La propuesta de este trabajo contribuye al desarrollo de interfaces cerebro-computadora de bajo costo, portátiles y portátiles mediante la explotación de equipos de grado de consumidor, procesamiento de señales directo y realidad extendida. Esta técnica tiene como objetivo acercar la tecnología de interfaz cerebro-computadora a la vida cotidiana y abrir nuevas posibilidades para muchos usuarios tanto en aplicaciones industriales como sanitarias. El sistema de propuesta también se ha aplicado en la rehabilitación basada en robots para niños con trastorno por déficit de atención / hiperactividad o para el autismo.
Los resultados fueron alentadores. Para empezar, use las gafas inteligentes y la diadema y conecte el electroencefalógrafo de bajo costo a una PC a través de un cable USB mientras la PC está desconectada de la fuente de alimentación principal. En este paso, todos los electrodos deben desconectarse de la placa de adquisición del electroencefalógrafo para comenzar desde una condición conocida.
En esta fase, el flujo de EEG se procesa fuera de línea en la PC con un script compatible con el procesamiento implementado en la aplicación Android. Inicie el script para recibir las señales de EEG y visualizarlas. Compruebe la señal mostrada.
Esto debe corresponder solo al ruido de cuantización del amplificador EEG. Conecte el primer electrodo y aplique el electrodo pasivo en el oído izquierdo con un clip personalizado o use un electrodo de clip para los oídos. La señal de salida debe permanecer sin cambios en este paso porque el canal diferencial de medición sigue siendo un circuito abierto.
Conecte un electrodo activo al terminal negativo de la entrada diferencial del canal EEG de medición y aplíquelo a la región frontal con una diadema. Después de unos segundos, la señal debería volver a cero. Conecte el otro electrodo activo al terminal positivo de la entrada diferencial del canal EEG de medición y aplíquelo a la región occipital con la diadema.
Ahora se muestra una señal cerebral correspondiente a la actividad visual medida con respecto al área frontal del cerebro y la región occipital. Estimule repetidamente al usuario con iconos parpadeantes de 10 hercios y 12 hercios iniciando el icono parpadeante en la aplicación Android. Presione el panel táctil de las gafas inteligentes mientras inicia el script de adquisición y visualización de EEG.
Asegúrese de que cada estimulación en esta fase consista en un solo icono parpadeando durante 10 segundos. De las señales de diez segundos asociadas con cada estimulación, extraiga dos características utilizando la transformada rápida de Fourier, la densidad espectral de potencia a 10 hercios y 12 hercios. Alternativamente, considere también los segundos armónicos.
Utilice una representación de las señales adquiridas en el dominio de entidades para entrenar un clasificador de máquina de vectores de soporte. Utilice una herramienta en MATLAB o Python para identificar los parámetros de un hiperplano con un kernel eventual. Basado en las características de entrada, el modelo entrenado será capaz de clasificar futuras observaciones de señales de EEG.
Desconecte el cable USB del PC y conéctelo directamente a las gafas inteligentes. Inserte los parámetros del clasificador entrenado en la aplicación Android. El sistema ya está listo.
El electroencefalógrafo de bajo costo se caracterizó con respecto a la linealidad y el error de magnitud. Los resultados se muestran aquí. El parpadeo de las gafas inteligentes se midió para resaltar las eventuales desviaciones de la trayectoria de onda cuadrada nominal.
La caracterización de las gafas inteligentes comerciales en términos del espectro de amplitud de los botones parpadeantes se muestra en esta figura. Aquí se muestran parpadeos a 10 hercios y a 12 hercios. Esta figura representa las señales medidas durante la estimulación visual en el dominio de las características.
Las señales asociadas con los estímulos parpadeantes de 12 hercios se presentan en azul, mientras que las señales asociadas con los estímulos parpadeantes de 10 hercios se presentan en rojo. Para cada sujeto, los resultados asociados con una estimulación de diez segundos se comparan con los asociados con una estimulación de dos segundos. La precisión obtenida al considerar todos los sujetos juntos, así como la precisión media entre todos los sujetos se informan aquí.
Aquí se muestra la comparación del rendimiento de la clasificación al considerar dos características de PSD frente a cuatro características de PSD para los datos de EEG relacionados con SSVEP. Dadas las buenas propiedades metrológicas del equipo de grado de consumo, se debe prestar atención principalmente a la estabilidad mecánica de los electrodos de medición porque no emplean geles conductores. Este procedimiento demostró ser funcional para las señales SSVEP que son ruido relativamente robusto, pero se podría investigar el uso de instrumentación similar en otros paradigmas, como las imágenes motoras.
Gracias a la portabilidad, portabilidad y facilidad de uso, esta técnica ahora se investiga como un dispositivo complementario para la rehabilitación o como una nueva herramienta para escenarios industriales.
