Una interfaz cerebro-computadora portátil de un solo canal y no invasiva para la industria y la atención médica
Summary
Este documento analiza cómo construir una interfaz cerebro-computadora confiando en equipos de grado de consumidor y potenciales evocados visualmente en estado estacionario. Para ello, se integró un electroencefalógrafo monocanal que aprovecha electrodos secos con gafas de realidad aumentada para la presentación de estímulos y la visualización de datos de salida. El sistema final fue no invasivo, portátil y portátil.
Abstract
El presente trabajo se centra en cómo construir una interfaz cerebro-computadora portátil (BCI). Las BCI son un nuevo medio de interacción humano-computadora que se basa en mediciones directas de señales cerebrales para ayudar tanto a las personas con discapacidades como a las que están sanas. Los ejemplos de aplicación incluyen control robótico, inspección industrial y neurorehabilitación. En particular, estudios recientes han demostrado que los potenciales evocados visualmente en estado estacionario (SSVEP) son particularmente adecuados para aplicaciones de comunicación y control, y actualmente se están realizando esfuerzos para llevar la tecnología BCI a la vida diaria. Para lograr este objetivo, el sistema final debe basarse en instrumentación portátil, portátil y de bajo costo. En la explotación de SSVEPs, se requiere un estímulo visual parpadeante con frecuencias fijas. Por lo tanto, al considerar las limitaciones de la vida cotidiana, la posibilidad de proporcionar estímulos visuales por medio de gafas inteligentes fue explorada en este estudio. Además, para detectar los potenciales provocados, se consideró un dispositivo comercial para electroencefalografía (EEG). Este consiste en un único canal diferencial con electrodos secos (sin gel conductor), consiguiendo así la máxima portabilidad y portabilidad. En tal BCI, el usuario puede interactuar con las gafas inteligentes simplemente mirando los iconos que aparecen en la pantalla. Sobre este simple principio, se construyó una BCI fácil de usar y de bajo costo integrando gafas de realidad extendida (XR) con un dispositivo de EEG disponible comercialmente. La funcionalidad de este XR-BCI portátil se examinó con una campaña experimental que involucró a 20 sujetos. La precisión de la clasificación fue entre 80% -95% en promedio dependiendo del tiempo de estimulación. Dados estos resultados, el sistema se puede utilizar como una interfaz hombre-máquina para la inspección industrial, pero también para la rehabilitación en el TDAH y el autismo.
Introduction
Una interfaz cerebro-computadora (BCI) es un sistema que permite la comunicación y/o el control de dispositivos sin vías neuronales naturales1. La tecnología BCI es lo más cercano que tiene la humanidad a controlar objetos con el poder de la mente. Desde un punto de vista técnico, la operación del sistema funciona midiendo la actividad cerebral inducida o evocada, que podría ser generada involuntaria o voluntariamente a partir del sujeto2. Históricamente, la investigación se centró en ayudar a las personas con discapacidades motoras a través de BCI3, pero un número creciente de empresas hoy en día ofrecen instrumentación basada en BCI para juegos4, robótica5, industria6 y otras aplicaciones que involucran la interacción hombre-máquina. En particular, las BCI pueden desempeñar un papel en la cuarta revolución industrial, a saber, la industria 4.07, donde los sistemas de producción ciberfísicos están cambiando la interacción entre los humanos y el entornocircundante 8. En términos generales, el proyecto europeo BNCI Horizon 2020 identificó escenarios de aplicación como reemplazar, restaurar, mejorar, mejorar o complementar las funciones naturales perdidas del sistema nervioso central, así como el uso de BCI en la investigación del cerebro9.
En este marco, los avances tecnológicos recientes significan que las interfaces cerebro-computadora pueden ser aplicables para su uso en la vida diaria10,11. Para lograr este objetivo, el primer requisito es la no invasividad, que es importante para evitar los riesgos de la intervención quirúrgica y aumentar la aceptación del usuario. Sin embargo, vale la pena señalar que la elección de la neuroimagen no invasiva afecta la calidad de las señales cerebrales medidas, y el diseño de BCI debe tratar con los escollos asociados12. Además, se requiere portabilidad y portabilidad. Estos requisitos están en línea con la necesidad de un sistema fácil de usar, pero también plantean algunas limitaciones. En general, las restricciones de hardware mencionadas se abordan mediante el uso de un sistema electroencefalográfico (EEG) con electrodos sin gel6. Tal BCI basada en EEG también sería de bajo costo. Mientras tanto, en términos del software, se desearía una capacitación mínima del usuario (o idealmente ninguna capacitación); es decir, sería mejor evitar largos períodos para ajustar el algoritmo de procesamiento antes de que el usuario pueda usar el sistema. Este aspecto es crítico en las ICC debido a la no estacionariedad intersujeto e intrasujeto13,14.
La literatura previa ha demostrado que la detección de potenciales cerebrales evocados es robusta con respecto a la no estacionariedad y el ruido en la adquisición de señales. En otras palabras, las BCI que dependen de la detección del potencial evocado se denominan reactivas y son las BCI de mejor desempeño en términos de reconocimiento de patrones cerebrales15. Sin embargo, requieren estimulación sensorial, que es probablemente el principal inconveniente de tales interfaces. El objetivo del método propuesto es, por lo tanto, construir una BCI altamente portátil y portátil que dependa de la instrumentación portátil y estándar. Los estímulos sensoriales aquí consisten en luces parpadeantes, generadas por gafas inteligentes, que son capaces de provocar potenciales evocados visualmente en estado estacionario (SSVEP). Trabajos anteriores ya han considerado la integración de BCI con realidad virtual, ya sea sola o en conjunto con realidad aumentada16. Por ejemplo, se propuso un sistema BCI-AR para controlar un quadcopter con SSVEP17. La realidad virtual, la realidad aumentada y otros paradigmas se conocen con el término realidad extendida. En tal escenario, la elección de gafas inteligentes cumple con los requisitos de portabilidad y portabilidad, y las gafas inteligentes se pueden integrar con una configuración mínima de adquisición de EEG. Este documento muestra que la BCI basada en SSVEP también requiere una capacitación mínima al tiempo que logra un rendimiento de clasificación aceptable para aplicaciones de comunicación y control de velocidad baja-media. Por lo tanto, la técnica se aplica a BCI para aplicaciones de la vida diaria, y parece especialmente adecuada para la industria y la atención médica.
Protocol
Representative Results
Discussion
El buen funcionamiento del sistema implica dos aspectos cruciales: la obtención de SSVEP y la adquisición de señales. Además de los dispositivos específicos elegidos para el estudio actual, SSVEP podría obtenerse con diferentes dispositivos que proporcionan una luz parpadeante, aunque se prefieren las gafas inteligentes para garantizar la portabilidad y la portabilidad. Análogamente, se podrían considerar otros electroencefalogramas comerciales, pero tendrían que ser portátiles, portátiles e involucrar un núm…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Este trabajo se llevó a cabo como parte del proyecto TIC para la salud, que contó con el apoyo financiero del Ministerio de Educación, Universidad e Investigación de Italia (MIUR), bajo la iniciativa Departamentos de Excelencia (Ley de Presupuesto italiano no. 232/2016), a través de una beca de excelencia otorgada al Departamento de Tecnología de la Información e Ingeniería Eléctrica de la Universidad de Nápoles Federico II, Nápoles, Italia. De hecho, el proyecto fue posible gracias al apoyo de la iniciativa Res4Net y el TC-06 (Emerging Technologies in Measurements) de la IEEE Instrumentation and Measurement Society. Los autores también desean agradecer a L. Callegaro, A. Cioffi, S. Criscuolo, A. Cultrera, G. De Blasi, E. De Benedetto, L. Duraccio, E. Leone y M. Ortolano por sus valiosas contribuciones en el desarrollo, prueba y validación del 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).
