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.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
El estudio fue aprobado por el Comité Ético de Investigación Psicológica del Departamento de Humanidades de la Universidad de Nápoles Federico II. Los voluntarios firmaron el consentimiento informado antes de participar en los experimentos.
1. Preparación de la interfaz cerebro-ordenador portátil no invasiva
- Obtenga un electroencefalógrafo de bajo costo de grado de consumo con electrodos secos y configúrelo para uso de un solo canal.
- Cortocircuite o conecte cualquier canal de entrada no utilizado en el electroencefalógrafo de bajo costo a una tensión de referencia interna especificada en la hoja de datos inherente. Al hacerlo, los canales no utilizados se desactivan y no generan ruido de diafonía.
- Ajuste la ganancia del electroencefalógrafo (normalmente a través de un componente con resistencia variable) para que tenga un rango de entrada del orden de 100 μV.
NOTA: Las señales de EEG a medir son del orden de decenas de microvoltios. Sin embargo, los electrodos secos se ven muy afectados por artefactos de movimiento, que dan lugar a oscilaciones del orden de 100 μV debido a la variabilidad en la impedancia de la piel del electrodo. Aumentar el rango de voltaje de entrada ayuda a limitar la saturación del amplificador EEG, pero no la elimina por completo. Por otro lado, sería inconveniente aumentar aún más el rango de voltaje de entrada, ya que esto afectaría la resolución de voltaje en la medición de los componentes de EEG deseados. En última instancia, los dos aspectos deben equilibrarse teniendo en cuenta también la resolución de bits del convertidor analógico a digital dentro de la placa del electroencefalógrafo. - Prepare tres electrodos secos para conectarlos a la placa del electroencefalógrafo. Utilice un electrodo pasivo (sin preamplificación) como electrodo de referencia. Los dos electrodos de medición restantes deben ser activos (es decir, implican preamplificación y eventual filtrado analógico).
NOTA: Los electrodos colocados en un área peluda del cuero cabelludo requieren alfileres para superar la impedancia de contacto electrodo-piel. Si es posible, suelde pasadores plateados con cabezales planos (para evitar demasiado dolor para el usuario), o idealmente use caucho conductor (suave) con un recubrimiento Ag / AgCl.
- Obtenga gafas inteligentes comerciales con un sistema operativo Android y una frecuencia de actualización de 60 Hz. Alternativamente, use una frecuencia de actualización más baja. Una mayor frecuencia de actualización sería deseable para los estímulos, ya que habría menos fatiga ocular, pero actualmente no hay soluciones disponibles en el mercado.
- Descarga el código fuente de una aplicación Android para comunicación o control, o desarrolla una.
- Reemplace los botones virtuales de la aplicación con iconos parpadeantes cambiando el objeto inherente (generalmente en Java o Kotlin). Se recomiendan cuadrados blancos con al menos un 5% de dimensión de pantalla. Por lo general, cuanto más grande sea el cuadrado estimulante, mayor será el componente SSVEP a detectar, pero se puede encontrar un óptimo dependiendo del caso específico. Las frecuencias recomendadas son 10 Hz y 12 Hz parpadeantes. Implemente el parpadeo en la unidad de procesamiento gráfico (GPU) para evitar sobrecargar la unidad de computación (CPU) de las gafas inteligentes. Para ello, utilice objetos de la biblioteca OpenGL.
- Implemente un módulo de la aplicación Android para el procesamiento en tiempo real del flujo de EEG de entrada. El servicio USB de Android se puede agregar para que la transmisión se pueda recibir a través de USB. El procesamiento en tiempo real puede simplemente aplicar una ventana deslizante al flujo de EEG considerando los paquetes entrantes. Calcular las densidades espectrales de potencia asociadas con las frecuencias de 10 Hz y 12 Hz a través de una función de transformada rápida de Fourier. Un clasificador entrenado puede, por lo tanto, distinguir que el usuario está mirando el icono parpadeante de 10 Hz o el icono parpadeante de 12 Hz clasificando las características de densidad espectral de potencia.
2. Calibración de la interfaz cerebro-computadora basada en SSVEP
NOTA: Se eligieron voluntarios sanos para este estudio. Excluir sujetos con antecedentes de enfermedades cerebrales. Se requirió que los sujetos involucrados tuvieran una visión normal o corregida a normal. Se les indicó que se relajaran durante los experimentos y que evitaran movimientos innecesarios, especialmente de la cabeza.
- Deje que el usuario use las gafas inteligentes con la aplicación Android.
- Deje que el usuario use una diadema ajustada para sujetar los electrodos.
- Conecte el electroencefalógrafo de bajo costo a un PC a través de un cable USB mientras el PC está desconectado de la fuente de alimentación principal.
- Inicialmente desconecte todos los electrodos de la placa de adquisición del electroencefalógrafo para comenzar desde una condición conocida.
- En esta fase, el flujo de EEG se procesa sin conexión en la PC con un script compatible con el procesamiento implementado en la aplicación Android. Inicie el script para recibir las señales de EEG y visualizarlas.
- Compruebe la señal mostrada que se procesa sin conexión. Esto debe corresponder solo al ruido de cuantización del amplificador EEG.
- Conecte los electrodos.
- Aplique el electrodo pasivo en el oído izquierdo con un clip personalizado o use un electrodo de clip para los oídos. La señal de salida debe permanecer sin cambios en este paso porque el canal diferencial de medición sigue siendo un circuito abierto.
- Conecte un electrodo activo al terminal negativo de la entrada diferencial del canal EEG de medición y aplíquelo a la región frontal (ubicación estándar Fpz) con una diadema. Después de unos segundos, la señal debería volver a cero (ruido de cuantización).
- Conecte el otro electrodo activo al terminal positivo de la entrada diferencial del canal EEG de medición y aplíquelo a la región occipital (ubicación estándar de Oz) con la diadema. Ahora se muestra una señal cerebral, que corresponde a la actividad visual medida con respecto al área frontal del cerebro (no se prevé actividad visual allí).
- Adquirir señales para la calibración del sistema.
- Estimule repetidamente al usuario con iconos parpadeantes de 10 Hz y 12 Hz (y eventualmente otros) iniciando el icono parpadeante en la aplicación de Android, y adquiera y guarde las señales de EEG inherentes para el procesamiento sin conexión. Asegúrese de que cada estimulación en esta fase consista en un solo icono parpadeando durante 10 s, e inicie el icono parpadeante presionando el panel táctil de las gafas inteligentes mientras inicia el script de adquisición y visualización de EEG.
- De las señales 10 s asociadas con cada estimulación, extraiga dos características utilizando la transformada rápida de Fourier: la densidad espectral de potencia a 10 Hz y a 12 Hz. Alternativamente, considere segundos armónicos (20 Hz y 24 Hz).
- Utilice una representación de las señales adquiridas en el dominio de entidades para entrenar un clasificador de máquina de vectores de soporte. Utilice una herramienta (en Matlab o Python) para identificar los parámetros de un hiperplano con un eventual kernel basado en las características de entrada. El modelo entrenado será capaz de clasificar futuras observaciones de señales de EEG.
3. Ensamble la interfaz final portátil y portátil basada en SSVEP
- Desconecte el cable USB del PC y conéctelo directamente a las gafas inteligentes.
- Inserte los parámetros del clasificador entrenado en la aplicación Android. El sistema ya está listo.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Una posible implementación del sistema descrito anteriormente se muestra en la Figura 1; Esta implementación permite al usuario navegar en realidad aumentada a través de la actividad cerebral. Los iconos parpadeantes en la pantalla de las gafas inteligentes corresponden a acciones para la aplicación (Figura 1A) y, por lo tanto, estas gafas representan un sustituto de una interfaz tradicional basada en presionar botones o un panel táctil. La eficacia de tal interacción está estrictamente relacionada con la clasificación exitosa de los potenciales evocados por el parpadeo. Para lograr este objetivo, primero se realizó una caracterización metrológica para el sistema18, y luego los usuarios humanos fueron involucrados en una validación experimental.
Figura 1: Posible implementación de la interfaz cerebro-computadora propuesta. (A) Representación de lo que el usuario ve a través de las gafas inteligentes, es decir, el escenario real y los estímulos visuales; (B) un usuario que usa el sistema de manos libres. Haga clic aquí para ver una versión más grande de esta figura.
El electroencefalógrafo se caracterizó con respecto a la linealidad y el error de magnitud. La linealidad se evaluó a 20 Hz a través de medidas realizadas con una señal de entrada sinusoidal al dispositivo probado a siete amplitudes diferentes (10 μV, 20 μV, 30 μV, 40 μV, 60 μV, 80 μV y 100 μV). Al trazar el voltaje del electroencefalógrafo en función del voltaje de entrada, la Figura 2A resalta el claro comportamiento lineal del electroencefalograma. La linealidad también fue confirmada por una prueba de Fisher para la bondad del ajuste lineal. Sin embargo, la figura también indica algún error de ganancia y compensación. Estos errores se probaron fijando la amplitud a 100 μV y variando la frecuencia. Los resultados se presentan en la Figura 2B y confirman el error de magnitud con respecto a la ganancia nominal.
Figura 2: Resultados de la caracterización del electroencefalógrafo de bajo coste. (A) Errores lineales; (B) errores de magnitud. El número de muestras para cada punto de medición fue de 4.096. Una discusión más detallada se puede encontrar en Arpaia et al.18. Haga clic aquí para ver una versión más grande de esta figura.
Finalmente, se midió el parpadeo de las gafas inteligentes para resaltar las eventuales desviaciones de la trayectoria de onda cuadrada nominal. Tales desviaciones fueron especialmente visibles en el espectro de amplitud del parpadeo de 12 Hz (Figura 3B). Sin embargo, todos estos errores pueden ser considerados o eventualmente compensados, demostrando así la viabilidad de utilizar material de grado de consumo para el sistema SSVEP-BCI.
Figura 3: Resultados de la caracterización de las gafas inteligentes comerciales en términos del espectro de amplitud de los botones parpadeantes. a) parpadeo a 10 Hz; (B) parpadeando a 12 Hz. Una discusión más detallada se puede encontrar en Arpaia et al.18. Haga clic aquí para ver una versión más grande de esta figura.
En cuanto a la validación experimental, 20 sujetos (7 mujeres) participaron en la campaña. Cada sujeto se sometió a 24 ensayos con dos iconos parpadeantes simultáneos en la pantalla de las gafas inteligentes. El sujeto tenía que mirar fijamente uno de los dos iconos ordenados al azar, cada uno de los cuales tenía una frecuencia diferente (parpadeo de 10 Hz o parpadeo de 12 Hz). La aleatoriedad de la frecuencia con la que los sujetos miraban al principio se garantizaba permitiéndoles decidir el icono a mirar sin ningún criterio predefinido. Una vez que se completaron 12 ensayos con una frecuencia específica, se le pidió al sujeto que se centrara en el icono con la otra frecuencia para los ensayos restantes. En la aplicación explotada, el icono parpadeante de 12 Hz apareció en la esquina superior izquierda, mientras que el icono parpadeante de 10 Hz apareció en la esquina inferior derecha. Un único ensayo duró 10,0 s, y pasaron unos pocos segundos (de duración aleatoria) entre ensayos consecutivos. Las ventanas de tiempo más pequeñas podrían analizarse fuera de línea cortando las señales grabadas.
Figura 4: Representación de las señales medidas durante la estimulación visual en el dominio de las características. Las señales asociadas con los estímulos parpadeantes de 12 Hz (clase 12 Hz) se representan en azul, mientras que las señales asociadas con los estímulos parpadeantes de 10 Hz (clase 10 Hz) se representan en rojo. Aquí se consideran las características de todos los temas. Haga clic aquí para ver una versión más grande de esta figura.
La Figura 4 informa las señales 10 s representadas por las dos características de densidad espectral de potencia, a saber, a 12 Hz y 10 Hz. Un solo punto en dos dimensiones correspondió a un solo ensayo. Los puntos correspondientes a las dos frecuencias parpadeantes diferentes se distinguieron por su color. Por lo tanto, las dos clases estaban separadas, aunque existía una superposición entre las dos clases, lo que puede haber causado una clasificación errónea. Los resultados de la clasificación se obtuvieron con una validación cruzada cuádruple, de modo que los datos se dividieron cuatro veces en 18 ensayos para entrenamiento y 6 ensayos para validación. Los datos confirmaron que, en el caso de estimulación de 10 s (Tabla 1), 8 sujetos de 20 alcanzaron una precisión del 100%, pero para otros sujetos, la precisión de clasificación fue tan baja como 65%-70%. Mientras tanto, un sujeto alcanzó el 100% con una estimulación de 2 s (obtenida cortando las señales en el procesamiento posterior), y un número relevante de sujetos alcanzó una precisión de clasificación aleatoria (50%). Los datos de todos los sujetos se consideraron como un todo, y se obtuvo la precisión de la clasificación. El rendimiento también se evaluó en términos de la tasa de transferencia de información (ITR), que fue superior a 30 bits / min en promedio. Estos resultados se mejoraron al considerar las densidades espectrales de potencia a 20 Hz y 24 Hz. La Tabla 2 muestra que aumentaron o permanecieron constantes, y al menos en el caso de estimulación 10 s, la desviación estándar disminuyó, lo que indica una menor dispersión en el rendimiento de clasificación para diferentes sujetos. Finalmente, la precisión de la clasificación se volvió a calcular para todos los sujetos en este caso de cuatro características, y se encontró nuevamente que estaban cerca de las precisiones medias.
| Asunto | 10 s Precisión de estimulación % | 2 s Precisión de estimulación % |
| Todo | 94.2 | 77.5 |
| S1 | 100 | 100 |
| S2 | 100 | 98.8 |
| S3 | 100 | 92 |
| S4 | 100 | 92 |
| S5 | 100 | 88 |
| S6 | 100 | 87 |
| S7 | 100 | 87 |
| S8 | 100 | 64 |
| S9 | 97.9 | 57 |
| S10 | 96.7 | 88.8 |
| S11 | 96 | 64 |
| S12 | 95.8 | 78 |
| S13 | 95.4 | 83 |
| S14 | 95.4 | 53 |
| S15 | 94 | 80 |
| S16 | 92.9 | 61 |
| S17 | 91 | 78 |
| S18 | 89.6 | 61 |
| S19 | 81 | 52 |
| S20 | 71 | 49 |
| SIGNIFICAR | 94.9 | 76 |
| ETS | 7.4 | 16 |
Tabla 1: Precisión de validación cruzada en la clasificación de las señales de EEG relacionadas con SSVEP. Para cada sujeto, los resultados asociados con una estimulación de 10 s se comparan con los resultados asociados con una estimulación de 2 s. Se informa la precisión media entre todos los sujetos, así como la precisión obtenida al considerar todos los sujetos juntos (fila todos).
| 10 s Estimulación (Precisión media ± ETS) % | 10 s Estimulación (Precisión media ± ETS) % | |
| Estuche 2D | 94,9 ± 7,4 | 76 ± 16 |
| Estuche 4D | 97,2 ± 4,3 | 76 ± 15 |
Tabla 2: Comparación del rendimiento de la clasificación al considerar dos características de PSD (caso 2D) versus cuatro características de PSD (caso 4D) para los datos de EEG relacionados con SSVEP. Una estimulación de 10 s se compara con una de 2 s informando las precisiones medias de validación cruzada y sus desviaciones estándar asociadas.
Subscription Required. Please recommend JoVE to your librarian.
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 número mínimo de electrodos secos para ser fáciles de usar. Además, el sistema podría personalizarse para usar dispositivos que sean fáciles de programar. Además, la estrategia de procesamiento determina el rendimiento final; Aunque la estrategia de procesamiento no parecía crucial en el diseño del sistema descrito, su mejora ciertamente contribuiría a un sistema más rápido y preciso para aplicaciones de comunicación y control10,11,19.
Se pueden destacar algunas deficiencias del sistema. De hecho, para la obtención de SSVEP, los estímulos parpadeantes deben tener grandes dimensiones y una frecuencia de parpadeo estable. El primero implica que los botones de la aplicación Android pueden ser voluminosos y plantear limitaciones en el escenario de realidad extendida. Este último requiere gafas inteligentes con características metrológicas que no suelen estar presentes en dispositivos comerciales. Además, incluso después de cumplir con tales condiciones, la presencia de un SSVEP depende del sujeto. Cabe destacar que existe variabilidad intra-sujeto e inter-sujeto en las amplitudes SSVEP, que depende de varios factores incontrolables, como la fatiga del usuario o la atención/compromiso13. Este problema se suma a la necesidad de encontrar estímulos óptimos para la correcta obtención de SSVEP20.
Por otro lado, la adquisición de señales es crítica para el rendimiento final porque se debe lograr una relación señal-ruido adecuada al medir la actividad cerebral. Para lograr la máxima portabilidad, portabilidad, comodidad para el usuario y bajo costo, la actividad cerebral se midió con un EEG no invasivo de un solo canal y electrodos secos. Por supuesto, los electrodos secos cumplen en su mayoría con los requisitos de la vida diaria, pero evitar el uso de geles conductores limita el contacto electrodo-piel. Por lo tanto, la estabilidad mecánica de los electrodos debe garantizarse colocándolos correctamente y estabilizándolos en uso continuo. De hecho, sin embargo, el inconveniente del sistema de adquisición propuesto es que la calidad de la señal se degrada con respecto a las técnicas de neuroimagen más invasivas.
A pesar de la mala relación señal-ruido esperada, la validación del sistema propuesto demostró que es posible un alto rendimiento para aplicaciones de comunicación y control. En particular, la caracterización metrológica del equipo de grado de consumo mostró que los dispositivos empleados eran adecuados para aplicaciones de interés de BCI, y también sugirió que dispositivos similares deberían ser adecuados para ellos también. A través de la validación experimental, se observaron precisiones de clasificación dependientes del sujeto, pero se pudieron sacar conclusiones generales positivas.
La precisión de la clasificación se puede mejorar aumentando el tiempo de estimulación. En tal caso, la capacidad de respuesta del sistema será más lenta, pero aún se pueden proporcionar capacidades alternativas de comunicación y control. En segundo lugar, un sistema sin entrenamiento (o a lo sumo un sistema con entrenamiento mínimo) podría obtenerse utilizando datos preliminares de otros sujetos. Para comprender la contribución del método propuesto al campo, los resultados pueden compararse con la literatura sobre SSVEP-BCI no invasiva. En las BCI más tradicionales, la precisión alcanza aproximadamente el 94% incluso con estimulación 2 s21, pero tales sistemas requieren una amplia capacitación y pueden no ser portátiles y portátiles. Sin embargo, el rendimiento disminuye cuando se trata de aumentar la facilidad de uso (por ejemplo, cuando se emplean electrodos secos22 y aún más cuando se intenta utilizar un solo electrodo23). En esos casos, las precisiones de clasificación se reducen a alrededor del 83%.
Por lo tanto, el sistema descrito en este trabajo acerca la tecnología BCI a las aplicaciones de la vida diaria al aumentar la facilidad de uso y mantener el rendimiento alto, aunque el uso de este sistema en entornos clínicos puede ser inapropiado. Algunos participantes comentaron que los electrodos secos en la región occipital eran más inquietantes que sus contrapartes tradicionales, pero en general, apreciaron la portabilidad y portabilidad del sistema. Muchas actualizaciones son posibles, y algunas de ellas ya se están desarrollando. Por ejemplo, el número de estímulos (y, por lo tanto, el número de comandos) se puede aumentar a cuatro. Entonces, los estímulos en sí mismos pueden diseñarse para forzar menos los ojos. Finalmente, el rendimiento de la clasificación se puede mejorar a través de una estrategia de procesamiento más avanzada para lograr un sistema más preciso y / o más rápido.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen nada que revelar.
Acknowledgments
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
| Name | Company | Catalog Number | Comments |
| 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. Enhancing human-computer interaction with input from active and passive brain-computer interfaces. Brain-Computer Interfaces. Tan, D. S., Nijholt, A. , Springer. London, UK. 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. Brain-computer interfacing and virtual reality. Handbook of Digital Games and Entertainment Technologies. Nakatsu, R., Rauterberg, M., Ciancarini, P. , 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).
