Uma interface cérebro-computador vestível de canal único e não invasiva para a indústria e a saúde
Summary
Este artigo discute como construir uma interface cérebro-computador baseando-se em equipamentos de nível de consumo e potenciais evocados visuais em estado estacionário. Para isso, um eletroencefalógrafo de canal único explorando eletrodos secos foi integrado a óculos de realidade aumentada para apresentação de estímulos e visualização dos dados de saída. O sistema final era não invasivo, vestível e portátil.
Abstract
O presente trabalho se concentra em como construir uma interface cérebro-computador vestível (BCI). Os BCIs são um novo meio de interação humano-computador que depende de medições diretas de sinais cerebrais para ajudar tanto pessoas com deficiências quanto aquelas que são capazes. Exemplos de aplicação incluem controle robótico, inspeção industrial e neurorreabilitação. Notavelmente, estudos recentes mostraram que os potenciais evocados visuais em estado estacionário (SSVEPs) são particularmente adequados para aplicações de comunicação e controle, e esforços estão sendo feitos atualmente para trazer a tecnologia BCI para a vida diária. Para atingir esse objetivo, o sistema final deve contar com instrumentação vestível, portátil e de baixo custo. Na exploração de SSVEPs, um estímulo visual cintilante com frequências fixas é necessário. Assim, considerando as restrições da vida diária, a possibilidade de fornecer estímulos visuais por meio de óculos inteligentes foi explorada neste estudo. Além disso, para a detecção dos potenciais eliciados, foi considerado um aparelho comercial para eletroencefalografia (EEG). Este consiste em um único canal diferencial com eletrodos secos (sem gel condutor), alcançando assim a máxima usabilidade e portabilidade. Em tal BCI, o usuário pode interagir com os óculos inteligentes apenas olhando para os ícones que aparecem na tela. Com base nesse princípio simples, um BCI fácil de usar e de baixo custo foi construído integrando óculos de realidade estendida (XR) com um dispositivo de EEG disponível comercialmente. A funcionalidade deste XR-BCI vestível foi examinada com uma campanha experimental envolvendo 20 sujeitos. A acurácia da classificação foi de 80%-95%, em média, dependendo do tempo de estimulação. Diante desses resultados, o sistema pode ser usado como uma interface homem-máquina para inspeção industrial, mas também para reabilitação em TDAH e autismo.
Introduction
A interface cérebro-computador (ICB) é um sistema que permite a comunicação e/ou o controle de dispositivos sem vias neuraisnaturais1. A tecnologia BCI é a coisa mais próxima que a humanidade tem de controlar objetos com o poder da mente. Do ponto de vista técnico, o funcionamento do sistema funciona medindo a atividade cerebral induzida ou evocada, que pode ser gerada involuntária ou voluntariamente a partir do sujeito2. Historicamente, a pesquisa se concentrava em ajudar pessoas com deficiências motoras por meio do BCI3, mas um número crescente de empresas hoje oferece instrumentação baseada em BCI para jogos4, robótica5, indústria6 e outras aplicações envolvendo interação homem-máquina. Notavelmente, os BCIs podem desempenhar um papel na quarta revolução industrial, ou seja, a indústria 4.07, onde os sistemas de produção ciber-físicos estão mudando a interação entre os seres humanos e o ambiente circundante8. Em termos gerais, o projeto europeu BNCI Horizonte 2020 identificou cenários de aplicação como substituir, restaurar, melhorar, melhorar ou complementar funções naturais perdidas do sistema nervoso central, bem como a utilização de BCI na investigação do cérebro9.
Nesse contexto, os recentes avanços tecnológicos fazem com que as interfaces cérebro-computador possam ser aplicáveis para uso na vida diária10,11. Para atingir esse objetivo, o primeiro requisito é a não invasividade, que é importante para evitar os riscos da intervenção cirúrgica e aumentar a aceitação do usuário. No entanto, é importante notar que a escolha da neuroimagem não invasiva afeta a qualidade dos sinais cerebrais medidos, e o desenho do BCI deve então lidar com as armadilhas associadas12. Além disso, usabilidade e portabilidade são necessárias. Estes requisitos estão em consonância com a necessidade de um sistema de fácil utilização, mas também apresentam alguns constrangimentos. Em geral, as restrições de hardware mencionadas são abordadas pelo uso de um sistema eletroencefalográfico (EEG) com eletrodos sem gel6. Esse BCI baseado em EEG também seria de baixo custo. Enquanto isso, em termos de software, o treinamento mínimo do usuário (ou idealmente nenhum treinamento) seria desejado; Ou seja, seria melhor evitar longos períodos para ajustar o algoritmo de processamento antes que o usuário possa usar o sistema. Esse aspecto é crítico nas ICBs devido à não estacionariedade inter e intrassujeito13,14.
A literatura tem demonstrado que a detecção de potenciais evocados cerebrais é robusta no que diz respeito à não estacionariedade e ao ruído na aquisição do sinal. Em outras palavras, os IBCs que dependem da detecção de potencial evocado são denominados reativos, e são os IBCs com melhor desempenho em termos de reconhecimento de padrões cerebrais15. No entanto, requerem estimulação sensorial, o que provavelmente é a principal desvantagem de tais interfaces. O objetivo do método proposto é, portanto, construir um BCI altamente vestível e portátil contando com instrumentação vestível pronta para uso. Os estímulos sensoriais aqui consistem em luzes cintilantes, geradas por óculos inteligentes, que são capazes de eliciar potenciais evocados visuais em estado estacionário (SSVEPs). Trabalhos anteriores já consideraram a integração do BCI com a realidade virtual, isoladamente ou em conjunto com a realidade aumentada16. Por exemplo, um sistema BCI-AR foi proposto para controlar um quadricóptero com SSVEP17. Realidade virtual, realidade aumentada e outros paradigmas são referidos com o termo realidade estendida. Nesse cenário, a escolha de óculos inteligentes atende aos requisitos de usabilidade e portabilidade, e os óculos inteligentes podem ser integrados com uma configuração mínima de aquisição de EEG. Este artigo mostra que o BCI baseado em SSVEP também requer treinamento mínimo, ao mesmo tempo em que alcança um desempenho de classificação aceitável para aplicações de comunicação e controle de baixa e média velocidade. Assim, a técnica é aplicada ao BCI para aplicações da vida diária, e parece especialmente adequada para a indústria e saúde.
Protocol
Representative Results
Discussion
O bom funcionamento do sistema envolve dois aspectos cruciais: a elicitação SSVEP e a aquisição do sinal. Além dos dispositivos específicos escolhidos para o estudo atual, o SSVEP poderia ser eliciado com diferentes dispositivos fornecendo uma luz cintilante, embora os óculos inteligentes sejam preferidos para garantir usabilidade e portabilidade. Analogamente, outros eletroencefalógrafos comerciais poderiam ser considerados, mas eles teriam que ser vestíveis, portáteis e envolver um número mínimo de eletrodo…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Este trabalho foi realizado no âmbito do projeto TIC para a Saúde, que contou com o apoio financeiro do Ministério da Educação, Universidade e Investigação (MIUR) italiano, no âmbito da iniciativa Departamentos de Excelência (Lei do Orçamento Italiano n.º 232/2016), através de uma bolsa de excelência atribuída ao Departamento de Tecnologia da Informação e Engenharia Elétrica da Universidade de Nápoles Federico II, Nápoles, Itália. O projeto foi de fato viabilizado pelo apoio da iniciativa Res4Net e do TC-06 (Emerging Technologies in Measurements) da IEEE Instrumentation and Measurement Society. Os autores também gostariam de agradecer a L. Callegaro, A. Cioffi, S. Criscuolo, A. Cultrera, G. De Blasi, E. De Benedetto, L. Duraccio, E. Leone e M. Ortolano por suas preciosas contribuições no desenvolvimento, teste e validação do sistema.
Materials
| Conductive rubber with Ag/AgCl coating | ab medica s.p.a. | N/A | Alternative electrodes – type 2 |
| Earclip electrode | OpenBCI | N/A | Ear clip |
| EEG-AE | Olimex | N/A | Active electrodes |
| EEG-PE | Olimex | N/A | Passive electrode |
| EEG-SMT | Olimex | N/A | Low-cost electroencephalograph |
| Moverio BT-200 | Epson | N/A | Smart glasses |
| Snap electrodes | OpenBCI | N/A | Alternative electrodes – type 1 |
References
- Wolpaw, J. R., et al. Brain-computer interface technology: A review of the first international meeting. IEEE Transactions on Rehabilitation Engineering. 8 (2), 164-173 (2000).
- Zander, T. O., Kothe, C., Jatzev, S., Gaertner, M., Tan, D. S., Nijholt, A. Enhancing human-computer interaction with input from active and passive brain-computer interfaces. Brain-Computer Interfaces. , 181-199 (2010).
- Ron-Angevin, R., et al. Brain-computer interface application: Auditory serial interface to control a two-class motor-imagery-based wheelchair. Journal of Neuroengineering and Rehabilitation. 14 (1), 49 (2017).
- Ahn, M., Lee, M., Choi, J., Jun, S. C. A review of brain-computer interface games and an opinion survey from researchers, developers and users. Sensors. 14 (8), 14601-14633 (2014).
- Bi, L., Fan, X. A., Liu, Y. EEG-based brain-controlled mobile robots: A survey. IEEE Transactions on Human-Machine Systems. 43 (2), 161-176 (2013).
- Arpaia, P., Callegaro, L., Cultrera, A., Esposito, A., Ortolano, M. Metrological characterization of a low-cost electroencephalograph for wearable neural interfaces in industry 4.0 applications. IEEE International Workshop on Metrology for Industry 4.0 & IoT (MetroInd4. 0&IoT). , 1-5 (2021).
- Rüßmann, M., et al. Industry 4.0: The future of productivity and growth in manufacturing industries. Boston Consulting Group. 9 (1), 54-89 (2015).
- Angrisani, L., Arpaia, P., Moccaldi, N., Esposito, A. Wearable augmented reality and brain computer interface to improve human-robot interactions in smart industry: A feasibility study for SSVEP signals. IEEE 4th International Forum on Research and Technology for Society and Industry (RTSI). , 1-5 (2018).
- Brunner, C., et al. BNCI Horizon 2020: Towards a roadmap for the BCI community. Brain-Computer Interfaces. 2 (1), 1-10 (2015).
- Yin, E., Zhou, Z., Jiang, J., Yu, Y., Hu, D. A dynamically optimized SSVEP brain-computer interface (BCI) speller. IEEE Transactions on Biomedical Engineering. 62 (6), 1447-1456 (2014).
- Chen, L., et al. Adaptive asynchronous control system of robotic arm based on augmented reality-assisted brain-computer interface. Journal of Neural Engineering. 18 (6), 066005 (2021).
- Ball, T., Kern, M., Mutschler, I., Aertsen, A., Schulze-Bonhage, A. Signal quality of simultaneously recorded invasive and non-invasive EEG. Neuroimage. 46 (3), 708-716 (2009).
- Grosse-Wentrup, M. What are the causes of performance variation in brain-computer interfacing. International Journal of Bioelectromagnetism. 13 (3), 115-116 (2011).
- Arpaia, P., Esposito, A., Natalizio, A., Parvis, M. How to successfully classify EEG in motor imagery BCI: A metrological analysis of the state of the art. Journal of Neural Engineering. 19 (3), (2022).
- Ajami, S., Mahnam, A., Abootalebi, V. Development of a practical high frequency brain-computer interface based on steady-state visual evoked potentials using a single channel of EEG. Biocybernetics and Biomedical Engineering. 38 (1), 106-114 (2018).
- Friedman, D., Nakatsu, R., Rauterberg, M., Ciancarini, P. Brain-computer interfacing and virtual reality. Handbook of Digital Games and Entertainment Technologies. , 151-171 (2015).
- Wang, M., Li, R., Zhang, R., Li, G., Zhang, D. A wearable SSVEP-based BCI system for quadcopter control using head-mounted device. IEEE Access. 6, 26789-26798 (2018).
- Arpaia, P., Callegaro, L., Cultrera, A., Esposito, A., Ortolano, M. Metrological characterization of consumer-grade equipment for wearable brain-computer interfaces and extended reality. IEEE Transactions on Instrumentation and Measurement. 71, 1-9 (2021).
- Wolpaw, J. R., Birbaumer, N., McFarland, D. J., Pfurtscheller, G., Vaughan, T. M. Brain-computer interfaces for communication and control. Clinical Neurophysiology. 113 (6), 767-791 (2002).
- Duszyk, A., et al. Towards an optimization of stimulus parameters for brain-computer interfaces based on steady state visual evoked potentials. PLoS One. 9 (11), 112099 (2014).
- Prasad, P. S., et al. SSVEP signal detection for BCI application. IEEE 7th International Advance Computing Conference (IACC). , 590-595 (2017).
- Xing, X., et al. A high-speed SSVEP-based BCI using dry EEG electrodes). Scientific Reports. 8, 14708 (2018).
- Luo, A., Sullivan, T. J. A user-friendly SSVEP-based brain-computer interface using a time-domain classifier. Journal of Neural Engineering. 7 (2), 026010 (2010).
