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.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
O estudo foi aprovado pelo Comitê de Ética em Pesquisa Psicológica do Departamento de Humanidades da Universidade de Nápoles Federico II. Os voluntários assinaram o termo de consentimento livre e esclarecido antes de participarem dos experimentos.
1. Preparando o cérebro vestível não invasivo - interface de computador
- Obtenha um eletroencefalógrafo de baixo custo com eletrodos secos e configure-o para uso em canal único.
- Curto-circuito ou conexão de quaisquer canais de entrada não utilizados no eletroencefalógrafo de baixo custo a uma tensão de referência interna, conforme especificado pela folha de dados inerente. Ao fazer isso, os canais não utilizados são desativados e não geram ruído de crosstalk.
- Ajuste o ganho do eletroencefalógrafo (tipicamente através de um componente com resistência variável) para ter uma faixa de entrada da ordem de 100 μV.
NOTA: Os sinais de EEG a serem medidos são da ordem de dezenas de microvolts. No entanto, os eletrodos secos são muito afetados por artefatos de movimento, que resultam em oscilações da ordem de 100 μV devido à variabilidade na impedância eletrodo-pele. Aumentar a faixa de tensão de entrada ajuda a limitar a saturação do amplificador de EEG, mas não a elimina completamente. Por outro lado, seria inconveniente aumentar ainda mais a faixa de tensão de entrada, pois isso afetaria a resolução da tensão na medição dos componentes desejados do EEG. Em última análise, os dois aspectos devem ser equilibrados, levando em conta também a resolução de bits do conversor analógico-digital dentro da placa eletroencefalográfica. - Prepare três eletrodos secos para conectar à placa do eletroencefalógrafo. Use um eletrodo passivo (sem pré-amplificação) como eletrodo de referência. Os dois eletrodos de medição restantes devem ser ativos (ou seja, envolvem pré-amplificação e eventual filtragem analógica).
NOTA: Os eletrodos colocados em uma área do couro cabeludo piloso requerem pinos para superar a impedância de contato eletrodo-pele. Se possível, solde pinos prateados com cabeças chatas (para evitar muita dor para o usuário), ou o ideal é usar borracha condutora (macia) com revestimento Ag/AgCl.
- Obtenha óculos inteligentes comerciais com um sistema operacional Android e uma taxa de atualização de 60 Hz. Como alternativa, use uma taxa de atualização mais baixa. Uma taxa de atualização mais alta seria desejável para estímulos, pois haveria menos fadiga ocular, mas não há soluções atualmente disponíveis no mercado.
- Baixe o código-fonte de um aplicativo Android para comunicação ou controle, ou desenvolva um.
- Substitua os botões virtuais no aplicativo por ícones cintilantes alterando o objeto inerente (geralmente em Java ou Kotlin). Quadrados brancos com pelo menos 5% de dimensão da tela são recomendados. Normalmente, quanto maior o quadrado estimulador, maior será o componente SSVEP a ser detectado, mas um ótimo pode ser encontrado dependendo do caso específico. As frequências recomendadas são 10 Hz e 12 Hz cintilantes. Implemente a cintilação na unidade de processamento gráfico (GPU) para evitar sobrecarregar a unidade de computação (CPU) dos óculos inteligentes. Para isso, use objetos da biblioteca OpenGL.
- Implemente um módulo do aplicativo Android para processamento em tempo real do fluxo de EEG de entrada. O serviço USB Android pode ser adicionado para que o fluxo possa ser recebido via USB. O processamento em tempo real pode simplesmente aplicar uma janela deslizante ao fluxo de EEG considerando os pacotes de entrada. Calcular as densidades espectrais de potência associadas às frequências de 10 Hz e 12 Hz através de uma função de transformada rápida de Fourier. Um classificador treinado pode, assim, distinguir que o usuário está olhando para o ícone de cintilação de 10 Hz ou o ícone de cintilação de 12 Hz, classificando os recursos de densidade espectral de potência.
2. Calibrando a interface cérebro-computador baseada em SSVEP
OBS: Voluntários saudáveis foram escolhidos para este estudo. Excluir indivíduos com histórico de doenças cerebrais. Os indivíduos envolvidos deveriam ter visão normal ou corrigida para normal. Eles foram orientados a relaxar durante os experimentos e evitar movimentos desnecessários, principalmente da cabeça.
- Permita que o usuário use os óculos inteligentes com o aplicativo Android.
- Deixe o usuário usar uma faixa de cabeça apertada para segurar os eletrodos.
- Conecte o eletroencefalógrafo de baixo custo a um PC através de um cabo USB enquanto o PC está desconectado da fonte de alimentação principal.
- Inicialmente desconecte todos os eletrodos da placa de aquisição do eletroencefalógrafo para partir de uma condição conhecida.
- Nesta fase, o fluxo de EEG é processado offline no PC com um script compatível com o processamento implementado no aplicativo Android. Inicie o script para receber os sinais de EEG e visualizá-los.
- Verifique o sinal exibido que é processado offline. Este deve corresponder apenas ao ruído de quantização do amplificador de EEG.
- Conecte os eletrodos.
- Aplique o eletrodo passivo na orelha esquerda com um clipe personalizado ou use um eletrodo de clipe de ouvido. O sinal de saída deve permanecer inalterado nesta etapa porque o canal diferencial de medição ainda é um circuito aberto.
- Conecte um eletrodo ativo ao terminal negativo da entrada diferencial do canal de EEG de medição e aplique na região frontal (localização padrão de Fpz) com uma faixa de cabeça. Após alguns segundos, o sinal deve retornar a zero (ruído de quantização).
- Conecte o outro eletrodo ativo ao terminal positivo da entrada diferencial do canal de EEG de medição e aplique na região occipital (localização padrão de Oz) com a faixa de cabeça. Um sinal cerebral é agora exibido, que corresponde à atividade visual medida em relação à área frontal do cérebro (nenhuma atividade visual prevista lá).
- Adquirir sinais para calibração do sistema.
- Estimule repetidamente o usuário com ícones cintilantes de 10 Hz e 12 Hz (e eventualmente outros) iniciando o ícone de cintilação no aplicativo Android e adquira e salve os sinais de EEG inerentes para processamento off-line. Certifique-se de que cada estimulação nesta fase consiste em um único ícone piscando por 10 s e inicie o ícone de cintilação pressionando o touchpad dos óculos inteligentes enquanto também inicia o script de aquisição e visualização do EEG.
- A partir dos sinais de 10 s associados a cada estimulação, extraia duas características usando a transformada rápida de Fourier: a densidade espectral de potência em 10 Hz e em 12 Hz. Alternativamente, considere os segundos harmônicos (20 Hz e 24 Hz).
- Use uma representação dos sinais adquiridos no domínio de recursos para treinar um classificador de máquina de vetor de suporte. Use uma ferramenta (em Matlab ou Python) para identificar os parâmetros de um hiperplano com um eventual kernel baseado nos recursos de entrada. O modelo treinado será capaz de classificar futuras observações de sinais de EEG.
3. Monte a interface final vestível e portátil baseada em SSVEP
- Desconecte o cabo USB do PC e conecte-o diretamente aos óculos inteligentes.
- Insira os parâmetros do classificador treinado no aplicativo Android. O sistema já está pronto.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Uma possível implementação do sistema descrito acima é mostrada na Figura 1; Esta implementação permite que o usuário navegue em realidade aumentada através da atividade cerebral. Os ícones cintilantes no visor dos óculos inteligentes correspondem às ações da aplicação (Figura 1A) e, portanto, esses óculos representam um substituto para uma interface tradicional baseada em pressionamentos de botões ou um touchpad. A eficácia de tal interação está estritamente relacionada à classificação bem sucedida dos potenciais evocados pela cintilação. Para atingir esse objetivo, primeiramente foi realizada uma caracterização metrológica do sistema18 e, em seguida, usuários humanos foram envolvidos em uma validação experimental.
Figura 1: Possível implementação da interface cérebro-computador proposta. (A) Representação do que o usuário vê através dos óculos inteligentes, ou seja, o cenário real e os estímulos visuais; (B) um usuário usando o sistema mãos-livres. Clique aqui para ver uma versão maior desta figura.
O eletrencefalógrafo foi caracterizado quanto à linearidade e erro de magnitude. A linearidade foi avaliada em 20 Hz através de medidas realizadas com um sinal de entrada senoidal para o aparelho testado em sete diferentes amplitudes (10 μV, 20 μV, 30 μV, 40 μV, 60 μV, 80 μV e 100 μV). Ao plotar a tensão do eletroencefalógrafo em função da tensão de entrada, a Figura 2A destaca o claro comportamento linear do eletroencefalógrafo. A linearidade também foi confirmada pelo teste de Fisher para a bondade do ajuste linear. No entanto, a figura também indica algum ganho e erro de compensação. Esses erros foram testados fixando-se a amplitude em 100 μV e variando-se a frequência. Os resultados estão apresentados na Figura 2B e confirmam o erro de magnitude em relação ao ganho nominal.
Figura 2: Resultados da caracterização eletroencefalográfica de baixo custo. (A) Erros lineares; (B) erros de magnitude. O número de amostras para cada ponto de medição foi de 4.096. Uma discussão mais detalhada pode ser encontrada em Arpaia et al.18. Clique aqui para ver uma versão maior desta figura.
Finalmente, a cintilação dos óculos inteligentes foi medida para destacar eventuais desvios da trajetória nominal da onda quadrada. Tais desvios foram especialmente visíveis no espectro de amplitude da cintilação de 12 Hz (Figura 3B). No entanto, todos esses erros podem ser considerados ou eventualmente compensados, demonstrando a viabilidade do uso de material de consumo para o sistema SSVEP-BCI.
Figura 3: Resultados da caracterização dos óculos inteligentes comerciais em termos do espectro de amplitude dos botões cintilantes. (A) cintilação a 10 Hz; (B) cintilação a 12 Hz. Uma discussão mais detalhada pode ser encontrada em Arpaia et al.18. Clique aqui para ver uma versão maior desta figura.
Quanto à validação experimental, 20 sujeitos (7 do sexo feminino) participaram da campanha. Cada sujeito foi submetido a 24 tentativas com dois ícones cintilantes simultâneos no visor dos óculos inteligentes. O sujeito tinha que olhar para um dos dois ícones ordenados aleatoriamente, cada um com uma frequência diferente (10 Hz piscando ou 12 Hz piscando). A aleatoriedade da frequência com que os sujeitos olhavam inicialmente era garantida ao permitir que eles decidissem o ícone a ser olhado sem nenhum critério pré-definido. Uma vez que 12 tentativas foram concluídas em uma frequência específica, o sujeito foi então solicitado a se concentrar no ícone com a outra frequência para as tentativas restantes. No aplicativo explorado, o ícone de cintilação de 12 Hz aparecia no canto superior esquerdo, enquanto o ícone cintilante de 10 Hz aparecia no canto inferior direito. Uma única tentativa durou 10,0 s, e alguns segundos (de duração aleatória) se passaram entre tentativas consecutivas. Janelas de tempo menores poderiam então ser analisadas off-line, cortando os sinais gravados.
Figura 4: Representação dos sinais medidos durante a estimulação visual no domínio características. Os sinais associados aos estímulos de cintilação de 12 Hz (classe 12 Hz) são representados em azul, enquanto os sinais associados aos estímulos de cintilação de 10 Hz (classe 10 Hz) são representados em vermelho. Recursos de todos os assuntos são considerados aqui. Clique aqui para ver uma versão maior desta figura.
A Figura 4 apresenta os sinais de 10 s representados pelas duas características de densidade espectral de potência, ou seja, em 12 Hz e 10 Hz. Um único ponto em duas dimensões correspondeu a uma única tentativa. Os pontos correspondentes às duas diferentes frequências de cintilação foram distinguidos por sua cor. Assim, as duas classes foram separadas, embora existisse uma sobreposição entre as duas classes, o que pode ter causado erros de classificação. Os resultados da classificação foram obtidos com uma validação cruzada de quatro vezes, de modo que os dados foram divididos quatro vezes em 18 tentativas para treinamento e 6 tentativas para validação. Os dados confirmaram que, no caso de estimulação de 10 s (Tabela 1), 8 dos 20 sujeitos alcançaram 100% de acerto, mas para os demais sujeitos, a acurácia da classificação foi tão baixa quanto 65%-70%. Enquanto isso, um sujeito atingiu 100% com uma estimulação de 2 s (obtida pelo corte dos sinais no pós-processamento), e um número relevante de sujeitos atingiu precisão de classificação aleatória (50%). Os dados de todos os sujeitos foram considerados como um todo, e a precisão da classificação foi obtida. O desempenho também foi avaliado em termos de taxa de transferência de informações (ITR), que ficou acima de 30 bits/min em média. Esses resultados foram aprimorados considerando-se as densidades espectrais de potência em 20 Hz e 24 Hz. A Tabela 2 mostra que elas aumentaram ou permaneceram constantes e, pelo menos no caso da estimulação de 10 s, o desvio padrão diminuiu, indicando menor dispersão no desempenho da classificação para os diferentes sujeitos. Finalmente, a acurácia da classificação foi recalculada para todos os sujeitos neste caso de quatro características, e verificou-se novamente que elas estavam próximas das acurácias médias.
| Assunto | 10 s Precisão da estimulação % | 2 s Precisão da estimulação % |
| Todo | 94.2 | 77.5 |
| E1 | 100 | 100 |
| E2 | 100 | 98.8 |
| E3 | 100 | 92 |
| E4 | 100 | 92 |
| E5 | 100 | 88 |
| E6 | 100 | 87 |
| E7 | 100 | 87 |
| E8 | 100 | 64 |
| E9 | 97.9 | 57 |
| E10 | 96.7 | 88.8 |
| E11 | 96 | 64 |
| E12 | 95.8 | 78 |
| E13 | 95.4 | 83 |
| E14 | 95.4 | 53 |
| E15 | 94 | 80 |
| E16 | 92.9 | 61 |
| E17 | 91 | 78 |
| E18 | 89.6 | 61 |
| E19 | 81 | 52 |
| E20 | 71 | 49 |
| SIGNIFICAR | 94.9 | 76 |
| DST | 7.4 | 16 |
Tabela 1: Precisão da validação cruzada na classificação dos sinais de EEG relacionados ao SSVEP. Para cada sujeito, os resultados associados a uma estimulação de 10 s são comparados com os resultados associados a uma estimulação de 2 s. A acurácia média entre todos os sujeitos é relatada, assim como a acurácia obtida ao considerar todos os sujeitos em conjunto (linha toda).
| Estimulação de 10 s (Acurácia média ± dst) % | Estimulação de 10 s (Acurácia média ± dst) % | |
| Caso 2D | 94,9 ± 7,4 | 76 ± 16 |
| Caso 4D | 97,2 ± 4,3 | 76 ± 15 |
Tabela 2: Comparação do desempenho da classificação ao considerar duas características do PSD (caso 2D) versus quatro características do PSD (caso 4D) para os dados de EEG relacionados ao SSVEP. Uma estimulação de 10 s é comparada a uma estimulação de 2 s relatando as acurácias médias de validação cruzada e seus desvios-padrão associados.
Subscription Required. Please recommend JoVE to your librarian.
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 eletrodos secos para serem fáceis de usar. Além disso, o sistema pode ser personalizado para usar dispositivos que são fáceis de programar. Além disso, a estratégia de processamento determina o desempenho final; Embora a estratégia de processamento não tenha se mostrado crucial no projeto do sistema descrito, seu aprimoramento certamente contribuiria para um sistema mais rápido e preciso para aplicações de comunicação e controle10,11,19.
Algumas deficiências do sistema podem ser destacadas. De fato, para a elicitação do SSVEP, os estímulos cintilantes devem ter grandes dimensões e uma frequência de cintilação estável. O primeiro implica que os botões do aplicativo Android podem ser volumosos e apresentar limitações no cenário de realidade estendida. Este último requer óculos inteligentes com características metrológicas que normalmente não estão presentes em dispositivos comerciais. Além disso, mesmo após preencher tais condições, a presença de um SSVEP depende do sujeito. Notadamente, há variabilidade intra e intersujeitos nas amplitudes do SSVEP, que depende de vários fatores incontroláveis, como fadiga do usuário ou atenção/engajamento13. Essa questão se soma à necessidade de se encontrar estímulos ideais para a adequada eliciação do SSVEP20.
Por outro lado, a aquisição do sinal é crítica para o desempenho final, pois uma relação sinal-ruído adequada deve ser obtida ao medir a atividade cerebral. A fim de alcançar o máximo de usabilidade, portabilidade, conforto do usuário e baixo custo, a atividade cerebral foi medida com um EEG não invasivo de canal único e eletrodos secos. É claro que os eletrodos secos são principalmente compatíveis com os requisitos da vida diária, mas evitar o uso de géis condutores limita o contato eletrodo-pele. Portanto, a estabilidade mecânica dos eletrodos deve ser garantida colocando-os corretamente e estabilizando-os em uso contínuo. De fato, no entanto, a desvantagem do sistema de aquisição proposto é que a qualidade do sinal é degradada em relação a técnicas de neuroimagem mais invasivas.
Apesar da baixa relação sinal-ruído esperada, a validação do sistema proposto demonstrou que é possível um alto desempenho para aplicações de comunicação e controle. Em particular, a caracterização metrológica dos equipamentos de nível de consumo mostrou que os dispositivos empregados eram adequados para aplicações de interesse de BCI, e também sugeriu que dispositivos semelhantes também deveriam ser adequados para eles. Por meio da validação experimental, foram observadas acurácias de classificação sujeito-dependente, mas conclusões gerais positivas puderam ser tiradas.
A precisão da classificação pode ser melhorada com o aumento do tempo de estimulação. Nesse caso, a capacidade de resposta do sistema será mais lenta, mas recursos alternativos de comunicação e controle ainda podem ser fornecidos. Em segundo lugar, um sistema sem treinamento (ou, no máximo, um sistema com treinamento mínimo) poderia ser obtido usando dados preliminares de outros sujeitos. Para compreender a contribuição do método proposto para o campo, os resultados podem ser comparados com a literatura sobre SSVEP-BCI não invasivo. Em BCIs mais tradicionais, a precisão atinge cerca de 94% mesmo com estimulação de 2 s21, mas tais sistemas requerem treinamento extensivo e podem não ser vestíveis e portáteis. No entanto, o desempenho cai quando se tenta aumentar a facilidade de uso (por exemplo, ao empregar eletrodos secos22 e ainda mais quando se tenta usar um único eletrodo23). Nesses casos, as precisões de classificação são reduzidas para cerca de 83%.
Portanto, o sistema descrito neste trabalho aproxima a tecnologia BCI das aplicações da vida diária, aumentando a facilidade de uso e mantendo o alto desempenho, embora o uso desse sistema em ambientes clínicos possa ser inadequado. Alguns participantes comentaram que os eletrodos secos na região occipital eram mais perturbadores do que seus homólogos tradicionais, mas, no geral, eles apreciaram a usabilidade e portabilidade do sistema. Muitas atualizações são possíveis, e algumas delas já estão sendo desenvolvidas. Por exemplo, o número de estímulos (e, portanto, o número de comandos) pode ser aumentado para quatro. Então, os próprios estímulos podem ser projetados para forçar menos os olhos. Finalmente, o desempenho da classificação pode ser melhorado através de uma estratégia de processamento mais avançada para alcançar um sistema mais preciso e/ou mais rápido.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Os autores não têm nada a revelar.
Acknowledgments
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
| 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).
