Введение

Неинвазивные нейрокомпьютерные интерфейсы (BCI) претерпели большое развитие в последние двадцать лет. Неинвазивный нейрокомпьютерный интерфейс можно определить как устройство, позволяющее взаимодействовать, не используя движения, в частности между человеком и каким-либо внешним устройством. Нейрокомпьютерные интерфейсы в настоящий момент применяются в различных приложениях: для ввода текста с помощью мысли, для контроля протезов или инвалидных колясок людьми с ограниченными возможностями, для тренировки спортсменов, в компьютерных играх и приложениях дополненной реальности в качестве дополнения к традиционным устройствам управления [1, 2].

Однако наиболее востребованной областью применения нейрокомпьютерных интерфейсов в человеческой жизни является их применение в качестве инструмента для хотя бы частичной реабилитации людей с ограниченными возможностями для осуществления взаимодействия с окружающей средой [3]. Множество исследований было проведено в этой области, но в них применялось дорогостоящее громоздкое медицинское ЭЭГ оборудование, не подходящее для использования в повседневной жизни.

В последние 5 лет появилось несколько групп ученых и разработчиков, которые создают и развивают портативные, недорогие нейрокомпьютерные интерфейсы, а также стремятся найти им применение в повседневной жизни, к ним относятся NeuroSky, MindFlex, Emotiv EPOC [4]. Однако данных по использованию этих устройств в научных целях чрезвычайно мало, многие исследователи сомневаются в возможности использования данных устройств в научных целях и точности их работы.

Данная статья посвящена обзору возможностей применения нейрокомпьютерного интерфейса Emotiv EPOC для регистрации вызванных потенциалов P300.

Характеристика Emotiv EPOC

Нейрокомпьютерный интерфейс Emotiv EPOC имеет 14 датчиков считывания сигналов головного мозга, а также четыре дополнительных датчика опорных каналов. Датчики имеют следующий тип: пассивные, мокрые. При работе BCI ловит электрические сигналы не только от мозга, но и от мышц. Эти сигналы сильнее, чем от мозга и их нужно фильтровать. Для этого считывается дополнительный сигнал оттуда, где есть сигналы от мышц, но нет сигналов от мозга – это точки в височной области или районе ушей. Так как с каждой стороны возможны два варианта расположения опорных каналов (висок и за ухом), то получаем 4 дополнительных разъема для датчиков. Схема расположения датчиков на голове изображена на Рисунке 1.

Рисунок 1 – Схема расположения электродов Emotiv EPOC на голове

Устройство беспроводное и автономное, заряда встроенного аккумулятора хватает на 12 часов работы. Частота дискретизации достигает 128 Гц, более подробная спецификация Emotiv EPOC дана в Таблице 1.

Таблица 1 – Спецификация Emotiv EPOC

При проведении экспериментов были использованы все доступные датчики сигналов головного мозга. Для уменьшения сопротивления для смачивания электродов использовалась жидкость для глазных линз, пока уровень сигнала не достиг значения, требуемого специальным программным обеспечением, поставляемым с устройством.

Описание подхода на основе детектирования вызванного потенциала P300

P300 (P3) – один из компонентов волны отклика мозга на стимул (Рисунок 2). Это положительное отклонение с амплитудой 2 – 5 мкВ с задержкой 300 – 600 мс после подачи стимула. Обычно P300 измеряется при помещении электродов в следующих областях головы Fz, Cz, Pz (Рисунок 3). Так как амплитуда сигнала отклика мозга на стимул очень небольшая, то обычно данный сигнал скрыт шумом и не виден на обычном сигнале ЭЭГ. Поэтому для того, чтобы обнаружить сигнал отклика мозга на стимул необходимо усреднить сегменты каждой попытки получения сигнала отклика мозга на стимул (эпоха), которые получаются путем повторения эксперимента несколько раз. Перед усреднением необходимо сигнал ЭЭГ пропустить через полосовой фильтр (обычно с полосой пропускания 1 – 20 Гц) и удалить артефакты из различных источников, например, таких как движение глазами.

Рисунок 2 – Компоненты волны отклика мозга на стимул

Рисунок 3 – 64-канальная схема расположения электродов на голове

Наиболее часто используемый эксперимент для получения P300 называется детектор P300 (P300-speller) (Рисунок 4), который представляет собой матрицу 6 x 6 числовых и буквенных символов, где в каждый момент времени один из символов подсвечивается в случайном порядке, результатом является последовательность вспышек. Во время каждой такой последовательности субъект фокусируется на одном из символов в матрице, и когда субъект видит вспышку в ячейке, содержащей символ, фиксируется сигнал отклика мозга на данный стимул. Данный эксперимент повторяется несколько раз, на основе полученных данных производится обучение детектора P300 для распознавания сигналов отклика головного мозга на каждый символ, а также определение строк и столбцов. После проведения эксперимента усредненный ЭЭГ сигнал (для каждого канала считывания ЭЭГ), полученный для целей (вспышка в ячейке с символов, на которой фокусировался субъект эксперимента) сравнивается с усредненным ЭЭГ сигналом для не целей (вспышка в ячейке с символов, на которой не фокусировался субъект эксперимента). Ожидается, что сигналы для целей после усреднения и фильтрации должны будут иметь характеристики вызванных потенциалов, а нецелевые сигналы должны представляться в виде случайного шума. Однако случайные артефакты ЭЭГ и задержки событий могут значительно искажать полученные в результате сигналы вызванных потенциалов.

Вызванные потенциалы P300 широко используются при применении нейрокомпьютерных интерфейсов для разработки средств коммуникации для людей с ограниченными возможностями.

Рисунок 4 – Детектор P300

Краткое описание эксперимента

Все эксперименты проводились с одним субъектом мужского пола в возрасте 24 лет без физических недостатков. Для получения визуальных стимулов P300 использовалось программное обеспечение OpenVibe версии 0.16.1. OpenVibe – открытое программное обеспечение для проведения экспериментов с вызванными потенциалами P300 и проектирования других приложений, использующих биологическую обратную связь. Схема эксперимента представлена на Рисунке 5. Длительность периодов вспышек и отсутствия вспышек была установлена равной 125 миллисекунд. Данные сигналов головного мозга записывались с помощью нейроинтерфейса Emotiv EPOC Research Edition. Записанные ЭЭГ данные были отфильтрованы с полосой пропускания 1 – 20 Гц. Вся последующая обработка данных производилась с использованием MATLAB и EEGLAB toolbox.

Рисунок 5 – Схема эксперимента

На первом этапе эксперимента были записаны данные ЭЭГ, с помощью которых OpenVibe произвел обучение детектора P300. Было подсвечено 10 символов для обучения, повторенных 12 раз. Далее данные ЭЭГ обрабатывались xDAWN фильтром [5] для сокращения числа каналов, оказывающих вклад в вызванный потенциал. Программа просчитывает весовые коэффициенты для каждого из 14-ти каналов Emotiv EPOC, определяя какой канал оказывает наибольший вклад в вызванный потенциал, а какой только мешает. В итоге из 14-каналов OpenVibe получает 3, значение которых дальше передает на вход классификатора.

Второй этап эксперимента был направлен на обучение системы различению строк и столбцов. Обучение производилось по методике первого этапа эксперимента. После обучения классификатора OpenVibe выдает оценку точности работы обученного классификатора:

Classifier performance on whole set is 71.3927%.

Результаты и выводы

Далее производилась оценка точности работы обученного классификатора. Субъекту опять предлагалось фиксировать взгляд на буквах и цифрах. Если программа угадала символ, он подсвечивался в строке зеленым, если угадала строку или столбец, то оранжевым, не угадала – черным.

Получившийся результат: из 10 букв:

6 – угадано правильно,

2 – угадан столбец или строка,

2 – не угадано.

Рисунок 6 – График волн отклика мозга на целевой стимул по всем каналам

Рисунок 7 – График мозговых волн нецелевых сигналов по всем каналам

На Рисунке 6 видно, что, спустя 305 миллисекунд после стимула, по всем ЭЭГ каналам появляются сигналы вызванных потенциалов. В то время как на Рисунке 7 данная тенденция для мозговых волн нецелевых сигналов не наблюдается. Также следует отметить, что амплитуда мозговых волн нецелевых сигналов ниже амплитуды мозговых волн для целевых сигналов отклика на стимул.

Рисунок 8 – График волн отклика мозга на целевой стимул отдельно по каждому каналу

Рисунок 9 – График мозговых волн нецелевых сигналов отдельно по каждому каналу

На Рисунке 8 видно, что наибольшую амплитуду сигналы отклика мозга на целевой стимул имеют по каналам 7 и 8, что соответствует местам расположению датчиков Emotiv EPOC O1 и O2 соответственно.

Таким образом, можно сделать вывод, что нейроинтерфейс Emotiv EPOC позволяет детектировать актуальные сигналы головного мозга, уровень шума получаемых сигналов может быть минимизирован с помощью применения специальных техник, таких как усреднение и фильтрация. Однако стоит отметить, что точность детектирования сигналов не такая высокая, как у профессионального медицинского ЭЭГ оборудования. Таким образом, Emotiv EPOC может использоваться в приложениях, не критичных к качеству сигнала, таких как компьютерные игры, системы удаленного взаимодействия; и задача разработки недорогого, удобного в повседневном использовании нейрокомпьютерного интерфейса с высоким качеством детектирования сигналов головного мозга по-прежнему остается актуальной.

1. J. R. Wolpaw, N. Birbaumer, D. J. McFarland, G. Pfurtscheller, and T. M. Vaughan, “Braincomputer interfaces for communication and control”, Clinical Neurophysiology, vol. 113, no. 6, pp. 767 – 791, 2002.
2. A. Nijholt, D. P.-O. Bos, and B. Reuderink, “Turning shortcomings into challenges: Brain-computer interfaces for games”, Entertainment Computing, vol. 1, no. 2, pp. 85 – 94, 2009.
3. B. Rebsamen, C. Guan, H. Zhang, C. Wang, C. Teo, M. Ang, and E. Burdet, “A brain controlled wheelchair to navigate in familiar environments”, Neural Systems and Rehabilitation Engineering, IEEE Transactions on, vol. 18, no. 6, pp. 590 – 598, 2010.
4. K. Stamps and Y. Hamam, “Towards inexpensive BCI control for wheelchair navigation in the enabled environment – a hardware survey”, in Proceedings of the 2010 international conference on Brain informatics, ser. BI’10. Berlin, Heidelberg: Springer-Verlag, 2010, pp. 336 – 345.
5. B. Rivet, A. Souloumiac, V. Attina, and G. Gibert, “xDAWN Algorithm to Enhance Evoked Potentials: Application to Brain Computer Interface”, Biomedical Engineering, IEEE Transactions on, vol. 56, no. 8, pp. 2035 – 2043, 2009.
6. A. T. Campbell et al., “NeuroPhone: Brain-Mobile Phone Interface Using a Wireless EEG Headset”, Proc. 2nd ACM SIGCOMM Wksp. Networking, Sys., and Apps. on Mobile Handhelds, New Delhi, India, Aug. 30, 2010.

Все статьи автора «Попов Евгений Юрьевич»