Análise Preliminar de Diferentes Padrões de Estimulação em Interfaces Cérebro-Computador Baseadas em SSVEP

Please download to get full document.

View again

of 5
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
Published
Análise Preliminar de Diferentes Padrões de Estimulação em Interfaces Cérebro-Computador Baseadas em SSVEP
  Análise Preliminar de Diferentes Padrões de Estimulação em Interfaces Cérebro-Computador Baseadas em SSVEP Luís Filipe M. G. Soutello 1 , Thiago B. S. Costa 1 , Sarah N. Carvalho 1,2 , Luisa Fernanda S. Uribe 1 , Diogo C. Soriano 3 , R. Attux 1   1  –   Departamento de Engenharia de Computação e Automação Industrial /FEEC/UNICAMP, Campinas, Brasil 2  –   Departamento de Engenharia Elétrica/ICEA/UFOP, João Monlevade, Brasil 3  –   Centro de Engenharia, Modelagem e Ciências Sociais / UFABC, São Bernardo do Campo, Brasil attux@dca.fee.unicamp.br  Abstract:  Brain-Computer Interfaces (BCIs) are devices capable of conveying brain-generated commands using means different from those employed by the body. In this work, we present an initial study on the effect of different stimulation patterns on the performance of a BCI based on steady state visually evoked potentials (SSVEP). The results are interesting and reveal that it is feasible that the pattern be customized for a given user.  Keywords:  Brain-Computer Interfaces, SSVEP, Pattern Recognition, Digital Signal Processing 1   Introdução As principais atividades de comunicação e controle realizadas pelo ser humano utilizam as vias neu-romusculares. A execução de tarefas como falar, escrever ou usar um computador requer todo um conjunto de etapas que começa com a intenção da pessoa, passa pela geração de um sinal no sistema nervoso e termina com algum movimento especia-lizado da musculatura [1]. Existem, porém, diversos quadros clínicos  –   como esclerose lateral amiotrófica, lesão da medu-la espinha, acidente vascular cerebral, entre outros  –   que comprometem essas vias naturais. Uma das alternativas para contornar esse problema é a cria-ção de um novo caminho não muscular que substi-tua, em parte, as funções perdidas [2]. Diante desse contexto, uma Interface Cérebro-Computador (BCI, do inglês  Brain-Computer In-terface ) tem como proposta criar um caminho dire-to entre a atividade cerebral e o envio de mensa-gens e sinais de controle, sem passar por nervos e músculos. Para isso, é preciso partir da medição de alguma das diversas manifestações encefálicas. Existem várias técnicas que permitem isso. O pre-sente estudo, em particular, foca na Eletroencefa-lografia (EEG), que é o método mais versátil para a aquisição de sinais oriundos do cérebro [3]. 1.1   O Sistema BCI O esquema geral de um sistema BCI baseado em EEG está mostrado na Figura 1. Figura 1:  Estrutura geral de uma BCI baseada em EEG O sistema se inicia com a aquisição de regis-tros eletroencefalográficos obtidos através de ele-trodos fixados no escalpo, segundo o padrão 10-20 da Federação Internacional [4]. A escolha da posi-ção dos eletrodos está associada à srcem do sinal. Evocações suscitadas por estímulos visuais, por exemplo, estarão provavelmente concentradas em determinadas regiões do córtex visual, que se loca-liza, por sua vez, no lobo occipital. O sinal de EEG passa então por um amplifi-cador, antes de ser amostrado e quantizado por um conversor analógico-digital. Depois de convertido, o sinal é enviado para um computador para que seja realizado seu processamento. Este pode ser  dividido em três etapas: pré-processamento, extra-ção de características e classificação. O pré-processamento tem como objetivo me-lhorar a qualidade do sinal através da remoção de interferentes, ou seja, usar alguma estratégia que aumente a relação sinal-ruído. A etapa de extração de características consiste na obtenção de alguma propriedade do sinal que seja reflexo da intenção do usuário. Ao mesmo tempo, a BCI é projetada de forma que o usuário também consiga alterar alguma propriedade do sinal de acordo com a sua escolha. Dessa forma, cada sistema BCI precisa ser adaptativo, ou seja, requer primeiramente um conjunto de possíveis comandos e, além disso, requer que cada comando esteja associado a alguma dessas mudanças de propriedade, o que, por sua vez, altera o sinal de forma específica. A última etapa de processamento é a classifi-cação. Ela consiste em um algoritmo que analisa o sinal para determinar qual foi a intenção do usuá-rio. Nessa etapa, são utilizadas as propriedades do sinal passíveis de reconhecimento. Depois, um dispositivo adequado emite o sinal de controle correspondente. Se toda a interface funcionar cor-retamente, esse sinal de comando será o mesmo da intenção inicial do usuário. Sistemas BCIs podem servir a diversas aplica-ções, a depender da necessidade e do quadro clíni-co de cada indivíduo. Também é possível criar aplicações fora do ambiente médico, como em  jogos e simulações em ambiente virtuais.   1.2   SSVEP SSVEP (do inglês, Steady-State Visual-Evoked Potencials ) são sinais de EEG produzidos em res-posta a estímulos visuais oscilantes. Esses poten-ciais são periódicos e se manifestam na frequência fundamental e nas suas harmônicas. Dessa forma, é possível associar uma determinada frequência de estimulação a um comando. Os primeiros trabalhos em BCI relatam que a faixa efetiva de estimulação é de 6 a 30 Hz, embora, mais recentemente, vários autores tenham obtido evocações em faixas espec-trais mais amplas: 2 a 80 Hz [5]. A escolha das frequências a serem utilizadas em um sistema de BCI depende de vários fatores. Sempre se deseja escolher a frequência que evoca o sinal mais forte, e isso depende do usuário. Mesmas frequências de estímulo geram sinais de diferentes potências em diferentes usuários. O uso de telas de cristal líquido (LCD) com taxa de atua-lização tipicamente de 60 Hz pode limitar a esco-lha de frequência a submúltiplos dessa taxa. Tam-bém se deve tomar cuidado com o distanciamento entre as frequências de estimulação para se obter uma evocação precisa [6]. 2   Proposta Metodológica Do ponto de vista da eficiência de um sistema BCI, a proposta do presente estudo consiste na compa-ração de três diferentes padrões de estímulo visual para a geração de SSVEP. Figura 2:  Padrões de estimulação. Um mesmo usuário foi submetido a sessões de aquisição de sinal EEG para cada um dos tipos de padrão e a taxa de acerto do sistema BCI foi avaliada. Cada estímulo consistiu de duas imagens com estampas xadrez reversas nas cores preto e branco, ilustradas na Figura 2. A frequência de estimulação se dá pelo número de reversões das imagens por segundo. O protocolo experimental foi aprovado pelo comitê de ética da Unicamp. 2.1   Arranjo Experimental Um usuário vestiu uma touca com furos para aco-modar os eletrodos, que foram posicionados em torno do córtex visual. O transdutor de referência e    o terra foram posicionados nos mastoides. O usuá-rio também vestiu pulseiras eletrostáticas, que foram conectadas a rede elétrica de forma a aterrá-lo, para reduzir a interferência de cargas residuais na pele. Os eletrodos foram conectados por meio de fios a um amplificador de sinais biológicos. A saída do amplificador foi conectada a um conver-sor analógico/digital, por sua vez, foi conectado a um notebook, para que o processamento fosse rea-lizado no ambiente do MATLAB. Outro notebook, que gerava os estímulos visuais, foi posicionado à frente do usuário. O protocolo de aquisição foi o seguinte: cada um dos três padrões de estimulação foi apresentado em telas distintas. Em cada sessão, o usuário tinha de olhar 25 segundos para estímulos oscilantes de 12 e depois de 15 Hz. A indicação de qual estímulo olhar era enviada por meio de som. Por fim, tam-bém foi pedido ao usuário que se concentrasse no centro da tela, ou seja, que não olhasse para ne-nhum dos estímulos por 25 segundos (repouso). Foram gravadas duas sessões para cada padrão de estímulo, sendo que uma sessão foi usada para o treinamento do sistema e a outra para teste. Na sequência, foram realizados o pré-processamento, a extração de características e a classificação dos dados cerebrais [8]. 2.2   Pré-Processamento A estratégia de pré-processamento adotada foi o uso de um filtro espacial, denominado Referência Média Comum (CAR, do inglês Common Average  Reference ), que calcula a média dos sinais de todos os eletrodos ponto a ponto e a subtrai de cada sinal também ponto a ponto [8]. 2.3   Extração de Características Utilizou-se o método de Welch para a extração de características. Ele estima a densidade espectral (PSD, do inglês Power Spectral Density ) aplicando a Transformada Rápida de Fourier (FFT, do inglês Fast Fourier Transform ). Divide-se o sinal de en-trada em N segmentos e calcula-se a PSD para cada uma das frequências de interesse. Neste estu-do, as janelas eram de 3 s e sem sobreposição. O PSD foi estimado exatamente nas frequências de 12 e 15 Hz [9]. 2.4   Classificador O classificador utilizado foi uma estrutura linear treinada pelo método de mínimos quadrados. A solução foi obtida, para um conjunto de treinamen-to devidamente rotulado, por meio da pseudo-inversa de Moore-Penrose [10]. 3   Resultados As porcentagens de acerto do sistema para cada um dos estímulos mostrados na Tabela 1. Tabela 1:  Desempenho do sistema para cada tipo de estímulo. 12 Hz 15 Hz Média A 100,00% 100,0% 100,0% B 75,00% 62,50% 68,75% C 100,00% 87,50% 93,75% O padrão que obteve o melhor desempenho foi o padrão A, porém o usuário relatou que foi o padrão que causou o maior desconforto visual. Já o padrão C obteve um resultado bastante satisfatório (superior, por exemplo, ao do padrão B) e o usuá-rio relatou um conforto visual maior. Dessa forma, um teste desse tipo pode servir para achar uma solução de compromisso entre desempenho do sistema e conforto do usuário para um BCI. Figura 3:  Amostra de extração de atributos do canal O1.  Para o padrão A, com o qual se obteve o me-lhor resultado, a Figura 3 mostra a PSD de um dos canais tanto para o sinal de 12 Hz como para o sinal de 15 Hz, em comparação com o estado de repouso. Pelo gráfico, fica evidente que os maiores picos das PSDs se encontram nas frequências de estímulo, mostrando que, de fato, o sinal de SSVEP foi evocado. 4   Conclusões e Perspectivas Os resultados permitem concluir que, de fato, o padrão de estimulação evocou o sinal de SSVEP no usuário, e que a alteração das dimensões do padrão altera o desempenho de um sistema BCI. Pretendemos verificar se esse comportamento se mantem para um grupo de usuários e buscar crité-rios de escolha para os melhores estímulos. Pretende-se futuramente estudar também o efeito de diferentes cores no padrão e a possibili-dade de conseguir recuperar a fase do estímulo no sinal de SSVEP evocado de forma que a fase tam-bém possa ser usada como característica [8]. Agradecimentos Os autores agradecem à FEEC, à CAPES, ao CNPq e à FAPESP o apoio estrutural e financeiro recebido para o desenvolvimento dessa pesquisa. Referências Bibliográficas   [1] C. Ghez e J. Krakauer, “The Organization of Movement,” em Principles of Neural Science , 4 ed., New York, McGraw-Hill, 2000, pp. 653-673. [2] J. N. Mak e J. R. Wolpaw, “Clinical applica -tions of brain-computer interfaces: current state and future prospects,”  IEEE Reviews in  Biomedical Engineering, vol. 2, n. 1, pp. 187-199, 2009. [3] J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller e T. M. Vaughan, “Brain–  computer interfaces for communica- tion and control,” Clinical Neurophysiology, vol. 113, n. 6, pp. 767-791, 2002. [4] H. H. Jasper, “The ten -twenty electrode sys- tem of the International Federation,”  Electro-encephalography and Clinical Neurophysiolo-gy, vol. 10, n. 1, pp. 371-375, 1958. [5] F.-B. Vialatte, M. Maurice, J. Dauwels e A.  Cichocki, “Steady -state visually evoked potentials: focus on essential paradigms and  future perspectives,” Progress in Neurobiolo-gy, vol. 90, n. 4, pp. 418-438, 2010. [6] D. Zhu, J. Bieger, G. G. Molina e R. M. Aarts,  “A survey of stimulation methods used in  SSVEP-  based BCIs,” Computational Intelli-gence and Neuroscience, vol. 210, n. 1, pp. 1-12, 2010. [7] S. N. Carvalho, T. B. S. Costa, L. F. S. Uribe, D. C. Soriano, G. F. G. Yared, L. C. Coradine  e R. Attux, “Comparative analysis of strate -gies for feature extraction and classification in  SSVEP BCIs,”  Biomedical Signal Processing and Control, vol. 21, n. 1, pp. 34-42, 2015. [8] D. J. McFarland, L. M. McCane, S. V. David and J. R. Wolpaw, "Spatial filter selection for EEG-based communication,"  Electroencepha-lography and Clinical Neurophysiology, vol. 103, no. 3, pp. 386-394, 1997. [9] P. D. Welch, "The use of fast Fourier transform for the estimation of power spectra: a method based on time averaging over short, modified periodograms,"  IEEE Transactions on Audio and Electroacoustics, vol. 15, no. 2, pp. 70-73, 1967. [10] C. M. Bishop, Pattern recognition and ma-chine learning, 1ª ed., New York: Springer, 2006. [11] Y. Kimura, T. Tanaka, H. Higashi e N.  Morikawa, “SSVEP -Based brain  –  computer interfaces using FSK-modulated visual stimu- li,”  IEEE Transactions on Biomedical Engi-neering, vol. 60, n. 10, pp. 2831-2838, 2013.    
Similar documents
View more...
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks