Een single-channel en niet-invasieve draagbare brein-computer interface voor de industrie en de gezondheidszorg

Het voorstel van dit werk draagt bij aan de ontwikkeling van goedkope, draagbare en draagbare brein-computerinterfaces door gebruik te maken van apparatuur van consumentenkwaliteit, eenvoudige signaalverwerking en uitgebreide realiteit. Deze techniek is bedoeld om brain-computer interface technologie dichter bij het dagelijks leven te brengen en nieuwe mogelijkheden te openen voor veel gebruikers in zowel industriële als gezondheidszorgtoepassingen. Het voorstelsysteem is ook toegepast in robotgebaseerde revalidatie voor kinderen met aandachtstekort/ hyperactiviteitsstoornis of voor autisme.

De resultaten waren bemoedigend. Draag om te beginnen de slimme bril en de hoofdband en sluit de goedkope elektro-encefalograaf via een USB-kabel aan op een pc terwijl de pc is losgekoppeld van de hoofdvoeding. Bij deze stap moeten alle elektroden worden losgekoppeld van de elektro-encefalograafacquisitiekaart om te beginnen met een bekende toestand.

In deze fase wordt de EEG-stream offline op de pc verwerkt met een script dat compatibel is met de verwerking die in de Android-applicatie is geïmplementeerd. Start het script om de EEG-signalen te ontvangen en te visualiseren. Controleer het weergegeven signaal.

Dit moet alleen overeenkomen met de kwantisatieruis van de EEG-versterker. Sluit de eerste elektrode aan en breng de passieve elektrode aan op het linkeroor met een aangepaste clip of gebruik een oorclipelektrode. Het uitgangssignaal moet bij deze stap ongewijzigd blijven omdat het meetdifferentieel nog steeds een open circuit is.

Sluit een actieve elektrode aan op de negatieve aansluiting van de differentiële ingang van het meet-EEG-kanaal en breng deze met een hoofdband aan op het frontale gebied. Na een paar seconden zou het signaal terug moeten keren naar nul. Sluit de andere actieve elektrode aan op de positieve aansluiting van de differentiële ingang van het meet-EEG-kanaal en breng deze met de hoofdband aan op het achterhoofdsgebied.

Er wordt nu een hersensignaal weergegeven dat overeenkomt met de visuele activiteit die wordt gemeten met betrekking tot het frontale hersengebied en het occipitale gebied. Stimuleer de gebruiker herhaaldelijk met 10 hertz en 12 hertz flikkerende pictogrammen door het flikkerende pictogram in de Android-applicatie te starten. Druk op het touchpad van de slimme bril terwijl u ook het EEG-acquisitie- en visualisatiescript start.

Zorg ervoor dat elke stimulatie in deze fase bestaat uit een enkel pictogram dat gedurende 10 seconden flikkert. Uit de tien seconden signalen die bij elke stimulatie horen, halen twee kenmerken eruit met behulp van de snelle Fouriertransformatie, de vermogensspectrale dichtheid bij 10 hertz en 12 hertz. Als alternatief, overweeg ook tweede harmonischen.

Gebruik een weergave van de verkregen signalen in het domein features om een ondersteuningsvectormachineclassificatie te trainen. Gebruik een tool in MATLAB of Python om de parameters van een hyperplane met een uiteindelijke kernel te identificeren. Op basis van de ingangskenmerken zal het getrainde model in staat zijn om toekomstige waarnemingen van EEG-signalen te classificeren.

Koppel de USB-kabel los van de pc en sluit deze rechtstreeks aan op de slimme bril. Voeg de parameters van de getrainde classifier in de Android-applicatie in. Het systeem is nu klaar.

De goedkope elektro-encefalograaf werd gekarakteriseerd met betrekking tot lineariteit en magnitudefout. De resultaten worden hier getoond. De flikkering van de slimme bril werd gemeten om de eventuele afwijkingen van het nominale blokgolfpad te markeren.

De karakterisering van de commerciële slimme bril in termen van het amplitudespectrum van de flikkerende knoppen wordt in deze figuur weergegeven. Flikkeringen bij 10 hertz en bij 12 hertz worden hier getoond. Deze figuur geeft de signalen weer die worden gemeten tijdens visuele stimulatie in het domein functies.

De signalen geassocieerd met de 12 hertz flikkerende stimuli worden gepresenteerd in blauw, terwijl de signalen geassocieerd met de 10 hertz flikkerende stimuli worden gepresenteerd in rood. Voor elke proefpersoon worden de resultaten geassocieerd met een stimulatie van tien seconden vergeleken met die geassocieerd met een stimulatie van twee seconden. De nauwkeurigheid die wordt verkregen door alle proefpersonen samen te beschouwen, evenals de gemiddelde nauwkeurigheid van alle proefpersonen, worden hier gerapporteerd.

De vergelijking van de classificatieprestaties bij het overwegen van twee PSD-kenmerken versus vier PSD-kenmerken voor de SSVEP-gerelateerde EEG-gegevens wordt hier weergegeven. Gezien de goede metrologische eigenschappen van de apparatuur van consumentenkwaliteit, moet men vooral letten op de mechanische stabiliteit van de meetelektroden omdat ze geen geleidende gels gebruiken. Deze procedure bleek functioneel voor SSVEP-signalen die relatief robuuste ruis zijn, maar men zou het gebruik van vergelijkbare instrumentatie in verdere paradigma's zoals motorische beelden kunnen onderzoeken.

Dankzij de draagbaarheid, draagbaarheid en gebruiksgemak wordt deze techniek nu onderzocht als een aanvullend hulpmiddel voor revalidatie of als een nieuw hulpmiddel voor industriële scenario's.