Tecnología y aplicación de la interfaz cerebro-computadora basada en EEG

Este artículo apareció por primera vez en el blog de Chen Rui ( 7988888.xyz ), y se accede a todos los enlaces de este artículo a través del blog.

Referencias bibliográficas en las que se basa este artículo:

Roberto Portillo-Lara*,* Bogachan Tahirbegi, Christopher AR Chapman, Josef A. Goding y Rylie A. Green, “Mind the gap: Tecnologías y aplicaciones de última generación para interfaces cerebro-computadora basadas en EEG”, APL Bioingeniería 5, 031507 (2021) https://doi.org/10.1063/5.0047237

Con respecto a la tecnología de interfaz cerebro-computadora, también introduje muchos artículos en mis tweets anteriores, Portal "Contenido relacionado con BCI" , "Interfaz cerebro-computadora" , "Ciencia popular de la interfaz cerebro-computadora" e "Información relacionada con la interfaz cerebro-computadora"

Recientemente, también encontré este artículo de revisión sobre la tecnología de interfaz cerebro-computadora EEG al buscar literatura relevante. Personalmente, creo que es excelente y vale la pena compartirlo. También compartí brevemente las imágenes del artículo con usted cuando salió por primera vez. es también utilizar el tiempo limitado del fin de semana para ordenar e integrar nuevamente la tecnología de interfaz cerebro-computadora.

Para conocer la introducción del principio BCI, consulte el artículo del portal anterior.

El enfoque más prometedor para las aplicaciones de BCI en el mundo real utiliza la electroencefalografía (EEG), uno de los métodos para monitorear de manera no invasiva el cerebro a través de su actividad eléctrica. Sus fortalezas radican en su costo relativamente bajo, facilidad de uso, alta resolución temporal y monitoreo no invasivo. Si bien es difícil entender exactamente cómo los sujetos experimentaron la manipulación del dispositivo externo basada en EEG-BCI, varias cosas eran seguras. Por un lado, el EEG-BCI puede comunicarse bidireccionalmente, traduciendo la intención del usuario en funcionalidad, lo que permite a los sujetos controlar dispositivos electrónicos, lo que es especialmente útil para pacientes médicos que necesitan ayuda para controlar sus sillas de ruedas. La neurotecnología está moldeando lentamente nuestra propia experiencia humana y los procesos de autoconciencia.

1. Arquitectura de la interfaz cerebro-computadora basada en EEG

imagen-20210828093149514

El diagrama esquemático muestra las principales etapas involucradas en la operación de eBCI. Los sensores EEG (tapas de electrodos) se utilizan para captar las señales eléctricas producidas por las neuronas en la corteza cerebral. Las señales EEG se obtienen a partir de la actividad endógena espontánea del cerebro o provocadas por estímulos exógenos. Procese previamente la señal sin procesar, luego extraiga, seleccione, clasifique y traduzca características para decodificar la intención. Luego, los comandos digitales se utilizan para controlar diferentes dispositivos de salida, como prótesis, exoesqueletos, vehículos o software de asistencia.

2. Grado de invasividad

Para la clasificación de BCI:

(1) Interfaz cerebro-computadora totalmente invasiva

Tales interfaces cerebro-computadora generalmente se implantan directamente en la materia gris del cerebro, por lo que la calidad de las señales neuronales obtenidas es relativamente alta. Pero su desventaja es que es fácil desencadenar una respuesta inmune y un callo, lo que conducirá a la disminución o incluso a la desaparición de la calidad de la señal.

Las interfaces cerebro-computadora invasivas se caracterizan por el uso de electrodos de matriz de malla de microelectrodos que proporcionan velocidades de transferencia de información rápidas y una alta resolución espacial y temporal. Los electrodos intracorticales pueden registrar tres tipos de señales cerebrales, a saber, actividad potencial única (SUA), actividad multipotencial (MUA) y potencial de campo local (LFP). Sin embargo, a pesar de su alta precisión y mejor fidelidad de señal, limita en gran medida sus escenarios de uso en comparación con los riesgos asociados con la cirugía. Además, el crecimiento y la cicatrización del tejido conjuntivo alrededor de los electrodos después de la implantación a largo plazo a menudo conduce al deterioro de la señal y puede provocar la falla del dispositivo.

(2) Interfaz cerebro-computadora semiinvasiva

Los dispositivos BCI parcialmente invasivos se implantan dentro del cráneo, pero fuera del cerebro en lugar de dentro de la materia gris. Producen señales de mejor resolución que las BCI no invasivas; tienen un menor riesgo de formación de callos en el cerebro que las BCI totalmente invasivas. Técnicas comunes como: ECoG (electroencefalografía cortical)

La BCI semiinvasiva puede registrar oscilaciones de potencial cortical con electrodos epidurales o subdurales colocados en la superficie cortical. Sin embargo, todavía se requiere craneotomía en escenarios de uso.

(3) Interfaz cerebro-computadora no invasiva

Este método es actualmente el tipo más común y se coloca en la superficie del cuero cabelludo para observar cambios en la actividad de las señales cerebrales. Aunque este método no invasivo es muy conveniente, la resolución de la señal registrada no es alta debido al efecto de atenuación del cráneo sobre la señal y al efecto de dispersión y desenfoque de las ondas electromagnéticas emitidas por las neuronas. Por ejemplo, tecnologías comunes: EEG/ERP (electroencefalograma), fNIRS (imágenes cerebrales de infrarrojo cercano) y fMRI (resonancia magnética nuclear funcional), etc.

En una investigación portátil reciente, un nuevo tipo de producto BCI de grado de consumo (en la foto), basado en el concepto de diseño de Ear-EEG.

imagen-20210828094924458

Sobre la base de la investigación en interfaces cerebro-computadora (BCI), Ear EEG es una tecnología portátil fácil de usar que detecta señales neuronales y transmite información a través de Bluetooth. Fuente de la imagen: neurosciencenews

3. La base neurofisiológica del electroencefalograma (EEG)

Esta parte del contenido es muy familiar para los investigadores de EEG.

imagen-20210828095408529

( a ) Señal de EEG que refleja la actividad eléctrica cerebral causada por la activación sincrónica de poblaciones de neuronas piramidales en la corteza cerebral. Los potenciales postsinápticos excitatorios (EPSP) generan dipolos al crear una separación de carga perpendicular a la superficie cortical. (b) La comunicación entre neuronas está mediada por sinapsis. La llegada del potencial de acción a la terminal presináptica da como resultado la liberación de vesículas de neurotransmisores (NT) en la hendidura sináptica, que luego se difunden para llegar a los receptores de membrana en la terminal postsináptica y desencadenan la EPSP. © La neocorteza se divide en seis capas (I-VI) con distintas características citoarquitectónicas. La mayoría de las señales EEG son generadas por neuronas piramidales ubicadas principalmente en las capas III y V. Estas neuronas están alineadas espacialmente de forma perpendicular a la superficie cortical, lo que da como resultado una capa dipolar ortogonal a la superficie del cuero cabelludo. La actividad EEG se mide como diferencias de voltaje registradas en diferentes lugares del cuero cabelludo, que constituyen la suma de los potenciales postsinápticos de miles de neuronas cerca de cada electrodo de registro. (d) Para llegar a los electrodos del cuero cabelludo, la señal EEG pasa a través de varias capas de tejido no neural con diferentes propiedades de conducción, que atenúan la señal. (e) Los electrodos se colocan en el cuero cabelludo en configuraciones definidas, según el área funcional que se esté monitoreando.

Se estima que el cerebro humano contiene aproximadamente 86 × 10 ^ 9 células neuronales, y las neuronas piramidales representan aproximadamente dos tercios de todas las neuronas en la corteza cerebral. Además, cada neurona piramidal realiza una media de 7000 conexiones sinápticas. La comunicación sináptica puede ocurrir en las sinapsis eléctricas a través de uniones gap, que interconectan un gran número de neuronas para sincronizar sus respuestas.

4. Diseño de eBCI

El funcionamiento del eBCI se basa en patrones de actividad cerebral desencadenados por diferentes estímulos o tareas, lo que permite el control de dispositivos externos.

Fase de recogida:

Las señales cerebrales se registran utilizando electrodos colocados en el cuero cabelludo en una configuración definida, generalmente utilizando el sistema estándar internacional 10-20, consulte el artículo "Sistema estándar 10-20"

Preprocesar datos:

Para mejorar la calidad de la señal y mejorar la precisión del sistema, el proceso de preprocesamiento puede referirse a "Filtrado de análisis de EEG" y "Eliminación de artefactos de análisis de EEG" para eliminar señales de ruido innecesarias a través de métodos lineales y no lineales.

Selección de características:

Identifique y extraiga información discriminatoria y no redundante de las señales de EEG para producir un conjunto de características que se pueden clasificar. Métodos de uso común: procesamiento de reducción de dimensiones, dominio de frecuencia, dominio de tiempo-frecuencia, dominio de espacio, etc., consulte el artículo "Análisis de componentes independientes" "17 algoritmos de uso común para el aprendizaje automático"

Selección de categoría:

Dependiendo de las características seleccionadas, el proceso de decodificación se realizó sobre el tipo de tarea mental realizada por los sujetos utilizando diferentes algoritmos de clasificación. Métodos comúnmente utilizados: K-mean, máquina de vectores de soporte (SVM), red neuronal artificial, clasificador de clúster y clasificador bayesiano, etc.

(1) clasificador LDA

El clasificador LDA (Análisis discriminante lineal, LDA) es un clasificador lineal simple y eficiente que proyecta los datos en una dirección de baja dimensión, de modo que los datos proyectados tienen las características de la varianza intraclase más pequeña y la varianza interclase más grande. . Es decir, los datos de la misma categoría están lo más cerca posible después de la proyección y los datos de diferentes categorías están lo más separados posible. Finalmente, la clasificación se realiza en los datos más separables mediante un ajuste de umbral simple. LDA es el clasificador más utilizado en los sistemas de imágenes motoras.

**(2)MVS **

Support Vector Machine (SVM) es un clasificador típico en el aprendizaje automático, que separa los dos tipos de datos tanto como sea posible mediante la construcción de un hiperplano de segmentación óptimo.

(3) clasificador bayesiano

El clasificador bayesiano utiliza la fórmula bayesiana para calcular la probabilidad posterior de que la muestra pertenezca a cada categoría, y luego la categoría correspondiente a la máxima probabilidad posterior es la categoría de la muestra.

(4) Red neuronal artificial

La red neuronal artificial se basa en el uso de la estructura de las neuronas cerebrales y el mecanismo de transmisión de información para establecer un sistema de red a gran escala con capacidades de autoadaptación, y se organiza de manera paralela a gran escala a través de conexiones topológicas. La red neuronal artificial es adecuada para problemas de análisis no lineal y tiene una gran capacidad de aprendizaje e inducción, y una gran adaptabilidad. Hay muchos modelos de redes neuronales artificiales, y las redes neuronales artificiales comúnmente utilizadas son: perceptrón, perceptrón multicapa, red neuronal BP, red neuronal RBF, etc.

(5) Clasificador de agrupamiento

El análisis de conglomerados es un método exploratorio de clasificación de patrones, que no se basa en ningún conocimiento previo sobre la clasificación, sino que utiliza el método de medición de similitud para clasificar muestras con características iguales o similares. Su desventaja en la clasificación de las señales de EEG es que tiene altos requisitos sobre las características de las señales de EEG, es difícil lidiar con problemas de clasificación complejos y es fácil causar baja resolución.

— Este contenido proviene de la información de la red, solo como referencia

Fase de traducción de la señal:

Las características clasificadas se pasan a un algoritmo de traducción para convertirlas en instrucciones. Los comandos típicos van desde la selección de letras y el control del cursor hasta los comandos para operar vehículos robóticos y prótesis.

5. Paradigmas comunes de eBCI

Según el tipo de señal cerebral utilizada para el control del dispositivo, existen señales evocadas o espontáneas.

Señales evocadas (EP): son desviaciones involuntarias de actividad cerebral bloqueadas en el tiempo que ocurren en respuesta a la presentación de un evento externo. Por ejemplo, P300 y SSVEP son dos paradigmas de uso común. Las señales P300 pueden ser provocadas por la presentación de estímulos visuales, auditivos o somatosensoriales, y pueden registrarse en las regiones central y parietal; la actividad potencial de la corteza se modulará para producir un estímulo continuo y dependiente de la frecuencia (en el frecuencia fundamental u octava de la frecuencia del estímulo), que tiene un ritmo periódico similar al de los estímulos visuales. La SSVEP depende de la atención normal y la función oculomotora, pero estas funciones a menudo se ven afectadas en pacientes con enfermedad neurológica grave. Cuando se utiliza un dispositivo de estimulación visual para obtener señales SSVEP, existen principalmente seis canales de EEG en la corteza cerebral relacionados con el área visual del lóbulo occipital (P03, P0Z, P04, 01, 0Z, 02)

El paradigma de señalización espontánea genera señales de acción de control sin necesidad de estímulos externos. La actividad del EEG se puede clasificar según la frecuencia dominante (ƒ) de la señal en delta (ƒ < 4 Hz), theta (4 Hz < ƒ < 7 Hz), alfa (8 Hz < ƒ < 12 Hz ), beta (12 < ƒ < 30 Hz) y gamma (ƒ >30 Hz) bandas.

imagen-20210828103347733

En términos generales, las señales evocadas tienen mejores efectos que las señales espontáneas, y son relativamente más fáciles de entrenar y operar, y requieren la atención y concentración continuas del sujeto.

6. Tecnología de electrodos

Los electrodos generalmente se dividen en tres tipos diferentes de electrodos: electrodos húmedos, electrodos secos y electrodos semisecos.

imagen-20210828102917237

Esta parte del contenido puede hacer referencia a mi artículo anterior sobre el proceso de inserción "Tapa del electrodo EEG"

6. Aplicación de la interfaz cerebro-computadora eBCI

Rehabilitación: Terapia de Neurofeedback (NFB)

Lesión cerebral traumática (TBI), trastorno de estrés postraumático (PTSD), accidente cerebrovascular y otras enfermedades neurodegenerativas

Aplicaciones de asistencia: control de vehículos de asistencia, como sillas de ruedas eléctricas

Esclerosis lateral amiotrófica, parálisis bulbar progresiva y desgaste muscular progresivo

imagen-20210828103745637

Futuros escenarios de aplicación: entretenimiento neuronal.

Las técnicas para monitorear la actividad cerebral se pueden implementar en el aula para evaluar diferentes aspectos de la experiencia de aprendizaje y estudiar los mecanismos fisiológicos detrás de este proceso.

Control neuronal durante el juego

imagen-20210828103926608