Interfaces cérebro-computador são sistemas de hardware e software que permitem que seus usuários transmitam suas intenções a dispositivos externos com envolvimento mínimo de nervos e músculos periféricos. Uma forma de controlar essas interfaces é por meio da imagética motora, que consiste em imaginar um movimento sem realmente realizá-lo, causando alterações nos ritmos cerebrais que podem ser detectadas em sinais de eletroencefalograma (EEG). Para identificar essas alterações, desenvolveu-se neste trabalho a fase de processamento de sinais de uma interface cérebro-computador, que inclui: pré-processamento, extração de atributos, seleção e classificação de atributos.
O pré-processamento do sinal foi realizado usando Common Average Reference (CAR), extração de atributos por meio de periodograma de Welch, Common Spatial Patterns (CSP) e Common Spatial Filter Bank Patterns (FBCSP), seleção de recursos com base em informações mútuas e classificação com Support Vector Machine (SVM). ) e Naive Bayes. O pré-processamento foi feito usando Common Average Reference (CAR), a etapa de seleção de recursos usou o método de Welch, Common Spatial Patterns (CSP) e Common Spatial Filter Bank Patterns (FCSP), a seleção de recursos foi feita usando informações mútuas e a classificação é feita com Support Vector Machine ( SVM) e Naive Bayes. Interfaces cérebro-computador (BCIs) são sistemas de comunicação de hardware e software que permitem ao ser humano interagir com seu ambiente por meio de sinais recebidos diretamente do cérebro, com envolvimento mínimo de nervos e músculos periféricos.
O registro dos sinais cerebrais pode ser invasivo, por meio de implantes inseridos diretamente no cérebro, ou não invasivo, por meio de aparelhos capazes de medir a atividade cerebral de fora do crânio. Uma abordagem para a implementação de sistemas BCI é baseada na imagética motora, que consiste em imaginar a execução de um movimento sem realmente executá-lo. A imagética motora causa alterações nos ritmos cerebrais denominadas Event-Related Synchronization (ERS), onde um grande número de neurônios dispara ritmicamente de forma síncrona em resposta a um estímulo externo ou interno ao cérebro, e dessincronização relacionada a eventos (ERD – Event-Related Desynchronization) ), quando os neurônios disparam sem um padrão claro.
As interfaces cérebro-computador estão abrindo novas possibilidades para pessoas com condições debilitantes devastadoras, como esclerose lateral amiotrófica, derrame cerebral, paralisia cerebral e lesões na medula espinhal.
Objetivos
Estrutura do trabalho
Segundo Ang e Guan (2017), existem três estratégias diferentes para detectar imagens motoras do EEG: condicionamento operante, que consiste em usar um modelo fixo, com parâmetros predefinidos e quais atributos extrair, para que os usuários de BCI tenham que o cérebro aprende para controlar ritmos específicos para interagir com esses sistemas. Baseado em aprendizado de máquina, onde o modelo se adapta às características individuais do usuário, eliminando a necessidade de o usuário aprender a dominar ritmos específicos. No trabalho de Deuel et al. 2017), um BCI foi implementado para controlar um sintetizador de piano usando imagens motoras da mão direita explorando o ritmo mu, e é usado como atributo para classificar a energia na faixa de 8 a 12 Hz no sinal do eletrodo C3.
Testes online foram realizados com dez participantes, oito dos quais não tinham experiência com imagética motora. Em (CARINO-ESCOBAR et al., 2016), os autores tentaram desenvolver uma estratégia de classificação de imagens motoras com bom desempenho e baixo custo computacional. Para realizar a classificação, o modelo do neurônio spike é aplicado para identificar imagens motoras de duas classes: mão esquerda e mão direita.
O sistema foi testado em 4 sessões com 6 pacientes com AVC e 6 participantes saudáveis, todos sem experiência com imagens motoras. O sistema foi testado com 5 participantes sem experiência anterior com BCIs, para discriminar entre imagens motoras do dedo indicador da mão direita e repouso.
Base de dados
Estrutura de uma BCI
- Pré-processamento
- Common average reference (CAR)
- Extração de atributos
- Periodograma
- Periodograma de Welch
- Common spatial patterns
- Filter bank common spatial patterns (FBCSP)
- Seleção de atributos
- Forward selection
- Informação mútua
- Classificação
- Classificador linear – Método dos mínimos quadrados
- Support vector machine
- Naïve Bayes
Não foram levados em consideração os primeiros 2,5 segundos dos sinais, levando em consideração o período anterior ao aparecimento da imagem e o tempo de reação dos participantes. 2 ilustra a estrutura de uma tentativa de banco de dados e o número de tentativas de cada tipo para cada participante é mostrado na Tabela 1. Linguagem do pé direito esquerdo do participante. O ruído correlacionado pode ser introduzido por mudanças no potencial elétrico na região usada como referência elétrica durante a aquisição do sinal.
O CAR é uma técnica simples que visa criar uma melhor referência elétrica pela média aritmética dos sinais registrados, o que possibilita eliminar grande parte do ruído correlacionado, e conforme demonstrado em Ludwig et al. 2009), tende a aumentar significativamente a relação sinal-ruído. Nesta etapa, pretendemos extrair características dos sinais de entrada que possam ser utilizadas para a discriminação de classes de imagens. Pensando nisso, uma das estratégias mais intuitivas para extração de características é tentar buscar mudanças na energia do sinal nessas faixas de frequência, para as quais pode ser utilizada a densidade de potência espectral estimada pelo periodograma e pelo periodograma de Welch.
Os sinais de EEG de cada tentativa são representados como uma matriz N × T, onde N é o número de canais e T é o número de amostras por canal. Supondo que você queira distinguir entre duas classes aeb, ¯Ca e ¯Cb representam a média das matrizes de covariância dos testes em cada classe. Essa matriz pode ser fatorada na forma Cc =UcλcUcT, onde λc é a matriz diagonal dos autovalores de Cc ordenados do maior para o menor, e Uc é a matriz com os autovetores correspondentes em suas colunas.
O desempenho da classificação da imagem motora usando recursos extraídos diretamente dos sinais pelo CSP geralmente é baixo quando os sinais de entrada não são filtrados ou filtrados com uma faixa de frequência inadequada (ANG et al., 2008). A seleção de características consiste em escolher uma combinação de características para maximizar o desempenho do classificador. A seleção de recursos pode ser vista como um problema de otimização: visamos construir um subconjunto de recursos para maximizar o desempenho do sistema.
Um algoritmo guloso simples para realizar a seleção de recursos é a seleção direta (alg.1), que usa algumas métricas relacionadas ao desempenho do sistema, como a taxa de acertos, como uma heurística. Ele começa com uma string vazia e a cada iteração inclui o atributo que maximiza a taxa de acerto (EFROYMSON, 1960). Para simplificar a formulação matemática, podemos “colocar” w0 em w, mas isso requer adicionar uma dimensão de 1 a x.
Naive Bayes é um classificador probabilístico baseado no teorema de Bayes e na premissa de que todos os atributos são independentes, mas o classificador ainda pode ser muito robusto mesmo com violações dessa suposição (THEODORIDIS, 2009) (ZHANG, 2004). A classificação de um vetor de atributos pode ser feita da seguinte forma: . 3.35) e observando que o denominador da Eq.
Implementação
O banco de filtros FBCSP também foi implementado utilizando filtros passa-banda Butterworth de quarta ordem (fig. 6), que apresentam uma resposta mais uniforme no passa-banda em relação aos filtros Chebyshev tipo II, resultando em menor perda de informação. A normalização dos recursos consiste em subtrair sua média sobre todos os dados de treinamento e depois dividir por seu desvio padrão, resultando em uma distribuição centrada na origem com variância unitária. Variando todas as opções de etapas/parâmetros listadas acima, há um total de 300 combinações possíveis, a precisão de cada uma dessas configurações foi medida por validação cruzada usando o método holdout: os dados foram embaralhados e divididos em treinamento - e validação conjuntos com 80 e 20% dos dados, respectivamente.
Alguns dos métodos listados na Tabela 2 permitem a discriminação de apenas duas classes, para usá-los para distinguir entre quatro classes, uma estratégia um-para-um é aplicada: seis classificadores são treinados, um para cada par de classes, e o final resultado do sistema é decidido por "votação", em caso de empate, um dos mais votados é escolhido aleatoriamente. Neste capítulo, são apresentados e discutidos os desempenhos das melhores combinações de etapas de processamento, bem como o impacto das técnicas de pré-processamento e seleção de atributos para cada método de extração/classificação.
Análise das técnicas de processamento
Conforme mostrado na Tabela 4, a normalização dos recursos extraídos do periodograma de Welch melhora significativamente o desempenho do sistema, especialmente em combinação com o SVM. Um aumento, porém menor, também pode ser observado quando este procedimento é aplicado aos recursos CSP em combinação com SVM. A seleção de características com base na informação mútua aumenta a precisão das combinações baseadas na FBCF, principalmente com valores maiores de k.
Em relação aos sistemas que utilizam CSP e periodograma de Welch, a aplicação desse método resultou em uma queda de desempenho, conforme pode ser observado na Tabela 5. Observando que CSP comm= 4 extrai apenas oito atributos, portanto a seleção de atributos com k∈ {8 ,10} não é aplicável.
Melhores resultados
Assim, a melhor configuração obtida pré-processa os sinais usando CAR, extrai características usando FBCSP, seleciona as melhores características com base em informações mútuas com k = 12 e as classifica usando Naïve Bayes, com uma precisão de 71,20%. A Tabela 8 mostra os coeficientes skappa de Cohen (1960) obtidos pelos participantes da Competição IV BCI para cada indivíduo da base de dados e os valores alcançados pelo sistema mostrado na Fig. Neste trabalho, diferentes técnicas foram avaliadas para cada etapa de processamento de sinais de uma interface cérebro-computador baseada em imagens motoras com quatro classes (mão esquerda, mão direita, pés e língua) utilizando o banco de dados disponibilizado para a BCI Competition IV.
Com base nesses testes, verificou-se que para os métodos utilizados, a seleção de atributos é a etapa de maior impacto no desempenho final do sistema. Com as técnicas avaliadas, o processamento de sinal que obteve o melhor desempenho consiste em pré-processar os sinais usando CAR, extração de características usando FBCSP, selecionando as características melhor classificadas por meio de informação mútua e classificação usando Naive Bayes, com uma precisão de 71,20%. Em um trabalho futuro, pode-se buscar implementar a melhor combinação de técnicas de tratamento identificadas em um sistema online, por isso pode ser interessante reavaliar esses métodos usando uma janela de tempo inferior a 5 segundos.
Você também pode executar o processamento de forma adaptativa usando uma fase de calibração em vez de treinamento para permitir o feedback o mais rápido possível, mesmo para usuários sem nenhum treinamento anterior. Transações IEEE em Sistemas Neurais e Engenharia de Reabilitação, Instituto de Engenheiros Elétricos e Eletrônicos (IEEE), v. Reconhecimento de padrão EEG de imagens motoras do dedo indicador em aplicativos BCI usando classificação baseada em representação esparsa limpa por dicionário para humanos saudáveis.
