La proposta di questo lavoro contribuisce allo sviluppo di interfacce cervello-computer a basso costo, indossabili e portatili sfruttando apparecchiature di livello consumer, elaborazione del segnale semplice e realtà estesa. Questa tecnica mira ad avvicinare la tecnologia di interfaccia cervello-computer alla vita quotidiana e aprire nuove possibilità per molti utenti sia nelle applicazioni industriali che sanitarie. Il sistema proposto è stato applicato anche nella riabilitazione basata su robot per bambini con disturbo da deficit di attenzione / iperattività o per l'autismo.
I risultati sono stati incoraggianti. Per iniziare, indossa gli occhiali intelligenti e l'archetto e collega l'elettroencefalografo a basso costo a un PC tramite un cavo USB mentre il PC è scollegato dall'alimentazione principale. A questo punto, tutti gli elettrodi devono essere scollegati dalla scheda di acquisizione dell'elettroencefalografo per partire da una condizione nota.
In questa fase, il flusso EEG viene elaborato offline sul PC con uno script compatibile con l'elaborazione implementata nell'applicazione Android. Avviare lo script per ricevere i segnali EEG e visualizzarli. Controllare il segnale visualizzato.
Questo deve corrispondere solo al rumore di quantizzazione dell'amplificatore EEG. Collegare il primo elettrodo e applicare l'elettrodo passivo all'orecchio sinistro con una clip personalizzata o utilizzare un elettrodo a clip per l'orecchio. Il segnale di uscita deve rimanere invariato in questa fase perché il canale differenziale di misura è ancora un circuito aperto.
Collegare un elettrodo attivo al terminale negativo dell'ingresso differenziale del canale EEG di misurazione e applicarlo alla regione frontale con una fascia. Dopo alcuni secondi, il segnale dovrebbe tornare a zero. Collegare l'altro elettrodo attivo al terminale positivo dell'ingresso differenziale del canale EEG di misurazione e applicarlo alla regione occipitale con l'archetto.
Viene ora visualizzato un segnale cerebrale corrispondente all'attività visiva misurata rispetto all'area cerebrale frontale e alla regione occipitale. Stimola ripetutamente l'utente con icone di sfarfallio a 10 hertz e 12 hertz avviando l'icona di sfarfallio nell'applicazione Android. Premere sul touchpad degli occhiali intelligenti mentre si avvia anche lo script di acquisizione e visualizzazione EEG.
Assicurati che ogni stimolazione in questa fase consista in una singola icona che sfarfalla per 10 secondi. Dai segnali di dieci secondi associati a ciascuna stimolazione, estrarre due caratteristiche utilizzando la trasformata di Fourier veloce, la densità spettrale di potenza a 10 hertz e 12 hertz. In alternativa, considera anche le seconde armoniche.
Utilizzare una rappresentazione dei segnali acquisiti nel dominio delle funzionalità per addestrare un classificatore di macchine vettoriali di supporto. Utilizzare uno strumento in MATLAB o Python per identificare i parametri di un iperpiano con un eventuale kernel. Sulla base delle caratteristiche di ingresso, il modello addestrato sarà in grado di classificare le future osservazioni dei segnali EEG.
Scollegare il cavo USB dal PC e collegarlo direttamente agli occhiali intelligenti. Inserire i parametri del classificatore addestrato nell'applicazione Android. Il sistema è ora pronto.
L'elettroencefalografo a basso costo è stato caratterizzato per quanto riguarda la linearità e l'errore di magnitudo. I risultati sono mostrati qui. Lo sfarfallio degli occhiali intelligenti è stato misurato per evidenziare le eventuali deviazioni dal percorso nominale dell'onda quadra.
La caratterizzazione degli occhiali intelligenti commerciali in termini di spettro di ampiezza dei pulsanti tremolanti è mostrata in questa figura. Lo sfarfallio a 10 hertz e a 12 hertz sono mostrati qui. Questa figura rappresenta i segnali misurati durante la stimolazione visiva nel dominio delle caratteristiche.
I segnali associati agli stimoli tremolanti a 12 hertz sono presentati in blu mentre i segnali associati agli stimoli tremolanti a 10 hertz sono presentati in rosso. Per ogni soggetto, i risultati associati a una stimolazione di dieci secondi vengono confrontati con quelli associati a una stimolazione di due secondi. L'accuratezza ottenuta considerando tutti i soggetti insieme e l'accuratezza media tra tutti i soggetti sono riportati qui.
Il confronto delle prestazioni di classificazione quando si considerano due caratteristiche PSD rispetto a quattro caratteristiche PSD per i dati EEG relativi a SSVEP è mostrato qui. Date le buone proprietà metrologiche delle apparecchiature di livello consumer, si deve prestare particolare attenzione alla stabilità meccanica degli elettrodi di misura perché non impiegano gel conduttivi. Questa procedura si è dimostrata funzionale per i segnali SSVEP che sono rumori relativamente robusti, ma si potrebbe studiare l'uso di strumentazione simile in ulteriori paradigmi come le immagini motorie.
Grazie alla vestibilità, alla portabilità e alla facilità d'uso, questa tecnica è ora studiata come dispositivo supplementare per la riabilitazione o come nuovo strumento per scenari industriali.
