore era mosso di un passo verso la posizione bersaglio. I partecipanti hanno ottenuto un’accuratezza migliore nel controllo del cursore con l’interfaccia che prevedeva l’orientamento endogeno dell’attenzione visuospaziale rispetto alle due interfacce che prevedevano l’orientamento esogeno.

3. Esperimento 2
Nel secondo studio è stata eseguita una classificazione offline degli ERP registrati nell’Esperimento 1, con lo scopo di verificare se gli effetti ottenuti nell’Esperimento 1 fossero indipendenti dal tipo di algoritmo di classificazione utilizzato. La classificazione online dei segnali cerebrali avveniva attraverso l’analisi delle componenti indipendenti (ICA), un’estrazione di 78 caratteristiche stabilite a priori del segnale, e la loro categorizzazione attraverso un algoritmo matematico di tipo lineare (support vector macchine: SVM). La riclassificazione offline è stata eseguita per mezzo di un algoritmo genetico (genetic algorithm: GA), che rilevava ad personam le caratteristiche significative del segnale, le quali, infine, venivano categorizzate attraverso un classificatore logistico. Il metodo di classificazione offline nell’Esperimento 2 ha confermato l’effetto ottenuto nell’Esperimento 1. Questi risultati sono stati confermati anche dalle analisi statistiche eseguite sui dati neurofisiologici. Inoltre, le medie di accuratezza più alte e la minore variabilità associate al sistema di classificazione offline sembrano offrire potenziali miglioramenti dell’efficacia dell’uso in tempo reale della nostra BCI.

4. Esperimento 3
Alla luce dei risultati riportati negli Esperimenti 1 e 2, è stata testata l’efficacia di un’interfaccia che prevedeva l’uso dell’orientamento esogeno dell’attenzione visuospaziale e di un’altra che prevedeva l’uso dell’orientamento endogeno, con pazienti affetti da SLA. Dieci pazienti con SLA hanno eseguito 16 sessioni con ciascuna delle due interfacce. Anche se i pazienti hanno ottenuto un’accuratezza di circa 70% con entrambe le interfacce, è stata registrata una maggior differenza tra gli ERP target e quelli non-target con l’uso dell’interfaccia “endogena”. Questi risultati supportano l’ipotesi che l’interfaccia che usa l’orientamento endogeno dell’attenzione visuospaziale consenta un miglior controllo del sistema BCI, con conseguenti vantaggi comunicativi per i pazienti affetti da SLA.

5. Conclusioni
Le patologie neurologiche che colpiscono il sistema motorio possono intaccare i normali canali di comunicazione, come nel caso di pazienti affetti dal SLA. Questa malattia può sfociare nello stato denominato sindrome locked-in (LIS), una condizione clinica in cui i pazienti sono completamente paralizzati ma mantengono intatta la loro consapevolezza. Nella condizione di LIS, un paziente non può comunicare, non potendo così esprimere la propria opinione riguardo alle scelte etico-giuridiche legate alla sua condizione clinica. Le BCI rappresentano una potenziale soluzione ai problemi comunicativi dei pazienti nella LIS. Negli ultimi vent’anni di ricerca scientifica sulle BCI è stata rivolta grande attenzione alle componenti tecnologiche implicate nella registrazione del segnale cerebrale e nella sua classificazione in comandi per controllare specifiche periferiche. Viceversa, minor attenzione è stata posta alle caratteristiche dell’utente nell’utilizzo delle BCI, in particolar modo riguardo alle componenti cognitive coinvolte.
Negli esperimenti riportati nella presente tesi, abbiamo testato l’efficacia di diverse interfacce, ciascuna delle quali utilizzava una specifica modalità dell’orientamento implicito dell’attenzione visuospaziale (endogena o esogena). I risultati di questi esperimenti supportano l’ipotesi che è possibile modulare l’efficacia di una BCI guidata da ERP attraverso l’implementazione di interfacce visive che utilizzano diversi principi dell’orientamento implicito dell’attenzione visuospaziale. Tale risultato è di particolare rilevanza dal punto di vista clinico per i pazienti affetti da SLA, negli stadi terminali di malattia, cioè quando entrano nella condizione clinica di LIS. In particolare nell’Esperimento 3 è riportato come l’ampiezza degli ERP sia diversamente modulata nelle due interfacce testate e questo fatto può giocare un ruolo rilevante nello sviluppo di un efficace sistema BCI che permetta la comunicazione a pazienti affetti da SLA nella condizione di completa LIS.
I nostri risultati portano evidenze di come l’implementazione dei principi della psicologia cognitiva nello sviluppo di una BCI ne possano modulare l’efficacia, e questo a vantaggio dei pazienti affetti da gravi disabilità motorie. In conclusione, un’efficace applicazione dei principi cognitivi nello sviluppo delle BCI può avere l’effetto rilevante di “dare una voce” a pazienti in stato di completa LIS

Statistiche Download - Aggiungi a RefWorks
Tipo di EPrint:Tesi di dottorato
Relatore:Priftis, Konstantinos
Dottorato (corsi e scuole):Ciclo 24 > Scuole 24 > SCIENZE PSICOLOGICHE > SCIENZE COGNITIVE
Data di deposito della tesi:30 Gennaio 2012
Anno di Pubblicazione:30 Gennaio 2012
Parole chiave (italiano / inglese):Brain-computer interface, exogenous orienting of visuospatial attention, endogenous orienting of visuospatial attention, amyotrophic lateral sclerosis, event related potentials, P300, late negative component, EEG
Settori scientifico-disciplinari MIUR:Area 11 - Scienze storiche, filosofiche, pedagogiche e psicologiche > M-PSI/02 Psicobiologia e psicologia fisiologica
Struttura di riferimento:Dipartimenti > Dipartimento di Psicologia dello Sviluppo e della Socializzazione
Codice ID:4867
Depositato il:29 Ott 2012 10:54
Simple Metadata
Full Metadata
EndNote Format

Bibliografia

I riferimenti della bibliografia possono essere cercati con Cerca la citazione di AIRE, copiando il titolo dell'articolo (o del libro) e la rivista (se presente) nei campi appositi di "Cerca la Citazione di AIRE".
Le url contenute in alcuni riferimenti sono raggiungibili cliccando sul link alla fine della citazione (Vai!) e tramite Google (Ricerca con Google). Il risultato dipende dalla formattazione della citazione.

Abrahams, S., Leigh, P. N., & Goldstein, L. H. (2005). Cognitive change in ALS: A prospective study. Neurology, 64, 1222-1226. doi:10.1212/01.WNL.0000156519.41681.27 Cerca con Google

Allison BZ, Pineda JA. (2003). ERPs evoked by different matrix sizes: Implications for a brain computer interface (BCI) system. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 11,110-113. doi:10.1109/TNSRE.2003.814448 Cerca con Google

Allison, B. Z., & Pineda, J. A. (2006). Effects of SOA and flash pattern manipulations on ERPs , performance , and preference: Implications for a BCI system. International Journal of Psychophysiology, 59, 127-140. doi:10.1016/j.ijpsycho.2005.02.007 Cerca con Google

Bai, O., Lin, P., Huang, D., Fei, D.-Y., & Floeter, M. K. (2010). Towards a user-friendly brain-computer interface: Initial tests in ALS and PLS patients. Clinical Neurophysiology, 121, 1293-1303. doi:10.1016/j.clinph.2010.02.157 Cerca con Google

Battapady, H., Lin, P., Holroyd, T., Hallett, M., Chen, X., Fei, D. Y., & Bai, O. (2009). Spatial detection of multiple movement intentions from SAM-filtered single-trial MEG signals. Clinical Neurophysiology, 120, 1978-1987. doi:10.1016/j.clinph.2009.08.017 Cerca con Google

Bauernfeind, G., Scherer, R., Pfurtscheller, G., & Neuper, C. (2011). Single-trial classification of antagonistic oxyhemoglobin responses during mental arithmetic. Medical & Biological Engineering and Computing, 49, 979-984. doi:10.1007/s11517-011-0792-5 Cerca con Google

Bayliss, J. D. (2003). Use of the Evoked Potential P3 for for Control in a Virtual Apartment. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 11, 113-116. doi:10.1109/TNSRE.2003.814438 Cerca con Google

Berger, H. (1929). Über das Elektroenkephalogramm des Menschen. Archiv ffir Psychiatrie und Nervenkrankheiten, 87, 527–570. Cerca con Google

Beverina, F., Palmas, G., Silvoni, S., Piccione, F., & Giove, S. (2003). User adaptive BCIs: SSVEP and P300 based interfaces. Psychnology, 1, 331-354. Cerca con Google

Blakely, T., Miller, K. J., Zanos, S. P., Rao, R. P., & Ojemann, J.G. (2009). Robust, long-term control of an electrocorticographic brain-computer interface with fixed parameters. Neurosurgical Focus, 27, E13. doi:10.3171/2009.4.FOCUS0977 Cerca con Google

Bianchi, L., Quitadamo, L. R., Garreffa, G., Cardarilli, G. C., & Marciani, M. G. (2007). Performances evaluation and optimization of brain computer interface systems in a copy spelling task. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 15, 207-16. doi:10.1109/TNSRE.2007.897024 Cerca con Google

Birbaumer, N., Ghanayim, N., Hinterberger, T., Iversen, I. H., Kotchoubey, B., Kübler, A., ..., Flor, H. (1999). A spelling device for the paralysed. Nature, 398, 297-298. doi:10.1038/18581 Cerca con Google

Birbaumer, N., Kübler, A., Ghanayim, N., Hinterberger, T., Perelmouter, J., Kaiser, J., ..., Flor, H. (2000). The thought translation device (TTD) for completely paralyzed patients. IEEE Transactions on Rehabilitation Engineering, 8, 190-193. doi:10.1109/86.847812 Cerca con Google

Birbaumer, N. (2006a). Breaking the silence: Brain-computer interfaces (BCI) for communication and motor control. Psychophysiology, 43, 517-532. doi:10.1111/j.1469-8986.2006.00456.x Cerca con Google

Birbaumer, N. (2006b). Brain-computer-interface research: Coming of age. Clinical Neurophysiology, 117, 479-483. doi:10.1016/j.clinph.2005.11.002 Cerca con Google

Birbaumer, N., Ramos, A., & Cohen, L. G. (2008). Brain-computer interface in paralysis. Current opinion in neurology, 21, 634-638. doi:10.1097/WCO.0b013e328315ee2d Cerca con Google

Birbaumer, N., & Sauseng, P. (2010). Brain-computer interface in neurorehabilitation. In: B. Graimann, B. Allison & G. Pfurtscheller (Eds.), Brain-computer interfaces: Revolutionizing human-computer interaction (pp. 155-169). Heidelberg: Springer. Cerca con Google

Boostani, R., Graimann, B., Moradi, M. H., & Pfurtscheller, G. (2007). A comparison approach toward finding the best feature and classifier in cue-based BCI. Medical & Biological Engineering & Computing, 45, 403-412. doi:10.1007/s11517-007-0169-y Cerca con Google

Brouwer, A.-M., & van Erp, J. B. F. (2010). A tactile P300 brain-computer interface. Frontiers in Neuroscience, 4, 19. doi:10.3389/fnins.2010.00019 Cerca con Google

Brunner, P., Joshi, S., Briskin, S., Wolpaw, J. R., Bischof, H., & Schalk, G. (2010). Does the “P300” speller depend on eye gaze? Journal of Neural Engineering, 7, 056013. doi:10.1088/1741-2560/7/5/056013 Cerca con Google

Brunner, P., Ritaccio, A. L., Emrich, J. F., Bischof, H., & Schalk, G. (2011). Rapid communication with a “P300” matrix speller using electrocorticographic signals (ECoG). Frontiers in Neuroscience 5, 5. doi:10.3389/fnins.2011.00005 Cerca con Google

Cecotti, H., & Gräser, A. (2011). Convolutional neural networks for P300 detection with application to brain-computer interfaces. IEEE Transactions on Pattern Analysis and Machine Intelligence, 33, 433-45. doi:10.1109/TPAMI.2010.125 Cerca con Google

Cedarbaum, J. M., Stambler, N., Malta, E., Fuller, C., Hilt, D., Thurmond, B., & Nakanishi, A. (1999). The ALSFRS-R: A revised ALS functional rating scale that incorporates assessments of respiratory function. Journal of the Neurological Sciences, 169, 13-21. doi:10.1016/S0022-510X(99)00210-5 Cerca con Google

Citi, L., Poli, R., Cinel, C., & Sepulveda, F. (2004). Feature selection and classification in brain computer interfaces by a genetic algorithm. In: Late-braking papers of the Genetic and Evolutionary Computational Conference (GECCO-2004) Cerca con Google

Citi, L., Poli, R., Cinel, C., & Sepulveda, F. (2008). P300-Based BCI Mouse With Genetically-Optimized Analogue Control. IEEE Transaction on Neural Systems and Rehabilitation Engineering, 16, 51-61. doi:10.1109/TNSRE.2007.913184 Cerca con Google

Cohen, J., & Polich, J. (1997). On the number of trials needed for P300. International Journal of Psychophysiology, 25, 249-255. doi:10.1016/S0167-8760(96)00743-X Cerca con Google

Corbetta, M., & Shulman, G. L. (2002). Control of goal-directed and stimulus-driven attention in the brain. Nature Reviews Neuroscience, 3, 201-215. doi:10.1038/nrn755 Cerca con Google

Cover, T. M., & Thomas, J. A. (1991). Elements of information theory. New York: Wiley. Cerca con Google

Dal Seno, B., Matteucci, M., & Mainardi, L. (2008). A genetic algorithm for automatic feature extraction in P300 detection. IEEE International Joint Conference on Neural Networks (Hong Kong: IEEE World Congress on Computational Intelligence), 3145-3152. doi:10.1109/IJCNN.2008.4634243 Cerca con Google

Dal Seno, B., Matteucci, M., & Mainardi, L. T. (2010a). Online detection of P300 and error potentials in a BCI speller. Computational intelligence and neuroscience, 2010, 307254. doi:10.1109/TNSRE.2009.2032642 Cerca con Google

Dal Seno, B., Matteucci, M., & Mainardi, L. T. (2010). The utility metric: A novel method to assess the overall performance of discrete brain-computer interfaces. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 18, 20-8. doi:10.1109/TNSRE.2009.2032642 Cerca con Google

Dennett, D. (1992). Consciousness Explained. New York: Back Bay Books. Cerca con Google

Dodd, M. D., Van der Stigchel, S., Adil Leghari, M., Fung, G., & Kingstone, A. (2008). Attentional SNARC: There's something special about numbers (let us count the ways). Cognition,108, 810-818. doi:10.1016/j.cognition.2008.04.006 Cerca con Google

Donchin, E., Spencer, K. M., & Wijesinghe, R. (2000). The Mental Prosthesis: Assessing the Speed of a Interface, P300-based Brain-Computer Interface. IEEE Transaction on Rehabilitation Engineering, 8, 174-179. doi:10.1109/86.847808 Cerca con Google

Donoghue, J. P. (2002). Connecting cortex to machines: recent advances in brain interfaces. Nature Neuroscience, 5 Suppl, 1085-1058. doi:10.1038/nn947 Cerca con Google

Escolano, C., Antelis, J. M., & Minguez, J. (2011). A Telepresence Mobile Robot Controlled With a Noninvasive Brain-Computer Interface. IEEE Transactions on Systems, Man, and Cybernetics. doi:10.1109/TSMCB.2011.2177968 Cerca con Google

Escolano, C., Murguialday, A. R., Matuz, T., Birbaumer, N., & Minguez, J. (2010). A telepresence robotic system operated with a P300-based brain-computer interface: Initial tests with ALS patients. Conference proceedings: Annual International Conference of the IEEE Engineering in Medicine and Biology Society., 2010, 4476-4480. doi:10.1109/IEMBS.2010.5626045 Cerca con Google

Farwell, L. A., & Donchin, E. (1988). Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials. Electroencephalography and Clinical Neurophysiology, 70, 510-523. doi:10.1016/0013-4694(88)90149-6 Cerca con Google

Furdea, A., Halder, S., Krusienski, D. J., Bross, D., Nijboer, F., & Birbaumer, N. (2009). An auditory oddball (P300) spelling system for brain-computer interfaces. Psychophysiology, 46, 617-625. doi:10.1111/j.1469-8986.2008.00783.x Cerca con Google

Goldberg, D. E. (1989). Genetic algorithms in search, optimization and machine learning. Boston: Kluwer Academic Publishers. Cerca con Google

Goldberg, D. E., Korb, B., & Deb, K. (1989). Messy genetic algorithms: Motivation, analysis, and first results. Complex Systems, 5, 493–530. Cerca con Google

Gu, Y., Farina, D., Murguialday, A. R., Dremstrup, K., Montoya, P., & Birbaumer, N. (2009). Offline identification of imagined speed of wrist movements in paralyzed ALS patients from single-trial EEG. Frontiers in Neuroscience, 3, 62. doi:10.3389/neuro.20.003.2009 Cerca con Google

Guger, C., Daban, S., Sellers, E. W., Holzner, C., Krausz, G., Carabalona, R., ..., Edlinger, G. (2009). How many people are able to control a P300-based brain-computer interface (BCI)? Neuroscience Letters, 462, 94-98. doi:10.1016/j.neulet.2009.06.045 Cerca con Google

Halder, S., Rea, M., Andreoni, R., Nijboer, F., Hammer, E. M., Kleih, S. C., ..., Kübler, A. (2010). Clinical Neurophysiology An auditory oddball brain-computer interface for binary choices. Clinical Neurophysiology, 121, 516-523. doi:10.1016/j.clinph.2009.11.087 Cerca con Google

Halder, S., Agorastos, D., Veit, R., Hammer, E. M., Lee, S., Varkuti, B., Bogdan, M., et al. (2011). Neural mechanisms of brain-computer interface control. NeuroImage, 55, 1779-1790. doi:10.1016/j.neuroimage.2011.01.021 Cerca con Google

Hill, N. J., Lal, T. N., Schröder, M., Hinterberger, T., Wilhelm, B., Nijboer, F., ... , Birbaumer, N. (2006). Classifying EEG and ECoG signals without subject training for fast BCI implementation: Comparison of nonparalyzed and completely paralyzed subjects. IEEE Transaction on Neural Systems and Rehabilitation Engineering, 14, 183-186. doi:10.1109/TNSRE.2006.875548 Cerca con Google

Hinterberger, T., Veit, R., Strehl, U., Trevorrow, T., Erb, M., Kotchoubey, B., ..., Birbaumer, N. (2003a). Brain areas activated in fMRI during self-regulation of slow cortical potentials (SCPs). Experimental Brain Research,152,113-122. doi:10.1007/s00221-003-1515-4 Cerca con Google

Hinterberger, T., Kübler, A., Kaiser, J., Neumann, N., & Birbaumer, N. (2003b). A brain-computer interface (BCI) for the locked-in: comparison of different EEG classifications for the thought translation device. Clinical Neurophysiology, 114, 416-425. doi:10.1016/S1388-2457(02)00411-X Cerca con Google

Hinterberger, T., Schmidt, S., Neumann, N., Mellinger, J., Blankertz, B., Curio, G., & Birbaumer, N. (2004). Brain-Computer Communication and Slow Cortical Potentials. IEEE Transaction on Biomedical Engineering, 51, 1011-1018. doi:10.1109/TBME.2004.827067 Cerca con Google

Hinterberger, T., Wilhelm, B., Mellinger, J., Kotchoubey, B., & Birbaumer, N. (2005a). A Device for the Detection of Cognitive Brain Functions in Completely Paralyzed or Unresponsive Patients. IEEE Transaction on Biomedical Engineering, 52, 211-220. doi:10.1109/TBME.2004.840190 Cerca con Google

Hinterberger, T., Birbaumer, N. & Flor, H. (2005b). Assessment of cognitive function and communication ability in a completely locked-in patient. Neurology, 64, 1307-1108. doi:10.1212/01.WNL.0000156910.32995.F4 Cerca con Google

Hoffmann, U., Vesin, J.-marc, Ebrahimi, T., & Diserens, K. (2008). An efficient P300-based brain–computer interface for disabled subjects. Journal of Neuroscience Methods, 167, 115-125. doi:10.1016/j.jneumeth.2007.03.005 Cerca con Google

Holland, J. H. (1975). Adaptation in natural and artificial systems: An introductory analysis with applications to biology, control, and artificial intelligence. Ann Arbor: University of Michigan Press. Cerca con Google

Irwin, D., Lippa, C. F., & Swearer, J. M. (2007). Cognition and amyotrophic lateral sclerosis (ALS). American Journal of Alzheimer’s Disease and Other Dementias, 22, 300-312. doi:10.1177/1533317507301613 Cerca con Google

Iversen, I. H., Ghanayim, N., Kübler, A., Neumann, N., Birbaumer, N., & Kaiser, J. (2008). A brain-computer interface tool to assess cognitive functions in completely paralyzed patients with amyotrophic lateral sclerosis. Clinical Neurophysiology 119, 2214-2223. doi:10.1016/j.clinph.2008.07.001 Cerca con Google

Jrad, N., Congedo, M., Phlypo, R., Rousseau, S., Flamary, R., Yger, F., & Rakotomamonjy, A. (2011). sw-SVM: sensor weighting support vector machines for EEG-based brain-computer interfaces. Journal of Neural Engineering, 8, 056004. doi:10.1088/1741-2560/8/5/056004 Cerca con Google

Jung, J. P., Humphries, C., Lee, T., Making, S., McKeown, M. J., Iragui, V., & Sejnovski, T. J. (1998). Extended ICA removes artifacts from electroencephalographic recordings. In: Jordan, M. I., Kearns, M. J., & Solla, S. A. (Eds.). Advanced in neural information processing systems 10. Cambridge: MIT Press. Cerca con Google

Jung, J. P., Making, S., Westerfield, M., Townsend, J., Courchesne, E., & Sejnovski, T. J. (2001). Analysis and visualization of single-trial event-related potentials. Human Brain Mapping, 14, 166-185. DOI: 10.1002/hbm.1050 Cerca con Google

Kaper, M., Meinicke, P., Grossekathoefer, U., Lingner, T., & Ritter, H. (2004). BCI Competition 2003 - Data set IIb: Support vector machines for the P300 speller paradigm. IEEE Transaction on Biomedical Engineering, 51, 1073-1076. doi:10.1109/TBME.2004.826698 Cerca con Google

Kennedy, P. R., Bakay, R. A. E., Moore, M. M., Adams, K., & Goldwaithe, J. (2000). Direct Control of a Computer from the Human Central Nervous System. IEEE Transaction on Rehabilitation Engineering, 8, 198-202. doi:10.1109/86.847815 Cerca con Google

Kleih, S. C., Nijboer, F., Halder, S., & Kübler, A. (2010). Motivation modulates the P300 amplitude during brain-computer interface use. Clinical Neurophysiology, 121, 1023-1031. doi:10.1016/j.clinph.2010.01.034 Cerca con Google

Kleih, S. C., Kaufmann, T., Zickler, C., Halder, S., Leotta, F., Cincotti, F., Aloise, F., et al. (2011). Out of the frying pan into the fire--the P300-based BCI faces real-world challenges. Progress in Brain Research, 194, 27-46. doi:10.1016/B978-0-444-53815-4.00019-4 Cerca con Google

Klobassa, D. S., Vaughan, T. M., Brunner, P., Schwartz, N. E., Wolpaw, J. R., Neuper, C., & Sellers, E. W. (2009). Toward a high-throughput auditory P300-based brain-computer interface. Clinical Neurophysiology, 120, 1252-1261. doi:10.1016/j.clinph.2009.04.019 Cerca con Google

Krusienski, D. J., Sellers, E. W., Mcfarland, D. J., Vaughan, T. M., & Wolpaw, J. R. (2008). Toward enhanced P300 speller performance. Journal of Neuroscience Methods, 167, 15-21. doi:10.1016/j.jneumeth.2007.07.017 Cerca con Google

Krusienski D. J., & Shih, J. J. (2011). Control of a visual keyboard using an electrocorticographic brain–computer interface. Neurorehabilitation and Neural Repair, 25, 323-331. doi:10.1177/1545968310382425 Cerca con Google

Kübler, A., Kotchoubey, B., Hinterberger, T., Ghanayim, N., Perelmouter, J., Schauer, M., …, Birbaumer, N. (1999). The thought translation device: a neurophysiological approach to communication in total motor paralysis. Experimental Brain Research, 124, 223-232. doi:10.1007/s002210050617 Cerca con Google

Kübler, A., Kotchoubey, B., Kaiser, J., Wolpaw, J. R., & Birbaumer, N. (2001). Brain-computer communication: Unlocking the locked in. Psychological Bulletin, 127, 358-375. doi:10.1037/0033-2909.127.3.358 Cerca con Google

Kübler, A., Winter, S., Ludolph, A. C., Hautzinger, M., & Birbaumer, N. (2005a). Severity of depressive symptoms and quality of life in patients with amyotrophic lateral sclerosis. Neurorehabilitation and Neural Repair, 19, 182-193. doi:10.1177/1545968305276583 Cerca con Google

Kübler, A., Nijboer, F., Mellinger, J., Vaughan, T. M., Pawelzik, H., Schalk, G., ..., Wolpaw J. R. (2005b). Patients with ALS can use sensorimotor rhythms to operate a brain-computer interface. Neurology, 64, 1775-1777. doi:10.1212/01.WNL.0000158616.43002.6D Cerca con Google

Kübler, A., & Birbaumer, N. (2008). Brain-computer interfaces and communication in paralysis: Extinction of goal directed thinking in completely paralysed patients? Clinical Neurophysiology, 119, 2658-2666. doi:10.1016/j.clinph.2008.06.019 Cerca con Google

Kübler, A., Furdea, A., Halder, S., Hammer, E. M., Nijboer, F., & Kotchoubey, B. (2009). A brain-computer interface controlled auditory event-related potential (p300) spelling system for locked-in patients. Annals of the New York Academy of Sciences, 1157, 90-100. doi:10.1111/j.1749-6632.2008.04122.x Cerca con Google

Kunst, C. B. (2004). Complex genetics of amyotrophic lateral sclerosis. American Journal of Human Genetics, 75, 933-947. doi:10.1086/426001 Cerca con Google

Lakerveld, J., Kotchoubey, B., & Kübler, A. (2008). Cognitive function in patients with late stage amyotrophic lateral sclerosis. Journal of Neurology, Neurosurgery, and Psychiatry, 79, 25-29. doi:10.1136/jnnp.2007.116178 Cerca con Google

Laureys, S., Pellas, F., Van Eeckhout, P., Ghorbel, S., Schnakers, C., Perrin, F., ... , Goldman, S. (2005). The locked-in syndrome: What is it like to be conscious but paralyzed and voiceless? Progress in Brain Research, 150, 495-511. doi:10.1016/S0079-6123(05)50034-7 Cerca con Google

Lebedev, M. A., & Nicolelis, M. A. L. (2006). Brain-machine interfaces: Past, present and future. Trends in Neurosciences, 29, 246-253. doi:10.1016/j.tins.2006.07.004 Cerca con Google

le Cessie, S., & van Houwelingen, J. C. (1992). Ridge estimators in logistic regression. Applied Statistics, 41, 191-201. Cerca con Google

Leuthardt, E. C., Schalk, G., Wolpaw, J. R., Ojemann, J. G., & Moran, D. W. (2004). A brain-computer interface using electrocorticographic signals in humans. Journal of Neural Engineering, 1, 63-71. doi:10.1088/1741-2560/1/2/001 Cerca con Google

Li, Y., Nam, C. S., Shadden, B., and Johnson, S. (2011). A P300-based Brain-Computer Interface (BCI): Effects of Interface Type and Screen Size. International Journal of Human-Computer Interaction, 27, 52-68. doi:10.1080/10447318.2011.535753 Cerca con Google

Liu, Y., Zhou, Z., & Hu, D. (2011). Gaze independent brain-computer speller with covert visual search tasks. Clinical Neurophysiology, 122, 1127-1136. doi:10.1016/j.clinph.2010.10.049 Cerca con Google

Logothetis, N. K., & Pfeuffer, J. (2004). On the nature of the BOLD fMRI contrast mechanism. Magnetic Resonance Imaging, 22,1517-1531. doi:10.1016/j.mri.2004.10.018 Cerca con Google

Lotte, F., Congedo, M., Lécuyer, A., Lamarche, F., & Arnaldi, B. (2007). A review of classification algorithms for EEG-based brain-computer interfaces. Journal of Neural Engineering, 4, R1. doi:10.1088/1741-2560/4/2/R01 Cerca con Google

Matuz, T., Birbaumer, N., Hautzinger, M., & Kübler, A. (2010). Coping with amyotrophic lateral sclerosis: an integrative view. Journal of Neurology, Neurosurgery, and Psychiatry, 81(8), 893-8. doi:10.1136/jnnp.2009.201285 Cerca con Google

McFarland, D. J., Anderson, C., Muller, K., Schlogl, A., & Krusienski, D. (2006). Bci meeting 2005-workshop on bci signal processing: Feature extraction and translation, IEEE Transactions on Neural Systems and Rehabilitation Engineering, 14, 135-138. doi:10.1109/TNSRE.2006.875637 Cerca con Google

Miceli, G., Laudanna, A., Burani, C., & Capasso, R. (1994). Batteria per l’analisi dei deficit afasici (B.A.D.A.). Roma: CEPSAG. Cerca con Google

Millán, J. D. R., Rupp, R., Müller-Putz, G. R., Murray-Smith, R., Giugliemma, C., Tangermann, M., Vidaurre, C., et al. (2010). Combining Brain-Computer Interfaces and Assistive Technologies: State-of-the-Art and Challenges. Frontiers in Neuroscience, 4, 161. doi:10.3389/fnins.2010.00161 Cerca con Google

Mugler, E. M., Ruf, C. a, Halder, S., Bensch, M., & Kubler, A. (2010). Design and implementation of a P300-based brain-computer interface for controlling an internet browser. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 18, 599-609. doi:10.1109/TNSRE.2010.2068059 Cerca con Google

Münßinger, J. I., Halder, S., Kleih, S. C., Furdea, A., Raco, V., Hösle, A., & Kübler, A. (2010). Brain painting: First evaluation of a new brain-computer interface application with ALS-patients and healthy volunteers. Frontiers in Neuroscience, 4, 182. doi:10.3389/fnins.2010.00182 Cerca con Google

Murguialday, A. R., Hill, J., Bensch, M., Martens, S., Halder, S., Nijboer, F., ..., Birbaumer, N. (2011). Transition from the locked in to the completely locked-in state: A physiological analysis. Clinical neurophysiology, 122, 925-933. doi:10.1016/j.clinph.2010.08.019 Cerca con Google

Murray, L. M., Talbot, K., & Gillingwater, T. H. (2010). Neuromuscular synaptic vulnerability in motor neurone disease: Amyotrophic lateral sclerosis and spinal muscular atrophy. Neuropathology and Applied Neurobiology, 36, 133-156. DOI: 10.1111/j.1365-2990.2010.01061.x Cerca con Google

Neuper, C., Muller, G., Kubler, a, Birbaumer, N., & Pfurtscheller, G. (2003). Clinical application of an EEG-based brain–computer interface: A case study in a patient with severe motor impairment. Clinical Neurophysiology, 114, 399-409. doi:10.1016/S1388-2457(02)00387-5 Cerca con Google

Nicolelis, M. a. (2001). Actions from thoughts. Nature, 409, 403-407. doi:10.1038/35053191 Cerca con Google

Nijboer, F., Sellers, E. W., Mellinger, J., Jordan, M. A., Matuz, T., Furdea, A., & Halder, S. (2008). A P300-based brain-computer interface for people with amyotrophic lateral sclerosis. Clinical Neurophysiology, 119, 1909-1916. doi:10.1016/j.clinph.2008.03.034 Cerca con Google

Parra LC, Spence CD, Gerson AD, Sajda P. (2003). Response error correction - A demonstration of improved human-machine performance using real-time EEG monitoring. IEEE Transaction on Neural Systems and Rehabilitation Engineering, 11, 173-177. doi:10.1109/TNSRE.2003.814446 Cerca con Google

Pfurtscheller, G., & Neuper C. (2006). Future prospects of ERD/ERS in the context of brain-computer interface (BCI) developments. Progress in Brain Research, 159, 433-437. doi:10.1016/S0079-6123(06)59028-4 Cerca con Google

Pfurtscheller, G., Brunner, C., Schlo, A., & Lopes, F. H. (2006). Mu rhythm (de)synchronization and EEG single-trial classification of different motor imagery tasks. NeuroImage, 31, 153-159. doi:10.1016/j.neuroimage.2005.12.003 Cerca con Google

Phukan, J., Pender, N. P., & Hardiman, O. (2007). Cognitive impairment in amyotrophic lateral sclerosis. Lancet Neurology, 6, 994-1003. doi:10.1016/S1474-4422(07)70265-X Cerca con Google

Piccione, F., Giorgi, F., Tonin, P., Priftis, K., Giove, S., & Silvoni, S. (2006). P300-based brain computer interface: Reliability and performance in healthy and paralysed participants. Clinical Neurophysiology, 117, 531-537. doi:10.1016/j.clinph.2005.07.024 Cerca con Google

Piccione, F., Priftis, K., Tonin, P., & Vidale, D. (2008). Task and Stimulation Paradigm Effects in a P300 Brain Computer Interface Exploitable in a Virtual Environment: A Pilot Study. Psychnology, 6, 99-108. Cerca con Google

Posner, M. I. (1980). Orienting of attention. The Quarterly Journal of Experimental Psychology. 32, 3-25. doi:10.1080/00335558008248231 Cerca con Google

Posner, M. I., & Petersen, S. E. (1990). The attention system of the human brain. Annual review of Neuroscience, 13, 25-42. doi:10.1146/annurev.ne.13.030190.000325 Cerca con Google

Rakotomamonjy, A., & Guigue, V. (2008). BCI Competition III: Dataset II- Ensemble of SVMs for BCI P300 Speller. IEEE Transaction on Biomedical Engineering , 55, 1147-1154. doi:10.1109/TBME.2008.915728 Cerca con Google

Rastjoo, A., & Arabalibeik, H. (2009). Evaluation of hidden markov model for P300 detection in EEG signal. Studies in Health Technology and Informatics, 142, 265-267. doi:10.3233/978-1-58603-964-6-265 Cerca con Google

Rezaei, S., Tavakolian, K., Nasrabadi, A. M., & Setarehdan, S. K. (2006). Different classification techniques considering brain computer interface applications. Journal of Neural Engineering, 3, 139-144. doi:10.1088/1741-2560/3/2/008 Cerca con Google

Schalk, G., Miller, K. J., Anderson, N. R., Wilson, J. A., Smyth, M. D., Ojemann, J. G., ..., Leuthardt, E. C. (2008). Two-dimensional movement control using electrocorticographic signals in humans. Journal of Neural Engineering, 5, 75-84. doi:10.1088/1741-2560/5/1/008 Cerca con Google

Schreuder, M., Blankertz, B., & Tangermann, M. (2010). A new auditory multi-class brain-computer interface paradigm: Spatial hearing as an informative cue. PloS One, 5, e9813. doi:10.1371/journal.pone.0009813 Cerca con Google

Sellers, E. W., & Donchin, E. (2006). A P300-based brain-computer interface: initial tests by ALS patients. Clinical Neurophysiololgy, 117, 538- 548. doi:10.1016/j.clinph.2005.06.027 Cerca con Google

Sellers, E. W., Krusienski, D. J., Mcfarland, D. J., Vaughan, T. M., & Wolpaw, J. R. (2006). A P300 event-related potential brain-computer interface ( BCI ): The effects of matrix size and inter stimulus interval on performance. Biological Psychology, 73, 242-252. doi:10.1016/j.biopsycho.2006.04.007 Cerca con Google

Sellers, E. W., Vaughan, T. M., & Wolpaw, J. R. (2010). A brain-computer interface for long-term independent home use. Amyotrophic Lateral Sclerosis, 11, 449-455. doi:10.3109/17482961003777470 Cerca con Google

Serby, H., Yom-tov, E., & Inbar, G. F. (2005). An Improved P300-Based Brain-Computer Interface. IEEE Transaction on Neural Systems and Rehabilitation Engineering, 13, 89-98. doi:10.1109/TNSRE.2004.841878 Cerca con Google

Silvoni, S., Volpato, C., Cavinato, M., Marchetti, M., Priftis, K., Merico, A., Tonin, P., et al. (2009). P300-based brain-computer interface communication: Evaluation and follow-up in amyotrophic lateral sclerosis. Frontiers in Neuroscience, 3, 60. doi:10.3389/neuro.20.001.2009 Cerca con Google

Sitaram R, Caria A, Veit R, Gaber T, Rota G, Kübler A, & Birbaumer N. (2007a). FMRI brain-computer interface: a tool for neuroscientific research and treatment. Computational Intelligence and Neuroscience, 2007, 25487. doi:10.1155/2007/25487 Cerca con Google

Sitaram, R., Zhang, H., Guan, C., Thulasidas, M., Hoshi, Y., Ishikawa, A., ... , Birbaumer N. (2007b). Temporal classification of multichannel near-infrared spectroscopy signals of motor imagery for developing a brain-computer interface. Neuroimage, 34,1416-1427. doi:10.1016/j.neuroimage.2006.11.005 Cerca con Google

Sitaram, R., Caria, A., & Birbaumer, N. (2009). Hemodynamic brain-computer interfaces for communication and rehabilitation. Neural Networks, 22, 1320-1328. doi:10.1016/j.neunet.2009.05.009 Cerca con Google

Sitaram, R., Lee, S., Ruiz, S., Rana, M., Veit, R., & Birbaumer, N. (2011). Real-time support vector classification and feedback of multiple emotional brain states. Neuroimage, 56, 753-765. doi:10.1016/j.neuroimage.2010.08.007 Cerca con Google

Smith, E., & Delargy, M. (2005). Locked-in syndrome. British Medical Journal, 330, 406-409. doi:10.1136/bmj.330.7488.406 Cerca con Google

Stone, M. (1974). Cross validation and multinomial prediction. Biometrika, 61, 509-515. doi:10.1093/biomet/61.3.509 Cerca con Google

Sutton, S., Braren, M., Zubin, J., & John, E.R. (1965). Evoked-Potential Correlates of Stimulus Uncertainty. Science, 150, 1187-1188. doi:10.1126/science.150.3700.1187 Cerca con Google

Takano, K., Komatsu, T., Hata, N., Nakajima, Y., & Kansaku, K. (2009). Visual stimuli for the P300 brain-computer interface: A comparison of white/gray and green / blue flicker matrices. Clinical Neurophysiology, 120, 1562-1566. doi:10.1016/j.clinph.2009.06.002 Cerca con Google

Thulasidas, M., Guan, C., & Wu, J. (2006). Robust classification of EEG signal for brain-computer interface. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 14, 24-29. doi:10.1109/TNSRE.2005.862695 Cerca con Google

Townsend, G., Lapallo, B. K., Boulay, C. B., Krusienski, D. J., Frye, G. E., Hauser, C. K., & Sellers, E. W. (2010). A novel P300-based brain-computer interface stimulus presentation paradigm: Moving beyond rows and columns. Clinical Neurophysiology, 121, 1109-1120. doi:10.1016/j.clinph.2010.01.030 Cerca con Google

Treder, M. S., & Blankertz, B. (2010). (C)overt attention and visual speller design in an ERP-based brain-computer interface. Behavioral and Brain Functions, 6, 28. doi:10.1186/1744-9081-6-28 Cerca con Google

Treder, M. S., Schmidt, N. M., & Blankertz, B. (2011). Gaze-independent brain–computer interfaces based on covert attention and feature attention. Journal of Neural Engineering, 8, 066003. doi:10.1088/1741-2560/8/6/066003 Cerca con Google

Umiltà, C. A. (2001). Mechanisms of attention. In: Rapp, B. (Ed.). Handbook of Cognitive Neuropsychology. Hove (UK): Psychology Press. Cerca con Google

van Gerven, M. Farquhar, J., Schaefer, R., Vlek, R., Geuze, J., Nijholt, A., ..., Desain P. (2009). The brain-computer interface cycle. Journal of Neural Engineering, 6, 041001. doi:10.1088/1741-2560/6/4/041001 Cerca con Google

van Rijsbergen, C. J. (1979). Information Retrieval - 2nd ed. Newton: Butterworth-Heinemann Cerca con Google

Volosyak, I. (2011). SSVEP-based Bremen-BCI interface--boosting information transfer rates. Journal of Neural Engineering, 8, 036020. doi:10.1088/1741-2560/8/3/036020 Cerca con Google

Wang, T., Deng, J., & He, B. (2004). Classifying EEG-based motor imagery tasks by means of time-frequency synthesized spatial patterns. Clinical Neurophysiology, 115, 2744-2753. doi:10.1016/j.clinph.2004.06.022 Cerca con Google

Weiskopf, N. (In press). Real-time fMRI and its application to neurofeedback. Neuroimage. doi:10.1016/j.neuroimage.2011.10.009 Cerca con Google

Wolpaw, J. R., Birbaumer, N., Mcfarland, D. J., Pfurtscheller, G., & Vaughan, T. M. (2002). Brain-computer interfaces for communication and control. Clinical Neurophysiology, 113, 767-791. doi:10.1016/S1388-2457(02)00057-3 Cerca con Google

Wolpaw, J. R., & McFarland, D. J. (2004). Control of a two-dimensional movement signal by a noninvasive brain-computer interface in humans. Proceedings of the National Academy of Sciences of the United States of America, 101, 17849-17854. doi:10.1073/pnas.0403504101 Cerca con Google

Wolpaw, J. R. (2010). Brain-computer interface research comes of age: Traditional assumpiont meet emerging realities. Journal of Motor Behavior, 42, 351-353. doi:10.1080/00222895.2010.526471 Cerca con Google

Wright, R. D., & Ward, L. M. (2008). Orienting of attention. New York: Oxford University Press. Cerca con Google

Xu, N., Gao, X., Hong, B., Miao, X., Gao, S., & Yang, F. (2004). BCI Competition 2003-Data set IIb: enhancing P300 wave detection using ICA-based subspace projections for BCI applications. IEEE Transaction on Biomedical Engineering, 51, 1067-1072. doi:10.1109/TBME.2004.826699 Cerca con Google

Zhang, J., Sudre, G., Li, X., Wang, W., Weber, D. J., & Bagic, A. (2009). Clustering linear discriminant analysis for MEG-based brain computer interfaces. IEEE Transaction on Neural Systems and Rehabilitation Engineering, 19, 221-231. doi:10.1109/TNSRE.2011.2116125 Cerca con Google

Zhu, D., Bieger, J., Molina, G. G., & Aarts, R. M. (2010). A Survey of Stimulation Methods Used in SSVEP-Based BCIs. Computational Intelligence, 2010, 702357. doi:10.1155/2010/702357 Cerca con Google

Download statistics

Solo per lo Staff dell Archivio: Modifica questo record