La proposition de ce travail contribue au développement d’interfaces cerveau-ordinateur à faible coût, portables et portables en exploitant des équipements grand public, un traitement du signal simple et une réalité étendue. Cette technique vise à rapprocher la technologie d’interface cerveau-ordinateur de la vie quotidienne et à ouvrir de nouvelles possibilités pour de nombreux utilisateurs dans les applications industrielles et de santé. Le système de proposition a également été appliqué à la réadaptation robotisée pour les enfants atteints de trouble déficitaire de l’attention / hyperactivité ou d’autisme.
Les résultats ont été encourageants. Pour commencer, portez les lunettes intelligentes et le bandeau et connectez l’électroencéphalographe à faible coût à un PC via un câble USB pendant que le PC est déconnecté de l’alimentation principale. À cette étape, toutes les électrodes doivent être déconnectées de la carte d’acquisition de l’électroencéphalographe pour partir d’une condition connue.
A cette phase, le flux EEG est traité hors ligne sur le PC avec un script compatible avec le traitement implémenté dans l’application Android. Démarrez le script pour recevoir les signaux EEG et les visualiser. Vérifiez le signal affiché.
Celui-ci doit correspondre uniquement au bruit de quantification de l’amplificateur EEG. Connectez la première électrode et appliquez l’électrode passive à l’oreille gauche avec un clip personnalisé ou utilisez une électrode de clip d’oreille. Le signal de sortie doit rester inchangé à cette étape car le canal différentiel de mesure est toujours un circuit ouvert.
Connectez une électrode active à la borne négative de l’entrée différentielle du canal EEG de mesure et appliquez-la sur la région frontale avec un bandeau. Après quelques secondes, le signal devrait revenir à zéro. Connectez l’autre électrode active à la borne positive de l’entrée différentielle du canal EEG de mesure et appliquez-la sur la région occipitale avec le bandeau.
Un signal cérébral correspondant à l’activité visuelle mesurée par rapport à la zone frontale du cerveau et à la région occipitale est maintenant affiché. Stimulez à plusieurs reprises l’utilisateur avec des icônes scintillantes de 10 hertz et 12 hertz en démarrant l’icône scintillante dans l’application Android. Appuyez sur le pavé tactile des lunettes intelligentes tout en démarrant le script d’acquisition et de visualisation EEG.
Assurez-vous que chaque stimulation de cette phase consiste en une seule icône qui scintille pendant 10 secondes. À partir des signaux de dix secondes associés à chaque stimulation, extrayez deux caractéristiques en utilisant la transformée de Fourier rapide, la densité spectrale de puissance à 10 hertz et 12 hertz. Alternativement, considérez également les secondes harmoniques.
Utilisez une représentation des signaux acquis dans le domaine des entités pour former un classificateur de machine à vecteurs de support. Utilisez un outil dans MATLAB ou Python pour identifier les paramètres d’un hyperplan avec un noyau éventuel. Sur la base des caractéristiques d’entrée, le modèle entraîné sera capable de classer les observations futures des signaux EEG.
Déconnectez le câble USB du PC et connectez-le directement aux lunettes intelligentes. Insérez les paramètres du classificateur entraîné dans l’application Android. Le système est maintenant prêt.
L’électroencéphalographe à faible coût a été caractérisé en fonction de la linéarité et de l’erreur de magnitude. Les résultats sont présentés ici. Le scintillement des lunettes intelligentes a été mesuré pour mettre en évidence les écarts éventuels par rapport au trajet nominal des ondes carrées.
La caractérisation des lunettes intelligentes commerciales en termes de spectre d’amplitude des boutons scintillants est illustrée dans cette figure. Le scintillement à 10 hertz et à 12 hertz est montré ici. Cette figure représente les signaux mesurés lors de la stimulation visuelle dans le domaine des caractéristiques.
Les signaux associés aux stimuli scintillants de 12 hertz sont présentés en bleu tandis que les signaux associés aux stimuli scintillants de 10 hertz sont présentés en rouge. Pour chaque sujet, les résultats associés à une stimulation de dix secondes sont comparés à ceux associés à une stimulation de deux secondes. La précision obtenue en considérant tous les sujets ensemble ainsi que la précision moyenne parmi tous les sujets sont rapportées ici.
La comparaison des performances de classification lors de la prise en compte de deux caractéristiques PSD par rapport à quatre caractéristiques PSD pour les données EEG liées au SSVEP est présentée ici. Compte tenu des bonnes propriétés métrologiques de l’équipement grand public, il faut surtout faire attention à la stabilité mécanique des électrodes de mesure car elles n’utilisent pas de gels conducteurs. Cette procédure s’est avérée fonctionnelle pour les signaux SSVEP qui sont des bruits relativement robustes, mais on pourrait étudier l’utilisation d’instruments similaires dans d’autres paradigmes tels que l’imagerie motrice.
Grâce à la portabilité, à la portabilité et à la facilité d’utilisation, cette technique est maintenant étudiée en tant que dispositif supplémentaire pour la rééducation ou en tant que nouvel outil pour les scénarios industriels.
