Une interface cerveau-ordinateur portable à canal unique et non invasive pour l’industrie et les soins de santé
Summary
Cet article explique comment construire une interface cerveau-ordinateur en s’appuyant sur un équipement de qualité grand public et des potentiels évoqués visuellement à l’état stable. Pour cela, un électroencéphalographe monocanal exploitant des électrodes sèches a été intégré à des lunettes de réalité augmentée pour la présentation des stimuli et la visualisation des données de sortie. Le système final était non invasif, portable et portable.
Abstract
Le présent travail se concentre sur la façon de construire une interface cerveau-ordinateur portable (BCI). Les BCI sont un nouveau moyen d’interaction homme-machine qui repose sur des mesures directes des signaux cérébraux pour aider à la fois les personnes handicapées et les personnes valides. Les exemples d’application incluent le contrôle robotique, l’inspection industrielle et la neuroréhabilitation. Des études récentes ont notamment montré que les potentiels évoqués visuels à l’état stable (SSVEP) sont particulièrement adaptés aux applications de communication et de contrôle, et des efforts sont actuellement déployés pour intégrer la technologie BCI dans la vie quotidienne. Pour atteindre cet objectif, le système final doit s’appuyer sur une instrumentation portable, portable et peu coûteuse. Dans l’exploitation des SSVEP, un stimulus visuel vacillant avec des fréquences fixes est nécessaire. Ainsi, en considérant les contraintes de la vie quotidienne, la possibilité de fournir des stimuli visuels au moyen de lunettes intelligentes a été explorée dans cette étude. De plus, pour détecter les potentiels suscités, un appareil commercial d’électroencéphalographie (EEG) a été envisagé. Il s’agit d’un seul canal différentiel avec des électrodes sèches (pas de gel conducteur), obtenant ainsi la plus grande portabilité et portabilité. Dans un tel BCI, l’utilisateur peut interagir avec les lunettes intelligentes en regardant simplement les icônes apparaissant sur l’écran. Sur ce principe simple, un BCI convivial et peu coûteux a été construit en intégrant des lunettes de réalité étendue (XR) à un appareil EEG disponible dans le commerce. La fonctionnalité de ce XR-BCI portable a été examinée avec une campagne expérimentale impliquant 20 sujets. La précision de classification était comprise entre 80% et 95% en moyenne en fonction du temps de stimulation. Compte tenu de ces résultats, le système peut être utilisé comme interface homme-machine pour l’inspection industrielle mais aussi pour la réadaptation dans le TDAH et l’autisme.
Introduction
Une interface cerveau-ordinateur (BCI) est un système permettant la communication et/ou le contrôle de dispositifs sans voies neuronales naturelles1. La technologie BCI est ce qui se rapproche le plus du contrôle des objets avec le pouvoir de l’esprit. D’un point de vue technique, le fonctionnement du système fonctionne en mesurant l’activité cérébrale induite ou évoquée, qui pourrait être générée involontairement ou volontairement par le sujet2. Historiquement, la recherche s’est concentrée sur l’aide aux personnes ayant un handicap moteur grâce à BCI3, mais un nombre croissant d’entreprises proposent aujourd’hui des instruments basés sur BCI pour les jeux4, la robotique5, l’industrie6 et d’autres applications impliquant une interaction homme-machine. En particulier, les BCI peuvent jouer un rôle dans la quatrième révolution industrielle, à savoir l’industrie 4.07, où les systèmes de production cyber-physiques modifient l’interaction entre les humains et l’environnement8. D’une manière générale, le projet européen BNCI Horizon 2020 a identifié des scénarios d’application tels que le remplacement, la restauration, l’amélioration, l’amélioration ou le complément des fonctions naturelles perdues du système nerveux central, ainsi que l’utilisation des BCI dans l’étude du cerveau9.
Dans ce cadre, les progrès technologiques récents signifient que les interfaces cerveau-ordinateur peuvent être applicables à une utilisation dans la vie quotidienne10,11. Pour atteindre cet objectif, la première exigence est le caractère non invasif, ce qui est important pour éviter les risques d’une intervention chirurgicale et accroître l’acceptation par les utilisateurs. Cependant, il convient de noter que le choix de la neuroimagerie non invasive affecte la qualité des signaux cérébraux mesurés, et que la conception du BCI doit alors traiter les pièges associés12. De plus, la portabilité et la portabilité sont requises. Ces exigences sont conformes à la nécessité d’un système convivial mais posent également certaines contraintes. Dans l’ensemble, les contraintes matérielles mentionnées sont résolues par l’utilisation d’un système électroencéphalographique (EEG) avec des électrodes sans gel6. Un tel BCI basé sur l’EEG serait également peu coûteux. Pendant ce temps, en ce qui concerne le logiciel, une formation minimale des utilisateurs (ou idéalement aucune formation) serait souhaitée; À savoir, il serait préférable d’éviter de longues périodes pour régler l’algorithme de traitement avant que l’utilisateur puisse utiliser le système. Cet aspect est essentiel dans les BCI en raison de la non-stationnarité inter-sujets et intra-sujets13,14.
La littérature antérieure a démontré que la détection des potentiels cérébraux évoqués est robuste en ce qui concerne la non-stationnarité et le bruit dans l’acquisition du signal. En d’autres termes, les BCI s’appuyant sur la détection du potentiel évoqué sont appelés réactifs et sont les BCI les plus performants en termes de reconnaissance des formes cérébrales15. Néanmoins, ils nécessitent une stimulation sensorielle, ce qui est probablement le principal inconvénient de telles interfaces. L’objectif de la méthode proposée est donc de construire un BCI hautement portable et portable reposant sur des instruments portables et prêts à l’emploi. Les stimuli sensoriels consistent ici en des lumières vacillantes, générées par des lunettes intelligentes, capables de générer des potentiels évoqués visuellement à l’état stable (SSVEP). Des travaux antérieurs ont déjà envisagé d’intégrer BCI à la réalité virtuelle seule ou en conjonction avec la réalité augmentée16. Par exemple, un système BCI-AR a été proposé pour contrôler un quadricoptère avec SSVEP17. La réalité virtuelle, la réalité augmentée et d’autres paradigmes sont désignés par le terme réalité étendue. Dans un tel scénario, le choix des lunettes intelligentes est conforme aux exigences de portabilité et de portabilité, et les lunettes intelligentes peuvent être intégrées avec une configuration d’acquisition EEG minimale. Cet article montre que le BCI basé sur SSVEP nécessite également une formation minimale tout en obtenant des performances de classification acceptables pour les applications de communication et de contrôle à faible et moyenne vitesse. Par conséquent, la technique est appliquée au BCI pour les applications de la vie quotidienne, et elle semble particulièrement adaptée à l’industrie et aux soins de santé.
Protocol
Representative Results
Discussion
Le bon fonctionnement du système implique deux aspects cruciaux: l’élicitation SSVEP et l’acquisition du signal. Outre les dispositifs spécifiques choisis pour la présente étude, SSVEP pourrait être déclenché avec différents dispositifs fournissant une lumière vacillante, bien que les lunettes intelligentes soient préférées pour assurer la portabilité et la portabilité. De même, d’autres électroencéphalographes commerciaux pourraient être envisagés, mais ils devraient être portables, portables …
Divulgazioni
The authors have nothing to disclose.
Acknowledgements
Ce travail a été réalisé dans le cadre du projet TIC pour la santé, qui a été soutenu financièrement par le ministère italien de l’Éducation, de l’Université et de la Recherche (MIUR), dans le cadre de l’initiative Départements d’excellence (loi budgétaire italienne no. 232/2016), à travers une subvention d’excellence accordée au Département des technologies de l’information et du génie électrique de l’Université de Naples Federico II, Naples, Italie. Le projet a en effet été rendu possible grâce au soutien de l’initiative Res4Net et du TC-06 (Emerging Technologies in Measurements) de l’IEEE Instrumentation and Measurement Society. Les auteurs tiennent également à remercier L. Callegaro, A. Cioffi, S. Criscuolo, A. Cultrera, G. De Blasi, E. De Benedetto, L. Duraccio, E. Leone et M. Ortolano pour leurs précieuses contributions au développement, aux tests et à la validation du système.
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 |
Riferimenti
- 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).
