Conducător Științific: Prof. Dr. Ing. G. Mihaela NEAGU București IULIE 2018 CUPRINS INTRODUCERE În ultimii ani, interfețele creier-mașină, din… [309681]

PROIECT DE DIPLOMĂ

ANALIZA EEG PENTRU DEZVOLTAREA

APLICAȚIILOR BCI

Student: [anonimizat]-Bogdan OARNĂ

Conducător Științific: Prof. Dr. Ing. G. Mihaela NEAGU

București

IULIE 2018

[anonimizat]-mașină, [anonimizat], [anonimizat]-[anonimizat] a [anonimizat], roboți etc. [anonimizat], telecomandă, telefon sau alte dispozitive de control.

Activitatea electrică a creierului este reprezentată de semnalele electroencefalogramei (EEG). Multe boli neurologice (epilepsie) pot fi diagnosticate prin studierea semnalelor EEG și totodată aceste semnale pot fi analizate pentru a [anonimizat]. Achiziția semnalelor EEG se realizează prin fixarea unor electrozi pe scalpul subiectului utilizând schema standard de plasare. [anonimizat], zgomote care influențează semnalul EEG înregistrat. [anonimizat] a [anonimizat], [anonimizat], acțiunea specifică pentru zona cerebrală de unde a fost înregistrat. [anonimizat].

[anonimizat] a [anonimizat], [anonimizat].

[anonimizat], [anonimizat], [anonimizat].

CAPITOLUL 1: [anonimizat] (BCI)

O [anonimizat] ([anonimizat]) [anonimizat], [anonimizat] o [anonimizat] a creierului, prin gând [1][2]. [anonimizat], [anonimizat], [anonimizat] a avea loc controlul acestuia.

De-a [anonimizat] 1970, [anonimizat], Los Angeles, a implementat și a [anonimizat]-mașină cu diverse întrebuințări. Primele utilizări ale BCI au fost în aplicații pentru controlul neuronal al protezelor.

Scopul principal pentru dezvoltarea BCI este acela de a permite reabilitatea persoanelor ce suferă de anumite afecțiuni de tip neuronal. Afecțiuni care conduc la incapacitate din punct de vedere al funcției motorii a corpului uman. Așadar, se dorește preluarea funcției organului/membrului afectat de către o [anonimizat].

COMPONENTELE BCI

Pentru a putea înțelege informația transmisă de către creier prin semnalele electrice este necesară construirea unui sistem de tip buclă închisă cu componente hardware și software care să facă achiziția semnalului, decodarea și clasificarea sa și aplicarea acțiunii pe care a
decodat-o și clasificat-o.

Un astfel de sistem este de obicei compus din 4 elemente. În figura 1.2.1. este o reprezentare schematică a unui posibil sistem BCI.

Figura 1.2.1: Schema componentelor BCI

Prima componentă este reprezentată de blocul de achiziție al semnalului EEG, pentru achiziția semnalului EEG se folosesc sisteme speciale care folosesc căști cu electrozi sau electrozi de tip implantabil, a doua componentă este cea software, în care semnalul este procesat, analizat, se extrag caracteristici, se fac clasificări, practic în partea software se încearcă traducerea semnalului electric provenit de la creier. Cea de-a treia componentă este reprezentată de partea oarecum activă, este o componentă hardware care primește comandă, care provine din blocul de procesare. Ultima componentă este reprezentată de protocolul de operare, care reprezintă maniera în care sistemul BCI, cuprinzând și celelalte blocuri menționate anterior, se comportă, este modul prin care tehnicianul, cel care supravheghează funcționarea sistemului BCI poate controla totalitatea proceselor ce au loc [3].

EVOLUȚIA SISTEMELOR BCI

Anul 1924 este poate unul dintre cei mai importanți ani pentru neuroștiință, deoarece psihiatrul de origine germană Hans Berger pune bazele, descoperă tehnica de înregistrare a activității cerebrale, electroencefalografia, făcând prima înregistrare a activității cerebrale (EEG). Astfel de la această invenție pornește și premisa că prin înregistrarea și prelucrarea activității cerebrale putem crea noi canale de comunicare, de la creier la “mașină”.

Prima înregistrare a lui Berger a fost făcută cu un dispozitiv rudimentar, electrozii fiind făcuți din folie de argint și atașați de scalpul pacientului. Rezultatele au fost dezamăgitoare, dar au reprezentat un succes din punct de vedere al evoluției studierii activității cerebrale. În timp, au fost dezvoltate metode mai competente pentru efectuarea înregistrărilor undelor cerebrale, precum galvanometru cu bobina dublă al Siemens, primul aparat care a înregistrat cu succes undele cerebrale, deoarece putea înregistra diferențe de zeci de mii de volți.

Primul prototip de interfață creier-mașină a fost creat de către profesorul Jacques Vidal de la Universitatea California, Los Angeles, care este și cel care a înrămat denumirea de interfață creier-mașină (BCI) [4].

După cercetările profesorului Vidal o perioadă nu au existat progrese semnificative, până spre finalul anilor 1990. În prezent interesul pentru cercetarea și dezvoltarea interfețelor creier-mașină este crescut, deoarece prin dorința de a se crea inteligența artificială, cercetătorii consideră că pot utiliza, îngloba informațiile folosite de aceste interfețe în dispozitive de inteligență artificială.

Universitatea din Minnesota, SUA, a prezentat în 2016 prima interfață creier-mașină care face posibilă mișcarea unui braț robotic folosind doar puterea minții. Sistemul funcționează cu ajutorul unei căști cu 64 de electrozi care achiziționează semnalele emise de activitatea electrică a creierului. Acestea sunt prelucrate și apoi transpuse în mișcări. Ce este impresionant, este faptul că nu a fost necesară utilizarea unor electrozi invazivi, ca în alte aplicații asemănătoare acesteia efectuate în trecut [5].

În anul 2017 cercetătorii de la Universitatea Stanford au reușit să proiecteze o interfață care permite pacienților paralizați să tasteze rapid și corect, astfel nivelul de comunicare al pacientului a crescut considerabil, creându-se un mod de comunicare eficient. Tehnologia permite oamenilor cu afecțiuni ale coloanei vertebrale să tasteze cuvinte pe un computer prin intermediul gândurilor, ajungând până la 39 de caractere pe minut. Pentru această aplicatie, electrozii care înregistrează activitatea cerebrală au fost implantați pe suprafața creierului [6].

EXEMPLE DE SISTEME BCI

MODEL BREVETAT ÎN 2003

Modelul propune crearea unui BCI prin folosirea de electrozi plasați în contact direct cu cortexul cerebral, sub craniu, adică o metodă invazivă de preluarea a semnalelor EEG. Modelul este o combinație de echipamente, subansambluri, cu roluri în înregistrarea semnalului EEG, analiza semnalului, prelucrarea semnalului și transformarea semnalului în semnal de ieșire ce poate controla un alt dispozitiv.

Ideea a pornit de la faptul că semnalul EEG provenit direct de la cortexul cerebral poate fi folosit în timp real pentru acționarea altor dispozitive externe, în aplicațiile BCI, și prin faptul că s-a descoperit că semnalele EEG înregistrate pe cortex pot oferi informații bidimensionale.

Prin această metodă, subiecții pot controla în timp real un cursor pe un ecran astfel încât să atingă o anumită țintă, prin identificarea frecvențelor undelor cerebrale pentru un anumit deget, astfel cercetătorii au identificat că pentru degetul mijlociu frecvența este de 80-160 Hz, iar pentru degetul mare frecvența este 100-110 Hz. Prin prinderea mâinii astfel încât subiecții să poată efectua mișcări doar cu cele două degete, pentru fiecare deget s-a setat o mișcare, stânga-dreapta pentru degetul mare și sus-jos pentru degetul mijlociu, iar subiecții prin mișcarea degetelor au reușit să controleze cursorul pe un ecran în direcțiile dorite [7].

Figura 1.4.1:Schema modelului propus

MODEL BREVETAT ÎN 2014

Acest model BCI propune folosirea unui modul prin care informațiile preluate prin înregistrarea EEG să fie filtrate și „curățate” de informații ne-necesare aplicației BCI pentru care se folosește.

Activitatea neuronală a creierului este bazată pe activitate electrică, în care se regăsește informația necesară pe care o aplicație BCI o poate utiliza. Fiecare BCI poate analiza semnalul iar prin acest modul se extrage doar componenta necesară din semnal pentru aplicația în cauză astfel încât să se poată face și o identificare a acțiunii cu semnalul, astfel încât să fie eliminată informația care este în plus [8].

Prin această activitate electrică, se determină apariția unor curenți de-a lungul membranei celulare care produce un câmp electric ce poate fi aproximat cu cel generat de un dipol [13]. Acest câmp electric poate fi înregistrat cu ajutorul electrozilor plasați la nivelul scalpului sau intracranian pentru a putea studia activitatea electrică a creierului.

ELECTROENCEFALOGRAFIA. ELECTROENCEFALOGRAMA

Electroencefalografia reprezintă o tehnică de înregistrare și interpretare a activității electrice a creierului. Electroencefalograma (EEG) reprezintă înregistrarea în timp a activității electrice cerebrale.

Electroencefalografia reprezintă înregistrarea potențialelor electrice ale activității spontane a neuronilor corticali, cu ajutorul electrozilor aplicați pe scalp. În trecut era o metodă de diagnostic cu o aplicabilitate vastă. Cu timpul EEG a fost înlocuită de metodele mai performante de diagnostic, tomografia computerizată (TC) și rezonanța magnetică (RMN). Cu toate acestea, electroencefalografia rămâne a fi utilizată pe larg, în special în diagnosticul epilepsiei, a encefalopatiilor, în monitorizarea activității cerebrale în timpul anesteziei și pentru aplicații BCI deoarece oferă o conexiune directă între creier și alte dispozitive, față de tomografie sau rezonanța magnetică, care sunt metode de investigație de tip imagistic.

Electroencefalograma se realizează, de regulă, la un pacient aflat cu ochii deschiși, fiind relaxat așezat într-un fotoliu, într-o poziție comodă sau culcat. Electrozii de argint, având formă de discuri de 0,5 cm în diametru sunt atașați de scalp cu ajutorul unei substanțe adezive și a unei paste conductive (sau doar pastă conductivă). La o electroencefalografie standard, sunt aplicați 21 sau mai mulți electrozi de suprafață. Semnalele preluate de electrozi sunt amplificate până când sunt suficient de puternice pentru a devia trasorul cu cerneală, determinând trasarea unei linii ondulată, care variază în funcție de intensitatea semnalului, pe o hârtie care se mișcă cu o viteză de 3 cm/s. De regulă, se înregistrează concomitent mai multe semnale din diferite regiuni ale bolții craniene. Traseele obținute reprezintă electroencefalograma. În ultimul timp, tot mai mult se utilizează electroencefalografia digitală, în care traseele sunt vizualizate pe ecranul monitorului și stocate în forma electronică.

Electroencefalografia este utilizată în următoarele situații:

• În diagnosticul epilepsiei și diferențierea acesteia de alte stări de natură convulsivă (convulsiile psihogenice, sincopele, tulburările extrapiramidale ale mișcării);

• În diagnosticul encefalopatiilor (EEG este practic unica metodă de diagnostic a encefalitei spongiforme subacute);

• Ca test de stabilire a morții cerebrale;

• În monitorizarea și pronosticul pacienților în stare de comă;

• Pentru interfețe creier-mașină;

În figura 2.4.1 este prezentată o cască cu electrozi folosită pentru înregistrarea EEG, iar în figura 2.4.2 este un model de înregistrare obținută în urma procedurii.

Figure 2.4.1: Casca pentru EEG[13]

Figure 2.4.2: Model semnal EEG înregistrat[14]

UNDELE CEREBRALE

O electroencefalogramă normală se consideră a fi caracterizată prin existența unui ritm dominant de aproximativ 10 Hz și o amplitudine medie de 20-100 μV. Amplitudinea reflectă numărul de neuroni care funcționează sincron și nu gradul de activitate al fiecărui neuron.

Când creierul este activ (starea de veghe) predomină undele de mică amplitudine, când creierul este inactiv (în timpul somnului profund) predomină undele de amplitudine mare și frecvență mică deoarece neuronii tind să funcționeze sincron. Au fost identificate mai multe tipuri de unde (ritmuri) cerebrale [15][16]:

I.Undele Alfa

Sunt oscilații de amplitudine mică, aproximativ 50 μV și frecvență medie, 8-13 Hz. În mod normal, amplitudinea lor crește și descrește regulat formând fusuri caracteristice (figura 2.5.1). Se presupune că aceste unde reflectă activitatea electrică sincronă a neuronilor din cortexul occipital. De cele mai multe ori undele alfa indică o stare de veghe relaxată. Sub influența activității senzoriale și în special a excitațiilor luminoase are loc o reacție de oprire a undelor alfa și de creștere a ponderii undelor beta. Același fenomen se produce și în cazul unei activități corticale, a unei stări emotive etc.

Figură 2.5.1: Unde alfa

II.Undele Beta

Se caracterizează printr-o frecvență de 13-30 Hz și o amplitudine de 5-30 μV (figura 2.5.2 ). Spre deosebire de ritmul alfa, undele beta sunt foarte neregulate și semnifică o desincronizare a activității neuronilor corticali. Undele beta reflectă activitatea neuronilor din cortexul frontal și parietal anterior.

Figura 2.5.2: Unde beta

III.Undele Theta

Sunt unde cu o frecvență de 4-8 Hz și o amplitudine maximă de 20 μV (figura 2.5.3). Deși sunt normale la copii, prezenta lor la adulții în stare de veghe este considerată anormală.

Figura 2.5.3: Unde theta

IV.Undele Delta

Aceste unde au cea mai mare amplitudine și o frecvență mică de maximum 4 Hz. Sunt caracteristice fazelor de somn profund sau stărilor de anestezie în care sistemul reticulat activator ascendent este inhibat. Prezența undelor delta la adulți, în stare de veghe semnifică existența unor leziuni cerebrale. Aceste unde pot să apară în orice derivație, neexistând practic zone corticale de maximă incidență.

Figura .5.4: Unde delta

V.Undele Gamma

Au o frecvență mare în jur de 30-100 Hz (figura 2.5.5). Acestea se înregistrează pe electroencefalogramă în condiții de activitate corticală superioară, ca de exemplu: percepția, rezolvarea unor probleme complicate, teamă, conștiință, etc.

Figura 2.5.5: Unde gamma

VI. Undele Mu

Au frecvențe caracteristice undelor Alfa, dar se deosebesc prin faptul că se înregistrează în altă zonă cerebrală, respectiv în zona cortexului motor și reprezintă activitatea de tip motor a corpului uman. De obicei au frecvențe între 7-13 Hz și amplitudini de până la 10 µV, comparativ cu undele alfa, amplitudinea este mult mai mică. În figura 2.5.6 este un exemplu de undă Mu.

Figure 2.5.6: Unda Mu

CAPITOLUL 3: SEMNALELE EEG

ACHIZIȚIA SEMNALULUI EEG

În etapa de achiziție, activitatea electrică produsă la nivelul creierului este înregistrată, adunată cu ajutorul unor senzori, electrozi de suprafață. Această reprezentare se numește encefalogramă. Înregistrarea semnalului EEG se realizează cu ajutorul unor electrozi Ag/AgCl plasați pe scalpul subiectului folosind schema standard de plasare a electrozilor, sistemul standard 10-20 [17] [18], prezentat în Figura 3.1.1. Locația exactă a electrozilor este importantă pentru interpretarea și compararea rezultatelor, din acest motiv a fost nevoie de crearea unui standard la nivel internațional.

Standardul 10-20 presupune plasarea a 19 electrozi în anumite zone pe scalp și 2 electrozi pe lobii urechilor (A1 și A2). Zonele scalpului sunt etichetate prin litere, ce simbolizează locația de la frunte spre spate: Fp și F – Frontal, C – Central, P – Parietal, T – Temporal, O – Occipital. Se folosesc și numere, pare pentru partea stângă și impare pentru partea dreapta, iar pe centru se noteaza cu litera z în loc de numar (Fz, Cz. Pz).

De asemenea în unele cazuri se pot folosi configurații cu mai mulți electrozi, 32 de electrozi precum înregistrările EEG ce vor fi analizate, procesate în aceasta lucrare, sau 64, 128, în funcție de necessitate.

Figura 3.1.1: Sistemul Internațional 10-20

După poziționarea electrozilor, trebuie aleasă metoda de măsurat a biopotențialelor, care poate fi unipolară, bipolară sau cvasi-unipolară/mediată [19]:

Unipolar: diferența de potențial se măsoară între fiecare electrod în parte și electrodul de referință

Bipolară: diferența de potential se măsoară între doi electrozi plasați adiacent, metodă prin care se obțin informații legate de diferența de potențial dintre doua zone cerebrale

Mediată: diferența de potențial se măsoară între un electrod și media ponderată a potențialelor electrozilor vecini.

DESCRIEREA DATELOR UTILIZATE

Pentru realizarea obiectivelor propuse în această lucrare, am folosit un set de date din baza de date medicale PhysioBank.

Setul de date este format din semnale înregistrare într-un interval de 4 minute, în care subiecții au stat așezati pe un scaun, relaxați, și au avut de efectuat 3 sarcini:

Să își imagineze mișcarea mâinii stângi;

Să își imagineze mișcarea mâinii drepte;

Să se gândească la cuvinte care încep cu aceeași literă;

Fiecare sarcină a fost efectuată la comandă de către subiecți, iar la fiecare 15 secunde sarcina este schimbată aleatoriu, la comanda celui care a efectuat înregistrarea. Pentru fiecare subiect s-au realizat trei înregistrări cu pauză de zece minute între ele.

Înregistrarea EEG a fost efectuată folosind o cască cu 32 de electrozi, plasați conform sistemului internațional 10-20, ceea ce înseamnă că înregistrarea conține 32 de canale, semnale provenite din regiunile cerebrale. Pentru semnalul înregistrat a fost efectuată eșantionarea la 512 Hz și nu a fost procesat pentru eliminarea artefactelor. Canalele care conțin biopotențialele sunt: Fp1, AF3, F7, F3, FC1, FC5, T7, C3, CP1, CP5, P7, P3, Pz, PO3, O1, Oz, O2, PO4, P4, P8, CP6, CP2, C4, T8, FC6, FC2, F4, F8, AF4, Fp2, Fz, Cz.

Pentru fiecare sarcină efectuată de către subiecți s-a creat o clasă de apartenență, astfel putând ulterior să se extragă și să se clasifice caracteristici din semnalele EEG.

CAPITOLUL 4: PREPROCESARE

4.1. PREPROCESAREA SEMNALELOR EEG

Următoarea etapă, după cea de achiziție a semnalelor EEG, este cea de procesare, de prelucrare a semnalelor EEG, în vederea atingerii obiectivelor stabilite pentru această lucrare, adică obținerea de vectori de caracteristici ce vor putea fi utilizați în formarea de aplicații BCI.

În prealabil, pentru a putea extrage caracteristicile cât mai bine, semnalul EEG trebuie pregătit, pașii efectuați pentru pregătirea semnalelor EEG și metodele teoretice abordate vor fi descrise la punctele 4.2 – 4.4, urmând ca apoi în capitolul 5 să fie discutate metodele teoretice, respectiv metodele alese pentru extragerea caracteristicilor.

Primul pas constă în îndepărtarea artefactelor și a trendului fiecărui canal în parte al semnalului achiziționat. Acest pas se realizează folosind funcții implicite din mediul de programare Matlab, pentru care specificăm parametrii conform cărora se vor efectua cele 2 operații.

4.2. TIPURI DE ARTEFACTE

Semnalele EEG, deoarece au amplitudini foarte mici, de ordinul microvolților, sunt susceptibile la artefacte. Aceste artefacte sau zgomote, pot fi împărțite în două categorii:

Artefacte generate de subiect:

Semnalul ECG provenit de la activitatea electrică a inimii, semnalul EMG generat de sistemul muscular scheletic, semnalul EOG provenit din mișcarea ochilor, mișcări involuntare, etc.;

Artefacte generate de echipament:

Interferențe de la rețeaua de alimentare, zgomote interne provenite de la echipamentul cu care se face achiziția semnalelor, etc.;

Eliminarea acestor artefacte se poate face din punct de vedere hardware, dar este nevoie și de algoritmi complecși de procesare pentru semnal, care să elimine artefactele, dar să nu afecteze, să nu producă distorsiuni semnalului EEG.

4.3. ELIMINARE ARTEFACTE

Pentru eliminarea artefactelor provenite de la rețeaua de alimentare, am ales să implementez software, un filtru de tip notch, stop-bandă, care v-a atenua frecvența de 50 de Hz, specifică rețelei. Acest tip de filtre pot fi reprezentate ca o combinație între filtre de tip trece-jos și trece-sus. Funcția de transfer pentru un astfel de filtru este descrisă de ecuația (1), unde ɯz este frecvența care reprezintă frecvența de tăiere a filtrului, ɯp este frecvența circulară de pol în funcție de care se determină tipul filtrului notch: standard (ɯz=ɯp), trece-jos (ɯz >ɯp) sau trece-sus (ɯz<ɯp), iar Q este factorul de calitate [20].

(1)

Implementarea acestui filtru a fost efectuată folosind mediul de programare Matlab.

4.4. ELIMINARE TREND

Pentru a extrage corect caracteristicile din semnalele EEG, metodele de identificare a caracteristicilor trebuie aplicate pe semnale după ce eliminăm trendul. Trendul sau tendința este dată de forma generală a semnalului, care poate fi liniară, polinomială, exponențială sau logaritmică, provenită de la corelația dintre valorile semnalului în timp.

Eliminarea trendului se face pentru fiecare canal în parte, prin intermediul mediului de programare Matlab, utilizând funcția implicită “DETREND”. Necesitatea eliminarii trendului este observabilă la folosirea modelelor autoregresive de extragere a vectorilor de caracteristici, prin permiterea alegerii unui ordin mai mic al modelului [21].

CAPITOLUL 5: METODE DE ANALIZĂ

În acest capitol vor fi descrise metodele teoretice folosite pentru analiza semnalelor pentru ca apoi după această analiză să se poată extragă vectori de caracteristici din semnalele EEG. Am ales să descriu mai multe metode ce pot fi implementate pentru a putea face o comparație între acestea și a putea alege metodele optime pentru atingerea obiectivului propus prin această lucrare.

METODE MORFOLOGICE DE ANALIZĂ A SEMNALELOR

Metodele de corelație se folosesc pentru a analiza similaritatea dintre două semnale, înregistrate simultan de electrozi aflați în zone diferite pe scalp. Dacă în ambele semnale este prezent un anumit ritm, funcția de corelație va pune în evidență acest lucru prin existența unui semnal periodic ce are aceeași frecvență cu cea a ritmului prezent în ambele semnale EEG. Când activitatea celor două semnale EEG prezintă caracteristici diferite, deosebirea dintre cele două va crește atunci când unul este calculat față de celălalt și funcția de corelație va descrește la 0.

Corelația dintre semnale EEG înregistrate în zone diferite ale scalpului depinde de conectivitatea, cuplajul funcțional dintre părțile corespunzătoare ale creierului. Se poate analiza efectul simetriei (sau lipsa ecesteia) dintre cele două semnale de pe emisfere diferite la aceeași poziție utilizând funcția de corelație sau densitatea spectrală de putere de interacțiune.

FUNCȚIA DE CORELAȚIE

Corelația este o metodă matematică ce necesită două semnale, și constă în a măsura gradul de similaritate dintre aceste două semnale. În continuare este dată relația 1 care definește această operație pentru două semnale x(n) și y(n):

(1)

sau

(2)

“l” reprezintă decalajul în timp, iar ordinea indicilor “xy” arată direcția pe care este aplicat decalajul.

Atunci când x(n)=y(n) se definește funcția de autocorelație rxx(l) fiind:

(4)

sau

(5)

Pentru a calcula funcția de corelație cu formula din relația (1) trebuie parcurși următorii pași:

Se translatează y(n) cu l unități, spre dreapta dacă l este pozitiv sau spre stânga dacă l este negativ;

Se multiplică x(n) cu y(n-l);

Se adună toate produsele calculate la punctul anterior.

METODE NEPARAMETRICE DE ESTIMARE A DENSITĂȚII DE PUTERE SPECTRALĂ

Aceste metode reprezintă o abordare de tip statistic, aplicată pentru estimarea caracteristicilor spectrale ale semnalelor atunci când nu este posibilă aplicarea directă a analizei Fourier.

Densitatea spectrală de putere (PSD) a unui proces aleator staționar este transformata Fourier a funcției de autocorelație:

(1)

Funcția de autocorelație statistică este:

(2)

Estimarea spectrului de putere este echivalenă cu estimarea funcției de autocorelație.

(3)

Din relațiile (1) și (3) se observă două moduri de a calcula densitatea spectrală de putere, una directă, în care se calculează pătratul modulului transformatei Fourier (din relația 3), și una indirectă, în care se calculează întâi funcția de autocorelație, iar apoi transformata Fourier (din relația 1).

PERIODOGRAMA

În procesarea semnalelor, o periodogramă este o estimare a densității spectrale a unui semnal. Este instrumentul cel mai comun pentru examinarea caracteristicilor amplitudinii vs frecvență pentru filtrele FIR . Analizele de spectru FFT sunt, de asemenea, implementate ca o secvență de timp a periodogramelor.

Relațiile (4) și (5) definesc estimantul corespunzător al densității spectrale de putere, respectiv periodograma.

(4)

(5)

Valoarea medie a periodogramei este dată de relația:

(6)

Se observă că media spectrului estimat este transformata Fourier a funcției de autocorelație înmulțită cu o fereastră triunghiulară.

Periodograma nu este un estimant consistent al densității spectrale de putere. Spectrul estimat suferă de efecte de netezire și scurgere spectrală, cauzate de înmulțirea cu fereastra triunghiulară.

PERIODOGRAMA PRIN METODA WELCH

Periodograma prin metoda Welch se face cu ajutorul a două modificări aplicate la metoda anterioară. Prima modificare constă în posibilitatea suprapunerii segmentelor obținute din vectorul inițial, iar cea de-a doua metodă constă în aplicarea unei ferestre pentru fiecare segment.

Fie x[n] o secvență de lugime N, reprezentând semnalul EEG, vor rezulta k segmente fiecare de lungimea M, de forma: cu n=0,1…M-1 si i=0,1…k-1.

Periodograma rezultată este:

i=0,1…L-1 (7)

Unde U este un factor de normalizare , iar puterea spectrală estimată devine:

(8)

METODE PARAMETRICE DE ESTIMARE A DENSITĂȚII DE PUTERE SPECTRALĂ

Deoarece la metodele neparametrice avem o limitare a rezoluției în frecvență, cât și apariția fenomenului de scurgere spectrală, datorat corelației, ceea ce înseamnă că unele componente ale semnalelor, cu amplitudine mică, pot fi mascate, s-au dezvoltat metode parametrice, care înlatură aceste dezavantaje [22] [23].

Pentru aceste metode avem de efectuat 3 pași:

selectarea modelului corespunzător seriei temporale;

estimarea parametrilor pentru modelul respectiv;

calculul estimatorului spectral prin înlocuirea parametrilor de la punctul b) în formula densității spectrale de putere specific modelului selectat.

TIPURI DE MODELE

Modelele parametrice se bazează pe faptul ca se consideră secvența de date x[n], respectiv semnalul EEG, ca fiind ieșirea unui sistem liniar cu o funcție de transfer de forma:

(1)

Ținând cont de forma sub care se poate prezenta funcția de transfer, s-au stabilit trei modele [24]:

Model AR (autoregressive) denumit model “numai poli”;

In calcul se ține cont doar de valorile de la x[n] până la x[n-N], ecuația caracteristică pentru acest model este:

(2)

Funcția de transfer este:

(3)

Model MA (moving average) denumit model “numai zerouri”;

În calcul se ține cont și de valorile w[n] pânp la w[n-M], ecuația caracteristică pentru acest model este:

(4)

Funcția de transfer este:

(5)

Model ARMA (autoregressive-moving-average) denumit model “poli și zerouri”.

Este o combinție între cele două modele de la subpunctele anterioare a) și b), iar ecuația caracteristică pentru acest model este:

(6)

Funcția de transfer este:

(7)

METODA YULE-WALKER

Prin această metodă se estimează secvența de autocorelație din datele introduse și apoi estimanții rezultați se folosesc în relațiile Yule-Walker, descrise de ecuațiile (8), (9) și (10), pentru a se determina parametrii modelului AR. În relația (11) este descrisă funcția de autocorelație.

Prin adoptarea unui model AR, relațiile dintre parametrii modelului și secvența de autocorelație devine:

pentru q=0 (8)

Parametrii ak se vor obține din soluția sisemului de ecuații (9) care reprezintă ecuațiile Yule-Walker [9]:

(9)

Ecuațiile (8) și (9) sunt combinate, astfel rezultând ecuația (10), fiind o matrice de tip Toeplitz aceasta poate fi rezolvată eficient cu algoritmul Levison-Durbin.

(10)

Din ecuația (10), repezintă dispersia.

Toți parametrii modelului AR pot fi determinați din secvența de autocorelație yxx[m]. După determinarea coeficiențiilor ak din relația (8) se calculează funcția de autocorelație pentru m>p.

Estimantul corespunzător al spectrului de putere este dat în relația (11), unde sunt estimanții parametrilor AR rezultați cu algoritmul Levison-Durbin, iar

este valoarea pătratică medie minimă a erorii de predicție estimate pentru predictorul de ordin p.

(11)

METODA BURG

Metoda Burg are la bază tot algoritmul Levinson-Durbin pentru a determina estimanții parametrilor modelului, dar diferă față de metoda Yule-Walker prin determinarea parametrilor pe baza minimizării erorilor din predicția liniară înainte și înapoi, direct din x[n], adică direct din semnalul EEG, fară a se mai face partea de autocorelație a semgmentului de date. Metoda Burg calculează coeficienții de reflexie ai structurii lattice echivalente cu relația (12) și din estimanții astfel obținuți se calculează spectrul de putere (13).

(12)

Unde este un estimant al erorii pătratice globale.

(13)

Unde este valoarea pătratică medie a erorii globale de predicție estimate pentru predictorul de ordin p.

ALGORITMI ALEȘI PENTRU A ANALIZA SEMNALELE EEG

Pentru a analiza semnalele EEG în vederea extragerii vectorilor caracteristici pentru sarcinile, acțiunile efectuate, din metodele descrise la subpunctele anterioare, am ales implementarea metodelor neparametrice, cât și a celor parametrice. Primele metode neparametrice sunt periodograma și periodograma prin metoda Welch, iar cele parametrice sunt metoda Yule-Walker, respectiv metoda Burg. Alegerea acestor două metode a fost facută în urma consultării literaturii de specialitate, din care am extras avantajele si dezavantajele diverselor metode, cu ajutorul cărora am putut să decid pașii următori.

Densitatea spectrală de putere descrie cum este distribuită puterea semnalului în funcție de frecvență, ceea ce înseamnă că o analiză a distribuirii puterii semnalului EEG pe diferite canale trebuie să fie precisă, rapidă și de încredere, pentru a putea extrage caracteristici utilizabile în aplicații de tip BCI. Viteza și acuratețea fazei de extracție a caracteristicilor procesării semnalelor EEG sunt foarte importante, pentru a nu pierde informații vitale din semnal. Până în prezent, în literatura de specialitate se discută o multitudine de metode de analiză. Metodele autoregresive suferă de viteze mai mici de calcul și nu sunt întotdeauna aplicabile în analiza în timp real, în timp ce modelele FFT pare să fie cel mai puțin eficientă dintre metodele discutate din cauza incapacității de a putea a examina semnalele non-staționare. Preferința metodei AR se poate accentua prin compararea performanței acesteia cu cea a FFT clasic așa cum se arată în tabelul 1 [25][26].

TABEL 1: COMPARAȚIE AR ȘI FFT

Așadar, ca o scurtă concluzie, consider că este recomandat să se utilizeze metode AR împreună cu metode mai conservatoare, cum ar fi periodograma, pentru a putea alege ordinul corect al modelelor parametrice astfel încât să obțin caracteristici spectrale care să poată fi analizate, interpretate [25].

Tabelul 2 prezintă avantajele și dezavantajele metodelor menționate mai sus, precizia, viteza și gradul de adecvare a acestora, pentru a face mai ușor compararea performanțelor acestora.

TABEL 2: AVANTAJELE ȘI DEZAVANTAJELE METODELOR

CAPITOLUL 6: REZULTATE ȘI DISCUȚII

6.1. APLICAREA METODELOR DE ANALIZĂ ȘI INTERPRETAREA REZULTATELOR

Pentru a putea extrage vectorii caracteristici specifici activităților efectuate, pentru baza de date aleasă, ținând cont de faptul că achiziția semnalelor EEG a fost efectuată pentru un studiu al activiății electrice motorie cât și cognitive a neuronilor, trebuie efectuată o analiză a spectrului frecvenței pentru canalele specifice acestei activități. Din literatura de specialitate, canalele analizate pentru acest caz sunt cele din zona centrală, cortexul central, a cărui activitate este specifică acțiunilor bazate pe mișcare sau pe intenția de a efectua mișcare. Canalele pentru care voi realiza implementarea metodelor alese la subcapitolul 5.4 sunt C3, C4, F3 și F4 [27] [28].

Această etapă de analiză este cea mai importantă penru realizarea de aplicații BCI, deoarece așa cum am menționat în capitolul 1, aplicațiile BCI se bazează pe formarea unei baze de date cu vectorii de caracteristici, iar din acest motiv, extragerea vectorilor urmată de clasificarea acestora este crucială. Fară a avea o analiză corectă a semnalelor, nu am putea crea acea bază de date astfel încât aplicația BCI să fie utilizabilă pentru scopul dorit.

PREPROCESAREA SEMNALELOR EEG

Primul lucru efectuat a fost acela de a reprezenta grafic semnalul EEG pentru fiecare canal în parte, în figura 6.2.1. se observă această reprezentare.

Următorul pas a fost acela de a efectua filtrarea semnalului pentru eliminarea artefactelor provenite de la rețeaua de alimentare a aparatului cu care s-a realizat achiziția semnalului. Fiind date achiziționate pe teritoriu European, această filtrare a fost efectuată pentru 50 Hz. Deoarece baza de date nu conține informații despre alt tip de semnale, eliminarea artefactelor provenite de la EOG, EMG sau din alte surse fiziologice nu a fost realizată.

Figură 6.1.1: Reprezentarea canalelor EEG

În figura 6.1.2. se observă semnalul EEG după aplicarea filtrării. Pentru a se putea observa efectul aplicării procesului de filtrare am ales să reprezint o porțiune mărită a unui canal oarecare. De culoare mov este semnalul inițial, iar de culoare albastră este semnalul după aplicarea filtrului. De asemenea în figura 6.1.3. este reprezentată caracteristica filtrului folosit. Filtrul este IIR, de tip trece-bandă pentru frecvențele de 7-30 Hz, am ales acest tip de filtru deoarece este vorba de biopotențiale înregistrate în zona cortexului central, iar pe acea zonă sunt specifice undele de tip Beta și Mu, cu frevențe de la 7 până la 30 Hz.

Figură 6.1.2: Porțtiune mărită a unui canal pentru a se observa efectul filtrului; cu mov este semnalul înainte de filtrare, iar cu albastru semnalul după filtrare.

Figură 6.1.3: Caracteristica filtrului IIR

Figură 6.1.4: Densitatea de putere spectrală după aplicarea filtrului IIR pentru toate canalele EEG

Figură 6.1.5: Densitatea de putere spectrală dupa aplicare filtru IIR pentru frecvența de 50Hz

Figurile 6.1.4. și 6.1.5. reprezintă densitatea de putere spectrală după aplicarea filtrarii. În figura 6.1.5. este vizibilă filtrarea pentru artefactele de la rețeaua de alimentare, respectiv în figura 6.1.4. este vizibil faptul că s-a efectuat o filtrare de tip trece bandă pentru a păstra doar frecvențele de interes in intervalul 7-30 Hz.

În continuare, sunt analizate canalele C3 și C4 din punct de vedere al puterii spectrale pentru cele 2 acțiuni ce țin de activitatea neuronilor cu funcție motorie.

ANALIZA DENSITĂȚII DE PUTERE SPECTRALĂ PENTRU SARCINILE MOTORII

Pentru a putea identifica dacă comportamentul biopotențialului este cel așteptat, conform literaturii de specialitate, am decis să reprezint grafic densitatea de putere spectrală pentru cele două sarcini cu activitate de tip motor. Inițial am inceput prin a identifica, prin a separa eșantioanele semnalului în funcție de clasa de apartenență, pentru a ști atunci când calculez densitatea de putere spectrală pentru ce sarcină este efectuată.

Separarea în cele 3 clase s-a putut efectua deoarece în momentul achiziției, semnalul a fost supus unei clasificări de tip Gaussian. Fiecare clasă a primit un număr, pentru acțiunile neuronilor motori: pentru comanda de imaginare a mișcării mâinii stângi clasa 2, pentru comanda de imaginare a mișcării mâinii drepte clasa 3, iar pentru comanda de gândit la cuvinte care încep cu aceeași literă clasa 7.

Deoarece semnalul analizat este din zona cortexului central, unde sunt specifice undele Mu, în figura 6.3.1. este reprezentată forma undei conform literaturii de specialitate. Amplitudinea undelor Mu este între 0-10 µV, pentru momentele de inactivitate motorie, iar la activarea neuronilor pentru acțiuni motorii apare supresia, iar amplitudinea scade [29].

Figură 6.3.1: Forma undei Mu, 7-13 Hz. A) Forma din literatura de specialitate; B) Forma din semnalele utilizate pentru analiză

Figura 6.3.2. prezintă semalul canalului C3 înainte de a fi pregătit, filtrat și după filtrare. În figurile 6.3.3. și 6.3.4. sunt reprezentate grafic segmente din semnalul pentru canalul C3, segment pentru activitate normală a undelor Mu, respectiv segment când activitatea este suprimată ceea ce indică efectuarea unei acțiuni de tip motor.

Figură 6.3.2: Forma undei canalului C3 înainte și după filtrare

Figură 6.3.3: Segment C3 normal, nesuprimat

Figură 6.3.4: Segment C3 suprimat

Se observă din figurile 6.3.3. și 6.3.4. diferența de amplitudine; în prima figură este reprezentat un segment anterior primirii comenzii de efectuare a acțiunii, iar în cea de-a doua figură este reprezentat un segment din timpul efectuarii acțiunilor. Se observă suprimarea aparută specific, de la amplitudini de aproximativ 5 µV la amplitudini de 1.5-2 µV. De asemenea forma undei este asemănătoare cu cea din literatura de specialitate [30].

Următorul pas este acela de a reprezenta puterea spectrală prin metodele alese în subcapitolul 5.4. În figura 6.3.5. este reprezentată densitatea de putere spectrală obținută prin intermediul periodogramei cu funcție implicită din mediul de programare Matlab, în figura 6.3.6. este reprezentată densitatea de putere spectrală obținută prin periodograma cu metoda Welch, figura 6.3.7. reprezintă densitatea de putere spectrală prin metoda parametrică Yule-Walker, iar figura 6.3.8. prin metoda parametrică Burg.

Figură 6.3.5: Densitate de putere spectrală cu Periodograma pentru canalul C3

Figură 6.3.6: Densitatea de putere spectrală pentru canalul C3 cu metoda Welch

Figură 6.3.7: Densitatea de putere spectrală prin metoda Yule-Walker de ordinul 8

Figură 6.3.8: Densitatea de putere spectrală prin metoda Burg ordin 5 pentru canalul C3

Din cele 2 reprezentări, neparametrice și parametrice, se observă că puterea maximă pentru acțiunea mâinii stângi este obținută în zona de frecvențe 10-12 Hz. Din periodograma, prin ambele metode diferența de putere pentru acțiunea mâinii stângi și a mâinii drepte nu este mare, ceea ce în mod normal nu este corect, deoarece diferența între acestea trebuie să fie sesizabilă, diferență observabilă prin intermediul metodelor parametrice. Pentru acțiunea mâinii stângi este specifică o putere mai mare a semnalului pentru canalul C3, iar pentru mâna dreaptă trebuie să se observe o putere mai mare în zona de frecvențe 10-12 Hz pentru canalul C4.

În continuare va fi reprezentat grafic semnalul pentru canalul C4, în figurile 6.3.9. fiind reprezentat semnalul înainte și după filtrare, iar în figurile 6.3.10 și 6.3.11 sunt reprezentate segmente din semnal, segment pentru activitate normala a undelor Mu, respectiv segment când activitate este suprimată ceea ce indică efectuarea unei acțiuni de tip motor.

Figură 6.3.9 : Forma undei canalului C4 înainte și după filtrare

Față de canalul C3, pentru canalul C4 se observă o activitate mai intensă, cu diferențe între activitatea de repaus și activitatea ordonată mai vizibilă.

Figură 6.3.10: Segment C4 normal nesuprimat

Figură 6.3.11:Segment C4 suprimat

Se observă din figurile 6.3.10 și 6.3.11 diferența de amplitudine, în prima figură este reprezentat un segment anterior primirii comenzii de efectuare a acțiunii, iar în cea de-a doua figură este reprezentat un segment din timpul efectuării acțiunilor. Se observă suprimarea apărută specific, de la amplitudini de aproximativ 4-5 µV la amplitudini de 2 µV. De asemenea forma undei este asemănătoare cu cea din literatura de specialitate [30].

Următorul pas este acela de a reprezenta puterea spectrală prin cele doua metode alese în subcapitolul 5.4. În figura 6.3.12. este reprezentată densitatea de putere spectrală obținută prin intermediul periodogramei cu funcție implicită din mediul de programare Matlab, în figura 6.3.13. este reprezentată densitatea de putere spectrală obținută prin periodograma cu metoda Welch, figura 6.3.14. reprezintă densitatea de putere spectrală prin metoda parametrică Yule-Walker de ordinul 8, iar figurile 6.3.15 și 6.3.16 prin metoda Burg de ordinul 5, respectiv de ordinul 8.

Figură 6.3.12: Densitatea de putere spectrală cu Periodograma pentru canalul C4

Figură 6.3.13 : Densitatea de putere spectrala folosint metoda Welch pentru canalul C4

Figură 6.3.14: Densitatea de putere spectrală folosind metoda Yule-Walker de ordin 8

Figură 6.3.15 : Densitatea de putere spectrală cu metoda Burg de ordin 5

Figură 6.3.16 : Densitatea de putere spectrală cu metoda Burg de ordin 8

Din cele 5 reprezentări se observă că puterea maximă pentru acțiunea mâinii drepte este obținută în zona de frecvențe 10-12 Hz. Din cele 2 metode de obținere a periodogramei, diferența de putere pentru acțiunea mâinii stângi și a mâinii drepte nu este mare, dar se observă că pentru mâna dreaptă puterea este maximă pentru frecvența de 11 Hz, iar pentru mâna stângă este maximă pentru frecvența de 12 Hz, dar sub cea a puterii mâinii drepte. Metoda Yule-Walker oferă informații despre puterea spectrală asemănătoare, iar în cazul metodei Burg, a fost necesar reprezentarea pentru mai multe ordine. Folosind metoda Burg cu ordinul 5, la fel ca la canalul C3, densitatea de putere spectrală este maximă în zona 16-18 Hz, ceea ce implică trecerea la unda de tip Beta. Prezența undei Beta este un indice al faptului că sarcinile pe care le îndeplinesc subiecții în cadrul achiziției semnalului sunt de tip cognitiv, deoarece cele 3 sarcini nu presupun efectuarea fizică, dinamică, ci faptul de a se gândi la acțiunea respectivă. Pentru a putea concluziona dacă putem identifica și acțiunea de mișcare a mâinii drepte, am folosit metoda Burg cu un ordin mai mare, iar din figura 6.3.16. se observă o densitate de putere spectrală mai mare în zona de 12 Hz, față de densitatea de putere spectrală pentru mână stângă.

ANALIZA DENSITĂȚII DE PUTERE SPECTRALĂ PENTRU SARCINILE COGNITIVE

Pentru cea de-a treia acțiune, respectiv subiectul trebuie să se gândească la cuvinte care încep cu aceeași literă, trebuie observată, analizată densitatea de putere spectrală pentru canalele F3/F4, respectiv să se facă o comparație cu canalele C3, C4 [31]. Comparația între canalele EEG v-a ajuta la obținerea unei concluzii elocvente, deoarece toată natura achiziției bazei de date de semnale are la bază activități cognitive.

În figura 6.4.1. este reprezentat grafic semnalul EEG pentru canalul F3 înainte, respectiv după filtrare.

Figură 6.4.1: Semnlaul EEG pentru canalul F3 înainte, respectiv după filtrare

În figura 6.4.2. este prezentat un segment al canalului F3, unde se poate observa că forma semnalului este asemănătoare cu cea din figura 6.3.1, dar nu este vorba de unda Mu, ci se observă că este vorba de unda Beta, deoarece frecvența este specifică pentru Beta, cât și amplitudinea semnalului este mai mare, față de cea pentru canalele C3 sau C4. Asemănarea formei de undă se poate explica prin natura stimulilor din timpul achiziției. Deoarece toate cele 3 acțiuni ce sunt efectuate de către subiecți sunt de tip cognitiv, iar în procesele cognitive se remarcă apariția undei Beta.

Figură 6.4.2: Segment a formei semnalului pentru canalul F3

Figură 6.4.3: Densitatea de putere spectrală prin periodograma pentru canalele F3 și F4

Figură 6.4.4: Densitatea de putere spectrala prin metoda Welch pentru canalul F4

Figură 6.4.5: Densitatea de putere spectrală prin metoda Yule-Walker ordin 5 pentru canalul F4

Figură 6.4.6: Densitatea de putere spectrală prin metoda Yul-Walker pentru canalul F3

Figură 6.4.7: Densitatea de putere spectrală prin metoda Burg pentru canalul F3

Prin reprezentările densității spectrale, în cazul canalelor F3 și F4 se observă o similaritate, atât în reprezentarea prin metodele neparametrice de tip periodograma, cât și la folosirea metodelor parametrice cu modelele Yule-Walker sau Burg de ordin 5. Densitatea de putere este oarecum constantă, având un maxim la frecvența de 18 Hz din analiza cu metoda Burg, dar dacă ne uităm pe densitatea de putere calculată prin metodele Yule-Walker sau Welch observăm o putere mai mare predominantă pentru frecvența de 12-14 Hz. Din faptul că este constantă în intervalul 7-16 Hz putem deduce faptul că acțiunea de repetare a unor cuvinte care încep cu aceeași literă, este într-adevăr identificată conform literaturii de specialitate [31] la frecvențe Beta joase. Acest fapt se confirmă dacă ne uităm pe toate reprezentările, indiferent de metoda folosită.

În anexă este atașat codul folosit pentru obținerea rezultatelor analizate în acest capitol. Pentru realizarea analizei a fost folosit mediul de lucru Matlab versiunea 2016.

CONCLUZII

Scopul lucrării a fost acela de a analiza semnale EEG special achiziționate pentru folosirea în aplicații de tip BCI. Pentru a realiza acest lucru au fost implementate mai multe metode de analiză în frecvență, cât și analiza morfologică a semnalului, deoarece procesarea unor astfel de semnale necesită o atenție deosebită și nu se poate face print-o singură metodă.

Pentru semnalele EEG au fost aplicate două tipuri de metode descrise în lucrare prin care s-a calculat densitatea de putere spectrală a fiecărui canal EEG în parte, pentru fiecare tip alegând să implementez două, modele deoarece am vrut să pot compara rezultatele între probe pentru a putea obține un răspuns concludent.

Din literatura de specialitate se consideră că nu există o metodă perfectă, dar metodele autoregresive, implementate cu un ordin ales corect, pot da cele mai concludente rezultate. Pentru a putea alege ordinul bun al metodelor autoregresive Yule-Walker și Burg, inițial am calculat densitatea de putere spectrală folosind metoda periodogramei. Prin periodogramă se obține densitatea de putere spectrală, dar deoarece are dezavantaje precum scurgere spectrală mare și este influențată de raportul zgomot/semnal, nu putem obține un răspuns sigur, în schimb ne putem orienta pentru a alege ordinul pentru metodele autoregresive. Așadar prin cele patru metode folosite am putut vedea că semnalele EEG provenite de la canalele C3 și C4, au densitatea de putere spectrală maximă la frecvențe de 11-12 Hz, specifică cortexului motor, iar pentru canalele F3 și F4 au densitatea de putere spectrală maximă în jurul frecvențelor de 16-18 Hz. Acest lucru înseamnă că semnalele acestor canale pot fi utilizate la crearea de aplicații BCI pentru control bazate pe funcția motorie a creirului.

Deoarece nu există o metodă universală considerată potrivită pentru a analiza semnalele EEG, din analiza efectuată consider că cel mai bine este să se folosească metode diferite de obținere a densității de putere spectrală, altfel se pot obține rezultate eronate ce nu pot fi utilizate pentru aplicații BCI.

BIBLIOGRAFIE

[1] N. Birbaumer. “Breaking the silence: Brain-computer interfaces (BCI) for communication and motor control. Psychophysiology”, 43(6):517–532, 2006.

[2] U. Hoffmann, J. Vesin, and T. Ebrahimi. “Recent advances in brain-computer interfaces. In IEEE International Workshop on Multimedia Signal Processing”, 2007.

[3] Eric C. Leuthardt, Gerwin Schalk, Jarod Roland, Adam Rouse, Daniel W. Moran, „Evolution of brain-computer interfaces: going beyond classic motor physiology”

[4] Vidal, JJ (1973). "Toward direct brain-computer communication". Annual Review of Biophysics and Bioengineering. 2 (1): 157–80.

[5] https://twin-cities.umn.edu/news-events/umn-research-shows-people-can-control-robotic-arm-their-minds – accesat la 25.05.2018

[6] https://dash.harvard.edu/bitstream/handle/1/3171757/519839.pdf?sequence=1 acesat la 25.05.2018

[7] United States Patent – Brain Computer Interface Design, patent numar 120486

[8] United States Patent – Brain Computer Interface anonymizer, brevent numar 0228701

[9] Cezar Th. Niculescu, Radu Carmaciu, Bogdan Voiculescu, Carmen Salavastru, Cristian Nita, Catalina Ciornei, „Anatomia si fiziologia omului – Compendiu”

[10][11] Dragos Taralunga, “Instrumentație Biomedicală. Măsurarea și Analiza Biopotențialelor”

[12] Cezar Th. Niculescu, Radu Carmaciu, Bogdan Voiculescu, Carmen Salavastru, Cristian Nita, Catalina Ciornei, „Anatomia si fiziologia omului – Compendiu”

[13] http://www.liamed.ro/detalii_produs.php?id_produs=1195&id_clasa=117 accesat la 25.05.2018

[14] [15] [16] Tania Kotsos, „Brain Waves ans the Deep States of Consciousness” Clinical Neurophysiology (journal)

[17] Journal of Clinical Neurophysiology, "American Electroencephalographic Society Guidelines for Standard Electrode Position Nomenclature", April 1991.

[18] Klem, GH, Lüders, HO, Jasper, H, Elger, "The ten-twenty electrode system of the International Federation. The International Federation of Clinical Neurophysiology". Electroencephalography and clinical neurophysiology, 1999.

[19] J.W Osselton, „Acquisition of EEG data by bipolar unipolar and average reference methods: a theoretical comparison” 1965

[20] USA: Analog Devices Inc. "Chapter 8: Analog Filters. Basic Linear Design”, 2006.

[21] “Procesare taskuri mentale” – accesat la 10.05.2018 – http://www.etc.tuiasi.ro/cin/Courses/Epiom/Course/Lab_asdR3vf56xxXwa/Lab%2013%20-%20EEG%20preprocesare.pdf

[22] A. Subasi, M. K. Kiymik, A. Alkan, and E. Koklukaya, “Neural network classification of EEG signals by using AR with MLE preprocessing for epileptic seizure detection,” Mathematical and Computational Applications, vol. 10

[23] O. Faust, R. U. Acharya, A. R. Allen, and C. M. Lin, “Analysis of EEG signals during epileptic and alcoholic states using AR modeling techniques,” IRBM, vol. 29

[24] Mathuranathan, “LTI system models for random signals – AR, MA and ARMA models”

[25] Gidon Eshel, “The Yule Walker Equations for the AR Coefficients”

[26] M. Polak and A. Kostov, “Feature extraction in development of brain-computer interface: a case study,” in Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC '98), pp. 2058–2061,

[27] A. Subasi and E. Erçelebi, “Classification of EEG signals using neural network and logistic regression,” Computer Methods and Programs in Biomedicine, vol. 78, no. 2, pp. 87–99, 2005.

[28] A. Sivakami, S. Shenbaga Devi „ ANALYSIS OF EEG FOR MOTOR IMAGERY BASED CLASSIFICATION OF HAND ACTIVITIES” International Journal of Biomedical Engineering and Science (IJBES), Vol. 2, No. 3, July 2015

[29] Pawel Herman, Girijesh Prasad, Thomas Martin McGinnity and Damien Coyle, “Comparative Analysis of Spectral Approaches to Feature Extraction for EEG-Based Motor Imagery Classification”, IEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol.16, No.4, August 2008.

[30] Siyang Yin, Yuelu Liu, and Mingzhou Ding, “Amplitude of Sensorimotor Mu Rhythm Is Correlated with BOLD from Multiple Brain Regions: A Simultaneous EEG-fMRI Study”, 2016.

[31] Chris Berka, Daniel J. Levendowski, Michelle N. Lumicao, Alan Yau, Gene Davis, Vladimir T. ivkovic, Richard E. Olmstead, Patrice D. Tremoulet, and Patrick L. Craven „EEG Correlates of Task Engagement and Mental Workload in Vigilance, Learning, and memory Tasks”

ANEXĂ