Jednokanałowy i nieinwazyjny interfejs mózg-komputer do noszenia na ciele dla przemysłu i opieki zdrowotnej
7 lipca 2023
Ten artykuł omawia, jak zbudować interfejs mózg-komputer, opierając się na sprzęcie klasy konsumenckiej i wizualnie wywoływanych potencjałach w stanie ustalonym. W tym celu jednokanałowy elektroencefalograf wykorzystujący suche elektrody został zintegrowany z okularami rzeczywistości rozszerzonej do prezentacji bodźców i wizualizacji danych wyjściowych. Ostateczny system był nieinwazyjny, przenośny i ubieralny.
Propozycja tej pracy przyczynia się do rozwoju tanich, ubieralnych i przenośnych interfejsów mózg-komputer poprzez wykorzystanie sprzętu klasy konsumenckiej, prostego przetwarzania sygnałów i rozszerzonej rzeczywistości. Technika ta ma na celu zbliżenie technologii interfejsu mózg-komputer do codziennego życia i otwarcie nowych możliwości dla wielu użytkowników zarówno w zastosowaniach przemysłowych, jak i medycznych. Proponowany system znalazł również zastosowanie w rehabilitacji opartej na robotach dla dzieci z zespołem nadpobudliwości psychoruchowej z deficytem uwagi lub dla dzieci z autyzmem.
Wyniki były zachęcające. Na początek załóż inteligentne okulary i pałąk na głowę i podłącz tani elektroencefalograf do komputera za pomocą USB, gdy komputer jest odłączony od głównego źródła zasilania. Na tym etapie wszystkie elektrody muszą zostać odłączone od płytki akwizycji elektroencefalografu, aby rozpocząć od znanego stanu.
Na tym etapie strumień EEG jest przetwarzany w trybie offline na komputerze za pomocą skryptu kompatybilnego z przetwarzaniem zaimplementowanym w aplikacji na Androida. Uruchom skrypt, aby odbierać sygnały EEG i wizualizować je. Sprawdź wyświetlany sygnał.
Musi to odpowiadać tylko szumowi kwantyzacji wzmacniacza EEG. Podłącz pierwszą elektrodę i przyłóż elektrodę pasywną do lewego ucha za pomocą niestandardowego klipsa lub użyj elektrody z klipsem do ucha. Na tym etapie sygnał wyjściowy musi pozostać niezmieniony, ponieważ pomiarowy kanał różnicowy jest nadal obwodem otwartym.
Podłącz aktywną elektrodę do ujemnego zacisku wejścia różnicowego kanału pomiarowego EEG i przyłóż ją do obszaru czołowego za pomocą opaski na głowę. Po kilku sekundach sygnał powinien powrócić do zera. Podłącz drugą elektrodę czynną do dodatniego zacisku wejścia różnicowego kanału pomiarowego EEG i przyłóż ją do okolicy potylicznej z opaską na głowę.
Wyświetlany jest teraz sygnał mózgowy odpowiadający aktywności wzrokowej mierzonej w odniesieniu do czołowego obszaru mózgu i obszaru potylicznego. Wielokrotnie stymuluj użytkownika za pomocą ikon migotania 10 Hz i 12 Hz, uruchamiając ikonę migotania w aplikacji na Androida. Naciśnij touchpad inteligentnych okularów, jednocześnie uruchamiając skrypt akwizycji i wizualizacji EEG.
Upewnij się, że każda stymulacja w tej fazie składa się z pojedynczej ikony migoczącej przez 10 sekund. Z dziesięciu sekundowych sygnałów związanych z każdą stymulacją wyodrębnij dwie cechy za pomocą szybkiej transformaty Fouriera, gęstości widmowej mocy przy 10 hercach i 12 hercach. Alternatywnie, rozważ również drugą harmoniczną.
Użyj reprezentacji uzyskanych sygnałów w domenie cech, aby wytrenować klasyfikator maszynowy wektorów nośnych. Użyj narzędzia w MATLAB lub Pythonie, aby zidentyfikować parametry hiperpłaszczyzny z ewentualnym jądrem. Opierając się na cechach wejściowych, wytrenowany model będzie w stanie sklasyfikować przyszłe obserwacje sygnałów EEG.
Odłącz USB od komputera i podłącz go bezpośrednio do inteligentnych okularów. Wstaw parametry wytrenowanego klasyfikatora do aplikacji systemu Android. System jest już gotowy.
Tani elektroencefalograf został scharakteryzowany pod względem liniowości i błędu wielkości. Wyniki są pokazane tutaj. Migotanie inteligentnych okularów zostało zmierzone, aby podkreślić ewentualne odchylenia od nominalnej ścieżki fali prostokątnej.
Charakterystyka komercyjnych inteligentnych okularów pod względem widma amplitudy migoczących przycisków jest pokazana na tym rysunku. Migotanie z częstotliwością 10 Hz i 12 Hz jest pokazane tutaj. Rysunek ten przedstawia sygnały mierzone podczas stymulacji wzrokowej w domenie cech.
Sygnały związane z 12-hercowymi bodźcami migoczącymi są prezentowane na niebiesko, podczas gdy sygnały związane z 10-hercowymi bodźcami są prezentowane na czerwono. Dla każdego pacjenta wyniki związane z dziesięciosekundową stymulacją są porównywane z tymi związanymi z dwusekundową stymulacją. W tym miejscu podano dokładność uzyskaną przez uwzględnienie wszystkich badanych razem, a także średnią dokładność wśród wszystkich badanych.
Porównanie wyników klasyfikacji przy uwzględnieniu dwóch cech PSD i czterech cech PSD dla danych EEG związanych z SSVEP przedstawiono tutaj. Biorąc pod uwagę dobre właściwości metrologiczne sprzętu klasy konsumenckiej, należy zwrócić uwagę przede wszystkim na stabilność mechaniczną elektrod pomiarowych, ponieważ nie wykorzystują one żeli przewodzących. Procedura ta okazała się skuteczna w przypadku sygnałów SSVEP, które są stosunkowo silnym szumem, ale można zbadać użycie podobnego oprzyrządowania w dalszych paradygmatach, takich jak obrazowanie motoryczne.
Dzięki poręczności, przenośności i łatwości użytkowania, technika ta jest obecnie badana jako dodatkowe urządzenie do rehabilitacji lub jako nowe narzędzie do scenariuszy przemysłowych.
Wyświetl pełny transkrypt i uzyskaj dostęp do tysięcy filmów naukowych
Przegląd
Niniejszy artykuł omawia rozwój taniego, noszonego interfejsu mózg-komputer z wykorzystaniem sprzętu dostępnego dla konsumentów oraz potencjałów wzbudzonych wzrokowo w stanie stacjonarnym. System integruje jedno-kanałowy elektroencefalograf ze smartfonami AR do prezentacji bodźców i wizualizacji danych.
Kluczowe Komponenty Badania
Dziedzina Nauki
- Nauki o mózgu
- Interfejsy mózg-komputer
- Rzeczywistość rozszerzona
Wprowadzenie
- Interfejsy mózg-komputer (BCI) mają potencjalne zastosowania w różnych dziedzinach.
- Sprzęt dostępny dla konsumentów może zwiększyć dostępność technologii BCI.
- Poprzednie badania badały BCI w sytuacjach rehabilitacyjnych.
- Potencjały wzbudzone wzrokowo w stanie stacjonarnym są obiecującą metodą sterowania BCI.
Cel Badania
- Stworzenie nieinwazyjnego, przenośnego systemu BCI.
- Wykorzystanie tanich komponentów dla szerszej dostępności.
- Zbadanie zastosowań w środowisku opieki zdrowotnej i przemysłowym.
Stosowane Metody
- Integracja jedno-kanałowego elektroencefalografu ze smartfonami AR.
- Wykorzystanie suchych elektrod do pozyskiwania sygnałów EEG.
- Podłączenie systemu do komputera PC do przetwarzania danych.
- Zastosowanie systemu w rehabilitacji opartej na robotach dla dzieci.
Główne Wyniki
- System został pomyślnie zbudowany i przetestowany z obiecującymi wynikami.
- Uczestnicy byli w stanie używać BCI do różnych zastosowań.
- Wyniki wskazują na potencjał stosowania w rehabilitacji ADHD i autyzmie.
- System wykazał przenośność i łatwość użytkowania.
Wnioski
- Niniejsza praca posuwa do przodu dziedzinę BCI, czyniąc technologię bardziej dostępną.
- Przyszłe zastosowania mogą znacząco wpłynąć na opiekę zdrowotną i rehabilitację.
- Konieczne są dalsze badania w celu optymalizacji systemu dla szerszego użytku.
Często Zadawane Pytania
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
