A proposta deste trabalho contribui para o desenvolvimento de interfaces cérebro-computador portáteis, vestíveis e de baixo custo, explorando equipamentos de nível de consumo, processamento de sinais simples e realidade estendida. Esta técnica visa aproximar a tecnologia de interface cérebro-computador da vida diária e abrir novas possibilidades para muitos usuários em aplicações industriais e de saúde. O sistema proposto também tem sido aplicado na reabilitação baseada em robôs para crianças com transtorno de déficit de atenção/hiperatividade ou para autismo.
Os resultados foram animadores. Para começar, use os óculos inteligentes e a faixa de cabeça e conecte o eletroencefalógrafo de baixo custo a um PC através de um cabo USB enquanto o PC está desconectado da fonte de alimentação principal. Nesta etapa, todos os eletrodos devem ser desconectados da placa de aquisição do eletroencefalógrafo para partir de uma condição conhecida.
Nesta fase, o fluxo de EEG é processado offline no PC com um script compatível com o processamento implementado no aplicativo Android. Inicie o script para receber os sinais de EEG e visualizá-los. Verifique o sinal exibido.
Este deve corresponder apenas ao ruído de quantização do amplificador de EEG. Conecte o primeiro eletrodo e aplique o eletrodo passivo na orelha esquerda com um clipe personalizado ou use um eletrodo de clipe de ouvido. O sinal de saída deve permanecer inalterado nesta etapa porque o canal diferencial de medição ainda é um circuito aberto.
Conecte um eletrodo ativo ao terminal negativo da entrada diferencial do canal de EEG de medição e aplique-o na região frontal com uma faixa de cabeça. Após alguns segundos, o sinal deve voltar a zero. Conectar o outro eletrodo ativo ao terminal positivo da entrada diferencial do canal de EEG de medição e aplicá-lo na região occipital com a faixa cefálica.
Um sinal cerebral é agora exibido correspondente à atividade visual medida em relação à área frontal do cérebro e à região occipital. Estimule repetidamente o usuário com ícones cintilantes de 10 hertz e 12 hertz, iniciando o ícone de cintilação no aplicativo Android. Pressione o touchpad dos óculos inteligentes enquanto inicia o script de aquisição e visualização do EEG.
Certifique-se de que cada estimulação nesta fase consiste em um único ícone piscando por 10 segundos. A partir dos sinais de dez segundos associados a cada estimulação, extraia duas características usando a transformada rápida de Fourier, a densidade espectral de potência em 10 hertz e 12 hertz. Alternativamente, considere também os segundos harmônicos.
Use uma representação dos sinais adquiridos no domínio de recursos para treinar um classificador de máquina de vetor de suporte. Use uma ferramenta em MATLAB ou Python para identificar os parâmetros de um hiperplano com um eventual kernel. Com base nas características de entrada, o modelo treinado será capaz de classificar futuras observações de sinais de EEG.
Desconecte o cabo USB do PC e conecte-o diretamente aos óculos inteligentes. Insira os parâmetros do classificador treinado no aplicativo Android. O sistema já está pronto.
O eletrencefalógrafo de baixo custo foi caracterizado quanto à linearidade e erro de magnitude. Os resultados são mostrados aqui. A cintilação dos óculos inteligentes foi medida para destacar os eventuais desvios do caminho nominal da onda quadrada.
A caracterização dos óculos inteligentes comerciais em termos do espectro de amplitude dos botões cintilantes é mostrada nesta figura. Piscando em 10 hertz e em 12 hertz são mostrados aqui. Esta figura representa os sinais medidos durante a estimulação visual no domínio características.
Os sinais associados aos estímulos de cintilação de 12 hertz são apresentados em azul, enquanto os sinais associados aos estímulos de cintilação de 10 hertz são apresentados em vermelho. Para cada sujeito, os resultados associados a uma estimulação de dez segundos são comparados com aqueles associados a uma estimulação de dois segundos. A acurácia obtida considerando todos os sujeitos em conjunto, bem como a acurácia média entre todos os sujeitos são relatadas aqui.
A comparação do desempenho da classificação ao considerar duas características do PSD versus quatro características do PSD para os dados de EEG relacionados ao SSVEP é mostrada aqui. Dadas as boas propriedades metrológicas dos equipamentos de consumo, deve-se prestar atenção principalmente à estabilidade mecânica dos eletrodos de medição, pois eles não empregam géis condutores. Este procedimento mostrou-se funcional para sinais SSVEP que são ruídos relativamente robustos, mas pode-se investigar o uso de instrumentação semelhante em outros paradigmas, como a imagética motora.
Graças à usabilidade, portabilidade e facilidade de uso, essa técnica é agora investigada como um dispositivo complementar para reabilitação ou como uma nova ferramenta para cenários industriais.
