Eine einkanalige und nicht-invasive tragbare Gehirn-Computer-Schnittstelle für Industrie und Gesundheitswesen
7. Juli 2023
In diesem Artikel wird erörtert, wie eine Gehirn-Computer-Schnittstelle aufgebaut werden kann, indem man sich auf Geräte in Verbraucherqualität und stationäre, visuell evozierte Potenziale stützt. Zu diesem Zweck wurde ein Einkanal-Elektroenzephalograph, der trockene Elektroden nutzt, mit einer Augmented-Reality-Brille zur Reizdarstellung und Visualisierung der Ausgangsdaten integriert. Das endgültige System war nicht-invasiv, tragbar und tragbar.
Der Vorschlag dieser Arbeit trägt zur Entwicklung kostengünstiger, tragbarer und tragbarer Gehirn-Computer-Schnittstellen bei, indem sie Geräte für Verbraucher, einfache Signalverarbeitung und erweiterte Realität nutzt. Diese Technik zielt darauf ab, die Technologie der Gehirn-Computer-Schnittstelle näher an das tägliche Leben heranzuführen und vielen Anwendern sowohl in der Industrie als auch im Gesundheitswesen neue Möglichkeiten zu eröffnen. Das Vorschlagssystem wurde auch in der robotergestützten Rehabilitation von Kindern mit Aufmerksamkeitsdefizit-/Hyperaktivitätsstörung oder bei Autismus angewendet.
Die Ergebnisse waren ermutigend. Tragen Sie zunächst die Datenbrille und das Stirnband und verbinden Sie den kostengünstigen Elektroenzephalographen über ein USB-Kabel mit einem PC, während der PC von der Hauptstromversorgung getrennt ist. In diesem Schritt müssen alle Elektroden von der Erfassungsplatine des Elektroenzephalographen getrennt werden, um von einem bekannten Zustand ausgehen zu können.
In dieser Phase wird der EEG-Stream offline auf dem PC mit einem Skript verarbeitet, das mit der in der Android-Anwendung implementierten Verarbeitung kompatibel ist. Starten Sie das Skript, um die EEG-Signale zu empfangen und zu visualisieren. Überprüfen Sie das angezeigte Signal.
Dies muss nur dem Quantisierungsrauschen des EEG-Verstärkers entsprechen. Schließen Sie die erste Elektrode an und bringen Sie die passive Elektrode mit einem speziellen Clip am linken Ohr an oder verwenden Sie eine Ohrclip-Elektrode. Das Ausgangssignal muss in diesem Schritt unverändert bleiben, da der Messdifferenzkanal noch ein offener Stromkreis ist.
Verbinden Sie eine aktive Elektrode mit dem Minuspol des differentiellen Eingangs des messenden EEG-Kanals und legen Sie sie mit einem Stirnband an den Frontalbereich an. Nach einigen Sekunden sollte das Signal wieder auf Null gehen. Verbinden Sie die andere aktive Elektrode mit dem Pluspol des differentiellen Eingangs des messenden EEG-Kanals und legen Sie sie mit dem Kopfband auf die Okzipitalregion auf.
Es wird nun ein Gehirnsignal angezeigt, das der gemessenen visuellen Aktivität in Bezug auf das frontale Hirnareal und die Okzipitalregion entspricht. Stimulieren Sie den Benutzer wiederholt mit flackernden Symbolen von 10 Hertz und 12 Hertz, indem Sie das flackernde Symbol in der Android-Anwendung starten. Drücken Sie auf das Touchpad der Datenbrille und starten Sie gleichzeitig das EEG-Erfassungs- und Visualisierungsskript.
Stellen Sie sicher, dass jede Stimulation in dieser Phase aus einem einzigen Symbol besteht, das 10 Sekunden lang flackert. Extrahieren Sie aus den Zehn-Sekunden-Signalen, die jeder Stimulation zugeordnet sind, zwei Merkmale mithilfe der schnellen Fourier-Transformation, der spektralen Leistungsdichte bei 10 Hertz und 12 Hertz. Alternativ können Sie auch zweite Oberschwingungen in Betracht ziehen.
Verwenden Sie eine Darstellung der erfassten Signale in der Merkmalsdomäne, um einen Support-Vektor-Maschinenklassifikator zu trainieren. Verwenden Sie ein Werkzeug in MATLAB oder Python, um die Parameter einer Hyperebene mit einem eventuellen Kernel zu identifizieren. Basierend auf den Eingabemerkmalen wird das trainierte Modell in der Lage sein, zukünftige Beobachtungen von EEG-Signalen zu klassifizieren.
Trennen Sie das USB-Kabel vom PC und verbinden Sie es direkt mit der Datenbrille. Fügen Sie die Parameter des trainierten Klassifikators in die Android-Anwendung ein. Das System ist nun bereit.
Der kostengünstige Elektroenzephalograph wurde hinsichtlich Linearität und Magnitudenfehler charakterisiert. Die Ergebnisse werden hier angezeigt. Das Flimmern der Datenbrille wurde gemessen, um eventuelle Abweichungen vom nominalen Rechteckwellengang hervorzuheben.
Die Charakterisierung der handelsüblichen Datenbrillen in Bezug auf das Amplitudenspektrum der flackernden Tasten ist in dieser Abbildung dargestellt. Hier sind Flimmern bei 10 Hertz und bei 12 Hertz dargestellt. Diese Abbildung stellt die Signale dar, die während der visuellen Stimulation im Merkmalsbereich gemessen werden.
Die Signale, die mit den 12-Hertz-Flackerreizen verbunden sind, werden blau dargestellt, während die Signale, die den 10-Hertz-Flackerreizen zugeordnet sind, rot dargestellt werden. Für jeden Probanden werden die Ergebnisse, die mit einer zehnsekündigen Stimulation verbunden sind, mit denen verglichen, die mit einer zweisekündigen Stimulation verbunden sind. Die Genauigkeit, die sich aus der Betrachtung aller Probanden zusammen ergibt, sowie die mittlere Genauigkeit unter allen Probanden werden hier angegeben.
Der Vergleich der Klassifizierungsleistung bei Betrachtung von zwei PSD-Merkmalen mit vier PSD-Merkmalen für die SSVEP-bezogenen EEG-Daten wird hier gezeigt. Aufgrund der guten messtechnischen Eigenschaften der Consumer-Geräte muss vor allem auf die mechanische Stabilität der Messelektroden geachtet werden, da diese keine leitfähigen Gele verwenden. Dieses Verfahren erwies sich als funktional für SSVEP-Signale, die ein relativ robustes Rauschen aufweisen, aber man könnte die Verwendung ähnlicher Instrumente in weiteren Paradigmen wie der motorischen Bildgebung untersuchen.
Dank der Tragbarkeit, Tragbarkeit und Benutzerfreundlichkeit wird diese Technik nun als ergänzendes Gerät für die Rehabilitation oder als neues Werkzeug für industrielle Szenarien untersucht.
Sehen Sie sich das vollständige Transkript an und erhalten Sie Zugang zu Tausenden wissenschaftlicher Videos
Übersicht
Diese Arbeit diskutiert die Entwicklung einer kostengünstigen, tragbaren Gehirn-Computer-Schnittstelle unter Verwendung von Verbrauchergeräten und visuell evozierten Potenzialen im stationären Zustand. Das System integriert ein Einkanal-Elektroenzephalograph mit Augmented-Reality-Brillen für Reizdarbietung und Datenvisualisierung.
Wichtige Studienkomponenten
Wissensbereich
- Neurowissenschaften
- Gehirn-Computer-Schnittstellen
- Augmented Reality
Hintergrund
- Gehirn-Computer-Schnittstellen (BCIs) haben potenzielle Anwendungen in verschiedenen Bereichen.
- Verbrauchergeräte können BCI-Technologie zugänglicher machen.
- Frühere Studien haben BCIs in Rehabilitationsumgebungen untersucht.
- Visuell evozierte Potenzialen im stationären Zustand sind eine vielversprechende Methode für die BCI-Steuerung.
Zweck der Studie
- Ein nicht-invasives, tragbares BCI-System zu erstellen.
- Nutzung von kostengünstigen Komponenten für eine breitere Zugänglichkeit.
- Erforschung von Anwendungen im Gesundheitswesen und in industriellen Umgebungen.
Verwendete Methoden
- Integration eines Einkanal-Elektroenzephalographs mit Augmented-Reality-Brillen.
- Verwendung von trockenen Elektroden für die EEG-Signalerfassung.
- Anschluss des Systems an einen PC zur Datenverarbeitung.
- Anwendung des Systems in der robotergestützten Rehabilitation für Kinder.
Hauptergebnisse
- Das System wurde erfolgreich gebaut und mit ermutigenden Ergebnissen getestet.
- Die Teilnehmer konnten das BCI für verschiedene Anwendungen nutzen.
- Die Ergebnisse deuten auf ein Potenzial für den Einsatz in der Rehabilitation bei ADHS und Autismus hin.
- Das System zeigte Portabilität und einfache Bedienung.
Schlussfolgerungen
- Diese Arbeit fördert das Gebiet der BCIs, indem sie die Technologie zugänglicher macht.
- Zukünftige Anwendungen könnten das Gesundheitswesen und die Rehabilitation erheblich beeinflussen.
- Weitere Forschung ist erforderlich, um das System für eine breitere Nutzung zu optimieren.
Häufig gestellte Fragen
Executive Industry Relevance
Wearable, single-channel brain-computer interfaces (BCIs) leveraging steady-state visually evoked potentials (SSVEPs) offer a scalable path to non-invasive human-machine interaction in both industrial and healthcare R&D. This approach enables rapid, quantitative assessment of user intent and cognitive state, supporting translational applications from robotic control to neurorehabilitation. The integration of consumer-grade EEG and XR glasses positions this technology for portfolio expansion into accessible, real-world environments.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables quantitative interrogation of neurophysiological responses to visual stimuli for functional target validation.
- Supports mechanistic de-risking by isolating SSVEP-driven brain activity in response to controlled inputs.
- Facilitates predictive confidence in user-state detection for downstream translational research.
Screening & Assay Development
- Provides a standardized, reproducible platform for evaluating brain signal responses to defined visual paradigms.
- Delivers quantitative EEG outputs (e.g., power spectral density at target frequencies) for robust assay development.
- Enables scalable screening of user engagement and cognitive state in both healthy and clinical populations.
Translational & Preclinical Research
- Aligns with disease-relevant endpoints in neurodevelopmental and neuropsychiatric research, such as ADHD and autism.
- Supports continuity from discovery-stage signal validation to preclinical model testing of neurorehabilitation interventions.
- Provides risk-adjusted data for advancing wearable neurotechnology in translational pipelines.
Pipeline & Workflow Integration
This wearable BCI system bridges early discovery, assay development, and translational research by enabling direct, quantitative measurement of brain responses to controlled visual stimuli.
- Discovery Biology: Supports hypothesis testing of neurocognitive engagement via SSVEP signal extraction and classification.
- Screening: Offers reproducible, quantitative EEG readouts for comparing user responses across conditions and populations.
- Analytics: Provides feature-domain data (e.g., PSD at 10 Hz and 12 Hz) for statistical analysis and classifier training.
- Translational Research: Facilitates alignment with clinical endpoints in neurorehabilitation and industrial human-machine interface studies.
- Enterprise Reuse: Establishes a portable, low-cost platform adaptable to diverse R&D and operational settings.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence in neurophysiological target engagement and user intent detection.
- Operational Value: Enhances standardization, reproducibility, and scalability of brain signal acquisition in real-world settings.
- Strategic Value: Enables informed go/no-go decisions for neurotechnology investments and reduces late-stage biological risk.
- Portfolio Impact: Supports risk-adjusted prioritization of wearable neurotechnology assets for both industrial and healthcare applications.
Implementation Considerations
- Requires expertise in EEG signal processing and classifier development for robust deployment.
- Depends on reliable instrumentation, including dry-electrode EEG and XR glasses, with attention to electrode stability.
- Necessitates cross-team standardization of stimulation protocols and data analysis pipelines.
- Adaptable across user populations but may require optimization for specific neurocognitive paradigms.
- Mechanical stability of electrodes and robustness to noise are practical limitations for broader adoption.
Biopharma FAQs
Chapters in this video
0:04
Introduction
0:54
Calibrating the SSVEP-Based Brain-Computer Interface
4:01
Results: Metrological Characterization of the Low-Cost Electroencephalograph and the Commercial Smart Glasses, and Signals Measured During Visual Stimulation
5:33
Conclusion
