Одноканальный и неинвазивный носимый интерфейс мозг-компьютер для промышленности и здравоохранения

Предложение этой работы способствует разработке недорогих, носимых и портативных интерфейсов мозг-компьютер за счет использования оборудования потребительского класса, простой обработки сигналов и расширенной реальности. Этот метод направлен на то, чтобы приблизить технологию интерфейса мозг-компьютер к повседневной жизни и открыть новые возможности для многих пользователей как в промышленных, так и в медицинских приложениях. Система предложений также применялась в роботизированной реабилитации детей с синдромом дефицита внимания / гиперактивности или аутизмом.

Результаты были обнадеживающими. Для начала наденьте умные очки и оголовье и подключите недорогой электроэнцефалограф к ПК через USB-кабель, когда ПК отключен от основного источника питания. На этом этапе все электроды должны быть отсоединены от платы сбора электроэнцефалографа, чтобы начать работу с известного состояния.

На этом этапе поток ЭЭГ обрабатывается в автономном режиме на ПК с помощью скрипта, совместимого с обработкой, реализованной в приложении Android. Запустите скрипт для получения сигналов ЭЭГ и их визуализации. Проверьте отображаемый сигнал.

Это должно соответствовать только шуму квантования усилителя ЭЭГ. Подключите первый электрод и приложите пассивный электрод к левому уху с помощью специального зажима или используйте электрод для ушного зажима. Выходной сигнал должен оставаться неизменным на этом этапе, потому что измерительный дифференциальный канал по-прежнему является разомкнутой цепью.

Подключите активный электрод к отрицательной клемме дифференциального входа измерительного канала ЭЭГ и приложите его к лобной области с помощью оголовья. Через несколько секунд сигнал должен вернуться к нулю. Подключите другой активный электрод к положительной клемме дифференциального входа измерительного канала ЭЭГ и приложите его к затылочной области с помощью оголовья.

Теперь отображается сигнал мозга, соответствующий зрительной активности, измеренной по отношению к лобной области мозга и затылочной области. Многократно стимулируйте пользователя мерцающими значками 10 и 12 герц, запустив мерцающий значок в приложении для Android. Нажмите на сенсорную панель умных очков, а также запустите сценарий сбора и визуализации ЭЭГ.

Убедитесь, что каждая стимуляция на этом этапе состоит из одного значка, мерцающего в течение 10 секунд. Из десятисекундных сигналов, связанных с каждой стимуляцией, извлеките две особенности с помощью быстрого преобразования Фурье, спектральную плотность мощности при 10 герц и 12 герц. В качестве альтернативы рассмотрим и вторые гармоники.

Используйте представление полученных сигналов в области признаков для обучения классификатора машины опорных векторов. Используйте инструмент в MATLAB или Python для идентификации параметров гиперплоскости с конечным ядром. Основываясь на входных характеристиках, обученная модель сможет классифицировать будущие наблюдения сигналов ЭЭГ.

Отсоедините USB-кабель от ПК и подключите его непосредственно к умным очкам. Вставьте параметры обученного классификатора в приложение для Android. Теперь система готова.

Недорогой электроэнцефалограф был охарактеризован с точки зрения линейности и погрешности величины. Результаты показаны здесь. Мерцание умных очков было измерено, чтобы выделить возможные отклонения от номинальной траектории прямоугольной волны.

Характеристика коммерческих смарт-очков с точки зрения амплитудного спектра мерцающих кнопок показана на этом рисунке. Здесь показано мерцание на частоте 10 герц и на частоте 12 герц. На этом рисунке представлены сигналы, измеренные во время визуальной стимуляции в области признаков.

Сигналы, связанные с мерцающими стимулами с частотой 12 герц, представлены синим цветом, а сигналы, связанные с мерцающими стимулами с частотой 10 герц, представлены красным. Для каждого испытуемого результаты, связанные с десятисекундной стимуляцией, сравниваются с результатами, связанными с двухсекундной стимуляцией. Здесь сообщается точность, полученная при рассмотрении всех предметов вместе, а также средняя точность среди всех предметов.

Здесь показано сравнение эффективности классификации при рассмотрении двух функций PSD с четырьмя признаками PSD для данных ЭЭГ, связанных с SSVEP. Учитывая хорошие метрологические свойства оборудования потребительского класса, необходимо обращать основное внимание на механическую стабильность измерительных электродов, поскольку в них не используются проводящие гели. Эта процедура оказалась функциональной для сигналов SSVEP, которые являются относительно устойчивым шумом, но можно было бы исследовать использование аналогичных приборов в других парадигмах, таких как моторные изображения.

Благодаря износостойкости, портативности и простоте использования этот метод в настоящее время исследуется как дополнительное устройство для реабилитации или как новый инструмент для промышленных сценариев.