El propósito general de esta interfaz es estudiar el efecto del aumento de la señal poli en la obtención de conciencia corporal. Esto se logra mediante el diseño de una interfaz genérica de bucle cerrado, que se puede utilizar con diferentes tecnologías ponibles en diferentes configuraciones experimentales y se puede aplicar en diferentes poblaciones. En este trabajo presentamos una interfaz genérica para muestrear interfaces, sus aplicaciones y su efecto en el sistema humano.
El primer paso del diseño es el uso de diversas tecnologías ponibles que permiten la grabación de señales que provienen de diferentes niveles del sistema nervioso. El segundo paso es el uso de la capa Lab Streaming para lograr la grabación sincronizada y la transmisión en tiempo real de las señales. En el primer paso, los datos de secuencia se extraen por código, desarrollados en el idioma de nuestra preferencia donde se está llevando a cabo el análisis en tiempo real y la extracción de características de una señal seleccionada.
Por lo tanto, en los cuatro pasos los participantes están experimentando el aumento sensorial de características extraídas como el mapeo auditivo de su frecuencia cardíaca al tempo de la canción o la representación visual de sus movimientos. Por último, al aumentar continuamente en tiempo real la información del cuerpo, cerramos el bucle de la interacción de desdoblamiento entre la interfaz y el participante. Las investigaciones sobre cómo el cerebro puede controlar nuestros cuerpos han generado el diseño de interfaces de máquinas cerebrales.
Que aprovechan las señales del sistema nervioso para controlar un dispositivo externo como un exoesqueleto o un brazo robótico. Aquí presentamos interfaces de bucle cerrado que aprovechan las señales del sistema nervioso y las aumentan utilizando un módulo sensorial para ayudar a los participantes a obtener control sobre sus cuerpos. Algunas características esenciales o características de nuestro diseño son una, la grabación sincrónica de datos procedentes de diferentes tecnologías para investigar varios niveles del sistema nervioso y dos es la transmisión de datos y el análisis de los datos para el aumento en tiempo real En ambos estudios de muestra, utilizamos retroalimentación de audio pero en la interfaz de bucle cerrado de audio los bailarines de salsa estaban respondiendo al tempo de la música que se controlaba en tiempo real , basado en el ritmo del corazón.
Para ello utilizamos el lenguaje de programación musical Max para controlar la velocidad de reproducción de los archivos de audio. Los sensores capturan a los bailarines, los latidos del corazón y los picos de R del corazón filtrados se generan mediante una secuencia de comandos de Python. Estos valores máximos se transmiten en tiempo real a Max a través de un control de sonido abierto.
Primero ayudamos al participante a ponerse el traje de captura de movimiento basado en LED y se unió a él, su controlador led inalámbrico. Después de encender el servidor, abra un explorador web, introduzca la dirección IP del equipo servidor e inicie sesión. Si este paso se realiza correctamente, se abrirá el administrador de configuración.
A continuación, abra la interfaz del sistema de captura de movimiento y haga clic en Conectar. para empezar a transmitir los datos desde los marcadores led. Una vez establecida la conexión, la posición de los marcadores se mostrará en el mundo virtual de la interfaz.
Haga clic con el botón derecho en el esqueleto en el lado derecho de la ventana y seleccione nuevo esqueleto para elegir la asignación de marcadores. A continuación, haga clic derecho en el esqueleto de nuevo y seleccione generar esqueleto. Asegúrese de que el participante posa en T-pose.
Si todos los pasos se realizan correctamente, se generará el esqueleto. Para transmitir los datos del esqueleto a LSL, seleccione la configuración y las opciones en el menú principal. Abra OWL Emulador y asegúrese de que ha hecho clic en iniciar la transmisión en vivo.
A continuación, ayuda al mismo participante a ponerse el gorro de cabeza EEG. Llene los electrodos con gel conductor alto y coloque los cables de electrodos. A continuación, enchúrelos en el monitor inalámbrico y enciébalo.
Abra la interfaz del sistema EEG y seleccione el dispositivo wifi de uso. Seleccione el dispositivo y haga clic en usar este dispositivo, haga clic en el icono de la cabeza. Seleccione el protocolo que permite la grabación de los 32 sensores y haga clic en cargar.
Asegúrese de que los datos de secuencia se ajustan y todos se muestran en la interfaz. Para recopilar datos de actividad cardíaca, utilice uno de los canales EEG para conectar el cable de extensión EEG. Utilice un electrodo pegajoso para pegar el otro extremo de la extensión justo debajo de la caja torácica izquierda del participante.
Localice la aplicación LSL del sistema de captura de movimiento en la carpeta LSL y ejecute haciendo doble clic en el icono correspondiente. En la interfaz establezca la dirección del servidor adecuada, haga clic en vincular. Para la transmisión de datos EEG y ECG, no se requieren pasos adicionales.
A continuación localizamos la aplicación de grabadora de laboratorio, que también se encuentra en la carpeta LSL. Ejecute la aplicación haciendo doble clic en ella. Si no se muestran todos los tipos de datos de la captura de movimiento y el sistema EEG en el registro del panel para las secuencias, haga clic en Actualizar.
Seleccione directorio y nombre en el panel de ubicación de almacenamiento y, a continuación, haga clic en iniciar para iniciar la recopilación de datos. Ejecute el MATLAB, Python u otro código que reciba, procese y aumente los datos de secuencia. LSL permite la transmisión de los datos en numerosas plataformas de programación.
Utilizan los objetivos correspondientes a sus ejemplos presentativos descritos en el manuscrito. Visite nuestro enlace de GitHub. En el mercado hay varias tecnologías que crean salidas sensoriales.
Algunos ejemplos comunes son: altavoces, luces, monitores y otros menos comunes, como vibradores de dispositivos hápticos, interfaces gustativas y olfativas. En la interfaz de bucle cerrado de audio logramos aumentar digitalmente la frecuencia cardíaca. Utilizando el lenguaje de programación musical Max, somos capaces de controlar la velocidad de reproducción de los archivos de audio.
Los picos R del corazón filtrado que se imprimen en la consola se transmiten desde la secuencia de comandos de Python a Max. Allí se mide el tiempo de intervalo entre picos y se convierte en latidos por minuto. Los datos se escalan para crear un rango entre cero, la velocidad de reproducción más lenta posible y la velocidad máxima de reproducción.
En este continuo se iguala la velocidad de reproducción normal, 0,5 es igual a la mitad de velocidad y dos es igual a la velocidad de reproducción doble. El diseño de la interfaz genérica se puede utilizar en varias poblaciones. Su protocolo y los ejemplos que se utilizan aquí para proporcionar pruebas de concepto no se limitan a un grupo específico.
Además, las interfaces de bucle cerrado están diseñadas para explorarse y aprenderse intuitivamente. Aunque no debe haber necesidad de instrucciones como parte del procedimiento experimental. En el estudio de la interfaz de bucle cerrado de audio de una interacción dyadic real, dos bailarinas de salsa interactuaron con una interfaz que utiliza la frecuencia cardíaca de las bailarinas femeninas para alterar la velocidad de la canción.
Los bailarines realizaron una rutina bien ensayada y un baile improvisado. En cada condición interpretaron la versión original de la canción una vez y luego su versión alterada por el corazón dos veces. A partir de los datos recogidos estimamos las firmas gamma estocásticas de los picos de micro movimiento extraídos.
Aquí observamos las funciones estimadas de densidad de probabilidad del corazón y los datos musicales. Las figuras de droga demuestran los conjuntos del corazón, que es un órgano autónomo, desde la primera condición bailando la canción en su forma original. A la segunda y tercera condición bailando la canción alterada del corazón.
La figura izquierda corresponde a las tres grabaciones del baile espontáneo, mientras que la figura correcta a las tres grabaciones del baile deliberado. En las cifras inferiores podemos observar los conjuntos correspondientes del audio reproducido. Aquí los conjuntos tienen una dirección opuesta.
En el estudio de la interfaz de bucle cerrado audiovisual de una interacción dyadica artificial, seis participantes interactuaron con una interfaz que crea su avatar reflejado en vivo. Además, incrusta sonidos dependientes de la posición de la cadera. Los participantes fueron ingenuos en cuanto al propósito del estudio; tuvieron que caminar alrededor de la habitación y averiguar cómo controlar el sonido que sorprendentemente surgiría a su paso por la región de interés.
Las cifras demuestran la función de densidad de probabilidad y las correspondientes firmas gamma de los datos de velocidad de cadera de 60 participantes de control de amigos, C1 a C6 cuando estaban dentro y fuera de la región de interés. Los resultados ponen de relieve las diferencias personalizadas en el comportamiento de los participantes cuando están dentro o fuera de la región. Empíricamente hemos encontrado que las firmas ubicadas en la esquina inferior derecha del plano gamma son las de atletas y bailarines que realizan movimientos altamente calificados, las firmas que se encuentran en la región superior izquierda provienen de conjuntos de datos de sistemas nerviosos con patologías.
Por lo tanto, podemos notar que las firmas de la velocidad de la cadera de control tres y cuatro revelan patrones motores más saludables cuando están dentro del volumen. Por el contrario, el resto de los participantes muestran el patrón opuesto. Este enfoque se puede utilizar tanto para obtener una mayor comprensión de la relación entre los movimientos de un bailarín y el sonido.
También se puede utilizar para explorar nuevos enfoques de la composición musical que son dirigidos por información corporal en tiempo real, convirtiendo la música haciendo a una experiencia el aumento de la señal corporal El desarrollo y la investigación en interfaces de bucle cerrado podría beneficiar varios trastornos del sistema nervioso. También podrían ser utilizados en juegos, entrenamiento de movimiento y deportes.
