X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 211

Implementacao de uma ICC-SSVEP para o Comando de uma Cadeira de Rodas Robotica

Sandra Mara Torres Muller, Teodiano Freire Bastos Filho* e Mario Sarcinelli Filho*

Departamento de Engenharia e Computacao, Universidade Federal do Espırito Santo - UFESRodovia BR101-Norte, Km 60, 29932-540, Sao Mateus-ES, Brasil

*Departamento de Engenharia Eletrica, Universidade Federal do Espırito Santo - UFESAv. Fernando Ferrari, 514 – 29075-910, Vitoria-ES, Brasil

Emails: sandramuller@ceunes.ufes.br, {teodiano, mario.sarcinelli}@ele.ufes.br

Abstract— This work presents a Brain-Computer Interface (BCI) based on the Steady-State Visual EvokedPotential (SSVEP) that can discriminate four classes once per second. A statistical test is used to extract theevoked response and a decision tree is used to discriminate the stimulus frequency. Designed according suchapproach, volunteers were capable to online operate a BCI with hit rates varying from 60% to 100%. Moreover,a robotic wheelchair could be commanded through an indoor environment using such BCI. As an additionalfeature, such BCI incorporates a visual feedback, which is essential for improving the performance of the wholesystem. All of this aspects allowed to use this BCI to command a robotic wheelchair efficiently.

Keywords— Visual evoked potential, BCI, EEG analysis

Resumo— Este trabalho apresenta um Interface Cerebro-Computador (ICC) com base em Potenciais EvocadosVisuais (do ingles, SSVEP) que discrimina quatro classes, uma a cada segundo. Um teste estatıstico e utilizadopara extrair a resposta evocada, e uma arvore de decisao e usada para discriminar a frequencia de estımulo.Projetada segundo essa abordagem, os voluntarios sao capazes para operar a ICC de forma online com taxasde acerto variando de 60% a 100%. Alem disso, uma cadeira de rodas robotica pode ser comandada por umambiente fechado usando tal ICC. Como uma caracterıstica adicional, tal ICC incorpora uma biorrealimentacaovisual que e essencial para a melhoria do desempenho do sistema. Todos esses aspectos permitiram usar essaICC para comandar uma cadeira de rodas robotica de forma eficiente.

Palavras-chave— ICC, SSVEP, Cadeira de Rodas Robotica

1 Introducao

Uma caracterıstica que distingue os humanos deoutras especies e sua habilidade em comunicar.Comunicacao pode ser definida como um processopara expressar e compartilhar experiencias entreas pessoas. Algumas tendencias observadas emcomunicacao sao as tecnologias de mıdia e as in-terfaces entre o homem e a maquina (Ebrahimiet al., 2003). Apesar de muitas inovacoes tecno-logicas terem acontecido durante nossa era, a in-teracao homem-maquina nao tem avancado coma velocidade esperada. Os principais instrumen-tos desta interacao continua sendo o teclado e omouse. Entretanto, algumas pesquisas indicamque esta interacao pode ser estendida a outrasmodalidades, tais como visao, tato, cheiro e voz(Ebrahimi et al., 2003). A solucao para um maioravanco aponta para a fonte de nossos sentidos eemocoes: o cerebro humano. Apesar de sermoscapazes de monitorar processos fisiologicos, comopressao sanguınea, atividades musculares e cardıa-cas, uma interface natural entre o corpo e o moni-toramento cerebral e necessaria. Assim, os sinaiscerebrais indicam um novo modo de comunicacao:a Interface Cerebro-Computador (ICC).

Muitas ICCs ja desenvolvidas se destinam amelhoria de vida de pessoas com deficiencia, quepode se tornar realidade fora do mundo do la-boratorio usando uma combinacao da tecnolo-gia das ICCs junto com a tecnologia assistiva(del R. Millan et al., 2010). ICCs tem sidousadas com sucesso em alguns contextos, como

o comando de um robo ou uma cadeira de ro-das robotica (Ferreira et al., 2008), (Muller, Ce-leste, Bastos-Filho e Sarcinelli-Filho, 2010) e (delR. Millan et al., 2009); operacao de dispositivosproteticos (Muller-Putz et al., 2005); selecao deletras em um teclado virtual (Friman, Lusth, Vo-losyak e Graser, 2007); acesso a Internet (Karimet al., 2006); navegacao em ambiente de realidadevirtual (Leeb et al., 2007) e jogos de computa-dor (Lalor et al., 2005), (Nijholt et al., 2008).Mais ainda, ICCs podem ser usadas por pes-soas saudaveis para aplicacoes em areas de co-municacao, jogos e entretenimento computacional(Nijholt et al., 2008).

Atualmente, alguns estudos mostram que amaioria da populacao e capaz de usar uma ICC.Em (Guger et al., 2003) e apresentado um es-tudo com 99 pessoas saudaveis que tentam con-trolar o movimento horizontal de uma barra emum monitor de computador a partir da imagina-cao motora. O resultado encontrado e que apro-ximadamente 93,3% das pessoas conseguiam con-trolar totalmente com cerca de 59% de precisao.Um outro estudo similar, apresentado em (Gugeret al., 2009), mostra o resultado obtido com umaICC com base no potencial P300 com o propositode digitacao de palavras. Este estudo foi reali-zado com 100 pessoas que tiveram 5 min de trei-namento e, como resultado, 89% dos voluntariosforam aptos para digitar palavras com uma pre-cisao variando de 80% a 100%, e somente menosde 3% nao conseguiram escolher nenhum caracterecorretamente. Estes estudos mostram que e possı-

X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 212

vel estender o uso das ICCs para grande parte dapopulacao quando essa se tornar um dispositivopratico e facil de usar, o que requer uma defini-cao dos proximos passos no desenvolvimento dasICCs.

Entre os paradigmas usados no desenvolvi-mento de uma ICC, existe aquele que toma porbase os Potenciais Evocados Visuais em EstadoPermanente (do ingles, Steady-State Visual Evo-ked Potential - SSVEP). A componente funda-mental e os harmonicos da frequencia de emissaode um estımulo visual estarao presentes no sinal deEletroEncefaloGrama (EEG). As ICCs com basenesses potenciais sao chamadas de ICC-SSVEP, eo interesse em desenvolver este tipo de ICC e de-vido principalmente a robustez deste fenomeno, jaque este potencial e uma resposta inerente do ce-rebro humano. Isto leva a um rapida adaptacaodo indivıduo em operar tal ICC (Friman, Volosyake Graser, 2007).

As ICCs-SSVEP suportam um numero maiorde comandos do que as ICCs com base em ima-ginacao motora (Wolpaw et al., 2002), e tam-bem podem alcancar uma alta Taxa de Tran-ferencia de Informacao (TTI). Por exemplo, asICCs que nao sao baseadas em SSVEPs alcancamuma TTI de 10 a 25 bits/min, enquanto que asICCs-SSVEPs atuais alcancam ate 100 bits/min(Vialatte et al., 2010). A alta TTI em uma ICC-SSVEP e devido ao alto numero de comandos (ate13 comandos simultaneos (Cheng et al., 2002),(Wang et al., 2006)), e porque os SSVEPs saoinduzidos por estımulos visuais externos que saomais robustos e faceis de controlar que um estı-mulo gerado internamente. Portanto, de acordocom (Martinez et al., 2007), as vantagens destetipo de ICC sao a alta TTI com uma mınimarequisicao de treinamento, robustez em relacao aruıdos e artefatos e a relativa facilidade para au-mentar o numero de comandos. Entretanto, a es-timulacao com pequenos quadriculados piscandopode causar fadiga se a ICC e utilizada por umlongo perıodo de tempo.

Neste contexto, este trabalho apresenta umaICC-SSVEP desenvolvida para comandar uma ca-deira de rodas robotica de forma eficiente. Paraisso, e necessario implementar alguns passos nodesenvolvimento da ICC, como apresentado na Se-cao 2. Os resultados qualitativos sao mostrados naSecao 3, enquanto a Secao 4 apresenta as conclu-soes finais do trabalho.

2 Sistema Desenvolvido

2.1 Experimentos

Nos experimentos desenvolvidos, os voluntarios sesentaram em uma cadeira confortavel, a uma dis-tancia de 0,7 m de um monitor LCD de 17 polega-das. Foi pedido aos mesmos para visualizar uma

tela de estimulacao formada por 4 tarjas de qua-drıculos piscando, geradas por uma FPGA. Essatela de estimulacao de quatro tarjas e apresen-tada simultaneamente para o usuario. Sao tam-bem usados quatro LEDs dispostos nas extremi-dades da tela, os quais funcionam como uma bi-orrealimentacao visual (Figura 1). Doze canais deEEG foram registrados, com um eletrodo de re-ferencia situado na orelha esquerda, amostradosa 600 amostras/s e filtrados com um filtro passa-banda de 0,1 a 100 Hz. O equipamento utilizadopara a gravacao do sinal de EEG foi o BrainNet-36, da EMSA Equipamentos Ltda. O sinal foiadquirido em intervalos de 1 s usando um sistemaproxy chamado de EEGProxy. O eletrodos foramcolocados de acordo com o sistema internacional10-20 estendido e suas posicoes foram P7, PO7,PO5, PO3, POz, PO4, PO6, PO8, P8, O1, O2 eOz. Na fase de pre-processamento foi usado um fil-tro digital passa-bandas elıptico de quinta ordemna faixa de 3 a 60 Hz. Alem disso, foi implemen-tado um filtro espacial com base no metodo deReferencia de Media Comum (do ingles, CAR).

Figura 1: Sistema de aquisicao com sistema debiorrealimentacao visual.

No primeiro experimento, foi realizada umaaquisicao de sinais onde era pedido aos volunta-rios para mirar a tela sem nenhum estımulo, etapaesta que foi chamada de estado de repouso. De-pois da aquisicao do estado de repouso de doisminutos, uma unica rodada de 160 s foi executadapor cada voluntario. Nesta rodada era pedido aoindivıduo para mirar cada tarja por 10 s quatro ve-zes. As frequencias de estımulo foram 5,6 rps (emcima), 6,4 rps (direita), 6,9 rps (em baixo) e 8,0rps (esquerda). Um aviso sonoro foi utilizado paraavisar ao voluntario sobre a mudanca da tarja aser observada. O experimento foi conduzido semo uso do sistema de biorrealimentacao, e quatrovoluntarios masculinos saudaveis, com idades en-tre 23 e 36, chamados de Vol15, Vol21, Vol25 eVol28, participaram deste primeiro experimento.O segundo experimento foi realizado usando reali-mentacao visual, e somente tres voluntarios Vol1,Vol10 e Vol28 participaram. Novamente, o sinalde EEG durante o estado de repouso foi adqui-rido seguido da livre escolha da tarja observada

X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 213

por parte do usuario.

2.2 Extracao de Caracterısticas

Considere que f(n) e a resposta evocada associadaao SSVEP, e y(n) corresponda as oscilacoes indu-zidas no sinal de EEG (Liavas et al., 1998). Entao,o sinal de EEG gravado durante o perıodo de re-pouso antes da estimulacao, xpre(n), e durante aestimulacao, xpos(n), sao descritos por

xpre(n) = ypre(n)

xpos(n) = f(n) + ypos(n).

Como demonstrado em (de Sa et al., 2006),o periodograma de Bartlett pode ser usado paraaumentar a significancia estatıstica da estimativado espectro, isto e,

PB(f) =1M

M−1∑m=0

P (m)xx (f),

onde M e o numero de todos os segmentos dex(n) que sao independentes e tem a mesma dura-cao, e P (m)

xx (f) e o espectro estimado do m-esimosegmento. Portanto, PB(f) tem uma distribuicaochi-quadrada com 2M graus de liberdade, ou seja,χ2

2M . Assim, este teste-F , chamado de Teste F-Espectral (TFE) (de Sa et al., 2006), pode serexpresso como

TFE(f) =Pxxpos(f)Pyypre(f)

,

cuja hipoteses nula e alternativa sao: H0 : f(n) =0, and H1 : H0 e falsa. Sem a resposta evocada,sob H0, tem-se que

My

MxTFE(f) ∼ F2Mx,2My

,

onde Mx e o numero de segmentos usados paraestimar o espectro durante a estimulacao, e My

e o numero de segmentos usados para estimaro espectro durante o perıodo de repouso (de Saet al., 2006). Consequentemente, H0 e rejeitado(α = 0, 05) usando o valor crıtico dado por

TFEcrit = F(2Mx,2My,α).

Ou seja, o valor crıtico corresponde a hipotese nulaH0 de ausencia de resposta. Portanto, a presencada resposta evocada sera considerada para valoresdo espectro que estao acima deste valor crıtico.

2.3 Classificacao

A partir do teste-F desenvolvido na Secao 2.2,os parametros do classificador sao selecionados

de acordo com os picos que ultrapassam o valorTFEcrit. Como nao existe nenhuma metrica paraos pontos que se desejam classificar, foi escolhidoentao um classificador baseado em regras. Paraisso, uma arvore de decisao foi desenvolvida e osseus parametros foram relacionados com a ampli-tude destes picos e o valor de frequencia associado.Esses parametros sao convertidos em atributos ca-pazes de modelar o sistema de forma adequada.

Para cada amostra a arvore de decisao pos-sui tres atributos, A1, A2 e A3, relacionados aosdez primeiro picos (se existirem) que rejeitam H0

no teste estatıstico. Mais detalhes podem serconferidos em (Muller, Bastos-Filho e Sarcinelli-Filho, 2010). A arvore de decisao desenvolvidae mostrada na Figura 2. Observe que ha umaclasse para cada frequencia de estımulo, e quandoa arvore classifica a amostra como pertencente aclasse X significa que aquela amostra nao foi clas-sificada. A fase de treinamento nao e necessaria,o que representa uma grande vantagem devido areducao do custo computacional.

Figura 2: Arvore de decisao implementada.

2.4 Interface Grafica

Com o objetivo de facilitar a interacao entre o sis-tema e o usuario, uma interface grafica foi desen-volvida usando a ferramenta GUI (Graphical UserInterface) do Matlab, como ilustrado na Figura 3.Assim, o usuario pode ajustar alguns parametros,tais como o seu nome, as frequencias de estımulo,e como o usuario pode observar os resultados daclassificacao.

Figura 3: Interface grafica desenvolvida.

A configuracao da interface e dividida em tresetapas. A primeira esta relacionada ao sinal de

X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 214

repouso. Esta parte e preenchida com o nome dousuario e o tempo de aquisicao deste sinal. Entao,a barra Status informa o progresso dessa aquisi-cao. Na segunda parte e possıvel configurar asfrequencias de estımulo usadas na ICC. Na ter-ceira e ultima parte, e configurado o processo deexibicao do resultado da classificacao. O primeiroajuste e sobre o uso ou nao da porta serial. Estaporta e responsavel por operar o sistema de bi-orrealimentacao, que pode ser o acendimento deLEDs ou mesmo movimentar uma cadeira de ro-das robotica. Mais ainda, o modo de visualizacaodos resultados pode ser configurado. Em Mode 1 oresultado da classificacao e mostrado de forma as-sıncrona, de acordo com a classe determinada pelaICC. Ja no segundo modo, Mode 2, e mostrada ataxa de acerto da tarja selecionada no menu Strip.O processo de classificacao comeca quando o bo-tao Start e pressionado.

2.5 Cadeira de Rodas Robotica

A cadeira de rodas robotica utilizada neste tra-balho foi desenvolvida na Universidade Federal doEspırito Santo e foi implementada a partir de umacadeira de rodas motorizada cujo joystick foi tro-cado por um sistema que permite o controle dacadeira de rodas por uma ICC. Um circuito combase no microcontrolador MSP430 e responsavelpelo controle de velocidade das rodas, assim comopela comunicacao com o sistema inteiro da ca-deira. Mais detalhes podem ser encontrados em(Ferreira et al., 2008) e (Muller, Celeste, Bastos-Filho e Sarcinelli-Filho, 2010). A cadeira de rodasrobotica junto com o sistema de aquisicao de sinalde EEG e mostrado na Figura 4.

Figura 4: Cadeira de rodas robotica utilizada.

A ICC-SSVEP desenvolvida tambem foi im-plementada na cadeira de rodas robotica usando

um computador compacto e de baixa potencia(computador mini-ITX EPIA com 1 GHz defrequencia de clock e 1 GB de memoria RAM).Na ICC desenvolvida, este computador e respon-savel por processar o sinal de EEG registrado eclassifica-lo para geracao de comandos para a ca-deira de rodas. O mini-ITX esta localizado naparte traseira da cadeira de rodas robotica, assimcomo a FPGA responsavel pela geracao de estı-mulos, ilustrado na Figura 5.

Figura 5: Mini-ITX e FPGA utilizadas na ICC.

2.6 Biorrealimenacao

Neste trabalho, a biorrealimentacao e essencial,tanto para motivar o usuario quanto para aumen-tar sua concentracao. Em um primeiro momento,foi aplicada uma realimentacao visual usandoLEDs, como mostrado na Figura 1. Para isso,a interface grafica utiliza cinco letras que repre-sentam os seguintes comandos: s - todos os LEDsestao desligados, t - LED superior aceso, r - LEDdireito aceso, b - LED inferior aceso, e l - LEDesquerdo aceso. Um circuito usando o microcon-trolador PIC18F4550 e responsavel por interpre-tar o comando vindo da porta USB para acendero LED corretamente.

Um processo de realimentacao similar foi im-plementado na cadeira de rodas robotica, combase em seu movimento. Ou seja, a percepcaodo movimento da cadeira por parte do usuariopode servir de motivacao para o mesmo aumen-tar a sua concentracao. O caractere enviado pelaporta USB e usado para movimentar a cadeirapara frente (t), para a esquerda (l), para a direita(r), ou para-la (t ou s).

3 Resultados

Com base nos bons resultados obtidos com ex-perimento offline (ver (Muller, Bastos-Filho eSarcinelli-Filho, 2010)), os sinais de EEG do pri-meiro experimento online descrito na Secao 2.1

X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 215

Tabela 1: Matriz de confusao, TTI e Precisao do Classificador (PC) para o primeiro experimento.

Vol15 Vol21CX C1 C2 C3 C4 CX C1 C2 C3 C4

C1 0% 73% 3% 0% 24% 0% 81% 0% 0% 19%C2 0% 27% 73% 0% 0% 0% 30% 70% 0% 0%C3 0% 0% 30% 68% 3% 0% 0% 27% 73% 0%C4 0% 8% 3% 19% 70% 0% 8% 3% 27% 62%

TTI: 40,3 bits/min PC: 71% TTI: 42,0 bits/min PC: 72%

Vol25 Vol28CX C1 C2 C3 C4 CX C1 C2 C3 C4

C1 0% 78% 5% 3% 14% 0% 81% 0% 3% 16%C2 0% 16% 81% 0% 3% 0% 30% 70% 0% 0%C3 0% 0% 24% 76% 0% 0% 0% 27% 73% 0%C4 0% 3% 8% 22% 68% 0% 5% 0% 27% 68%

TTI: 49,5 bits/min PC: 76% TTI: 43,8 bits/min PC: 73%

(sem realimentacao) foram utilizados com inter-valos de analise de 4 s com sobreposicao de 3s, cujos resultados sao apresentados na Tabela1. Um estudo usando outros valores de intervalode tempo para o processo de analise foi desenvol-vido em (Muller, de Sa, Bastos-Filho e Sarcinelli-Filho, 2011).

Devido ao bom desempenho obtido no pri-meiro experimento, o segundo experimento foiimplementado usando a biorrealimentacao visual.Os voluntarios Vol1 e Vol10 apresentaram taxasde acerto de aproximadamente 60% e 70%, pro-vavelmente porque eles nao se adaptaram aos va-lores das frequencias de estımulo. O outro volun-tario, Vol28, apresentou taxa de acerto de apro-ximadamente 100%. Para esse voluntario, a taxade acerto mudava de acordo com sua concentra-cao sobre o estımulo. Mais ainda, este volunta-rio conseguia realizar uma conversacao com umapessoa proxima a ele e a realimentacao visual seresponsabilizou pelo aviso da possıvel perda deconcentracao. Portanto, este experimento mos-trou que a biorrealimentacao e importante paramelhorar o desempenho da ICC. Um estudo maisaprofundado sobre a influencia do uso da bioreali-mentacao e apresentado em (Muller, Bastos-Filhoe Sarcinelli-Filho, 2011).

Em seguida, a ICC foi instalada no mini-ITXlocalizado a bordo da cadeira de rodas. Apenas ovoluntario Vol1 utilizou esse sistema ilustrado naFigura 6. No uso da cadeira de rodas robotica pelovoluntario, nao foi feita uma medida da taxa deacerto ou da TTI, mas o mesmo conseguiu guiar acadeira de rodas robotica por todo o laboratorio.

4 Conclusoes

Este trabalho apresentou o desenvolvimento deuma ICC-SSVEP pratica. Este desenvolvimentofoi dividido em algumas etapas que sao importan-tes para a operacao eficiente da ICC. Desde o pro-tocolo de aquisicao do sinal de EEG ate a etapade processamento, e importante ter em mente quetodas essas etapas tem que ser simplificadas parase obter um bom desempenho. Uma interface gra-

Figura 6: Usando a ICC-SSVEP para comandaruma cadeira de rodas robotica.

fica tambem e importante para a interacao com ousuario, interacao essa que e essencial e que foicomplementada pelo uso de uma biorrealimenta-cao visual. Este trabalho mostrou que a realimen-tacao e importante em uma ICC-SSVEP para amelhoria do seu desempenho e para sua implemen-tacao pratica. Todas essas consideracoes levarama uma ICC-SSVEP apta a comandar uma cadeirade rodas robotica.

Como continuacao deste trabalho, o sistemasera testado com mais voluntarios, incluindo aque-les com deficiencia.

Referencias

Cheng, M., Gao, X. e Xu, D. (2002). Design and im-plementation of a brain-computer interface withhigh transfer rates, IEEE Transactions on Bio-medical Engineering 49(10): 1181–1186.

X SBAI – Simpósio Brasileiro de Automação Inteligente18 a 21 de setembro de 2011São João del-Rei - MG - Brasil

ISSN: 2175-8905 - Vol. X 216

de Sa, A. M. F. L. M., Cagy, M., Lazarev, V. V. eInfantosi, A. F. C. (2006). Spectral F-test powerevaluation in the EEG during intermittent photicstimulation, Arq. Neuropsiquiatr. 64: 228–232.

del R. Millan, J., Galan, F., Vanhooydonck, D., Lew,E., Philips, J. e Nuttin, M. (2009). Asynchronousnon-invasive brain-actuated control of an intelli-get wheelchair, Proc. of 31st Annual Internatio-nal Conference of the IEEE Engineering in Me-dicine and Biology Society pp. 3361–3364.

del R. Millan, J., Rupp, R., Muller-Putz, G. R.,Murray-Smith, R., Giugliema, C., Tangermann,M., Vidaurre, C., Cincotti, F., Kubler, A., Leeb,R., Neuper, C., Muller, K. R. e Mattia, D. (2010).Combining brain-computer interfaces and assis-tive technologies: State-of-the-art and challen-ges, Frontiers in Neuroscience 4: 161.

Ebrahimi, T., Vesin, J.-M. e Garcia, G. (2003). Braincomputer interfaces in multimedia communica-tion, IEEE Signal Processing Magazine .

Ferreira, A., Celeste, W. C., Cheein, F. A., Filho, T.F. B., Filho, M. S. e Carelli, R. (2008). Human-machine interfaces based on emg and eeg appliedto robotic systems, Journal of NeuroEngineeringand Rehabilitation 5: 1–15.

Friman, O., Lusth, T., Volosyak, I. e Graser, A.(2007). Spelling with steady state visual evokedpotentials, Proceedings of the 3rd InternationalIEEE EMBS Conference on Neural Engineeringpp. 354–357.

Friman, O., Volosyak, I. e Graser, A. (2007). Mul-tiple channel detection of steady state visualevoked potentials for brain-computer interfaces,IEEE Transactions on Biomedical Engineering54(4): 742–750.

Guger, C., Daban, S., Sellers, E., Holzner, C., Krausz,G., Carabalona, R., Gramatica, F. e Edlinger,G. (2009). How many people are able to controla P300-based brain-computer interface (BCI)?,Neuroscience Letters 462: 94–98.

Guger, C., Edlinger, G., Harkam, W., Niedermayer,I. e Pfurtscheller, G. (2003). How many pe-ople are able to operate an EEG-based brain-computer interface (BCI)?, IEEE Transactionson Neural Systems and Rehabilitation Enginee-ring 11(2): 145–147.

Karim, A. A., Hinterberger, T., Richter, J., Mellinger,J., Neumann, N., Flor, H., Kubler, A. e Birbau-mer, N. (2006). Web surfing with brain potentialsfor the completely paralyzed, Neurorehabilitationand Neural Repair 20.

Lalor, E. C., Kelly, S. P., Finucane, C., Burke, R.,Smith, R., Reilly, R. B. e G.McDarby (2005).Steady-state VEP-based brain-computer inter-face control in an immersive 3D gaming envi-ronment, EURASIP Journal on Applied SignalProcessing 19: 3156–3164.

Leeb, R., Lee, F., Keinrath, C., Scherer, R., Bischof,H. e Pfurtscheller, G. (2007). Brain computercommunication: Motivation, aim, and impact ofexploring a virtual apartment, IEEE Transacti-ons on Neural Systems and Rehabilitation Engi-neering 15(4): 473–482.

Liavas, A. P., Moustakides, G. V., Henning, G., Psa-rakis, E. Z. e Husar, P. (1998). A periodogram-based method for the detection of steady-statevisually evoked potentials, IEEE Transactions onBiomedical Engineering 45(2): 242–248.

Martinez, P., Bakardjan, H. e Cichocki, A. (2007).Fully online multicommand brain-computer in-terface with visual neurofeedback using SSVEPparadigm, Computational intelligence and neu-roscience p. 9 pages.

Muller-Putz, G. R., Scherer, R., Pfurtscheller, G. eRupp, R. (2005). EEG-based neuroprosthesiscontrol: a step towards clinical practice, Neuros-cience Letters 382: 169–174.

Muller, S. M. T., Bastos-Filho, T. F. e Sarcinelli-Filho, M. (2010). Incremental SSVEP analy-sis for BCI implementation, Proceedings of 32ndAnnual International Conference of the IEEEEMBS pp. 3333–3336.

Muller, S. M. T., Bastos-Filho, T. F. e Sarcinelli-Filho,M. (2011). Minimizing the number of electrodesin a SSVEP-BCI, Submitted in IEEE IntelligentSytems .

Muller, S. M. T., Celeste, W. C., Bastos-Filho, T. F. eSarcinelli-Filho, M. (2010). Proposal of a brain-computer interface based on visual evoked poten-tials to command an autonomous robotic wheel-chair, Journal of Medical and Biological Engine-ering 30(6): 407–416.

Muller, S. M. T., de Sa, A. M. F. L. M., Bastos-Filho,T. F. e Sarcinelli-Filho, M. (2011). Spectral tech-niques for incremental SSVEP analysis appliedto a BCI implementation, Accepted in V LatinAmerican Congress on Biomedical Engineering .

Nijholt, A., Tan, D., Allison, B., del R. Millan, J.,Jackson, M. M. e Graimann, B. (2008). Brain-computer interfaces for HCI and games, Proc.ACM CHI 2008 pp. 3925–3928.

Vialatte, F.-B., Maurice, M., Dauwels, J. e Cichocki,A. (2010). Steady-state visually evoked poten-tials: Focus on essential paradigms and futureperspectives, Progress in Neurobiology 90: 418–438.

Wang, Y., Wang, R., Gao, X., Hong, B. e Gao, S.(2006). A practical VEP-based brain-computerinterface, IEEE Transactions on Neural Systemsand Rehabilitation Engineering 14(2): 234–239.

Wolpaw, J., Birbaumer, N., McFarland, D., Pfurts-cheller, G. e Vaughan, T. (2002). Brain-computerinterfaces for communication and control, Clin.Neurophysiol. 113: 767–791.