Endüstri ve sağlık hizmetleri için tek kanallı ve non-invaziv giyilebilir beyin-bilgisayar arayüzü
7 Temmuz 2023
Bu makale, tüketici sınıfı ekipmanlara ve kararlı durum görsel olarak uyarılmış potansiyellere dayanarak bir beyin-bilgisayar arayüzünün nasıl oluşturulacağını tartışmaktadır. Bunun için, kuru elektrotlardan yararlanan tek kanallı bir elektroensefalograf, uyaran sunumu ve çıktı verisi görselleştirmesi için artırılmış gerçeklik gözlükleriyle entegre edildi. Son sistem invaziv olmayan, giyilebilir ve taşınabilirdi.
Bu çalışmanın önerisi, tüketici sınıfı ekipman, basit sinyal işleme ve genişletilmiş gerçeklikten yararlanarak düşük maliyetli, giyilebilir ve taşınabilir beyin-bilgisayar arayüzlerinin geliştirilmesine katkıda bulunmaktadır. Bu teknik, beyin-bilgisayar arayüzü teknolojisini günlük hayata yaklaştırmayı ve hem endüstriyel hem de sağlık uygulamalarında birçok kullanıcı için yeni olanaklar açmayı amaçlamaktadır. Öneri sistemi, dikkat eksikliği/hiperaktivite bozukluğu olan çocuklar veya otizm için robot tabanlı rehabilitasyonda da uygulanmıştır.
Sonuçlar cesaret vericiydi. Başlamak için, akıllı gözlükleri ve kafa bandını takın ve PC ana güç kaynağından çıkarılırken düşük maliyetli elektroensefalografı bir USB kablosuyla bir PC'ye bağlayın. Bu adımda, bilinen bir durumdan başlamak için tüm elektrotların elektroensefalograf edinme kartından ayrılması gerekir.
Bu aşamada, EEG akışı, Android uygulamasında uygulanan işlemle uyumlu bir komut dosyasıyla PC'de çevrimdışı olarak işlenir. EEG sinyallerini almak ve görselleştirmek için komut dosyasını başlatın. Görüntülenen sinyali kontrol edin.
Bu sadece EEG amplifikatörünün niceleme gürültüsüne karşılık gelmelidir. İlk elektrodu bağlayın ve pasif elektrodu özel bir klipsle sol kulağa uygulayın veya bir kulak klipsi elektrodu kullanın. Çıkış sinyali bu adımda değişmeden kalmalıdır, çünkü ölçüm diferansiyel kanalı hala açık bir devredir.
Aktif bir elektrotu, ölçüm EEG kanalının diferansiyel girişinin negatif terminaline bağlayın ve bir kafa bandı ile frontal bölgeye uygulayın. Birkaç saniye sonra, sinyal sıfıra dönmelidir. Diğer aktif elektrodu, ölçüm EEG kanalının diferansiyel girişinin pozitif terminaline bağlayın ve kafa bandı ile oksipital bölgeye uygulayın.
Şimdi frontal beyin bölgesi ve oksipital bölgeye göre ölçülen görsel aktiviteye karşılık gelen bir beyin sinyali görüntülenir. Android uygulamasında titreşen simgeyi başlatarak kullanıcıyı 10 hertz ve 12 hertz titreşen simgelerle tekrar tekrar teşvik edin. EEG alma ve görselleştirme komut dosyasını başlatırken akıllı gözlüklerin dokunmatik yüzeyine basın.
Bu aşamadaki her stimülasyonun 10 saniye boyunca titreşen tek bir simgeden oluştuğundan emin olun. Her stimülasyonla ilişkili on saniyelik sinyallerden, hızlı Fourier dönüşümünü, 10 hertz ve 12 hertz'deki güç spektral yoğunluğunu kullanarak iki özelliği çıkarın. Alternatif olarak, ikinci harmonikleri de göz önünde bulundurun.
Bir destek vektörü makine sınıflandırıcısını eğitmek için özellikler etki alanında edinilen sinyallerin bir temsilini kullanın. Son çekirdeğe sahip bir hiperdüzlemin parametrelerini tanımlamak için MATLAB veya Python'da bir araç kullanın. Giriş özelliklerine dayanarak, eğitilen model EEG sinyallerinin gelecekteki gözlemlerini sınıflandırabilecektir.
USB kablosunu PC'den çıkarın ve doğrudan akıllı gözlüklere bağlayın. Eğitilen sınıflandırıcının parametrelerini Android uygulamasına ekleyin. Sistem artık hazır.
Düşük maliyetli elektroensefalograf, doğrusallık ve büyüklük hatası açısından karakterize edildi. Sonuçlar burada gösterilmektedir. Akıllı gözlüklerin titreşimi, nominal kare dalga yolundan nihai sapmaları vurgulamak için ölçüldü.
Ticari akıllı gözlüklerin titreşen düğmelerin genlik spektrumu açısından karakterizasyonu bu şekilde gösterilmiştir. 10 hertz ve 12 hertz'de titreme burada gösterilmiştir. Bu şekil, özellikler alanındaki görsel stimülasyon sırasında ölçülen sinyalleri temsil eder.
12 hertz titreşen uyaranla ilişkili sinyaller mavi renkte sunulurken, 10 hertz titreşen uyaranla ilişkili sinyaller kırmızı renkte sunulur. Her denek için, on saniyelik bir stimülasyonla ilişkili sonuçlar, iki saniyelik bir stimülasyonla ilişkili olanlarla karşılaştırılır. Tüm konular bir arada düşünülerek elde edilen doğruluk ve tüm denekler arasındaki ortalama doğruluk burada raporlanmaktadır.
SSVEP ile ilişkili EEG verileri için iki PSD özelliği ile dört PSD özelliği göz önünde bulundurulduğunda sınıflandırma performansının karşılaştırılması burada gösterilmiştir. Tüketici sınıfı ekipmanın iyi metrolojik özellikleri göz önüne alındığında, iletken jeller kullanmadıkları için ölçüm elektrotlarının mekanik stabilitesine çoğunlukla dikkat edilmelidir. Bu prosedür, nispeten sağlam gürültü olan SSVEP sinyalleri için işlevsel olduğunu kanıtladı, ancak motor görüntüleri gibi daha ileri paradigmalarda benzer enstrümantasyonun kullanımı araştırılabilir.
Giyilebilirlik, taşınabilirlik ve kullanım kolaylığı sayesinde, bu teknik artık rehabilitasyon için tamamlayıcı bir cihaz veya endüstriyel senaryolar için yeni bir araç olarak araştırılmaktadır.
Tam transkripti görüntüleyin ve binlerce bilimsel videoya erişin
Genel Bakış
Bu makale, tüketici sınıfı ekipman ve sürekli durumda görsel olarak uyandırılmış potansiyeller kullanarak düşük maliyetli, giyilebilir bir beyin-bilgisayar arayüzünün geliştirilmesini tartışmaktadır. Sistem, uyaran sunumu ve veri görselleştirme için tek kanallı bir elektroensefalografi ve artırılmış gerçeklik gözlüklerini entegre etmektedir.
Çalışmanın Temel Bileşenleri
Bilim Alanı
- Sinirbilim
- Beyin-bilgisayar arayüzleri
- Artırılmış gerçeklik
Arka Plan
- Beyin-bilgisayar arayüzlerinin (BCI) çeşitli alanlarda potansiyel uygulamaları vardır.
- Tüketici sınıfı ekipman, BCI teknolojisini daha erişilebilir hale getirebilir.
- Önceki çalışmalar rehabilitasyon ortamlarında BCI'leri araştırmıştır.
- Sürekli durumda görsel olarak uyandırılmış potansiyeller, BCI kontrolü için umut verici bir yöntemdir.
Çalışmanın Amacı
- İnvaziv olmayan, taşınabilir bir BCI sistemi oluşturmak.
- Daha geniş erişilebilirlik için düşük maliyetli bileşenler kullanmak.
- Sağlık ve endüstriyel ortamlarda uygulamaları keşfetmek.
Kullanılan Yöntemler
- Tek kanallı bir elektroensefalografinin artırılmış gerçeklik gözlüğü ile entegrasyonu.
- EEG sinyal alımı için kuru elektrot kullanımı.
- Sistemin veri işleme için bir PC'ye bağlanması.
- Sistemin çocuklar için robot tabanlı rehabilitasyonda uygulanması.
Ana Sonuçlar
- Sistem başarılı bir şekilde inşa edildi ve teşvik edici sonuçlarla test edildi.
- Katılımcılar BCI'yı çeşitli uygulamalar için kullanabildiler.
- Sonuçlar DEHB ve otizm için rehabilitasyonda kullanım potansiyeli gösterdi.
- Sistem taşınabilirlik ve kullanım kolaylığı gösterdi.
Sonuçlar
- Bu çalışma, teknolojiyi daha erişilebilir hale getirerek BCI alanını ileriye taşımaktadır.
- Gelecekteki uygulamalar sağlık ve rehabilitasyon üzerinde önemli etkiler gösterebilir.
- Sistemin daha geniş kullanım için optimize edilmesi için daha fazla araştırmaya ihtiyaç vardır.
Sıkça Sorulan Sorular
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
