Teza De Doctorat V17 Clean Ok [303696]

[anonimizat]

2017

ROMANIA

MINISTRY OF NATIONAL DEFENCE

MILITARY TECHNICAL ACADEMY

PH.D. [anonimizat]

2017

[anonimizat], interacțiunea dintre om și mașină din perspectiva schimbului de informații, a procesării informațiilor și a comenzilor lansate dinspre om spre mașină. Totodată, [anonimizat]-[anonimizat] (BCI – Brain Computer Interface).

[anonimizat], tehnica de achiziție a [anonimizat] a semnalului EEG, o [anonimizat].

Un alt element de originalitate al tezei este un concept propriu cu privire la un simulator de scenarii militare utilizând BCI și VR.

[anonimizat] o metodă proprie de analiză a [anonimizat] a unei matrice suport pentru calcularea acestuia.

Diversele analize statistice sunt parte a [anonimizat]-[anonimizat], meditația și alte aspecte similare de comportament cerebral.

[anonimizat], studiilor și prelucrărilor informațiilor aferente acestui domeniu nou multidisciplinar și de frontieră.

[anonimizat], necesare dezvoltării și continuării acestui demers.

[anonimizat], [anonimizat]-to-machine commands. [anonimizat], dealing in particular with Brain Computer Interface (BCI).

[anonimizat], describing an original proper training system for attention and mental focus by analyzing real time EEG signal, a [anonimizat].

Another element of originality of the thesis is one concept regarding a military scenario simulator using BCI and VR.

[anonimizat], [anonimizat] a parameter called BCITCI and a support matrix for its calculation.

The various statistical analyzes are part of the author's experiments in the context of taking the EEG signal from human subjects in order to identify certain patterns and trends in the signal relative to attention, meditation and other similar aspects of brain behavior.

Also novelty, the work brings to attention important and interesting aspects regarding the ethics and professionalism of approaching researches, studies and processing of information related to this new multidisciplinary and border field.

At the end of the thesis the conclusions are formulated and personal contributions to this field of research are highlighted, as well as future perspectives, considered necessary to continue this approach.

“The human mind is just a circle, spinning round and round,

but the human soul is infinite”

Introducere

Din punct de vedere istoric, problema relației corpului uman cu mintea umană a fost cel mult un aspect reflectat în mod opac; atributele mentale ale oamenilor au fost doar vag legate de atributele creierului. În ciuda creșterii nivelului de cunoștințe privind morfologia creierului și funcția sa, la începutul secolului XX, cu greu a fost îmbrățisată de cercetători ideea că natura rațiunii umane ar putea fi legată de o nouă dimensiune a cunoștinței diferită de ceea ce este accesibil prin intermediul metodelor științifice clasice.

Creierul uman este format din miliarde de neuroni, interconectați prin intermediul sinapselor neuronale, de dimensiuni microscopice. Atunci când neuronii interacționează tiparele se manifestă ca și gândurile singulare, cum ar fi un calcul matematic, și ample stări emoționale, cum ar fi atenția. În medie un om „gândește” aproximativ 70.000 de gânduri în fiecare zi. Ca un subprodus, fiecare interacțiune între neuroni creează o descărcare electrică minusculă, măsurabilă prin aparatul EEG (electroencefalograf). Prin ele însele, aceste încercări sunt imposibil de măsurat din afara craniului. Cu toate acestea, o stare dominant mentală, condusă de activitatea neuronului creată de sute de mii de descărcări concurente, poate fi măsurată.

Identificarea mecanismelor neuronale și computaționale care stau la baza proceselor psihologice specifice necesită individualizarea unor procese psihologice.

Investigații ale funcției cerebrale vor contribui la evoluția teoriilor psihologice sofisticate și oamenii de știință vor analiza aspectele centrate pe nivelul psihologic ca și element central. Psihologia ca știință poate/trebuie să devină nu numai știința comportamentului evident și nu numai știința minții, dar, de asemenea, știința funcției cerebrale. Pentru a putea pune în valoare aceste aspecte ale științei psihologiei este necesară utilizarea unor instrumente și dispozitive moderne de investigație sau a unor metode noi (de ex. EEG, fMRI, neurofeedback, etc).

La nivel internațional, cercetările privind EEG și interfațarea dintre creier și mașini au început în 1969 pe animale, la University of Washington School of Medicine, în Seattle, unde s-au desfășurat experimente în urma cărora s-a reușit realizarea controlului unui braț robotic doar prin gândire. Termenul "Brain-Computer Interface" a fost introdus pentru prima dată de către lucrările de pionierat ale Dr. J. Vidal, la începutul anilor 1970. După ani de experimente pe animale, primele dispozitive neuronale implantate la om au apărut la mijlocul anilor 1990. Un subiect a reușit să comunice prin mutarea cursorului unui mouse cu gândul. De atunci și până astăzi s-au realizat numeroase studii și experimente. Această creștere a interesului față de acest domeniu a fost determinată de dezvoltarea domeniului IT&C precum și de scăderea costurilor pentru echipamente de calcul, o mai bună înțelegere asupra funcțiilor normale și anormale ale creierului și dezvoltarea de noi metode de achiziție de semnale ale activității electrofiziologice a creierului în timp real și cu echipamente ușor de utilizat. Ca urmare, performanța și gradul de utilizare și dezvoltare a sistemelor BCI au avansat în mod semnificativ în ultimii ani.

Posibilitatea de a stabili o comunicare directă și un canal de control între creierul uman și calculatoare sau roboți a fost un subiect de speculație științifică și chiar științifico-fantastic de mulți ani. În ultima perioadă, interesul pentru domeniul BCI a crescut semnificativ, iar acum sunt peste 400 de grupuri la nivel mondial angrenate într-un spectru larg, programe și proiecte de cercetare și dezvoltare, folosind o varietate de semnale ale creierului, caracteristici de semnal, analiză și algoritmi de translație.

Cercetătorii au efectuat în ultimii ani experimente ce au condus la descoperiri importante în domeniu BCI, care au contribuit la îmbunătățirea substanțială a vieții oamenilor cu tulburări neurologice, cum ar fi scleroza amiotrofică laterală avansată, sau îmbunătățiri ale motorului funcțiilor senzoriale sau cognitive ale omului. La ora actuală, pe piață există mai multe dispozitive de tip căști EEG bazate pe interfața creier calculator.

MindSet, fabricată de către NeuroSky, utilizează un senzor și discerne starea emoțională a utilizatorului, dar nu modele de gândire specifice. OCZ Technology produce un Actuator de Impuls Neuronal (Neural Impulse Actuator (NIA)), care are trei electrozi care se plasează în timpul utilizării pe frunte. NIA a fost în principal conceput pentru jocuri și nu are niciun kit de dezvoltare software disponibil.

Electroencefalograma (EEG), neinvazivă – bazată pe tehnologiile BCI, a fost folosită în experimente pentru a controla cursorul unui calculator sau o proteză la nivelul membrelor, pentru procesare de text și acces la internet, precum și pentru alte funcții, cum ar fi controlul mediului înconjurător sau pentru divertisment. De asemenea, cercetătorii au demonstrat că modificarea deliberată a amplitudinii ritmurilor senzorio-motorii (SMR) în timpul imaginii cu motor poate fi folosită pentru a controla aplicații externe.

La nivel național, sistemele BCI și utilizarea EEG sunt încă într-o fază incipientă și sunt destul de puține studii și produse dezvoltate în această direcție. În ultimii ani a existat o creștere a interesului față de BCI și aplicațiile ce pot fi dezvoltate, dar nu există produse finite și accesibile din punct de vedere economic. Există un „Sistem de investigație, asistare și control al afecțiunilor neurologice bazat pe interfața creier-calculator (BCISIS)” elaborat în cadrul unui proiect de către Universitatea de Medicină și Farmacie "Gr. T Popa" din Iași. Acest sistem este încă în stadiu de cercetare și dorește să dezvolte un sistem care să permită persoanelor cu dizabilități neuromotorii sau a celor ce învăță să determine voluntar atribute ale semnalului EEG.

În 1924, Berger este primul care a înregistrat activitatea creierului uman prin mijloace de EEG [Millet, 2002]. Prin analiză, Berger a fost capabil să identifice activitatea oscilatorie în creier, cum este fi valul alfa (8-12 Hz), cunoscut și sub numele de valul Berger.

Totodată, Berger a analizat relațiile dintre alternanțe în diagrame de undă EEG raportat la boli cerebrale. EEG permite posibilități complet noi de cercetare a activităților creierului uman.

EEG este o tehnologie predominantă în activitatea de BCI. Tehnologia folosește electrozi plasați direct pe scalp pentru a măsura potențialele electrice slabe (5–100 µV) generate de activitatea în creier. Din cauza lichidului osului și pielii care separă electrozii de activitatea electrică reală, semnalele tind să fie atenuate și destul de zgomotoase.

Prin urmare, în timp ce măsurătorile EEG au o bună rezoluție temporală cu întârzieri în zeci de milisecunde, rezoluția spațială tinde să fie săracă, variind în cel mai bun caz la o acuratețe de aproximativ 2/3 cm, dar uzual chiar mai puțin. Doi centimetri pe suprafața cortexului cerebral poate reprezenta diferența dintre a deduce că utilizatorul ascultă muzică, atunci când de fapt acesta își mișcă mâinile.

Tehnologia spectroscopiei funcționale a infraroșului apropiat (din lb. eng. Functional Near Infrared Spectroscopy fNIRS), funcționează prin proiectarea luminii infraroșii în creier de la suprafața scalpului și măsurând schimbări optice la diferite lungimi de undă în timp ce lumina este reflectată înapoi. Răspunsul NIR al creierului măsoară hemodinamica cerebrală și detectează volumul de sânge localizat și schimbările de oxigenare ale acestuia. De vreme ce schimbările în oxigenarea țesuturilor cu activitatea creierului modulează absorbția și dispersia fotonilor de lângă lumina infraroșie la diferite cantități, fNIRS poate fi folosită pentru a construi hărți funcționale ale activității cerebrale.

În interfața creier-calculator, cercetarea vizează în mod direct controlul calculatoarelor. Rezoluția temporală este de cea mai mare importanță, deoarece utilizatorii trebuie să-și adapteze activitatea creierului bazată pe feedback-ul imediat oferit de sistem.

Prin urmare, deși rezoluția spațială mică a acestor dispozitive conduce la o rată scăzută de transfer de informații și o localizare slabă a activității creierului, în prezent cei mai mulți cercetători folosesc EEG, datorită rezoluției temporale mare pe care o oferă.

Interfața creier-calculator a început să să depășească granițele neuroștiinței și ale domeniilor medicale, iar satisfacerea nevoilor pacientului a devenit o forță motivantă. Mare parte din această muncă vizează îmbunătățirea vieții pacienților cu tulburări neuromusculare severe cum ar fi scleroză laterală amiotrofică (ALS), de asemenea cunoscută și sub numele de boala Lou Gerig, accidente cerebrale vasculare sau leziuni ale coloanei vertebrale. În etapele ulterioare ale acestor tulburări, mulți pacienți pierd orice control asupra trupurilor lor fizice, inclusiv funcțiile simple, cum ar fi respirația. Cu toate acestea mulți dintre acești pacienți păstrează controlul deplin al abilităților cognitive.

Cu toate că tehnologiile medicale care îmbunătățesc funcțiile vitale ale corpului extind durata de viață a acestor pacienți, aceste tehnologii nu atenuează frustrarea mentală sau izolarea socială cauzată de inexistența unei modalități de comunicarecu lumea externă. Fuzionarea cu interfețe creier-calculator care le permită controlarea calculatoarelor direct prin semnalele creierului lor, ar putea crește calitatea vieții acestor pacienți. Complexitatea acestor interacțiuni variază de la decizii binare simple de a muta cursorul pe ecran, la un control mai ambițios și complex de dispozitive mecanice protetice.

Atunci când utilizatorii își pierd funcționalitatea mâinilor, de obicei se apelează la ochi sau la mișcarea capului, sau chiar vorbire, pentru a controla calculatoarele lor, dar atunci când își pierd controlul asupra mișcărilor fizice, funcția fiziologică, ei au control doar asupra activității creierului.

Pentru a utiliza cu succes controlul interfeței creier-calculator, utilizatorii trebuie să învețe să manipuleze intenționat semnalele creierului lor. Până în prezent, au existat două abordări pentru instruirea utilizatorilor în controlarea semnalelor cerebrale.

În primul rând, utilizatorii primesc sarcini cognitive specifice, cum ar fi cele pentru motorul imaginației cu scopul de a genera contextul potrivit măsurării activității creierului. Folosind această tehnică, utilizatorul poate trimite un semnal binar la calculator, de exemplu, prin imaginarea de secvențe de odihnă și activitate fizică, cum ar fi mutarea brațelor lor.

A doua abordare, numită condiționarea operantă, oferă utilizatorilor feedback continuu în timp ce aceștia încearcă să controleze interfața. Utilizatorii se pot gândi la orice sau la nimic, atât timp cât aceștia ating rezultatul dorit. După mai multe sesiuni, utilizatorii obțin control asupra interfeței fără să fie conștienți de modul în care execută sarcina. Din nefericire, mulți utilizatori consideră că această tehnică este greu de stăpânit și utilizat.

Descoperirile unor cercetători de la University of Pittsburg (USA) ar putea schimba în mod serios datele problemei, pregătind o altă generație de implanturi la nivelul creiererului, ce par mai accesibile pe termen lung și miniaturizate la un nivel care să permită monitorizarea precisă a neuronilor. Toate acestea s-ar putea întâmpla cu ajutorul unei noi tipologii de electrozi realizați din microfibre de carbon, fiecare având aproximativ 7 micrometri ca diametru.

Acesti electrozi sunt practic de peste 100 de ori mai subțiri decât electrozii tradiționali ce se folosesc în prezent în testele pe animale. Acești electozi sunt construiți din fibre de carbon și pot fi acoperiți într-un înveliș protector menit să prevină reacția de respingere, facilitând totodată formarea de legături directe între aceștia și rețelele neuronale proprii din creier. Spre analiză, electrozii metalici rigizi folosiți în prezent pentru implanturi pe creier tind să fie prea mari pentru folosire îndelungată, favorizând cicatrizarea locală a țesutului și cotribuind la ineficiență în menținerea unui canal de comunicație valid. Implanturile cu microfibre de carbon ar putea elimina cu totul astfel de situații, diametrul redus al filamentelor de carbon lăsând loc pentru creșterea densității de electrozi, fapt ce permite interacțiunea mai eficientă cu zone specifice ale creierului, precum centrii responsabili de vedere, cei responsabili pentru auz, pentru vorbire, sau controlul unor membre paralizate.

Experimentele de laborator au evidențiat obstacolele depășite, înainte ca implanturile cu electrozi din microfibre de carbon să devină parte din viața noastră. Fiind subțiri și flexibili, filamentele din carbon sunt greu de poziționat și inserat la nivel cerebral, o parte rupându-se înainte de a fi puse în poziția de preluare.

Într-un experiment făcut în urmă cu câțiva ani, așa cum era de așteptat, fMRI a relevat multe regiuni locale ale creierului implicate în activități cognitive specifice, cum ar fi recunoașterea unei fețe sau înțelegerea limbajului. Interesantă este însă descoperirea complementară a unui model constant de activitate a lobului frontal și parietal, asociat cu mai multe tipuri diferite de procese cognitive. MD pattern (modelul cerere multiplă) este identificat în sarcinile de lucru cu memoria, cu limbajul, în rezolvarea problemelor de aritmetică și altele similare. Cu fMRI, rețeaua modelului cerere multiplă poate fi definită cu precizie la nivelul creierului. De multe ori, regiunile MD sunt imediat adiacente regiunilor cu diferite proprietăți funcționale. Prin identificarea regiunilor MD specifice în creier, se poate realiza o analiză detaliată a proprietăților funcționale și a contribuției acestora la controlul atenției.

După ce regiunile MD sunt definite, proprietățile lor fiziologice pot fi examinate utilizând o gamă largă de metode complementare.

Prin fMRI, de exemplu, reprezentări detaliate ale evenimentelor asociate sarcinilor pot fi studiate folosind analiza de tip multivoxel.

Rezultatele analizei arată codificarea mai multor tipuri de informații, inclusiv stimulente relevante, răspunsuri și reguli. În cortexul frontal, de exemplu, neuronii arată adaptarea cu mare viteză în sensul codării informațiilor și a evenimentelor de comportament specifice.

Componentele sistemului MD sunt anatomic distincte, dar totuși, în analiză prin fMRI, activitatea lor este în mare măsură similară.

Teste cunoscute privind "inteligența fluidă" (Inteligența Fluidă este capacitatea de a gândi logic și de a rezolva problemele în situații noi, independent de cunoștințele dobândite anterior. Inteligența fluidă presupune capacitatea de a identifica modele și relații care stau la baza noilor probleme și de a extrapola aceste constatări folosind logica.) sunt de interes pentru probabilitatea lor de a prezice succesul în multe tipuri de sarcini de laborator și din lumea reală. În fMRI, testele de inteligență fluidă prezintă activitate puternică la nivelul regiunilor MD, iar în cazurile cu probleme neurologice, se descoperă faptul că afectarea inteligenței fluide poate fi prezisă de leziuni ale regiunilor MD.

Pentru validarea conceptului de regiuni MD s-a analizat o formă bizară de eroare a creierului numită „neglijarea scopului”. În “neglijarea scopului” o persoană știe și poate descrie regulile de lucru ce i se trasează, dar aceste reguli și sarcini nu au nicio influență efectivă asupra comportamentului acesteia. Cazurile extreme sunt bine cunoscute în literatura de specialitate și se referă la problemele privind lobul frontal, dar de obicei când sarcinile sunt noi și complexe, neglijarea scopului poate fi identificată și în randul populației normale. Din cercetările realizate de-a lungul timpului se pare că inteligența fluidă și funcționarea acesteia se leagă destul de mult de eroarea privind neglijarea scopului asupra controlului atenției.

Inteligența fluidă scade puternic odată cu vârsta. Multe teste clinice sunt utilizate pentru a măsura deficitul de control al pacienților cu probleme ale lobului frontal.

Având în vedere faptul că inteligența fluidă este afectată de leziuni ale regiunilor MD, pierderea de informații uzuale ale individului este o explicație logică a unor deficite și deficiențe clinice.

Rezultatele testelor prezintă o imagine intrigantă. Pentru unele teste comune, deficiențele lobului frontal ale unui individ sunt explicate în întregime de nivelul de inteligență fluidă.

Cunoscând că o mare parte din lobul frontal se află în afara regiunilor MD, ar trebui să ne așteptăm ca acest deficit să nu se prezinte în cazul tuturor testelor. Confirmând această predicție, unele aspecte ale controlului executiv (cogniția socială, aspectele multi-tasking) arată deficiențe separate de inteligența fluidă.

Pentru o varietate de deficiențe de atenție apărute ca urmare a unor leziuni ale creierului se utilizează o evaluare cognitivă sofisticată cu scopul îmbunătățirii prin instruire și antrenare a capacității de control a atenției.

Din punct de vedere electric, creierul uman este un mecanism complex. Detectarea și separarea/individualizarea anumitor stări electrice ale creierului alcătuiesc un procedeu delicat care necesită accesul la instrumente fidele și utilizarea unor metode de extracție și procesare a semnalului destul de laborioase și sensibile.

Contextul preluării și manipulării corecte a semnalului electric de la creier este unul destul de “pretențios” în sensul necesității asigurării unor condiții specifice.

Din punct de vedere tehnic, procedeul de preluare a semnalului electric de la creier este bazat pe condiționalități predeterminate despre care este necesar a se cunoaște cât mai multe informații.

Semnalul electric al creierului este tradus prin ceea ce în limbaj uzual numim “unde cerebrale”. Semnalul compus al undelor cerebrale se mai numește în limbaj tehnic și semnal EEG (provenind de la metoda de preluare, numită electroencefalografie).

Noile tehnologii de preluare a semnalului EEG sunt neinvazive. Semnalul electric se preia prin senzori aplicați la nivelul pielii scalpului, se separă și se amplifică. Nu există metodă diferită pentru adulți sau copii, pentru femei sau barbați. Metoda de preluare a semnalului EEG este identică oricărui tip de individ uman.

Având în vedere sensibilitatea semnalului electric care compune semnalul EEG, este important ca după preluarea acestuia să se facă o separare a acestuia de zgomotele provenite de la diverse contracții ale mușchilor, de la clipitul ochilor sau de la contactele imperfecte dintre senzor și piele.

În acest sens, noile tehnologii de preluare, de tip cască, utilizează mai mulți electrozi de referință electrică pentru a putea crea un reper de separare a semnalelor pur cerebrale de alte semnale ce pot fi prelute odată cu preluarea semnalului brut EEG.

Din punct de vedere tehnic, semnalul EEG este caracterizat de o mare “fidelitate” spațială și temporală, dar este destul de “infidel” privind la cantitatea de informație oferită dar și din perspectiva acurateții acesteia.

Obiectivul prezentei lucrări se încadrează, prin importanța sa, în domeniul tehnicilor de interfață creier-computer (BCI), a mecatronicii respectiv folosirii și gestionării sistemelor pentru antrenamentul atenției, prin biofeedback.

Scopul principal al lucrării constă în propunerea unor soluții de tip BCI ca suport pentru activități uzuale umane sau ca suport pentru utilizări inovative în domeniul civil și militar, prin facilitarea interacțiunii și interfațării dintre om și mașină.

În același timp mi-am propus să realizez o analiză privind stadiului tehnicii actuale în sistemele BCI.

Cercetarea propriu-zisă presupune, stabilirea coordonatelor interacțiunii dintre semnalul EEG și transpunerea acestuia în diverse aplicații, bucla de comandă și control (feedback), efectuarea de măsurători multiple, exemplificative, a unor pattern-uri de semnal EEG de fiziologii diferite, utilizând un design potrivit, prelucrarea datelor experimentale și generarea studiului statistic asupra acestor semnale, constituindu-se o bază de experiențe.

Aplicabilitatea în domeniul militar: beneficiul utilizării unor soluții tehnice moderne de tipul interacțiunii om-mașină la nivel BCI în sisteme tehnice militare – obiectul prezentei cercetării – se referă la creșterea securității în exploatarea unor astfel de sisteme, cu aplicabilitate în cazul dispozitivelor de ochire, a sistemelor robotizate comandate de la distanță, pentru trecerea de la câmpul de luptă real la cel virtual, cu imense beneficii privind siguranța personalului militar și salvarea de vieți omenești. Totodată, prin punerea la dispoziție a diverselor posibilități tehnice de utilizare a semnalului EEG, crește spectrul de aplicabilitate al potențialului real al BCI.

Pentru îndeplinirea scopului descris, a fost necesară parcurgerea etapelor:

– Studiu privind caracteristicile biosemnalului EEG ce sunt integrate în interfațarea om-mașină și evidențierea și clasificarea senzorilor ce pot fi utilizați în preluarea lor.

– Analiza activității neurale a creierului, în scopul punerii în evidență a fiziologiei biosemnalului EEG și trecerea în revistă a reperelor istorice ce au marcat etapele dezvoltării tehnologiilor actuale.

– Studiul conceptului de atenție si concentrare mentală (focus mental), prin care am realizat o analiză de corelație a elementelor lanțului de preluare și control prin biofeedback.

– Studiu privitor la stadiul metodelor/tehnicilor de procesare a biosemnalului EEG prin care am evidențiat caracteristicile neurale utilizate în BCI, extragerea, selectarea și clasificare lor.

– Analiza acțiunii stimulilor în domeniul biosemnalului EEG, în care am prezentat instrumentele de lucru proprii și metodele propuse pentru experimentări actuale și viitoare.

– Studiu referitor la etică și bune practici în domeniul neurofeedback-ului, element de noutate pentru țara noastră, important și de interes pentru abordări viitoare ale unor cercetări proprii sau ale altor cercetători, în domeniul BCI și al interfețelor om-mașină.

În partea de început sunt cuprinse aspectele generale care încadrează teza în contextul preocupărilor specifice domeniului. Este prezentat scopul principal al lucrării și obiectivele propuse pentru atingerea acestuia.

Capitolul I este dedicat prezentării aspectelor ce țin de interacțiunea om-mașină cu accent pe tehnologiile care fac posibil acest lucru și cu prezentarea aspectelor generale de interacțiune.

Capitolul II, cuprinde în mod particular și detaliat aspectele ce țin de interacțiunea tip BCI – Brain Computer Interface. Astfel, am cuprins și prezentat aspecte tehnice, tehnologice și de concept cu privire la tot ceea ce înseamnă la ora actuală conexiunea directă sau mijlocită dintre creierul uman și diverse echipamente tehnice auxiliare denumite generic “computer”. Am prezentat și propus un simulator de scenarii militare bazat pe BCI și VR.

Capitolui III cuprinde și face o trecere în revista a ceea ce presupune și înseamna preluarea, înțelegerea, procesarea și prelucrarea semnalului EEG din punct de vedere matematic.

Capitolul IV care are la bază contribuții importante proprii, prezintă și descrie sisteme tehnice construite sau care pot fi create și dezvoltate în baza interacțiunii BCI și a semnalului EEG preluat și procesat. Astfel sunt propuse și prezentate doua sisteme concept propriu pe baza semnalului EEG și a prelucrării acestuia: sistemul de comandă a unor dispozitive periferice bazat pe procesarea semnalului EEG și sistem de antrenament al atenției și concentrării bazat pe preluarea și procesarea semnalului EEG propriu.

Capitolului tratează aspecte de natura calității interacțiunii de tip BCI prin introducerea unui concept propriu de analiză și determinare a ceea ce am numit generic parametrul BCITCI (Brain Computer Interface Temporary Compatibility Indicator). Un alt aspect tratat in manieră proprie și cuprins în acest capitol se referă la aspectele ce țin de etică și bune practici aferente utilizării semnalului EEG și procesării acestuia. Având în vedere cât de sensibil și personal este acest subiect al semnalului propriului creier, având în vedere „credințele” de natura științifico-fantasticului asociate în mod popular și tradițional cu semnalele creierului uman, am tratat poate pentru prima oară în literatura de specialitate aceste aspecte ca parte integrantă și importanta a problematicilor domeniului în ansamblu.

Capitolul VI cuprinde concluzii, evidențiază contribuții personale în domeniul de cercetare al lucrării, dar și perspective viitoare necesare continuării demersului în domeniu.

Capitolul I

Aspecte generale privind interacțiunea om-mașină

TIPURI DE INTERACȚIUNE OM-MAȘINĂ

Acustică (sisteme avansate de sunet)

Optică (cameră-computer vision, laser, LED)

Bionică (BCI–EEG, Myoelectric-EMG, Electrocardiogram-ECG/EKG, Electrooculography-EOG)

De mișcare (pe bază de giroscop, accelerometru, etc)

Tactilă (singura care necesită să atingem ceva pentru a avea loc o acțiune, cel mai vechi tip de interfață)

1.1 Interacțiunea de tip BCI

Creierul este principalul coordonator și centru de comandă al organismului uman; ne permite să procesăm informația primită din mediul exterior, să stocăm sau să depănăm amintiri și să interacționăm cu mediul înconjurător; ne definește ca persoane și găzduiește gândirea conștientă. Creierul uman generează mai multe impulsuri electrice într-o zi decât toate telefoanele din lume. Zilnic în jur de aproximativ 70.000 de impulsuri sunt analizate și prelucrate de creier. În ciuda importanței sale, creierul uman rămâne în continuare unul dintre marile mistere ale lumii moderne. Acest fapt se datorează în mare parte complexității și inaccesibilității sale. În creierul uman există un număr imens de neuroni care au în medie 7000 de conexiuni sinaptice între ei. Studiul creierului, sau neuroștiința, este un domeniu prin excelență interdisciplinar incluzând biochimie, neurofiziologie, psihologie, matematică, știința sistemelor complexe și analiza și prelucrarea de semnale.

Diviziunile creierului

Prozencefalul (creierul anterior) – cuprinde cortexul cerebral și lobii creierului.

Mezencefalul (creierul mijlociu) – face legătura între prozencefal și rombencefal.

Rombencefal (creierul posterior) – reglează funcțiile autonome și coordonează mișcarea.

Funcția lobilor cortexului cerebral

Cea mai mare parte din procesul de prelucrare a informațiilor din creier are loc în cortexul cerebral. Cortexul cerebral este situat în diviziunea creierului, cunoscută sub numele de prozencefal (creierul anterior). Acesta este împărțit în patru lobi, fiecare având o funcție specifică. De exemplu, există zone specifice implicate în mișcare și procese senzoriale (vedere, auz, percepție somatosenzorială (pipăit) și miros). Alte zone sunt cruciale pentru gândire și raționament. Deși multe funcții, precum percepția pipăitului, se regăsesc atât în emisfera cerebrală stângă, cât și în cea dreaptă, unele funcții se găsesc într-o singură emisferă cerebrală. De exemplu, la majoritatea oamenilor, abilitățile de procesare a limbajului se găsesc în emisfera stângă.

Patru lobi ai cortexului cerebral

Lobii parietali: Acești lobi sunt poziționați în partea posterioară a lobilor frontali și deasupra lobilor occipitali. Aceștia sunt implicați în primirea și procesarea informațiilor senzoriale. Cortexul somatosenzorial se găsește în lobii parietali și este esențial pentru prelucrarea senzațiilor de pipăire.

Lobii frontali: Acești lobi sunt poziționați în partea anterioară a cortexului cerebral. Sunt implicați în mișcare, luarea deciziilor, rezolvarea problemelor și planificare. Lobul frontal drept controlează activitatea din partea stângă a corpului și lobul frontal stâng controlează activitatea din partea dreaptă.

Lobii occipitali: Situați chiar sub lobii parietali, lobii occipitali sunt centrul principal al procesării vizuale. Informațiile vizuale sunt trimise lobilor parietali și lobilor temporali pentru procesare ulterioară.

Lobii temporali: Acești lobi sunt situați chiar sub lobii frontali și parietali. Sunt implicați în memorie, emoție, auz și limbaj. Structurile sistemului limbic, incluzând cortexul olfactiv, amigdala și hipocampul, sunt situate în lobii temporali.

Pe scurt, cortexul cerebral este împărțit în patru lobi care sunt responsabili pentru procesarea și interpretarea intrărilor din diferite surse și pentru menținerea funcțiilor cognitive. Funcțiile senzoriale interpretate de cortexul cerebral includ auzul, pipăitul și vederea. Funcțiile cognitive includ gândirea, percepția și înțelegerea limbajului.

Neuronii transmit și procesează informația prin intermediul semnalelor electrice. Modul lor de funcționare poate fi investigat în special prin intermediul înregistrărilor electroencefalografice (EEG). Electroencefalografia este o metodă neinvazivă de explorare a modificărilor de potențial electric din creier, înregistrate la nivelul scalpului. Achiziția, prelucrarea și analiza semnalelor EEG sunt esențiale atât pentru cercetarea științifică cât și pentru medicină. EEG-ul constituie unul dintre mijloacele devenite clasice pentru investigarea patologiei neurologice și neurochirurgicale – este complementară metodelor moderne de imagistică, mai ales în depistarea tumorilor și malformațiilor, dar rămâne cea mai importantă metodă de diagnostic pentru epilepsie. Realizarea și dezvoltarea unui sistem de Interfațare Creier-Calculator (BCI) a fost posibilă datorită semnalelor EEG care stau la baza acestui sistem. BCI este o metodă de comunicare între creier și calculator cu beneficii pentru persoane ce prezintă diverse deficiențe neuromotorii severe (stadii finale ale ALS, paralizii cerebrale foarte severe, traume la nivelul cutiei craniene). Pe baza activității mentale, pacienții/persoanele pot comunica cu un calculator, care poate coordona generare unor caractere ce pot forma fraze scrise sau poate comanda diverse dispozitive tehnice periferice. Pentru dezvoltarea acestor sisteme, o deosebită importanță o constituie prelucrarea semnalelor EEG și extragerea informației utile din semnal. Procesarea EEG se poate face manual și semiautomat, dar până în momentul actual nu au fost descrise încă în literatură metode de procesare EEG complet automate, deoarece creierul uman este complex și diferit de la individ la individ. Semnalele EEG achiziționate sunt personalizate iar artefactele care apar sunt variate. Într-o prelucrare de semnale EEG trebuie ținut seama de caracteristicile grafoelementelor patologice, pe baza literaturii de specialitate, pentru a se stabili metoda de eliminare a artefactelor astfel încât anumite „vârfuri” ce conțin informații relevante pentru fenomenul fiziologic studiat să nu fie considerate artefacte și astfel eliminate. Ca urmare, procesarea și analiza semnalelor EEG ocupă un loc deosebit și reprezintă o provocare atât în inginerie cât și în neuroștiință. Prin intermediul unor tehnici specifice cum ar fi transformata Fourier, transformata Wavelet, metoda combinației și regresiei liniare, metoda separării oarbe a surselor, putem spera că vom descifra modul în care creierul procesează ș i codifică informația. Metodele curente de înregistrare a semnalelor EEG permit investigarea activității neuronale la scară microscopică și macroscopică. Pentru fiecare tip de investigație există metode dedicate de prelucrare și analiză, metode care necesită îmbunătățiri permanente pentru a putea ține pasul cu cerințele impuse de testarea și validarea noilor teorii asupra funcționării creierului. În această teză sunt prezentate studii care tratează prelucrarea și analiza semnalelor EEG cu accent pe oscilații neuronale, extrem de importante pentru procesarea informației. În cadrul fiecărui studiu sunt identificate problemele specifice procesării semnalelor și sunt propuse soluții sau alternative. Autorul încearcă să se poziționeze la confluența dintre neuroștiință și prelucrarea de semnale. În această teză semnalele EEG sunt achiziționate, prelucrate și analizate pentru a elabora noi teorii asupra funcționării creierului pe durata unor paradigme.

Santiago Ramon Cajal a fost cel care a introdus conceptul de neuron, ca unitate principală a sistemului nervos. Santiago Cajal a demonstrat că neuronii sunt capabili să comunice între ei. O contribuție importanta la cunoașterea celulei nervoase în starile de normalitate și patologică a avut-o la vremea respectivă, lucrarea lui Gheorghe Marinescu „La cellule nerveuse” [Marinescu, 1909].

Neuronul prezinta o structură specializată în recepționarea și transmiterea de informație [Olteanu, Lupu, 2000].

Din punct de vedere al structurii, neuronul prezintă: un corp celular și numeroase prelungiri numite dendrite și o prelungire de obicei mai lungă denumită axon (Fig. 1.1).

Figura 1.1 Structura euronului

Sistemul nervos este cel mai complex și performant sistem biologic de captare, procesare, stocare a semnalului ca suport al informației și, probabil, de generare a informației. Dacă, până în prezent, capacitatea creierului de a genera informație a rămas doar la nivelul unor tentative discrete filosofice sau artistice, funcțiile de captare, procesare și stocare a informației au beneficiat de un interes mai mare din partea cercetării științifice. Prin aceste procese sistemul nervos îndeplinește funcția fundamentală de integrare, pe de o parte, a funcțiilor componentelor organismului în vederea funcționării lui ca sistem, iar, pe de altă parte, de integrare a acestuia în mediu de viață [Zăgrean, 2002].

Țesutul nervos este specializat în transmisia și prelucrarea informației fiziologice. Ierarhia organizării nervoase, de la simplu la complex este: celulă (neuronul) – țesut – organ – sistem nervos (SN).

Sistemul nervos „de relație” realizează adaptarea organismului la mediul extern [Zagrean, 2002].

Sistemul nervos central sau nevrax, este format din miliarde de neuroni.

Sistemul nervos periferic este o prelungire a sistemului nervos central, cuprinzând totalitatea nervilor și a ganglionii nervoși .

Sistemul nervos somatic comandă mișcări, poziția corpului și permite percepția diferitelor senzații (tactilă, de căldură, de durere) și percepeția asupra mediului înconjurător.

Sistem nervos vegetativ, denumit și sistem nervos autonom, este complementar sistemului nervos somatic și reglează în special partea responsabilă pentru respirație, digestie, excreții, circulație (bătăile inimii, presiunea arterială).

Figura 1.2 Organizarea Sistemului Nervos

Semnalul EEG înregistrat pe scalp sau pe cortex este produs prin sumarea temporală și spațială a câmpurilor electrice care își au originea în fenomenele postsinaptice excitatorii și inhibitorii de la nivelul celulelor piramidale din cortexul cerebral. Aranjarea spațială ordonată a celulelor piramidale favorizează însumarea efectelor.

Potențialele de acțiune de la nivelul axonilor au o contribuție rezultantă slabă la înregistrarea EEG, datorită asincronismului activității electrice și orientării spațiale aleatorii a axonilor. Atât neuronii cât și celulele gliale prezintă o diferență transmembranară de potențial. Potențialul transmembranar glial este relativ constant în timp, reflectând mai ales potențialul de echilibru al potasiului. Neuronii însă, sunt celule mult mai active din punct de vedere electric care integrează semnale, le prelucrează și dau semnale de ieșire specifice.

Neuronii prezintă o diferență de potențial transmembranar de aproximativ 60-70 mV cu negativitatea în spațiul intracelular. Potențialul de membrană neuronal prezintă variații continue induse de activitatea sinaptică sau de către proprietățile intrinseci neuronale. Față de potențialul lor de repaus pot exista stări de hiperpolarizare sau de depolarizare ale membranei. Depolarizările facilitează generarea de potențiale de acțiune, în timp ce hiperpolarizările fac ca potențialul prag să fie mai dificil de atins. Potențialul transmembranar neuronal prezintă atât unde depolarizante denumite EPSP-uri (excitatory postsynaptic potentials), provenite de la sinapse excitatorii, cât și unde de hiperpolarizare, denumite IPSP-uri (inhibitory postsynaptic potentials), provenite de la sinapsele inhibitorii; dar mai mult decât atât, membrana celulară sumează ambele tipuri de semnale. Astfel, dacă două sau mai multe potențiale de acțiune se deplasează de-a lungul unei fibre presinaptice care se termină cu o sinapsă excitatorie cu un foarte mic defazaj în timp, la nivel postsinaptic celula va integra ambele EPSP-uri și foarte probabil din sumarea celor două va fi generat un potențial de acțiune datorită depășirii pragului de excitabilitate. În cazul în care potențiale de acțiune ce se deplasează prin fibre inhibitorii ajung la nivel postsinaptic, acestea vor genera IPSP-uri care pot eventual bloca generarea unui potențial de acțiune (Fig. 1.3)

Activitate presinaptică inhibatorie

Activitate postsinaptică

Figura 1.3 Relațiile dintre activitatea presinaptică excitatorie, inhibitorie și activitatea postsinaptică

Este general acceptat faptul că potențialele postsinaptice contribuie de o manieră

fundamentală la generarea potențialelor de câmp, iar activitatea sinaptică produce în ambele cazuri o redistribuire de sarcină pe suprafața externă a celulei. În cazul sinapselor excitatorii activarea acestora este asociată cu un influx de cationi la nivel intracelular și cu depolarizarea celulei, succedată imediat, ca urmare a apariției unui gradient electric de-a lungul membranei, de o deplasare a sarcinilor pozitive pe versantul extracelular al membranei spre regiunea subsinaptică, în paralel cu existența unui flux de sens opus la nivel intracelular. În mod similar, însă în direcții opuse, se petrec lucrurile la nivelul sinapselor inhibitorii, ca urmare a unui influx intracelular de ioni negativi la nivel sinaptic.

Acești curenți din spațiul extracelular sunt considerați a fi responsabili de potențialele de câmp înregistrate electroencefalografic. O schematizare a modificărilor potențialului de câmp la nivelul unei celule poate fi urmărită în figura 1.4 pentru cele două tipuri de sinapse: sinapse inhibitorii și excitatorii [Duffy, Iyer, 1989].

Intercelular Extracelular Intercelular Extracelular

Figura 1.4 a) Înregistrări intracelulare și extracelulare la nivelul dendritelor și corpului celular pentru o celulă care prezintă o sinapsă excitatorie.

Figura 1.5 Aferentele provenite de la neuronii talamici de releu realizează sinapse cu neuronii corticali la nivelul lamei 4

Mai mult decât atât, undele înregistrate la nivelul suprafeței cortexului și care suntgenerate de redistribuția de sarcină electrică pe suprafața externă a membranei neuronale depind și de localizarea sinapselor la nivelul neuronilor piramidali din stratul 5. Aferentele provenite de la neuronii talamici de releu realizează sinapse cu neuronii piramidali la nivelul lamei 4, în timp ce fibrele provenite de la cortexul contralateral realizează aceste sinapse la nivelul lamelor 2 și 3. Cum ambele tipuri de sinapse sunt sinapse excitatorii, vectorul rezultant la nivel extracelular dat de distribuția de sarcină va fi opus ca polaritate în cele două cazuri; la fel ca și modul în care el este reflectat pe suprafața scalpului (Fig. 1.5).

Celulele gliale, spre deosebire de neuroni, au un potențial de membrană negativ (în general mai negativ de -80 mV) care este datorat unei permeabilități selective pentru ionii de potasiu mult mai mare decât în cazul neuronilor. Curentul de potasiu responsabil pentru stabilirea potențialului membranar este IJR (“inward rectifier”), deoarece este singurul curent potasic care este prezent foarte probabil la potențiale transmembranare obișnuite ale membranei gliale. Celulele gliale captează ionii de potasiu atât prin mecanisme active cât și prin două mecanisme pasive: cotransportor Na2+/K+/2Cl- pe de o parte și influx de K+ asociat influxului de Cl prin canale ionice (influențat de forțe Donnan), pe de altă parte activitatea neuronală este asociată cu o creștere semnificativă a concentrației extracelulare a ionilor de potasiu datorită deschiderii canalelor de potasiu voltaj dependente în timpul depolarizării neuronale. Pe de altă parte, concentrația extracelulară a ionilor de potasiu este relativ redusă (3mM), astfel încât chiar eliberarea unei cantități scăzute de potasiu din neuroni reprezintă o importantă creștere procentuală a concentrației de potasiu extracelular.

Pe de altă parte, creșteri reduse ale concentrației potasiului pot produce depolarizări ale neuronilor care să modifice funcția neuronală, în sensul modificării pragului de inițiere al potențialelor de acțiune sau modularea proceselor dependente de receptori operați de voltaj.

Afinitatea crescută a celulelor gliale pentru ionii de potasiu face ca gliile să joace un rol important în redistribuirea acestui ion pe distanțe relativ mari. Poate există nu numai o captură a ionilor de potasiu, denumită tamponare, dar procesul poate urma gradientele existente în sensul că ionii de potasiu intră în celulele gliale acolo unde concentrația acestora este mare și sunt depuși în arii cu concentrații mai scăzute, în spațiul extracelular sau la nivelul capilarelor. Acest proces denumit „sifonaj” poate modifica activitatea neuronală la distanță și poate contribui de exemplu la propagarea și sincronizarea crizelor epileptice.

Potențialele de acțiune din fibrele aferente care ajung la neuronii piramidali sunt generate simultan, fiind descărcări tonice. Fiecare potențial de acțiune din aceste fibre produce EPSP-uri individuale în dendritele neuronilor piramidali care se pot suma în depolarizări majore funcție de frecvența descărcărilor. Aceste depolarizări modifică câmpul înregistrat electroencefalografic, deci durata și amplitudinea undelor din EEG depinzând de durata și de frecvența descărcărilor din fibrele aferente. Folosind EEG-ul ca tehnică de înregistrare a câmpului superficial, se pot evidenția în plus și fluctuațiile potențialului membranei dendritice.

Dacă în fibrele aferente există un influx grupat și sincron către lamele superficiale ale creierului, undele care vor apărea în EEG vor fi caracterizate de amplitudine mare și separate distinct unele de altele.

Electroencefalograma (EEG) reprezintă înregistrarea grafică a variației diferenței de potențial dintre 2 electrozi plasați în vecinătatea creierului, dintre care cel puțin unu înregistrează activitatea electrică a acestuia. Etimologic, termenul este de origine greacă („electro” „enkephalo’’ „gram”) și a fost introdus de Berger în 1929, care l-a preferat în locul celui de „electrocerebrogramă”, folosit de Pravdich-Nieminsky. El este utilizat mai ales în contextul înregistrărilor realizate, folosind electrozi plasați pe scalp [Duffy, Iyer, 1989]

Electroencefalografia constituie unul dintre mijloacele devenite clasice pentru investigarea patologiei neurologice și neurochirurgicale – este complementară metodelor moderne de imagistică, mai ales în depistarea tumorilor și malformațiilor, dar rămâne cea mai importantă metodă de diagnostic pentru epilepsie. Reprezintă ansamblul măsurătorilor efectuate asupra fenomenelor electrice cerebrale:

– Activitatea electrică spontană – înregistrată neinvaziv (pe scalp), sau invaziv (pe suprafața cortexului sau în adâncime);

– Activitatea electrică indusă/provocată prin mijloace excitatoare (potențiale evocate);

– Se realizează prin măsurarea diferenței de potențial electric între un punct de la suprafață sau din interiorul volumului conductor și un punct de referință;

– Sursa elementară este de tipul stratului dipolar de curenți.

Există două tipuri de înregistrare a activității electrice spontane: înregistrarea neinvazivă și înregistrarea semiinvazivă.

Trebuie înțeles că EEG, prin însăși natura ei, este o tehnică orientată spre evaluarea funcțională și nu structurală, iar atuul ei major rămâne faptul că oferă informații în timp real despre starea funcțională a creierului. Ca răspuns la apariția tehnicilor imagistice, diagnosticul electroencefalografic topografic a reușit să prindă contur odată cu apariția cartografierii cerebrale computerizate (brain mapping), dezvoltată recent, legată mai ales de numele lui Franck Duffy.

Creierul nu este un calculator de uz general cu un procesor central. Acesta este un ansamblu complex de subsisteme, fiecare extrem de specializat pentru anumite sarcini [Carey, 2002]. Prin studierea efectelor leziunilor cerebrale și mai recent, prin utilizarea de noi tehnologii de imagistică a creierului, neurologii au construit hărți topografice detaliate asociind diferite părți ale creierului fizic cu funcții distincte cognitive.

Regiunile subcorticale sunt mai vechi din punct de vedere filogenetic și includ o zonă asociată cu funcții de control de bază inclusiv funcții vitale cum ar fi respirația, ritmul cardiac și reglarea temperaturii, baza emoțională și răspunsuri instinctive, cum ar fi frică și recompense, reflexe, precum și învățarea și memoria. Cortexul cerebral este din punct de vedere evoluționar mult mai nou. De vreme ce este ce mai mare și cea mai complexă parte a creierului uman, aceasta este de obicei partea de creier pe care oamenii o observă în poze. Cortexul suportă cei mai mulți senzori și motoare de procesare precum niveluri “superioare” de funcționare, inclusiv motivarea, planificarea, prelucrarea limbajului și recunoașterea de modele. Aceasta este regiunea în care activitatea curentă a BCI se axează în mare parte.

Cortexul cerebral este împărțit în două emisfere care au adesea funcții foarte diferite. De exempu, cele mai multe funcții lingvistice se află în principal în emisfera stângă, în timp ce emisfera dreaptă controlează mai multe aptitudini abstracte și spațiale. De asemenea, cele mai multe semnale de motor și senzoriale, de la și din creier traversează emisferele, ceea ce înseamnă că partea dreaptă a creierului simte și controlează partea stângă și vice versa.

Creierul poate fi în continuare împărțit în regiuni separate specializate pentru diferite funcții. De exemplu, regiunile occipitale de la spatele capului sunt în mare parte dedicate procesării informaților vizuale. Zonele din regiunile temporale, aproximativ de-a lungul laturilor și zonele inferioare ale cortexului, sunt implicate în memorie, potrivire model, prelucrare limbaj și prelucrare auditivă. Totuși, alte zone ale cortexului sunt dedicate pentru diverse funcții cum ar fi reprezentarea spațială și prelucrare, orientarea atenției, aritmetică, mișcări musculare voluntare, planificare, raționament și chiar aspecte enigmatice ale comportamentului uman așa cum ar fi simțul moral și ambiția.

Ar trebui să subliniem faptul că înțelegerea noastră privind structura creierului și a activității acestuia este încă destul de superficială. Încă nu avem hărți topografice definitive ale locației funcțiilor creierului. De fapt, unele zone ale acestuia procesează funcții multiple și multe funcții sunt procesate în mai mult de un domeniu.

Indiferent de funcție, fiecare parte a creierului este formată din celule nervoase numite neuroni. În ansamblu, creierul este o rețea densă formată din aproximativ 100 de miliarde de neuroni. Fiecare din acești neuroni comunică cu alte mii de neuroni, în scopul de a reglementa procesele fizice și de a produce gânduri.

Neuronii comunică fie prin transmiterea de semnale electrice la alți neuroni prin conexiuni fizice, fie prin schimbul de substanțe chimice numite neurotransmițători. Atunci când comunică, neuronii au nevoie de mai mult oxigen și glucoză pentru a funcționa și determină o creștere a fluxului sanguin în regiunile active ale creierului.

Progresele în tehnologiile de imagistică a creierului ne permit să observăm schimbările electrice, chimice sau fluxul sanguin în timp ce creierul procesează informațiile sau răspunde la diverși stimuli. Folosind aceste tehnici putem produce imagini remarcabile ale structurii și activității creierului. Prin inspectarea acestor imagini putem deduce procesele cognitive specific care au loc în creier la un moment dat.

Din nou, ar trebui să subliniem că, odată cu înțelegerea noastră actuală, imagistica creierului ne permite doar să intuim procesele cognitive generale și nu sensul complet al gândurilor noastre. Imagistica creierului nu este, în general, o citire a minții. De exemplu, deși probabil putem spune dacă un un utilizator procesează limba, nu putem determina cu ușurință sensul conținutului.

În general, științele neuronale reprezintă un domeniu interdisciplinar cu o definiție vagă – studierea creierului uman. Creierul uman este compus din celule specializate numite neuroni care comunică între ele prin semnale electrice. Fiecare neuron primește simultan semnale electrice de la câteva mii de alți neuroni, le „sumează" într-un mod neliniar și generează, la rândul lui, un semnal electric către alți neuroni. Arhitectura paralelă de procesare a informației permite creierului uman, care operează cu semnale ce se propagă foarte lent (undeva în domeniul milisecundelor), să aibă o capacitate de procesare a informației mult mai mare și să fie mai rapid decât cele mai moderne computere.

Cercetările oamenilor de știință ce au drept rezultat descoperiri privind capabilitățile creierului uman, de extindere a posibilităților mult dincolo de orice limite obișnuite ale simțurilor și puterilor organismului uman, precum și inventarea de noi mijloace pentru ușurarea efortului fizic și mental uman, au condus la cercetări fundamentale, de bază, în descoperirea noilor valențe ale activității creierului – minții umane. Cercetătorii și inovatorii construiesc și dispozitive/instrumente de folosire practică a energiei creierului care potențează capacitatea creierului dincolo de imaginabil. Toate aceste realizări reprezintă pași importanți în evoluția civilizației umane.

Un program de calculator ar putea oferi paciențilot afectați neurologic grav (inclusiv celor paralizați), să “redacteze texte la calculator” formate din litere și numere, doar prin generarea unor gânduri despre ele. Descoperirea ar putea deschide o nouă cale de comunicare pentru milioane de persoane afectate de maladii care nu le permit să se exprime cu mijloacele obișnuite.

Persoanele paralizate (de exemplu în scleroză laterală amiotropică, atac cerebral sau polineuropatie severă) sau care au alte afecțiuni motorii, au nevoie de metode alternative pentru comunicare și control. Utilizarea semnalelor EEG ca un vector al comunicării între om și mașină reprezintă una din noile provocări existente în teoria semnalelor. Principalul element al unei astfel sistem de comunicare este cunoscut sub denumirea de „Interfață Creier-Calculator” (Brain Computer Interface-BCI).

Mai multe descoperiri istorice atestă faptul că practici chirurgicale similare trepanației au fost efectuate încă din perioada neolitică de către diferite culturi în întreaga lume.

Metodele de studiul ale creierului s-au diversificat după inventarea microscopului și dezvoltarea unor tehnologii de către Camillo Golgi spre sfârșitul anilor 1890. Noua tehnică utiliza sare de cromat de argint în observarea structurii neuronilor. Folosind această tehnică, Santiago Ramón y Cajal a turnat fundațiile doctrinei neuronale, ipoteză conform căreia unitățile funcționale ale creierului sunt neuronii. Golgi și Ramón y Cajal au împărțit împreună premiul Nobel pentru medicină în 1906 pentru munca desfășurată în observarea, descrierea și catalogarea neuronilor. Ipotezele știintei neuronale au fost întărite de experimentele lui Galvani în folosirea electricității pentru excitarea musculaturii și neuronilor. Spre sfârșitul secolului al XIX-lea, DuBois-Reymond, Müller, și von Helmholtz au demonstrat că neuronii sunt receptivi la stimuli electrici și activitatea lor afectează starea electrică a neuronilor adiacenți într-un mod predictibil.

Astăzi, neuroștiința se ocupă cu studiul sistemului nervos. Cuvântul neuroștiință este relativ nou, prima societate de neuroștiință fiind înființată abia în 1970. Ca domeniu, neuroștiința se ocupă cu structura, funcția, neuroevoluționismul, dezvoltarea, genetica, biochimia, fiziologia, farmacologia, informatica, neuroștiința computațională și patologia sistemului nervos. În mod tradițional a fost văzută ca o ramură a biologiei. Cu toate acestea, actualele contribuții precum și interesul arătat de mai multe discipline, cum ar fi informatica, psihologia cognitivă, statistica, medicina sau fizica, au dus la abordarea interdisciplinară a domeniului.

Neuroștiința include acum orice investigare sistematică, științifică, experimentală și teoretică a sistemului central și/sau periferic nervos al oricărui sistem/organism biologic. Metodele empirice utilizate de cercetătorii în domeniu s-au extins, de la analiza biochimică și genetică a dinamicii neuronului și a constituenților moleculari până la reprezentări de natură grafică ale creierului pentru diverse activități.

Studiul științific al SN a cunoscut o creștere importantă în a doua jumătate a secolului XX, în special datorită revoluției înregistrate în biologia moleculară, electro-fiziologia și neuroștiința computațională. Astfel a devenit posibilă înțelegerea, în detaliu a proceselor multiple ce au loc în interiorul unui neuron. Cu toate acestea, modul în care rețeaua de neuroni produce comportamente intelectuale, percepții, emoții este încă prea puțin înțeles.

SN este format dintr-o rețea de neuroni și alte celule (precum celulele gliale). Neuronii formează circuite funcționale, fiecare circuit având responsabilitatea coordonării unor comportamente la nivelul organismului. Astfel, neuroștiința oferă diferite persepective de studiu, plecând de la nivel molecular către cel celular, de la nivelul de sistem la nivel de cogniție.

La nivel molecular, întrebările de bază care își caută răspunsul includ mecanismul prin care neuronii generează și răspund la semnalele moleculare precum și modul în care axonii formează conexiuni complexe. Astfel, metodele biologiei moleculare și geneticii sunt folosite pentru a înțelege cum se dezvoltă și mor neuronii, cum schimbările genetice afectează funcțiile biologice. Morfologia, identitatea moleculară și aspectele fiziologice ale neuronilor dar și modul în care sunt legați de diferite acțiuni comportamentale ce sunt topice de interes la acest nivel (felul în care neuronii și conexiunile dintre aceștia sunt modificate de experiență este adresat la nivel fiziologic și cognitiv).

La nivel celular, întrebările de bază care își caută răspunsul sunt în conexiune cu mecanismele fiziologice și electro-chimice prin care neuronii procesează semnalele. Similar sunt întrebări legate de semnalele procesate de dendrite, soma și axon, precum și modul în care neurotransmițătorii și semnalele electrice sunt utilizate pentru procesarea semnalelor în interiorul neuronului.

La nivel de sistem apar în mod evident întrebări legate de modul în care circuitele sunt formate și folosite anatomic și fiziologic pentru a produce funcții fiziologice (de exemplu flexele, coordonarea activităților motorii, senzațiile, răspunsurile emoționale, ritmul circadian, memoria, procesul de învățare). Asadar, se studiază modul în care aceste circuite neuronale funcționează pentru generarea comportamentului. O analiză la nivel de sistem încearcă să deslușească modul în care diferite activități senzoriale/ motoare au loc: cum funcționează vederea? cum învață păsările cântece noi și liliecii se orientează cu ajutorul ultrasunetelor?

La nivel cognitiv, neuroștiința încearcă găsirea răspunsurilor legate de modul în care funcțiile cognitive și fiziologice sunt produse de cicuitele neuronale. Apariția unor noi tehnici de măsurare a activităților cerebrale precum imagistica neuronală (PET, fMRI, SPECT), electrofiziologie și analiza genetică umană alături de tehnici experimentale de nivel înalt din psihologia cognitivă, dă posibilitatea oamenilor de știință din acest domeniu să încerce găsirea unor răspunsuri pentru întrebări abstracte legate de modul în care procesele cognitive umane și emoțiile sunt în strânsă legătură cu câteva circuite neuronale.

Neuroștiința include domeniile ce își propun studiul sistemului nervos. Psihologia, ca mecanism de studiu științific cu privire la procesele mentale, poate fi considerată un subdomeniu al neuroștiinței. Cu toate acestea, anumiți teoreticieni din domeniu argumentează că, prin definiție, situația se prezintă exact invers – psihologia studiind procesele mentale ce pot fi modelate de alte principii abstracte, precum psihologia comportamentală și cea tradițională – cognitivă, care nu au nicio legătură cu procesul neuronal în sine. Termenul “neurobiologie” este folosit ca și substitut pentru neuroștiință, deși el se referă la biologia în ansamblu a sistemului nervos, pe când neuroștiința se referă la știința funcțiilor mentale care formează fundația pentru circuitele neuronale consituente. În “Principles of Neural Science”, Eric Kandel (laureat al premiului Nobel), consideră psihologia cognitivă ca fiind disciplină de bază pentru înțelegerea creierului în neuroștiință. Neurologia se ocupă cu boli ale sistemului nervos central și periferic, pe când psihiatria se ocupă de bolile mintale. Granițele dintre cele două discipline sunt de principiu vagi, în general medicii care își aleg una dintre cele douviu ca și specialitate sunt pregătiți pentru amblele domenii. Amândouă sunt strans legate și influențate de cercetările din neuroștiință.

În ceea ce privește neuroștiința, există mai multe feluri de cercetători, având subdomenii diferite de interes. Cu toate că cea mai mare parte dintre cercetători studiază sistemul nervos la nivel molecular, ei sunt interesați de modul în care se transferă compuși chimici între celulele sistemului nervos, alții studiază sistemul nervos la nivel cognitiv, ei încercând să găsească legătura dintre activitatea cerebrală și ceea ce gândim sau facem, iar alții îl studiază fără niciun fel de scopuri practice, doar de dragul științei. Totuși, este important să înțelegem mai multe despre modul în care funcționează el. O mare parte dintre cercetătorii din domeniul neuroștiinței au ca scop crearea unor noi medicamente, echipamente (sistemele Brain Computer Interface) sau terapii.

Tehnologia prelucrării EEG este o tehnologie predominantă în activitatea de BCI. Aceasta folosește electrozi plasați direct pe scalp pentru a măsura potențialele electrice slabe (5–100 µV) generate de activitatea din creier. Din cauza lichidului, osului și pieli care separa electrozii de activitatea electrică reală, semnalele tind să fie atenuate și destul de zgomotoase.

O interfață creier-calculator este un canal de comunicare și de control care nu depinde de căile creierului de ieșire normală a nervilor periferici și a mușchilor. În prezent, un impuls principal pentru dezvoltare și cercetare BCI este speranța că această tehnologie va fi valoroasă pentru cei care suferă de tulburări neuromusculare.

Funcționarea BCI depinde de interacțiunea a două controllere adaptive, creierul utilizatorului, care produce datele de intrare și sistemul în sine, care traduce activitatea în date de ieșire. Pentru succesul BCI, este necesar ca utilizatorul să dobândească și să mențină o nouă abilitate, care constă nu în controlul muscular, ci mai degrabă în controlul activității EEG.

Dezvoltarea sistemului BCI depinde de cooperarea interdisciplinară dintre neurologi, psihologi, ingineri, oameni de știință în domeniul calculatoarelor și specialiști de reabilitare. Astfel ar beneficia de acceptarea generală și aplicarea unor metode obiective de evaluare a traducerii algoritmilor și a altor ascpecte cheie specifice operațiilor BCI.

Evaluări din punct de vedere al ratei de transfer de informații și în ceea ce privește utilitatea în aplicații specifice sunt importante. Nevoile utilizatorilor trebuie identificate și aplicațile BCI trebuie configurate pentru a răspunde acestor nevoi. Evaluarea nevoilor ar trebui să se concentreze mai degrabă asupra dorințelor reale ale fiecărui utilizator, decât pe noțiuni preconcepute despre ce doresc acești utilizatori. În mod similar, evaluarea cererilor specifice, în cele din urmă se bazează pe măsura în care oamenii le utilizeazeaza în viața de zi cu zi.

În concluzie, sistemele BCI reprezintă un instrument potențial terapeutic. Este o tehnologie avansată, ce promite schimbări de paradigmă în domenii cum ar fi controlul mașinii, realitate virtuală etc., fiind o tehnologie cu un impact potențial ridicat.

Mai multe aplicații potenționale ale sistemului BCI promit reabilitarea și îmbunătățirea performanțelor, cum ar fi tratarea tulburărilor emoționale (de exemplu, depresie sau anxietate), ameliorarea durerilor cronice, precum și depășirea dizabilităților provenite din accidente vasculare cerebrale.

Figura 1.6 Schema de funcționare a unui ansamablu BCI

BCI își propune translatarea intențiile umane (semnalele specifice) în semnale de control si comandă pentru dispozitive de ieșire, precum un computer sau un neuro-dispozitiv (căști, proteze, actuatori). O interfață BCI nu trebuie să depindă de traseele de ieșire normale ale nervilor periferici și ale mușchilor. Persoanele paralizate total nu pot beneficia de tehnologiile convenționale de comunicare deoarece toate acestea implică o anumită măsură a controlului mușchilor. În ultimele două decenii, s-au efectuat multe studii ce au evaluat posibilitatea ca semnalele înregistrate de pe scalp sau în interiorul creierului să fie folosite pentru o nouă tehnologie ce nu necesită controlul mușchilor.

Sistemele BCI sunt simple și nu pot fi folosite pentru a prelua sau controla gândurile oamenilor. Cercetarea în domeniul BCI încearcă să folosească activitatea creierului pentru a ajuta oamenii să transmită mesaje, nu să schimbe activitatea creierului „scriind” informații în creier.

Există interes de a pune la dispoziția persoanelor invalide o modalitate de a comunica cu mediul extern. Aceste sisteme vor deveni utile și pacienților cu un nivel mai mic de invaliditate dar nu vor înlocui interfețele tradiționale de comunicare (precum tastatură/mouse/trackball). În anumite condiții, sistemele BCI (brain computer interfaces) pot fi utile și oamenilor sănătoși – atunci când aceștia efectuează operații și acțiuni ce le țin mâinile ocupate. Sistemele BCI vor fi suport nu doar pentru comunicare, dar și la „repararea” anumitor afecțiuni cerebrale.

Sistemele BCI se împart în două categorii mari: invazive și neinvazive.

Sistemele BCI invazive

Sistemele BCI invazive au fost dezvoltate pentru persoane cu dizabilități. Neurochirurgia a permis ca o persoană să controleze o mână artificială folosind BrainGate Neurotehnologie Cibernetică, precum și operarea cursorului unui calculator etc. În acest sistem, electrozii sunt montați în creier sau direct pe suprafața acestuia. Acești senzori creează o imagine reală a activității creierului, dar pentru montarea lor este necesară o intervenție chirurgicală specifică. Electrozii plasați la nivelul creierului sunt denumiți „microelectrozi”. Ca personalități ale acestui domeniu, Phil Kennedy și John Donoghue, și-au desfășurat munca bazându-se pe experimente efectuate pe organisme animale. Electrozii plasați pe suprafața creierului măsoară activitatea ECoG (electrocorticogram). În domeniul ECoG BCI, cei mai cunoscuți cercetători sunt Miller, Leuthardt și Schalk.

Sistemele BCI neinvazive

Sistemele BCI neinvazive sunt cele mai comune sisteme deoarece nu necesită niciun fel de intervenție chirurgicală și este necesară doar puțină atenție în fixarea lor. Sistemele BCI neinvazive se bazează pe analiza semnalului EEG. Aceasta măsoară în timp real activitatea electrică a creierului, reliefată la suprafața scalpului. Spre deosebire de sistemul invaziv care implică riscul asociat oricărei operații pe creier, sistemele neinvazive sunt practic inofensive.

Astfel, cel mai mare avantaj al abordării neinvazive este că putem folosi sistemul în viața noastră obișnuită. Pentru persoanele apte de muncă, cererea de sisteme BCI neinvazive este din ce în ce mai extinsă.

Un sistem BCI neinvaziv captează semnalele cerebrale prin EEG, extrage și clasifică anumite caracteristici de semnal și le transmite aplicației. Noi utilizări ale sistemelor BCI neinvazive continuă să apară în literatura de specialitate, în special în ultima perioadă. Categoriile cele mai notabile ale unor astfel de sisteme se bazează pe Corticale potențiale lente (din lb. eng. Slow Cortical Potentials – SCP), component P300, Starea de echilibru vizual potențial evocat (din lb. eng. Steady-state visual evoked potential – SSVEP) și evenimente legate de desincronizare (din lb. eng. Event-related desynchronization – ERD).

1.2 Electroencefalograful (EEG)

Electroencefalograful, aparatul cu ajutorul căruia se înregistrează electroencefalograma, este constituit din aparatul propriu-zis și un sistem de captare a biopotențialelor cerebrale, compus din electrozii ce se fixează pe scalp și conductorii electrici ce fac legătura dintre electrozi și borna de intrare în amplificatorul aparatului de EEG.

Electroencefalograful propriu-zis este compus, în cazul celor clasice, analogice, din amplificatorii fiecărui canal (8-20 de canale) și un sistem de reglaj cu ajutorul căruia se selectează unul din cele peste 16-20 de montaje standard precum și parametrii de înregistrare: constantă de timp, amplificare, filtre de frecvență. Mai are și un circuit special, cu propriul selector și instrument de măsură, pentru măsurarea impedanței interfeței fiecărui electrod cu pielea scalpului.

În cazul electroencefalografelor digitale cu foarte multe canale (64-256, cu tendință spre 512), componentele mult miniaturizate sunt incluse într-o cutiuță ce este cuplată la un calculator PC puternic și adaptat specific.

În acest caz, calculatorul electronic îndeplinește, în general, prin soft, funcțiile principalelor unități de la aparatele analogice și în plus, fiind un aparat digital, eșantionează potențialele de pe toate traseele, cu 400-14000 eșantioane/secundă/canal și le convertește A/D cu o rezoluție de 12 – 24 biți sau mai mult. Având toată informația (traseele) digitalizată, cu un calculator puternic, se poate face eliminarea automată a artefactelor, analizate, ca spectre de frecvență prin FFT (FFT = Fast Fourier Transform), de indice de undă (Burch), de amplitudine, corelații, autocorelații, deconvoluții, compararea prin sustracțiune a traseelor din dreapta și din stânga, recunoașteri de pattern, de grafoelemente caracteristice ș.a. Datele personale ale pacientului, tratamentul, diagnosticul etc., precum și traseele EEG și toate prelucrările aferente, pot fi stocate pe suport electronic.

Pentru monitorizarea timp de 24 de ore a apariției unor grafoelemente EEG patologice (spike-uri și crize epileptice etc.), se utilizează electroencefalografe foarte miniaturizate (Hoitar), portabile, cu 8-16 canale și chiar mai multe, care înregistrează pe cipuri de memorie toată activitatea electrică cerebrală. Toată această activitate electrică cerebrală din 24 de ore, stocată, este introdusă într-un calculator, care, printr-un soft special, analizează rapid, toate traseele și recunoaște pattern-ul unor grafoelemente normale, de veghe sau somn, ori patologice, putând face bineînțeles și toate analizele enunțate mai sus [Olteanu, Lupu, 2000].

În ultimii ani numărul de electrozi și de fire fiind foarte mare, s-au realizat căștile moderne (Fig. 1.7) care au electrozii încorporați în cască iar de la aceștia pleacă fire conductoare strânse într-o bandă lată, terminată printr-un conector (mufă tată multipolară) ce se introduce în mufa mamă de pe aparatul de EEG.

Figura 1.7 Cască modernă cu electrozii și conductorii încorporați;

Figura 1.8 Schema de principiu a unui EEG

După degresarea pielii capului cu un amestec de alcool-eter (în părți egale) și eventual, o ușoară abraziune a pielii de sub electrod prin aplicarea unei paste pentru electrozi de EEG, bună conducătoare de electricitate (printr-un conținut foarte ridicat de electroliți, care este eventual și ușor abrazivă — prin nisipul de cuarț pe care î1 conține și astfel se scade și mai mult rezistența electrică a tegumentului), se aplică electrozii pe scalp, îndepărtând firele de păr de sub fiecare electrod și aplicând câte o picătură de pastă/gel conductor, peste care se pune apoi electrodul. Se mai fixează, obligatoriu, un electrod pe scalp sau pe suprafața mediană a antebrațului, cu o bandă de cauciuc, electrod cu suprafață mare, conectat la masă (pământ). Se pune și aici pastă pentru electrozi. O pregătire perfectă a electrozilor duce la o impedanță între 1000Ω și 5000Ω.

Douăzeci și unu de electrozi așezați pe scalp definesc în raport cu standardele internaționale „sistemul 10-20” de plasare a electrozilor, care este bazat pe împărțirea suprafeței scalpului în mai multe zone, care la rândul lor sunt subdivizate. Distanța tipică între electrozi este 6 cm. Electrozii plasați pe scalp sunt identificați prin litere și numere.

Majoritatea literelor sunt specifice anumitor regiuni ale creierului astfel :

Fp – Frontopolar

F – Frontal

C – Central

T – Temporal

P – Pariental

O – Occipital

Electrodul de referință specific urechii este indicat de litera A. Electrozii cu numere impare, sunt așezați pe partea stângă a capului (FP1; F3; C3; P3; O1; F7; T3; T5 și A1) și electrozii cu numere pare, sunt așezați pe partea dreaptă (FP2; F4; C4; P4; O2; F8; T4; T6 și A2). Electrozii de pe mijlocul capului se disting prin litera Z (FPZ; FZ; CZ; PZ și OZ).

Figura 1.9 Notația electrozilor (cu litere și cifre) și poziția lor exactă pe scalp (în schema clasică zece-douăzeci cu 19-21 de electrozi pe scalp și urechi).

Montajul la „sistemul 10-20’’ de plasare a electrozilor se poate face în 2 moduri: diferențial (bipolar) și referențial (monopolar) – figura 1.9.

Montajul diferențial (bipolar) se realizează între doi electrozi, amândoi activi, de pe scalp și un electrod inactiv, de referință, fixat pe lobul urechii. Electrozii, în derivațiile bipolare, sunt astfel conectați între ei încât, în majoritatea cazurilor, același electrod este "prim electrod" într-o derivație și "electrod doi" (secund) în derivația următoare.

Figura 1.10 a) Culegeri bipolare

Acest tip de montaj prezintă următoarele avantaje: reducerea zgomotului comun, permite studiul calitativ al unei zone de anormalitate și este util pentru studiul simetriilor, sincronismului.

Montajul monopolar folosește un electrod comun inactiv sau indiferent „de referința”, care este plasat de obicei pe lobul urechii, dar poate fi așezat și în alte zone ca baza nasului, menton, faringe sau la nivelul vertebrei C7.

Figura 1.11 b) Culegeri unipolare cu punct de referință median

Montajul monopolar prezintă următoarele avantaje: pune în evidență distribuția surselor, permite cuantificarea anormalităților și este util pentru mapping (hartă de echipotențiale) [Ciorap, 2007].

1.3 Parametrii caracteristici semnalului EEG

Frecvența este definită pe segmente de semnal, ca inversul intervalului de timp dintre 2 maxime succesive, sau caracterizează conținutul în armonici (sunt identificate benzile de frecvență).

Amplitudinea este valoarea maximă a unei unde. EEG se numește „de joasă amplitudine” pentru valori mai mari de 20 µV și „de înaltă amplitudine” pentru valori mai mari de 100 mV. Un indicator patologic este scăderea în amplitudine a undelor de joasă frecvență (θ și δ) și accentuarea undelor de frecvență mai înaltă (α și β). Polaritatea, se referă la semnul (+) sau (-) al undei: polaritate pozitivă/negativă sau undă izoelectrică (de valoare nulă).

Morfologia desemnează forma undei (regulată/neregulată) și identifică grafoelementele care apar în formă de undă: puls monofazic/bifazic/polifazic, spike (vârf de amplitudine mare și durată scurtă), undă rapidă/lentă, complex vârf-undă/undă-vârf, polivârfuri, etc.). Distribuția se referă la localizarea unui eveniment reprezentat de un grafoelement specific; localizarea este temporală (legată de o anumită activare sau stimulare) și spațială (identifică o anumită regiune pe cortex).

Ritmicitatea – în general forma EEG nu este ritmică, dar pe unele subintervale forma de undă se apropie de o undă armonică; unda aritmică este formată din alternanțe de zone regulate și grafoelemente specifice.

Sincronismul – dacă pe mai multe semnale înregistrate simultan în diferite zone cerebrale se identifică evenimente similare, se spune că aceste zone cerebrale prezintă sincronism, iar semnalele sunt sincrone; în cazul în care două zone simetrice (dreapta/stânga) prezintă sincronism, semnalele se numesc bisincrone; lipsa de sincronizare se numește asincronie.

Reactivitatea – în cazul stimulării subiectului (vizual, auditiv, somatomotor, etc.) în forma de undă EEG pot să apară alterări de amplitudine sau frecvență, sau anumite grafoelemente; acestea se numesc reacții; dacă nu apar reacții, se spune că EEG este nereactivă.

Persistența/intermitența – prezența unui fenomen pe 70 – 80 % din înregistrare desemnează acel fenomen drept persistent; persistența nu este influențată de stimulare ci ține de patologie. Evenimentele mai puțin pronunțate se numesc intermitențe; intermitența poate fi: rară, ocazională, frecventă.

Electroencefalografia clinică încearcă să coreleze pe o bază empirică funcția sistemului nervos precum și manifestările patologice care pot apărea, funcție de anumite aspecte, considerate ca definitorii, ale activității electrice înregistrate la suprafața scalpului. În mod evident, înțelegerea proceselor elementare care stau la baza generării EEG poate ajuta într-o mare măsură la îmbunătățirea diagnosticului și evitarea interpretărilor greșite.

Aspectul EEG variază funcție de principalele stări de vigilență: starea de veghe, somnul cu unde lente și somnul paradoxal. Fiecăreia dintre aceste stări îi sunt asociate o serie de „ritmuri” cerebrale.

Ritmurile cerebrale sunt definite ca forme de undă care apar succesiv și regulat pe electroencefalogramă, de formă și durată similară, având la bază structuri și mecanisme generatoare specifice. O prezentare sintetică a acestora poate fi urmărită în tabelul 1.1.

Tabelul 1.1 Ritmurile cerebrale

Figura 1.12 Înregistrare EEG și descompunerea în principalele benzi de frecvență

Ritmul alfa – este un ritm cu o frecvență de oscilație de 8-13 Hz care apare în timpul stării de veghe în regiunile posterioare ale capului, în general cu valori ale voltajului mai mari în zona occipitală. Amplitudinea este variabilă dar în general nu depășește 50 µV la adulți. Se observă mai bine cu ochii închiși și în condiții de relaxare fizică și relativă inactivitate mentală. Este blocat sau atenuat de atenție și mai ales de stimulii vizuali. Ritmul este caracterizat de forme de undă rotunjite aproape sinusoidale. Distribuția spațială se întinde deasupra ariilor occipitale, parietale și temporale posterioare deși se poate extinde spre vertex și ariile temporale medii (caz în care trebuie diferențiat de ritmul Mu rolandic) și există cazuri în care ritmul a fost înregistrat și în derivațiile frontale superioare. S-a observat de asemenea că stimularea aferentă produce o diminuare inițială, dar eficiența unui anumit stimul scade prin repetare. În mod similar, deschiderea ochilor în întuneric complet produce doar o diminuare inițială, ritmul reapărând curând în absența oricărui alt stimul deși fusese redus printr-un efort conștient de a vedea. Un efect comparabil a fost observat în timpul unei concentrări mentale, de orice natură ar fi aceasta. S-a mai arătat că cele două emisfere produc ritmuri alfa la frecvențe aparent identice și în cantități aproximativ egale, deși amplitudinile nu fluctuează întotdeauna simultan în cele două părți.

Ritmul miu rolandic (central) – este un ritm care în termeni de frecvență și amplitudine este legat de ritmul alfa posterior, însă total diferit de acesta ca topografie și semnificație fiziologică. Are o frecvență în jur de 10 Hz iar aspectul tipic de undă este o deflecție negativă ascuțită urmată de o undă pozitivă rotunjită ceea ce a făcut să fie numit și „rhythme en arceau”. Amplitudinea este de obicei mai mică de 100 µV, dar poate și să o depășească pe cea a ritmului alfa. Apare de obicei în scurte sacade în derivațiile centrale. În general nu este afectat de stimuli vizuali sau de efort intelectual, deși s-au descris creșteri ale acestui ritm în aproape 50% din cazuri în timpul pattern-ului vizual. El este însă blocat de către mișcările membrului contralateral, fie ele active (voluntare), pasive sau reflexe și de stimularea tactilă a acestuia. Ritmul miu la adult dispare în timpul stării de somnolență și nu se întâlnește în timpul somnului, dar o activitate ritmică similară e întâlnită uneori la copii, mai ales în timpul somnului. Blocarea ritmului miu pare a fi legată de designul conceptual al unei mișcări ce urmează a fi executată.

Ritmul beta – este ritmul care apare cu o frecvență mai mare de 13 Hz. În condițiile clasice ale înregistrării activității electrice cerebrale, frecvențele peste 70 Hz sunt considerabil atenuate datorită efectelor de filtrare, ceea ce face să se stabilească automat limita superioară a ritmului beta în jur de 50-100 Hz. Amplitudinea nu depășește uzual 30 µV, însă poate fi amplificată de defecte locale ale scalpului sau de administrarea de anestezice barbiturice și tranchilizante minore. Activitatea beta poate fi difuză sau poate să apară în numeroase zone la adulții normali, cel mai frecvent fiind întâlnită în regiunea precentrală. O activitate ritmică cu o frecvență de 40 Hz, a fost observată în regiunile centrale la inițierea mișcărilor voluntare.

Undele teta – Numele de unde teta a fost introdus de Walter și Dovey pentru undele aflate în zona de frecvențe cuprinsă între 4 și 7 Hz. Înregistrările EEG la adulții normali conțin doar o cantitate mică de frecvențe teta, grupată sub formă de unde izolate și nu sub forma unui ritm propriu-zis. Cel mai important aspect în ceea ce privește acest ritm este cel de măturare al sistemului nervos, deoarece frecvențele teta și ritmul teta joacă însă un rol important la copii, apoi dispare treptat o dată cu înaintarea în vârstă, la adulți putând să apară doar în situații patologice sau în timpul somnului.

Undele lambda – sunt observate cel mai frecvent atunci când subiectul privește activ ceva care îl interesează. În traseele EEG caracteristice sunt unde electrice pozitive cu amplitudine ce ajunge până la 20 µV și durată de 250 ms care apar la nivel occipital și se extind spre regiunile parietale. Forma undelor este de tip "dinți de fierăstrău" iar faza inițială pozitivă poate fi precedată și uneori urmată de una mai mică de polaritate opusă.

Undele delta – sunt undele cu o frecvență inferioară valorii de 4 Hz, asociate fazelor profunde de somn (denumit și somn cu unde lente). Prezența activității delta la subiecții adulți în stare de veghe e considerată anormală, deși Aird și Gastaut în anul 1959 au constatat existența ocazională de unde posterioare cu o frecvență de 3-4 Hz la 10% din 500 de subiecți normali cu vârste cuprinse între 19 și 22 de ani.

Undele vertex – sunt unde ascuțite cu o amplitudine variabilă ce reprezintă un tip de descărcare ce poate apărea pe electroencefalogramă ca răspuns la un sunet sau la alt stimul în timpul somnului, putând atinge 300 mV la copii. Undele vertex electronegative (V-wave) sunt provocate de un stimul auditiv atunci când subiectul este treaz (Roth, Shaw și Green, 1956). În aceste situații amplitudinea răspunsului poate fi relativ mică comparativ cu cea a activității de bază și poate necesita stimuli evocativi mai puternici fată de cei ce ar fi fost suficienți la subiecții adormiți.

1.4 Concluzii

Interacțiunea om-mașină în ansamblu este un domeniu multidisciplinar care implică cel puțin următoarele domenii ale științei: biologie, matematică, fizică, chimie, informatică, psihologie.

Semnalul electric al creierului se află încă într-un stadiu incipient de studiu și analiză. Deși în etapele timpurii ale studierii acestuia se extrageau din acest semnal destul de puține informații, prin studierea lui de către mai mulți cercetători din mai multe domenii și din mai multe regiuni geografice, a condus la identificarea unor utilizări importante și viabile.

În interfața creier-calculator, cercetarea vizează în mod direct controlul calculatoarelor. Rezoluția temporală este de cea mai mare importanță, deoarece utilizatorii trebuie să-și adapteze activitatea creierului bazată pe feedback-ul imediat oferit de sistem.

Prin urmare, deși rezoluția spațială mică a acestor dispozitive conduce la o rată scăzută de transfer de informații și o localizare slabă a activității creierului, în prezent cei mai mulți cercetători folosesc EEG, datorită rezoluției temporale mare pe care o oferă.

Sistemele BCI sunt simple și nu pot fi folosite pentru a prelua sau controla gândurile oamenilor. Cercetarea în domeniul BCI încearcă să folosească activitatea creierului pentru a ajuta oamenii să transmită mesaje, nu să schimbe activitatea creierului „scriind” informații în creier.

Există interes pentru a pune la dispoziția persoanelor invalide o modalitate de a comunica cu mediul extern. Aceste sisteme vor deveni utile și pacienților cu un nivel mai mic de invaliditate dar nu vor înlocui interfețele tradiționale de comunicare (precum tastatură/mouse/trackball). În anumite condiții, sistemele BCI (brain computer interfaces) pot fi utile și oamenilor sănătoși – atunci când aceștia efectuează operații și acțiuni ce le țin mâinile ocupate. Sistemele BCI vor fi suport nu doar pentru comunicare, dar și la „repararea” anumitor afecțiuni cerebrale.

Sistemele BCI se împart în două categorii mari: invazive și neinvazive.

Tehnologia prelucrării EEG este o tehnologie predominantă în activitatea de BCI.

Ritmurile cerebrale sau undele cerebrale au fost grupate în 5 tipuri diferite și denumite convențional: Alfa, Beta, Gama, Theta, Delta.

Dezvoltarea BCI depinde de cooperarea interdisciplinară dintre neurologi, psihologi, ingineri, oameni de știință în domeniul calculatoarelor și specialiști de reabilitare.

Sistemele BCI sunt simple și nu pot fi folosite pentru a prelua sau controla gândurile oamenilor. În plus este sunt unidirecționale, de la creier spre exterior și niciodată invers.

Cercetarea în domeniul BCI își propune să folosească activitatea creierului pentru a ajuta oamenii să transmită mesaje și să lanseze comenzi, nu să altereze sau influențeze activitatea creierului transmițând informații dinspre exterior către creier.

Capitolul II

Considerații privind interacțiunea de tip BCI

În continuare sunt prezentate aplicații proprii de tipul BCI, realizate în perioada studiilor doctorale.

2.1 Aplicație practică – influența momentului de timp asupra actului cognitiv

Măsurătorile prezentate sunt realizate în urma unor evaluări prin preluarea de semnal EEG la subiecți copii cu vârsta până la 5 ani, în timpul implicării în câteva jocuri ce necesită activități cognitive. Au fost realizate măsurători dimineața și după amiaza, pe parcursul a mai multor zile, în decursul a mai multor luni. Pentru fiecare din cei 10 subiecți (5 fete, 5 băieți) s-au preluat câte 10 probe EEG pe perioada unui minut de activitate cognitivă.

În cadrul studiului s-au preluat spre procesare aproximativ 30.000 linii de valori ale undelor cerebrale pentru fiecare minut de semnal EEG.

Sunt evidențiate aspecte de prelucrare grafică a valorilor digitale ale semnalului EEG, în urma unor procesări proprii.

Măsurătorile sunt realizare cu un senzor Neurosky și sunt preluate (deja transformate digital) de sistemul propriu intern al producătorului senzorului.

Sunt urmărite nivelurile distincte de atenție și meditație, cât și forma undelor cerebrale corespondente.

În procesarea grafică utilizez în mod uzual funcțiile grafice Excel însă și un software specializat gratuit numit WEKA (http://www.cs.waikato.ac.nz/ml/weka/)

Figura 2.1 Eșantion grafic atenție/meditație

După analiza primară a seturilor de date preluate, la primul nivel de constatare grafică se observă o separare a subiecților astfel: 6 subiecți cu activitate cognitivă și atenție sporită în prima parte a zilei și 4 subiecți cu activitate cognitivă sporită în partea a doua a zilei.

Nu există o dependență a activității cognitive raportată la momentul zilei, în funcție de sexul subiectului.

În acest sens, o abordare uniformă a activităților cognitive în cadrul programului de la grădiniță, produce dezavantaje fie pentru unii sau pentru alții dintre subiecți.

În aplicarea practică a procesării semnaului EEG am efectuat un studiu/măsurători cu subiecți copii cu vârsta până la 5 ani, privind starea de atenție/focus pe parcursul implicării în câteva jocuri potrivite vârstei lor. În realizarea măsurătorilor s-a ținut cont de factorii ce pot influența starea de atenție.

Atenția este conștiința direcționată sau concentrată. Conștiința este o senzație subiectivă produsă prin activarea simultană a sistemelor neurofiziologice discrete. Acestea sunt sistemele de alertare, de sensibilizare, afective, de excitare și de atenție.
Procesul începe cu scanarea subcorticală a stimulilor senzoriali pentru afecțiune și continuă cu cei semnificativi pentru plăcere, durere și tensiune.

Percepțiile trec prin talamus pentru scanare concentrare într-o singură expresie senzorială prin inhibarea reflexului talamic-prefrontal-talamic.

Percepțiile semnificative se activează ca fragmente de memorie în Cortexul Inferior

Temporal. Aceste zone se proiectează apoi în Cortexul Prefrontal. Acesta inactivează sistemele senzoriale de scanare permițând fixarea. Cortexul Prefrontal, de asemenea, trimite semnale către hipocâmp, acesta generând activitate theta în hipocâmp. Se întrerupe temporar înhibarea componentei de orientare, de vigilență, de conștientizare și de excitare produse de activitatea theta prin Hipotalamus.

Ca urmare a mecanismelor de mai sus, doar un singur stimul senzorial activează orientarea, alertarea, conștientizarea, excitarea și sistemele cognitive și prin urmare apare starea de atenție.

Atenția concentrată poate fi de asemenea utilizată pentru a explica inițierea și activarea mișcărilor voluntare.

Factorii externi ce influențează nivelul de atenție pot fi diverse zgomote sau stimuli luminoși. Dacă intensitatea stimulului coboară sub un anumit nivel, nivelul atenției se reduce substanțial fiind posibilă chiar dispariția totală a atenției.

Atenția este deseori determinată de factori motivaționali fără a avea neapărăt un caracter intenționat. Astfel, câmpul perceptiv nu depinde numai de caracteristica fizică a stimulului ci și de personalitatea individului. Astfel, termenul de atenție voluntară se restrânge în cazul motivației conștiente.

Stimulii prosexigeni sunt cei care atrag atenția și care rețin atenția. Se poate face o diferențiere între stimulii care produc un simplu reflex de orientare și cei care atrag atenția pe baza raportului dintre cele două proprietăți ale reflexului de orientare, cea de a întrerupe o activitate în curs și cea de a servi drept punct de plecare al unei alte activități (ajustare senzo-motorie): dacă un stimul produce doar o întrerupere de scurtă durată și urmează o reluare a ei este un stimul orientativ; dacă acesta reușeste să schimbe direcția atenției, avem un efect de comutare și devine un stimul care atrage atenția.

În cazul cercetărilor efectuate în studiul atenției sunt necesare câteva precauții: egalizarea valorii afective a stimulilor (un stimul de intensitate mai scăzută poate atrage atenția mai curând decât unul intens dacă primul stimul corespunde intereselor subiectului sau experienței sale anterioare). Este necesară diferențierea între valoarea nespecifică (declanșarea unei recții de orientare sau chiar de apărare produsă de stimuli intenși) și valoarea prosexigenă a unui stimul; stabilirea pe cât posibil a caracterelor diferențiale ale unor parametri: dimensiuni, culoare, intensitate față de caracteristica ce atrage cel mai mult atenția și anume contrastul.

Factorii interni: reprezintă factorii individuali care declanșează atenția și pot fi numiți factori motivaționali. Aceștia cuprind fenomene ca: trebuințe, motive, interese, impulsuri, intenții, valențe, tendințe.

La transformarea factorilor dinamici în factori motivaționali ce alcătuiesc condiția internă a unui organism dat, concură atât componentele înnăscute, funcțiuni biologice și fiziologice, cât și componente achiziționate în timpul dezvoltării individuale. Sub acțiunea factorilor dobândiți apar modificări în desfășurarea funcțiunilor înnăscute. Factorii dobândiți în cursul dezvoltării individului includ atât propria experiență cât și, mai ales, experiența socială. Se face uneori distincția între motive și mobiluri, primele fiind cauze intelectuale, iar celelalte, cauze afective. De fapt, conduita omului nu este determinată de o cauză unică, ci de un ansamblu de factori raționali și afectivi, fiziologici și psihologici, individuali și sociali, ce interacționează.

Factorii motivaționali sunt biofiziologici și sociali iar aceștia sunt în permanentă interacțiune. În ultimă instanță, componentele ereditare sunt modelate de către cele dobândite și alcătuiesc un comportament diferit la variate niveluri de dezvoltare ale adultului. La om conduita este dirijată de factorii sociali (educație, cultură morală) care domină și îi orientează parțial pe cei fiziologici. Trebuințele, necesitățile fiziologice care asigură existența organismului sau perpetuarea speciei, au o pondere specifică importantă pentru om. Sursa primară a acțiunii este trebuința. Uneori se poate stabili cu greutate dacă impulsurile preced trebuințele sau le urmează, ori dacă trebuințele reprezintă un stimul al activității sau un rezultat al ei. Sistemul nervos este în permanență informat de rezultatele activității organismului și acest feedback constant generează și modifică reactivitatea și comportamentul individului.

Pedagogul poate trezi atenția elevilor introducând în discurs elemente ce țin de trebuințele primare asociate unor informații utile. Importanța trebuințelor fiziologice în orientarea activității se poate vedea în capacitatea pe care o au unii stimuli corespondenți acestor trebuințe de a atrage atenția mai mult în raport cu alți stimuli. În funcție de gradul de satisfacere a trebuințelor variază și intensitatea stimulilor asociați atragerii atenției.

Efectele privării de stimuli la om produc o stare de neliniște în capacitatea de concentrare, instabilitate emotivă, halucinații etc. Comportamentul explorator șimanipulator caracteristic al copiilor este legat de trebuințele de stimulare sau curiozitate perceptuală și se întreține datorită eterogenității și complexității stimulilor externi. În condiții de reducere a stimulilor, organismul își asigură varietatea surselor de stimulare prin investigația și manipularea obiectelor.

Există două moduri de explorare, fiecare al unei alte necesități: curiozitatea (necesitatea de a obține informații) și plictiseala (necesitatea de a obține un anumit nivel al stimulării și varietății mediului). Acest nivel al stimulării este necesar funcționării optime a sistemului nervos.

Factorii care controlează atenția au elemente comune cu cei care controlează explorarea și răspunsul de investigație. Este posibil ca stimulii externi sau lipsa lor să poată determina un anumit comportament de explorare. Dar acest lucru nu este o funcțiune înnăscută. Factorii sociali la omul civilizat mediază această legatură a atenției cu trebuințele și se pot subordona unor necesități superioare. Putem concluziona că așa zisele trebuințe (impulsuri, tendințe, valențe), deși umane ca manifestare, nu reprezintă direct motivele activității omului. Există o reglare superioară a activității umane subordonată anumitor scopuri, anumitor obiective anticipate sau chiar create pe plan mental. Ca ființă socială, omul se bazează pe cea ce observă în comportarea altora și își reglează propriul comportament evitând multe neplăceri. Avem tendința de a ne imita semenii chiar dacă nu există un argument al unei anumite acțiuni ale acestora.

Există o atenție stațională din lipsa unei concordanțe între elementele stimulului, o atenție involuntară impusă de o anumită trebuință fiziologică și o atenție ca expresie a interesului, a dirijării active către anumite scopuri durabile ale activității sale.

Interesul este tendința de a ne orienta către lucrurile care ne dau satisfacție. El înseamnă retrăirea unei experiențe, pe când aversiunea este opusul acestuia, când evităm o anumită activitate. Exteriorizarea interesului reprezintă mărirea atenției și continuarea activității. Suntem pregătiți să-i dăm atenție oricând obiectului interesant. Atenția diferențială înseamnă de fapt mobilizarea rapidă a orientării latente față de obiectul preocupărilor noastre într-o nouă orientare actuală, în condițiile unei stimulări directe sau bazate pe conexiuni asociative. Multe fenomene ca rezistența la stimuli perturbatori, comutarea atenției, ponderea relativă a diverșilor stimuli în atragerea și menținerea atenției s-ar explica mai bine decât prin simpla referire la atenție voluntară și involuntară. Cu cât subiectul are o rezistență mai bună la distragerea atenției, cu atât are o energie mai mare cu care se dedică atingerii scopului. Oricât de mare este factorul perturbator într-o activitate asiduă, ne întoarcem automat la această activitate cu încetarea factorilor perturbatori. Interesul profund creează puntea peste lacuna creată. Este o unitate conativă în pofida întreruperii, chiar dacă aceasta durează o clipă sau ani de zile. Interesul și atenția se stimulează reciproc. Cu cât suntem mai atenți cu atât interesul crește, iar interesul intensifică orientarea și receptivitatea față de stimuli asociați obiectului interesului nostru. În cazul oboselii rezultă că scade atenția situațională, scade rezistența față de factorii perturbatori.

În cadrul studiului s-au preluat spre procesare aproximativ 30.000 de linii de valori ale undelor cerebrale pentru fiecare minut de semnal EEG.

După analiza primară a seturilor de date preluate (Hendrik, 2004), la primul nivel de constatare grafică, se observă o tendință a Subiectului 1 pentru o atenție sporită (crescută) după amiaza (după ora 13), cu o mai mare stare de meditație în prima parte a zilei (în jurul orei 10).

Totodată se observă o fragmentare mai mare în raportul creșterilor și descreșterilor de ritm după amiaza, în sensul oscilațiilor pe grafice, a existenței unor vârfuri și căderi de atenție/meditație.

Astfel, Subiectul 1 ar putea fi implicat mai mult în activități cognitive după amiaza și mai mult în activități recreative dimineața. O astfel de tipologie de trend ar putea fi utilizată de educator în sala de clasă pentru a forma grupe de lucru și interacțiune care să fie compatibile între ele ca și nivel și stare de atenție pe anumite intervale de timp.

În continuare sunt prezentate rezultatele concatenate ale celor 10 subiecți implicați în măsurătorile realizate.

În baza rezultatelor concatenate s-au realizat grafice pentru “Atenție”, comparative la nivelul tuturor celor 5 zile de măsurare pentru fiecare subiect în parte. Se reliefează graficul atenției pentru dimineață și graficul atenției pentru după amiază.

Figura 2.2 Fișier mostră – bază organizare date pentru prelucrare

Figura 2.3 Variații atenție/meditație per subiecți

Figura 2.4 Variații atenție/meditație per subiecți

Analizând graficele pentru perioada Dimineață/După amiază în termeni de trenduri, comparativ, câteva concluzii se impun:

Pentru un același subiect, există o diferență clară în raportul dimineață-după amiaza în sensul că graficul de după amiază prezintă mult mai multe zone de echilibru (intervale mai lungi neoscilante)

Pentru un același subiect, nivelul atenției prezintă după amiaza valori mai multe apropiate de zona punctului zero

Pentru un același subiect, dimineața prezintă mai multe variații și oscilații de grafic, iar din punct de vedere al amplitudinii, graficele sunt mai ample dimineața

Ca o concluzie, procesul cognitiv/concentrarea/atenția pentru dimineață este mai amplu, mai oscilant, mai flexibil și mai activ, în timp ce după amiaza, procesul este mai lent, mai puțin fragmentat, mai stabil chiar dacă de o amplitudine mai scăzută.

Din perspectiva comparației între subiecți, există două categorii mari: o parte dintre subiecți, pe perioada dimineții păstrează valori foarte crescute ale atenției fără a scădea sub o anume limită destul de semnificativă, iar o altă parte a grupului păstrează valori crescute ale atenției, însă cu oscilații spre zero destul de semnificative ca și frecvență. Cu alte cuvinte, pentru o parte a grupului există anumite fragmentări în intervalul inferior al scalei de măsură, în timp ce pentru alții nu există astfel de fragmentări.

Această caracteristică manifestată în termen de fragmentări/continuitate în cadrul unui interval de referință (fereastră de observare) poate constitui baza unui element de reper pentru o tipologie, implicit baza pentru un fragment de pattern.

Constituirea unui pattern se poate face prin metoda îmbinării unor elemente subsecvente care împreună să dea o semnificație relevantă în termeni uzuali (Kuzovkin, 2011).

S-a făcut o analiză în termeni de maxim/minim, atenție/meditație (în mod separat), urmărind următoarele aspecte: numărul de variații pe maxim, numărul de variații pe minim, durata cumulată medie pe maxim, durata cumulată medie pe minim (în secunde într-un minut de măsurare), distanța în unități generice, mediana (raportată la mediana graficului) pentru maxim și minim.

Analiza este realizată în mod grafic/vizual conform proiecției realizate în Excel pe fișierul .csv cu date de intrare primare obținute în măsurare. S-au considerat variații notabile și relevante toate oscilațiile în intervalul de 15% în raport cu variația minimă și cu variația maximă. Valoarea de 15% este determinată corelativ ca fiind relevantă în urma analizei vizuale a graficelor în ansamblul lor.

Figura 2.5 Subiect 1 Măsurarea 1 Dimineața

Figura 2.6 Subiect 1 Măsurarea 1 După amiaza

Figura 2.7 Subiect 1 Măsurarea 2 Dimineața

Figura 2.8 Subiect 1 Măsurarea 2 După amiaza

Figura 2.9 Subiect 1 Măsurarea 3 Dimineața

Figura 2.10 Subiect 1 Măsurarea 3 După amiaza

Figura 2.11 Subiect 1 Măsurarea 4 Dimineața

Figura 2.12 Subiect 1 Măsurarea 4 După amiaza

Figura 2.13 Subiect 1 Măsurarea 5 Dimineața

Figura 2.14 Subiect 1 Măsurarea 5 După amiaza

Tabelul 2.1 Variația grafică atenție/meditație Subiect 1

Analizând graficele pentru perioada Dimineață/După-amiază, Atenție/Meditație, câteva concluzii se impun:

Pentru un același subiect, există o diferență clară în raportul de oscilații la Maxim/Minim pentru Atenție/Meditație (atenție maxim 19 variații, minim 42 variații; meditație maxim 26 minim 28); practic pentru meditație numărul de variații este similar, în schimb pentru atenție există o diferență importantă care poate constitui un element de pattern;

Același trend referitor la oscilații se menține și la durata medie cumulată a variațiilor însă cu observația că diferența nu mai este la fel de mare în termeni de procente (54% respectiv 7% în termeni de număr de oscilații în raport cu 26% respectiv 12% în termeni de valori cumulate de secunde de oscilație sau în raport cu distanța mediană pe maxim vs. minim unde avem rapoartele de 12% respectiv 10%); Astfel, raportul procentual de oscilații minim-maxim poate fi un element de pattern, în timp ce raportul procentual de secunde de oscilații nu poate reprezenta un element de pattern; similar nici distanța mediană în raportul maxim-minim nu poate reprezenta un element de pattern (Kindersman, 2014);

Cu cât numărul de oscilații per interval reprezentat este mai mare pe o zonă de grafic (maxim sau minim raportat la mediana de lucru) se arată o orientare a subiectului în perioada de măsurare;

Astfel, pentru subiectul 1 putem concluziona că din punct de vedere al atenției, în ansamblul măsurătorilor, acesta este orientat către spectrul de valori minime, în timp ce pentru meditație, este orientat echilibrat între spectrul minim și maxim.

În raportul dimineață/după amiază, subiectul 1 prezintă un echilibru în spectrul minim pentru ambele caracteristici (atenție și meditație) și un dezechilibru în spectrul maxim pentru atenție și un echilibru în spectrul maxim pentru meditație;

O altă observație în spectrul maxim este legată de faptul că există o măsurare în care nu nivelul de atenție maxim s-a situat sub zona mediană, putând enunța teoria că pentru acel interval de timp s-a manifestat un fenomen numit generic “scăpare de atenție”. Într-o monitorizare pe durată mai lungă, manifestarea mai multor astfel de perioade de scăpare de atenție poate constitui baza analizei posibilității existenței unor boli/probleme de concentrare și focusare. Un astfel de element poate fi utilizat ca punct de pattern pentru detectarea anumitor boli/predicții comportamentale. În mod uzual ar trebui ca astfel de momente să fie corelate cu acțiunea practică derulată de subiect în momentul respectiv (s-ar impune o înregistrare video a sesiunilor de măsurare) pentru a determina dacă “scăparea de atenție” nu are la bază factori subiectivi precum predispoziția subiectului la anumite tematici/preferințe personale ale acestuia/alți factori perturbatori locali [Morris, Obermaier, 2001].

Constituirea unui element de pattern se poate așadar considera inclusiv prin preluarea numărului de oscilații minim-maxim în cadrul unor măsurători repetitive relevante.

În scopul identificării de elemente suplimentare care pot constitui aspect de pattern, s-au analizat măsurările preluate de la S1. S-a făcut o analiză grafică a variațiilor maxim/minim, atenție și meditație în mod separat, urmărind următoarele aspecte: numărul de variații pe maxim, numărul de variații pe minim, durata cumulată medie pe maxim, durata cumulată medie pe minim (în secunde într-un minut de măsurare), distanța în unități generice, mediana (raportată la mediana graficului) pentru maxim și minim.

Analiza este realizată în mod grafic/vizual conform proiecției realizate în Excel pe fișierul .csv cu date de intrare primare obținute în măsurare.

Tabelul 2.2 Variație dimineață/după-amiază Subiect 1

Figura 2.15 Variație dimineață/după amiază pentru un subiect

Tabelul 2.3 Variația procentuală dimineață/după-amiază

Analizând graficele în raport oglindă, câteva observații ar fi:

Pentru un același subiect, există o diferență clară în raportul de oscilații la Maxim/ Minim pentru Atenție/Meditație

Există o completă necorelare în raportul dimineață/după amiază fapt care confirmă și întărește ideea de perioade propice atenției și perioade propice meditației în raport cu intervalul de timp al unei zile, considerat pentru fiecare subiect în parte.

Constituirea unui element de pattern se poate așadar considera inclusiv prin analiza variației procentuale în raportul de atenție pe perioade diferite de timp, cu condiția obligatorie și necesară a cunoașterii contextului de măsurare, având în vedere că elementul de pattern poate avea relevanță doar dacă se reproduce în context similar sau cât mai aproape de identicat.

2.2 Aplicație practică – influența factorilor de stress asupra undelor EEG

S-a realizat un set de măsurători asupra unui lot de 17 adulți. Măsurătorile sunt realizate în timpul susținerii de către aceștia a unui test online cu întrebări de cultură generală, format din 45 de întrebări care au avut o durată de timp diferită pentru a se răspunde de 10, 15 și 20 de secunde per întrebare, funcție de complexitatea acesteia. S-a urmărit introducerea elementului timp în scopul măsurării aspectelor de stres și s-a urmărit cât de mult influențează acesta aspectul undelor EEG și variația semnalului brut EEG. Condițiile de test au fost similare pentru candidați, încercând a se limita orice influență a unor factori externi perturbatori pentru a putea reliefa cât mai fidel comportamentul intern.

Toată analiza este realizată pe semnalul brut EEG. Nu s-au luat în considerare rezultatele testelor susținute, singurul scop al acestora fiind de a pune subiecții în fața unui eveniment ce cauzează/poate cauza stres.

Parte din comportamentul variațional al semnalului brut poate genera un element de pattern pe o anumită perioadă de timp și în anumite condiții strict controlate.

Figura 2.16 Variație semnal brut EEG – mostră subiect X

Figura 2.17 Variație semnal brut EEG – mostră subiect Y

Tabelul 2.4 Centralizare variații semnal brut EEG – expunere la test – pe grup subiecți

S-a realizat o analiză grafică, interpretată în termeni de variații (+) și (-) pe perioada rulării testului;

Există un subiect pentru care s-a înregistrat „default error” la măsurare, anume pentru subiectul 11, motiv pentru care el iese din studiul realizat (a fost lăsat în studiu doar ca termen de comparație);

La studiu au participat 9 bărbăți (M) și 8 femei (F), din acest punct de vedere studiul fiind relevant în raportul M / F;

Sunt subiecți care manifestă puternice stări de stres în timpul sarcinii de testare și subiecți care manifestă calm și concentrare;

În cadrul semnalului EEG brut (raw EEG) este inclusă și componenta de atenție, variațiile EEG arătând în mod evident variații ale atenției și implicit manifestări și influențe ale stres-ului în variațiile de atenție ale subiectului;

Analizând mediana datelor obținute din proces, putem considera că există 3 categorii de subiecți din punct de vedere al stresului manifestat în influențe ale atenției în cadrul testului la care au participat: a) puternic influențati de stres: 4 subiecți (peste 20% procent de variații); b) oarecum influențați de stres: 6 subiecți (peste 10% procent de variații); c) aproape neinfluențați de stres: 6 subiecți (sub 10% procent de variații);

Subiecții S4 și S13 prezintă cele mai mici influențe ale stresului asupra atenției pe perioada testului, la polul opus fiind S2 și S5 care prezintă puternice influențe ale stresului asupra atenției pe perioada testării;

Studiul EEG brut, variațiile acestora în mod express, raportate la un cadru controlat (cum este cel al susținerii unui test) poate pune la dispoziție un element de pattern. Dificultatatea utilizării acestui element este dată de faptul că este necesar ca pentru determinarea lui să se asigure de fiecare dată un mediu identic sau similar de obținere a semnalului EEG brut.

Acest tip de element poate fi utilizat în laboratoare/clinici/cabinete dar nu poate fi un element de pattern pentru medii de tip „free behaviour”sau entertainment [Ștefan, Boboc, 2016].

S-au realizat măsurători pentru un lot de 17 adulți. Măsurătorile sunt realizate în timpul susținerii de către aceștia a unei expuneri la imagini cu conținut neobișnuit și care poate fi considerat ofensator, neclar, incert, anormal pe alocuri. S-a urmărit introducerea acestui tip de expunere în scopul creării unei posibile simulări de generator de stres raportat la conținutul expus. S-a urmărit măsurarea aspectelor de stres și cât de mult influențează acesta aspectul undelor EEG și variația semnalului brut EEG. Condițiile de evaluare au fost similare pentru candidați, încercând a se limita orice influență a unor factori externi perturbatori pentru a putea reliefa cât mai fidel comportamentul intern. Toată analiza este realizată pe semnalul brut EEG.

Evaluarea a constat în expunerea la imagini neobișnuite. Exemplificăm astfel de imagini pentru a se contura o idee asupra tipologiei acestei evaluări.

Figura 2.18 Mostre de expunere pentru test stress

Parte din comportamentul variațional al semnalului brut EEG (raw EEG) poate oferi o imagine asupra variației nivelului de atenție al unei persoane pe o anumită perioadă de timp și în anumite condiții strict controlate/determinate.

Figura 2.19 Variație semnal brut EEG – mostră subiect 1

Figura 2.20 Variație semnal brut EEG – mostră subiect 2

Tabelul 2.5 Centralizare variații semnal brut EEG – expunere la imagini – pe grup subiecți

S-a realizat o analiză grafică, interpretată în termeni de variații (+) și (-) pe perioada rulării expunerii;

Există subiecți pentru care s-a înregistrat „default error” la măsurare, motiv pentru care aceștia ies din studiul realizat (a fost lăsat în studiu doar ca termen de comparație);

La studiu au participat 9 bărbați (M) și 8 femei (F), din această perspectivă studiul fiind relevant în raportul M/F;

Sunt subiecți care manifestă puternice stări de stres în timpul expunerii și subiecți care manifestă calm și concentrare;

În cadrul semnalului EEG brut (raw EEG) este inclusă și componenta de atenție, variațiile EEG arătând în mod evident variații ale atenției și implicit manifestări și influente ale stresului în variațiile de atenție ale subiectului;

Analizând mediana datelor obținute din proces, putem considera că există 3 categorii de subiecți din punct de vedere al stresului manifestat în influențe ale atenției în cadrul expunerii la care au participat : a) puternic influențați de stres: 6 subiecți (peste 30,05% procent de variații); b) oarecum influențați de stres: 5 subiecți (peste 15% procent de variații); c) aproape neinfluențați de stres: 4 subiecți (sub 15% procent de variații);

Subiecții S9 și S16 prezintă cele mai mici influențe ale stresului asupra atenției pe perioada expunerii la polul opus fiind S1 și S3 care prezintă puternice influențe ale stresului asupra atenției pe perioada expunerii;

Studiul EEG brut (variațiile acestuia în mod expres), raportate la un cadru controlat (cum este cel al participării la o expunere) poate pune la dispoziție un element concret privind comportamentul nivelului de atenție. Dificultatatea utilizării acestui element este dată de faptul că este necesar ca pentru determinarea lui să se asigure de fiecare dată un mediu identic sau similar de obținere a semnalului EEG brut.

În continuare este prezentată metodologia proprie prin care am încercat să determin anumite elemente de pattern cerebral analizând comportamentul electric manifestat în variația nivelului de Atenție și Meditație în cadrul unor teste cu subiecți umani, copii și adulți.

La baza testelor efectuate stau sute de mii de linii ce conțin date și informații preluate direct de la senzorul EEG al căștii Neurosky MindWave, traduse în format .csv și apoi transformate și prelucrate în fișiere clasice excel. Fiecare linie excel finală conține informația defalcată sau compusă, funcție de cum a fost setată casca încă de la rularea testului respectiv.

Din punct de vedere tehnic, software-ul integrat al căștii permite separarea semnalului EEG pe tipuri de unde cerebrale și după caz îl poate reda ca un semnal compus unic.

Specific Neurosky, este faptul că prezintă separat componentele de Atenție și Meditație, prin interpretarea printr-un algoritm proprietar al semnalelor EEG și transpunerea lor într-o dimensiune scalată.

Metodele aplicate și utilizate se bazează pe analize grafice, pe variații de semnal ale componentelor atenție și meditație și pe comparații între diverse situații specifice ale aceluiași subiect sau ale unui grup de subiecți.

Consider că prin tipologia și selecția realizată, structura grupurilor analizate este reprezentativă ca și eșantion de masură și interpretare.

Prima aplicație practică se bazează pe semnalul spart, în timp ce aplicația a doua se bazează pe semnalul compus brut EEG (raw EEG).

Studiul EEG brut și analiza variațiilor acestuia în mod express, raportat la un cadru controlat (cum este cel al susținerii unui test) poate pune la dispoziție un element de pattern.

Dificultatatea utilizării acestui element de pattern este dată de faptul că este necesar că pentru determinarea lui să se asigure de fiecare dată un mediu identic sau similar de obținere, preluare și prelucrare a semnalului EEG brut.

Astfel tipul de element de pattern (care este puternic dependent de mediul de preluare) poate fi utilizat în laboratoare, cabinete și clinici dar nu poate constitui un element de pattern în medii de tip „necontrolat” sau “comportament liber”.

2.3 Aplicație concept – Simulator de scenarii militare utilizând BCI și VR

În urma analizei comportamentului subiecților în cadrul aplicațiilor practice realizate si descrise mai sus, am elaborat un concept inovativ de simulator pentru scenarii militare bazat pe intefața BCI și VR (realitatea virtuală).

Sistemul conceput are rolul de a furniza rapoarte complexe asupra parcurgerii unor scenarii rulate prin dispozitive de realitate virtuală, pornind de la situații preluate din realitate, procesate în realitate virtuală.

Datorită posibilităților tehnologice avansate actuale, se pot realiza simulări aproape exacte ale realității.

Scopul unui astfel de simulator este să ofere șanse sporite oricărei misiuni în care este necesar a fi executate operațiuni precise, clare și pe baza cunoștințelor tehnico tactice detaliate din teren.

Un astfel de simulator, ar putea fi deosebit de important în practica de luptă a unor grupuri mici de soldați (trupe comando), care au misiuni precise care să nu facă victime colatarale și pagube materiale însemnate și doar să execute sarcini clare cu scop fix și concret.

Structura simulatorului propus se bazează pe rularea de scenarii de derulare a misiunii pe baza datelor preluate din teren sau din sisteme informatice civile și militare.

Noutatea conceptului este faptul că se adauga în simulator, un dispozitiv BCI care are rolul de a prelua datele EEG ale participantului la simulare și de a la stoca și interpreta la nivelul sistemului tehnic integrat. Avantajul utilizării BCI este ca plecând de la datele EEG prin analiza comportamentului EEG în raport de situațiile la care subiectul este expus, acestea să fie procesate și utilizate în două scopuri concrete:

adaptarea scenariilor în timp real sau pentru simulări viitoare;

identificarea unor triggere, cu caracter pozitiv sau negativ ale subiectului participant la scenariu în vederea plasării acestuia într-o poziție cu randament maxim pentru misiune, atunci când scenariul cel mai plauzibil este pus în operă și devine scenariul de misiune reală (consemnate în rapoarte per utilizator);

În continuare este prezentată schema conceptuală a simulatorului și sunt prezentate principalele elemente componente.

Figura 2.21 Concept simulator scenarii militare utilizând BCI și VR

2.3.1 Componentele simulatorului de scenarii militare

Descriere Dispozitiv VR

Acest dispozitiv, unul de maximă actualitate, are rolul de a prezenta scenariile de realitate virtuală și de a le rula către utilizator.

Astfel de dispozitive au prețuri relativ scăzute, și se pot găsi pe piată ușor, fiind produse de ultimă generație. Printre cele mai cunoscute astfel de dispozitive se numară: HTC Vive, Playstation VR, Oculus Rift, Merge VR, Samsung Gear VR.

Dispozitivele sunt doar partea de interfață cu utilizatorulul/subiectul, procesarea informațiilor și transmiterea lor spre dispozitivul VR fiind realizată de Sistemul tehnic de calcul și analiză.

Descriere Dispozitiv BCI

Acest dispozitiv are rolul de a prelua semnalul EEG de la subiect/utilizator de a îl procesa primar și a îl transmite spre stocare către o bază de date (tehnologie ce poate fi hardware/software). Dispozitivele BCI sunt prezentate peste tot în această lucrare, dintre cele mai cunoscute și utilizate la acest moment fiind Neurosky Minset/Mindwave și Muse Interaxon.

Descriere Baza de date

Baza de date are rolul de a stoca informațiile primite de la dispozitivul BCI și de a le pune ulterior la dispoziție framework-ului software care rulează în cadrul Sistemului tehnic de calcul și analiză. Printre cele mai cunoscute tehnologii de baze de date, sunt MySql, SQL, PostgresSql, Oracle.

Descriere Sistem tehnic de calcul și analiză

Acest sistem este creierul și zona centrală a simulatorului, este denumit așa în mod generic, ansamblul sistemului fiind format din echipamente hardware (computere, servere, alte echipamente IT periferice), software de bază pentru functionarea hardware și aplicații specifice realizate în mod personalizat pentru diverse utilizări și scenarii.

În cadrul acestui sistem tehnic sunt realizate operațiuni de interpretare și prelucrare a datelor EEG de la dispozitivul BCI, sunt realizate și procesate scenarii VR pentru transmitere spre dispozitiv VR, sunt procesate informații preluate și transpuse în rapoarte de ieșire spre utilizatori și observatori umani, sunt adaptate și prelucrate în timp real scenariile pentru VR. În cadrul acestui sistem, o sursă importantă de intrare este baza pe care se construiesc scenariile VR. O astfel de sursă pot fi hărțile Google, imagini satelitare ale unui obiectiv, simulări 3D ale unor obiective, simulări 3D ale unor obiecte. În cadrul sistemului se produc calcule și analize ale datelor și sunt transmise informații în timp real spre cele două ieșiri din sistem: zona de raportare și dispozitivul VR.

Fluxul de funcționare al întregului simulator este dupa cum urmează: sistemul tehnic încarcă un scenariu VR, acest scenariu este transmis spre dispozitivul VR, utilizatorul receptionează scenariul, dispozitivul BCI începe măsurarea și preluarea semnalului EEG, semnalul EEG este preluat în baza de date, sistemul tehnic preia în manieră proprie semnalul EEG din baza de date îl prelucrează și functie de parametrii de lucru și de ajustările operatorilor sistemului în timp real produce după caz, la cerere două acțiuni, una de adaptare a scenariului și transmitere în buclă spre dispozitivul VR și o alta de menținerea în baza de date internă a informațiilor vitale pentru generarea unor rapoarte specifice la cerere sau pe baza unor setări de alertă sau de depășire a unor parametrii de control și observație. Partea de raportare este în sine un ansamblu complex și subiectul unei analize separate, la momentul implementării unui astfel de concept de simulator.

Avantajele utilizării unui astfel de sistem:

reducerea riscurilor de eșec ale misiunii în sensul pierderii de vieți omenești;

reducerea riscurilor de daune colaterale umane și materiale;

reducerea costurilor misiunilor;

eficientizarea alocării resurselor umane și materiale;

creșterea șansei de succes a misiunii;

creșterea eficienței tehnico-tactice a fiecărei echipe;

creșterea compatibilității pentru operare comună a membrilor echipei;

creșterea încrederii proprii și a încrederii în șansele de reușită ale misiunii.

2.4 Concluzii

În urma analizelor propriii realizate în cadrul cercetărilor (aplicațiilor practice), consider că un element de pattern EEG este acel tip de componentă/mecanism/metodă proprie internă care se reproduce de fiecare dată (aproape identic sau identic) atunci când este supusă la un set de stimuli identici în condiții de validare similare (context similar, condiții similare, fenomene similare, pași repetați în aceeași ordine, echipamente similare, etc).

Mai multe elemente de pattern EEG constituie pattern-ul EEG al fiecărui individ în parte.

Din primele concluzii și observații reiese că pattern-ul EEG al unei persoane este un element destul de sensibil, ba chiar poate deveni volatil în anumite condiții, fiind extrem de dependent de condițiile externe, modificări aparent minore ale contextului producând modificări relevante în comportamentul EEG și anulând practic structura de pattern identificată.

În aceste condiții de sensibilitate, o primă concluzie importantă este că are sens să analizăm și să luăm în calcul elementele de pattern doar pentru acele situații/contexte și medii unde stabilitatea este mare, sau să analizăm doar acele tipuri de elemente de pattern care s-au reprodus în marja de variație de-a lungul analizelor efectuate.

Astfel, în analizele realizării în cadrul cercetării am luat în calcul aspecte de natură evidentă cum ar fi oscilațiile de semnal EEG asupra cărora se poate face o estimare concretă, reală și cu sens.

Totodată am analizat două componente stabile și interpretate deja de echipamentul hardware al măsurării, anume semnalele procesate privind “atenția” și “meditația” așa cum sunt ele generate de senzorul EEG al căștii Neurosky. Procesarea acestor semnale se face prin integrarea hardware-software existent deja în tehnologia Neurosky.

Având în vedere că pentru “Atenție” și “Meditație” tehnologia proprie a căștii Neurosky face deja interpretarea pe o scară 1..100 a fiecărui segment de semnal EEG, am considerat valorile preluate ca fiind stabile și valide.

În acest sens, am utilizat în măsurători și analize inclusiv aspectul valoric al “atenției” și “meditației” ca puncte de referință pentru compararea anumitor comportamente cerebrale, în ideea în care având o scară stabilă unică de referință, analiza poate fi concludentă. Indiferent însă de metoda de procesare și de valorile de referință, toate analizele au fost făcute în sens de trenduri și comportamente ale unor seturi de date și nu au fost făcute în direcția indicării unor valori precise ca puncte de referință în raport cu un reper predeterminat.

Există anumite măsurători pentru care am utilizat semnalul brut EEG (raw EEG) compus, așa cum este el redat de senzorul de măsurare. În această direcție, măsurătorile au avut ca scop reliefarea unor comportamente de oscilație/variație ale semnalului și nu valori concrete ale acestuia. Trendurile unor seturi de date și frecvența oscilatorie, cât și gama de oscilații, au fost elemente la care m-am raportat pentru a trasa segmente de posibil pattern. Pe baza unor măsurători repetate am putut valida anumite informații din analizele concepute, însă sunt și elemente asupra naturii cărora nu s-a putut trage o concluzie certă.

Ca și regulă generală am concluzionat: constituirea unui pattern se poate face prin metoda îmbinării unor elemente subsecvente care împreună să dea o semnificație relevantă în termeni uzuali.

Constituirea unui element de pattern se poate considera inclusiv prin preluarea numărului de oscilații minim-maxim în cadrul unor măsurători repetitive relevante ale semnalului EEG filtrat de către software-ul specific al senzorului EEG în sensul descompunerii acestuia în “atenție” și “meditație”.

Constituirea unui element de pattern se poate considera inclusiv prin analiza variației procentuale în raportul de atenție pe perioade diferite de timp, cu condiția obligatorie și necesară a cunoașterii contextului de măsurare, având în vedere că elementul de pattern poate avea relevanță doar dacă se reproduce în context similar sau cât mai aproape de identic

Studiul EEG brut, variațiile acestora în mod express, raportate la un cadru controlat (cum este cel al susținerii unui test) poate pune la dispoziție un element de pattern. Dificultat ea utilizării acestui element este dată de faptul că este necesar ca pentru determinarea lui să se asigure de fiecare dată un mediu identic sau similar de obținere a semnalului EEG brut.

Acest tip de element de pattern (susținerea unui test pentru generarea unor condiții de comportament aparent predeterminat) poate fi utilizat în laboratoare/clinici/cabinete dar nu poate fi un element de pattern pentru medii de tip „free behaviour”sau entertainment.

Studiul EEG brut (variațiile acestuia în mod expres), într-un cadru controlat (precum cel al participării la o expunere) poate pune la dispoziție un element concret privind comportamentul nivelului de atenție. Dificultatatea utilizării acestui element este dată de faptul că este necesar ca pentru determinarea lui să se asigure de fiecare data un mediu similar ori identic de experimentare.

Cu privire la instrumentele de prelucrare utilizate, analizând cele 5 metode de procesare în domeniul frecvenței, putem concluziona că fiecare dintre ele este utilă într-un anumit context și în funcție de interesele de procesare.

Metodele de tip domeniu-frecvență nu pot furniza informații de calitate ridicată pentru unele semnale EEG, spre deosebire de metodele timp-frecvență care oferă calitate ridicată, dar nu pot oferi informații detaliate privind semnalele EEG.

Din aceste considerente ale aspectelor provenite din limitările instrumentelor și metodelor utilizate pentru preluare și procesare, este necesar ca pentru fiecare situație în parte și pentru fiecare necesar de procesare, să fie aleasă metoda potrivită în raport cu ieșirile așteptate/necesare.

Elementele de pattern pot fi clasificate ca fiind stabile și parțial stabile. Cele stabile sunt cele care se reproduc cu o rată de succes de peste 95% în condiții similare sau aproape similare, cele parțial stabile fiind cele care se reproduc cu o rată de succes de peste 60% în condiții de experimentare similare sau aproape similare. Acele elemente de pattern care nu se pot reproduce cu o rată de succes de minim 60% le considerăm complet volatile, neutilizabile și doar arbitrar asemănătoare.

Astfel, în urma cercetărilor proprii, orice element care prezintă o rată de reproducere în mediu controlat de minim 60% poate fi considerat element de pattern. Gradul de stabilitate de peste 95% certifică faptul că avem de-a face cu un element de pattern ce poate fi utilizat pe scară largă. Elementele de pattern parțial stabile sunt utilizabile la rândul lor, dar cu condiția că nu mai este neapărat relevantă o utilizare pe scară largă uniformizată și doar prin repere și referințe individuale sau ale unor grupuri omogene. Astfel, pentru punerea în valoare a elementelor de pattern parțial stabile se impune utilizarea unor metode de tip “algoritm în timp real de învățare/predicție” prin care un sistem software de analiză specializat ar putea “învăța” caracteristici individuale/pe grupuri omogene de subiecți și le-ar putea raporta la seturi de caracteristici cuprinse într-un reper specific.

Având în vedere caracteristicile generale ale componentelor EEG cât și varietatea metodelor de prelucrare și interpretare ale unor caracteristici ce ar putea determina elemente de pattern, este necesar ca pentru fiecare lot de subiecți analizați să se reia măsurătorile și interpretările de un număr suficient de mare de ori încât aspectele observate să devină relevante și clasificarea să aibă relevanță și stabilitate a concluziilor.

Crearea și punerea în uz a unui Simulator de scenarii militare utilizând BCI și VR aduce nenumărate beneficii și avantaje pe planul resurselor umane și materiale și sporește efectiv șansa realizării cu success a unor misiuni dificile. Dincolo de utilizarea sa militară, un astfel de sistem poate fi util și altor categorii de actori din zona civilă, cum ar fi forțele de ordine, pompierii, para-medicii și para-militarii.

Provocări/ bariere pentru continuarea cercetării prin astfel de aplicații:

– Extragerea informațiilor și caracteristicilor utile și de interes din semnalul brut EEG (raw EEG) achizitionat este o sarcina foarte dificila. Semnalele creierului sunt amestecate cu alte semnale care provin de la un set finit de activități ale creierului care se suprapun în timp și spațiu. Marea provocare este de a extrage modele relevante de semnale EEG produse de creier în fiecare secunda/la un interval de timp rezonabil.

– Semnalul nu este de obicei staționar și poate fi, de asemenea, distorsionat de artefacte precum electromiografie (EMG) sau electrooculografie (EOG).

– Reticența sistemului militar local în a adopta tehnici și dispozitive de luptă provenite din zona tehnologiilor IT.

Capitolul III

Aspecte matematice, statistice si tehnice de preluare, prelucrare si interpretare a semnalului EEG

Organismele vii sunt privite ca o sursă  continuă de semnale si este evocat pe baza modificării stărilor inițiale (farmacologică, stimulare electrică, stimulare mecanică).

Biosemnalul este vectorul informației biologice de proveniență variată reflectând manifestări fizico-chimică aferente unor activități ce antrenează biologicul.

Semnalele generate de biosisteme pot fi categorisite în: continue/discontinue, periodice/aperiodice.

3.1 Pași esențiali în procesarea unui semnal de tip biologic

3.1.1 ACHIZIȚIE

Achiziția de semnale ale creierului se realizează prin utilizarea diverselor metode non-invazive, cum ar fi Electroencefalografie (EEG), imagistică prin rezonanță magnetică funcțională (fMRI), Spectroscopie tip NIRS și Magneto encefalografie(MEG) (Laksmi, Prasad, Prakash, 2014).

A. EEG

EEG a fost înregistrată pe creiere de animal în 1875 de Richard Caton. EEG a fost

înregistrată pentru prima dată pe un creier uman de Hans Berger în 1929. EEG este cea mai utilizată metoda de achiziție semnal electric de la creier, datorită înaltei rezoluții temporale, siguranței și ușurinței de utilizare. Sistemul tip 10-20 electrozi standard de plasare pe scalp este utilizat în achiziția semnalului EEG. EEG are rezoluția spațială scăzută și este non-stațională în natură. Semnalele EEG sunt sensibile la artefacte cauzate de clipiri, mișcări ale ochilor, emoții (Liu, Sourina, 2011), activități musculare și interferențe de la liniile de alimentare.

B. fMRI

Tehnologia fMRI, în general, este folosită în laboratoarele clinice. fMRI face uz de

nivelul de hemoglobină cunoscut sub numele de nivelul oxigenării sângelui (BOLD). Este nevoie de mai multe configurații tehnice costisitoare. Însă metoda este importantă deoarece oferă rezoluție temporală mare și rezoluție spațială sporită. Există timpi de

întârziere în procesul de colectarea datelor.

C. NIRS

Tehnologia NIRS are o rezoluție temporală scăzută și acest lucru poate împiedica

chiar ratele de transformare. Pentru a îmbunătăți ratele de transmisie, NIRS este combinat cu EEG și aceasta conduce la Hybrid BCI. NIRS, de asemenea, folosește BOLD pentru a estima clasificarea pe nivele de precizie. Este o metodă ieftină, dar prezintă performanțe

foarte scăzute în raport cu EEG.

D. MEG

Folosind tehnologia MEG, semnalele magnetice care sunt generate de activități

electrice ale creierului sunt capturate. Metodologia prevede interval de frecvență mai larg și rezoluție excelentă spațiotemporală, dar necesită echipamente costisitoate și de mari dimensiuni.

3.1.2 PRE-PROCESARE

După faza de achiziție a semnalului, semnalele trebuie să fie pre-procesate. Pre-procesarea unui semnal se mai numește și amplificarea sa.

În general, semnalele achiziționate de la creier sunt contaminate/afectate de zgomot și artefacte. Artefactele sunt clipirile, mișcarea ochilor (EOG), ritm cardiac (ECG). În plus față de acestea, mișcările musculare și liniile electrice sunt, de asemenea, amestecate cu semnalele creierului. Îndepărtarea artefactului se poate face cu ajutorul următoarelor metode: (CAR), (SL), (ICA), (CSP), (APC), (SVD), (CSSP), (Freq-Norm), (LAT), (CSSD) și altele. Cele mai frecvent utilizate metode sunt ICA, CAR, SL, PCA, CSP și filtrarea adaptivă.

3.1.3 EXTRAGERE COMPONENTĂ PRINCIPALĂ

După obținerea semnalelor libere de zgomot se poate trece la extragerea caracteristicilor esențiale ale semnalului (Kumar, 2004). Pentru extragerea componentei principale a semnalului EEG utilizăm metode cum ar fi AAR, AAR biliniară, AAR multivariată, transformata Fourier rapidă (FFT), PCA, ICA, algoritmi genetici (GA), transformări Wavelet (WT), pachete de descompunere Wavelet (WPD). Dintre acestea ICA, PCA, WT, AR, WPD, FFT sunt cele mai utilizate.

3.1.4 CLASIFICARE

După extracție, semnalele sunt clasificate, folosind diverse

clasificatoare. Diferite tipuri de clasificatoare includ clasificatoare liniare, Rețele neuronale artificiale (ANN), clasificatoare Bayesiene neliniare. Dintre acestea, clasificatoarele liniare și neliniare bayesiene sunt în mare parte utilizate în tehnologiile BCI.

Clasificatoarele liniare utilizează funcțiile liniare pentru a clasifica semnale în clase. Cele mai frecvent utilizate clasificatoare liniare sunt LDA și SVM; (Mirowski, LeCun, 2008).

1) LDA: LDA creează modele pe baza probabilității de densitate. LDA este ușor de utilizat și are cerințe de procesare foarte mici. Oferă rezultate bune. Pentru distribuții non-Gaussian LDA nu poate să păstreze structura complexă a datelor.

2) SVM: SVM este un clasificator liniar care este folosit de cele mai multe dintre aplicațiile BCI. SVM a fost dezvoltat de Vapnik și a fost determinat de teoria învățării statistice pe baza principiului reducerii la minim a riscului structural. SVM separă seturi de date prin decalaj. Se maximizează marja care este distanța dintre hiper plan și cele mai apropiate puncte ale fiecărei clase, numite vectori suport. Obiectivul acestei metode este de a oferi generalizare prin maximizarea performanțelor în paralel cu reducerea la minim a complexității modelului de învățat. Prin utilizarea SVM precizia medie de clasificare este de 87%. SVM are performanță și este o metodă de complexitate computațională mare.

Electroencefalograma (EEG) este un studiu al funcției cerebrale care reflectă activitatea electrică a creierului . Pentru a colecta semnal electric de la creier folosim electrozi plasați pe scalp; deseori se adaugă o pastă conductoare pentru a permite mai buna colectare a semnalului electric al creierului, care este la o scară de microvolți.

3.2 Artefacte

De cele mai multe ori semnalele electrice sunt rezultatul conversiei prin intermediul unor senzori a unor semnale neelectrice fizice, chimice, biologice. Nivelul semnalului electric, forma lui, modul de variație în timp ne oferă informații despre semnalul neelectric care a fost convertit (temperatură, presiune, viteză, semnale biologice provenite de la organismele vii, etc.). Zgomot reprezintă orice factor care poate influența în rău o cantitate pe care o măsurăm. Din punct de vedere al tehnicii de prelucrare a semnalelor, nu este atât de important nivelul (în sensul mărimii sale) zgomotului, pe cât este raportul dintre nivelul semnalului util și nivelul zgomotului (raportul semnal/zgomot). Zgomotele nu pot fi înlăturate total din procesul de măsurare a unui semnal, dar efectul lor perturbator poate fi diminuat în sensul îmbunătățirii raportului semnal/zgomot. Pentru a putea înțelege care sunt modalitățile de îmbunătățire a acestui raport, trebuie mai întâi să vedem care sunt tipurile cele mai importante de zgomote și care sunt sursele lor.

În timpul înregistrărilor semnalelor EEG, electrozii capturează interferențe electrice și diverse artefacte (zgomote). Aceste semnale se amestecă cu semnalul EEG și prin urmare semnalele sunt contaminate. Artefactele sunt semnale nedorite, care pot introduce modificări semnificative în semnalele neurologice și afectează în cele din urmă fenomenul neurologic.

3.2.1 Tipuri de artefacte

Artefactele au o influență considerabilă asupra semnalului EEG, acestea putând influența analiza fenomenului fiziologic. Există mai multe tipuri de artefacte, dintre acestea unele artefacte pot influența de exemplu banda de frecvență a undelor gamma. Un exemplu se regăsește în figura 3.1 unde se poate identifica un vârf ascuțit în jurul valorii de 50 Hz, acesta fiind cauzat de prezența unor artefacte de interferență electrică. În cazul de față este importantă eliminarea acestui artefact deoarece se suprapune peste banda de frecvență a undei gamma (25-60Hz). Dacă analizafenomenologică ar fi ținut de banda de frecvență alfa, acest vârf ar fi fost situat departe de benzile de frecvență alfa. Prin urmare, aceste artefacte nu ar fi influențat banda de frecvență a undelor alfa [Fatourechia, Bashashatia, 2007].

În tehnica de prelucrare a semnalelor EEG, respectiv eliminarea/reducerea

artefactelor, o importanță deosebită o constituie cunoașterea cauzei producerii artefactului și a caracteristicilor fenomenului fiziologic care se dorește a fi studiat.

Figura 3.1 Spectrul de frecvențe al unui semnal EEG. Banda de frecvență utilă este între 25-60 Hz.

Artefactele cele mai des întâlnite în literatură și care au o influență considerabilă

asupra traseelor EEG sunt:

Artefactele oculare (EOG) – sunt cauzate de mișcări ale ochilor, cum ar fi clipitul și mișcările globilor oculari. În figura 3.2 este ilustrat un segment de semnal EEG contaminat cu un artefact datorat clipirii. Figura 3.3 prezintă un segment de semnal EEG contaminat cu un artefact datorat mișcărilor globilor oculari. În analiza în frecvență, artefactele oculare cresc puterea semnalului EEG de la 2 Hz la 20 Hz. Din nefericire, majoritatea benzilor de frecvență și a analizei fenomenologice a traseelor EEG sunt afectate de prezența artefactelor oculare.

Figura 3.2 Spectrul de frecvențe al unui semnal EEG. Artefact ocular datorat clipirii

Figura 3.3 Spectrul de frecvențe al unui semnal EEG. Artefact datorat mișcărilor globilor oculari

Artefacte datorate discontinuității electrice – acest tip de artefacte apare ca urmare a modificările de contact dintre electrozi și scalp. În cazul în care subiectul face o mișcare a capului, electrozii de pe cască se vor deplasa pe scalp și acest lucru produce discontinuitate electrică, influențând calitatea înregistrării EEG. Mișcările de electrozi pot să apară cu viteze diferite și în direcții diferite, astfel încât forma artefactelor produse în urma discontinuității electrice variază foarte mult. În figura 3.4 este prezentat un segment din semnalul EEG contaminat ce prezintă un artefact datorat deplasării de electrod. În analiza în frecvență, artefacte datorate deplasărilor de electrozi cresc puterea semnalului EEG de la 0 Hz până în jur de 20 Hz [Wang, 2009].

Figura 3.4 Spectrul de frecvențe al unui semnal EEG. Artefact datorat discontinuității electrice

Artefacte musculare (EMG) – ca și creierul, mușchii generează, de asemenea, semnale electrice. Aceste semnale sunt culese de electrozi EEG și devin artefacte musculare. Artefactele musculare arată ca oscilațiile rapide descrise în figura 3.5. Semnalele EEG perturbate de către artefactele musculare au amplitudini mai mari decât semnalele EEG normale. Oamenii au un număr mare de mușchi în organism. Mișcărilor musculare ce se produc în apropierea electrozilor, cum ar fi strângerile de dinți, vor avea un impact imens asupra spectrului de putere al semnalelor EEG. De obicei, prezența de artefacte musculare în semnalele EEG va crește puterea semnalelor EEG, în banda de frecvență de la 5 Hz la aproximativ 20 Hz [Fatourechia, Bashashatia, 2007].

Figura 3.5 Spectrul de frecvențe al unui semnal EEG. Artefact datorat musculaturii

3.3 ASPECTE FUNDAMENTALE ALE PROCESĂRII SEMNALELOR EEG

Semnalele EEG se prezintă ca semnături ale activității neurale. Ele sunt preluate cu echipamente EEG cu electrozi multipli din interior de pe cortexul de sub cutia craniană, sau de pe scalp și pot fi înregistrate. Uzual acestea sunt prezentate în domeniul timp, dar diverse echipamente EEG actuale aplică constructiv metode simple de procesare a semnalelor precum Fourier pentru analiza frecvențelor. Unele dintre aceste echipamente sunt dotate cu unele instrumente de imagistică în scopul vizualizarii topografiilor EEG (hărți spațiale privind activitatea creierului).

Au fost dezvoltați diverși algoritmi pentru procesarea semnalelor de tip EEG.

Printre altele amintim urmatoarele metode:

– analiza domeniu-frecvență;

– analiza domeniu-timp;

– procesarea multimodală;

– analiza domeniu-spațial.

Au fost concepuți și dezvoltați algoritmi în scopul vizualizării activității cerebrale pe baza imaginilor reconstruite ale EEG. Separarea anumitor surse din componența EEG cu senzori multipli este în sine o arie de cercetare. Se poate astfel ajunge mai târziu la detectarea anomaliilor creierului în cazuri precum epilepsia și stabilirea unor surse corespunzătoare activității fizice și mentale diversificate.

Modelarea activității neurale este în principiu mai dificilă decât modelarea funcției și activitații oricărui alt organ din corp. Au fost propuse modele simple de generare de semnale. Astfel de modele simple au fost extinse în scopul includerii generării semnalelor EEG anormale.

Un domeniu important al cercetării este legat de identificarea și localizarea de surse de semnal provenite de la creier.

În vederea furnizării unor algoritmi de încredere privind localizarea surselor interne ale creierului este necesar a avea suficiente cunoștințe de propagare a undelor electromagnetice dar și despre exploatarea informației din semnalele măsurate, de separare și localizare a surselor interne ale creierului.

Cu privire la monitorizarea somnului, aceasta necesită procesarea în timp real a unor secvențe de tip EEG foarte lungi (de ordinul zilelor). EEG oferă informații de bază și unice privind creierul în timpul somnului; majoritatea activităților creierului în timpul somnului se pot capta utilizând algoritmi, precum procedeul de potrivire MP.

Mai mulți cercetători au fost implicați în detectarea, monitorizarea și predicția epilepsiei. Analiza unei serii de timp împreună cu aplicarea unei separări oarbe a surselor de semnal a condus către prezicerea epilepsiilor focale pe baza EEG. Totodată, aplicarea analizei domeniu-timp-frecvență în scopul detectării atacurilor epileptice la nou-născuți a generat un nou potențial de cercetare în acest domeniu.

3.3.1 Modelarea semnalului EEG

Cel mai probabil, cel dintâi model fizic este bazat pe modelul axonului de calamar al lui Hodgkin și Huzley, cu care au câștigat Premiului Nobel, publicat în 1952 [Benedek, Villars, 2000]. Axonul neural poate fi stimulat, iar canalele de sodiu (Na+) și potasiu (K+) de activitate produse în vecinătatea membranei celulare pot duce la excitarea electrică a axonului neural. Excitația apare din efectul potențialului de membrană asupra mișcării ionilor și din interacțiunile potențialului de membrană cu deschiderea și închiderea canalelor membranare de voltaj activate. Potențialul de membrană crește când membrana este polarizată cu o sarcină negativă netă pe suprafața interioară și cu o sarcină pozitivă netă egală dar opusă pe suprafața exterioară. Acest potențial poate fi legat pur și simplu de volumul de sarcini electrice Q, folosind relația:

(3.1)

în care:

– Q este exprimată în coulombi/cm2,

– este măsura capacității membranei în unități de farazi/cm2, iar E este exprimat în volți.

În practică, pentru a modela acțiunea de potențial (AP) numărul de sarcini Q+ de pe surpafața interioară și Q− de pe surpafața exterioară a membranei celulei, trebuie să fie corelat matematic cu curentul de stimulare Istim ce trece în interiorul celulei prin electrozii de stimulare. Potențialul electric (adesea numit forță electrică) E este calculat apoi folosind ecuația (3.1). Modelul Hodgkin și Huxley este ilustrat în Figura 3.6. În această imagine Imemb este rezultatul sarcinilor pozitive ce ies din celulă. Acest curent constă din trei curenți, respectiv Na, K și curenții de scurgere. Curentul de scurgere este datorat faptului că ionii de Na și K interni și externi nu sunt exact egali.

Hodgkin și Huxley au estimat funcțiile de activare și de inactivare ale curenților de Na și K și au derivat un model matematic pentru a descrie o AP similară cu aceea a unui calamar uriaș.

Figura 3.6 Modelul de excitare Hodgkin–Huxley

Acest model este un model neuronal ce utilizează canalele cu porți voltaice.

Versiunile spațiale ale modelului Hodgkin–Huxley pot fi descrise folosind patru ecuații diferențiale ordinare [SNNAP, 2003]. Acest model descrie modificarea potențialului de membrană (E) în timp [Ziv, Baxter, 1994]. Curentul de membrană total este suma curentului de capacitate și a curentului ionic, adică

(3.2)

unde Ii este curentul ionic și, așa cum e indicat în Figura 3.6, poate fi considerat ca suma celor trei componente individuale, curenții de Na, de K, și de scurgere:

(3.3)

poate fi corelat cu conductanța maximală , variabila de activare , variabila de inactivare și o forță conductoare prin:

INa = Naa3NahNa(E − ENa) (3.4)

În mod asemănător, IK poate fi corelat cu conductanța maximală gK, variabila de activare aK, variabila de inactivare aK, și o forță conductoare (E − EK) ca în

IK = KaK(E − EK) (3.5)

iar Iscurgere este corelat cu conductanța maximală gl și o forță conductoare (E − El) ca în

Il = l(E − El) (3.6)

Modificările variabilelor a Na, aK, și hNa variază de la 0 la 1 conform următoarelor ecuații:

(3.7)

(3.8)

(3.9)

unde α(E) și β(E) sunt respectiv funcțiile ratelor de înaintare și de înapoiere iar λt este un factor dependent de temperatură. Parametrii de înaintare si de înapoiere depind de voltaj și sunt estimați empiric de către Hodgkin și Huxley ca fiind

(3.10)

βNa(E) = 4e−(E+60)/18 (3.11)

αh(E) = 0.07e−(E+60)/20 (3.12)

(3.13)

(3.14)

βK(E) = 0.125e−(E+60)/80 (3.15)

Așa cum se arată în literatura privind Simulatorul Rețelelor Neurale și a Potențialelor de Acțiune (SNNAP) [SNNAP, 2003], parametrii α(E) și β(E) au fost convertiți de la versiunea originală Hodgkin–Huxley pentru a fi în acord cu practica fiziologică prezentă, în care depolarizarea membranei este luată ca pozitivă. În plus, potențialul de repaus a fost transformat la −60 mV (de la originalul 0 mV). Aceste ecuații sunt folosite în modelul descris în SNNAP. În Figura 3.7 a fost simulat un AP. Pentru acest model parametrii sunt setați la Cm = 1.1 uF/cm2, Na = 100 ms/cm2, K = 35 ms/cm2, l = 0.35 ms/cm2, și ENa = 60 mV.

Simularea poate ajunge să genereze o serie de potențiale de acțiuni, cum se întâmplă în practică în cazul semnalelor ERP. Dacă conductanța ionică maximală a curentului de potasiu, K, este redusă, modelul va arăta un potențial de repaus mai mare. De asemenea, pentru K = 16 ms/cm2, modelul va începe să prezinte un comportament oscilatoriu. Figura 3.8 arată rezultatul unui model oscilatoriu al Hodgkin–Huxley cu o conducanță de potasiu maximală redusă.

SNNAP poate de asemenea să modeleze neuroni pulsionali și generatori de tipare centrale. Aceasta rezultă din faptul că mulți neuroni prezintă activități de vârf ciclice urmate de o perioadă de inactivitate. Unele nevertebrate ca și neuronii mamiferelor sunt celule pulsionale și prezintă perioade alternante de comportament de vârfuri cu frecvență înaltă urmate de o perioadă de activitate fără vârf.

Un model mai simplu decât cel al lui Hodgkin–Huxley pentru simularea neuronilor pulsionali este modelul Morris–Lecar [Gerstner, Kistler, 2002]. Acest model este un model biofizic minimal, care în general prezintă un unic potențialul de acțiune.

Figura 3.7 Un singur AP ca răspuns la o stimulare tranzitorie bazat pe modelul Hodgkin–Huxley.

Timpul inițiat este la t = 0.4 ms și curentul injectat este 80 μA/cm2 pentru o durată de 0.1 ms. Parametrii selectați sunt Cm = 1.2 uF/cm2, Na = 100 mS/cm2, K = 35 ms/cm2, l = 0.35 ms/cm2, and ENa = 60 mV.

Figura 3.8 AP de la un model Hodgkin–Huxley oscilator cu conductanță maximală de potasiu.

Modelul Morris–Lecar a fost dezvoltat inițial pentru a descrie comportamentul celulelor musculare ale lipitorilor. Ecuațiile ce guvernează corelațiile dintre potențialul de membrană (E) și activarea potasiului wK și respectiv parametrii de activare sunt date ca

(3.16)

(3.17)

unde Ii este combinația a trei curenți ionici, de calciu (Ca), potasiu (K) și de scurgere (l), și, similar cu modelul Hodgkin–Huxley, sunt produsul conductanței maximale, componentelor de activare (cum ar fi aCa, ωK) și forței conductoare E. Modificarea ce apare la variabila de activare a potasiului ωK este proporțională cu funcția activării în stare constantă ωK(E) (o curbă sigmoidă) și cu o funcție constantă de timp τK(E) (o curbă în formă de clopot).

Aceste funcții sunt definite respectiv ca

(3.18)

(3.19)

funcția activării de stare-constantă aCa(E), implicată în calculul curentului de Calciu este definită ca

(3.20)

Asemănător curentului de sodiu din modelul Hodgkin–Huxley, curentul de calciu este un curent cu sens către interior. Întrucât curentul de activare a calciului este un proces rapid în comparație cu curentul de potasiu, este modelat ca o funcție instantanee. Aceasta înseamnă că este calaculată funcția stării constante aCa(E) pentru fiecare voltaj E. Curentul de calciu nu încorporează niciun proces de inactivare. Variabila de activare ωK din acest model este similară cu aK din modelul Hodgkin–Huxley, iar curenții de scurgere sunt aceiași pentru ambele modele [SNNAP, 2003]. O simulare a modelului Morris–Lecar este prezentată în Figura 3.9. Canalele de potasiu dependente de calciu sunt activate de calciul intracelular; cu cât este mai mare concentrația de calciu, cu atât este mai mare activarea canalului [SNNAP, 2003]. Pentru ca modelul Morris–Lecar să prezinte un comportament pulsional, trebuie să fie modificați cei doi parametri ai constantei timpului maximal și al curentului de input [SNNAP, 2003]. Figura 3.10 arată comportamentul pulsional al modelului Morris–Lecar. Caracteristicile de bază ale unui neuron pulsional sunt durata activității de vârf, frecvența potențialelor de acțiune în timpul unei pulsiuni și durata perioadei de liniște. Perioada unui eveniment de pulsiune integral este suma duratelor activă și de liniște [SNNAP, 2003].

Neuronii comunică unii cu alții prin sinapse, prin conexiunile axon-dendrită sau dendrită-dendrită, care pot fi excitatorii, inhibitorii sau electrice. Prin combinarea unui număr din modelele mai sus menționate poate fi construită o rețea neuronală. Rețeaua prezintă comportament oscilator datorită conectării sinaptice dintre neuroni.

Figura 3.9 Simularea unui AP în modelul Morris–Lecar

Parametrii modelului sunt:

Cm = 22 uF/cm2, Ca = 3.8 ms/cm2, K = 8.0 ms/cm2, l = 1.6 ms/cm2, ECa = 125 mV, EK =−80 mV, El = −60 mV, λt = 0.06, hCa = −1.2, și Sm = 8.8

Figura 3.10 O ilustrare a comportamentului de puls ce poate fi generat de modelul Morris–Lecar

Îndată ce un neuron declanșează un AP este produs un curent sinaptic. Acest curent stimulează neuronul conectat de primul neuron și poate fi modelat printr-o funcție alfa multiplicată de o conductanță maximală și o forță conductoare ca în

(3.21)

unde

(3.22)

și t este latența sau timpul de la declanșare a curentului sinaptic, u este timpul necesar atingerii amplitudinii de vârf, Esyn este potențialul de retur sinaptic, iarsyn este conductanța sinaptică maximală. Parametrul u modifică durata curentului, în timp cesyn modifică puterea curentului. Aceste aspecte concluzionează prezentarea modelării AP.

Întrucât natura surselor EEG nu poate fi determinată direct din semnalele electrozilor, mulți cercetători au încercat să modeleze aceste procese pe baza informațiilor extrase folosind tehnicile de procesare a semnalelor. Metoda predicției lineare, descrisă în secțiunile următoare ale acestui capitol este frecvent utilizată pentru a extrage o descriere parametrică.

3.3.2 Procesarea semnalelor

3.3.2.1 Modele lineare

Metoda predicției

Obiectivul principal al utilizării metodelor de predicție este găsirea parametrilor de model ce descriu cel mai bine sistemul de generare a semnalelor. Asemenea modele în general necesită un input de tip zgomot. În modelarea autoregresivă (AR) a semnalelor, fiecare probă a unuei măsurări EEG de canal unic este definită ca fiind corelată linear cu privrire la un număr din alte probe ale sale anterioare, adică

(3.23)

unde ak, k = 1, 2, . . . , p, sunt parametri lineari, n arată proba de timp discret normalizată la unitate, iar x(n) este inputul de zgomot. În modelul predictiv liniar al unei medii mișcătoare autoregresive (ARMA) fiecare probă este obținută pe baza unui număr de valori de probe de intrare și ieșire anterioare, adică

(3.24)

unde, k = 1, 2, . . . , q, sunt parametri lineari adiționali. Parametrii p și q sunt ordinele modelului. Criteriul Akaike poate fi utilizat pentru a determina ordinul modelului potrivit al semnalului de măsruare prin minimizarea următoarei ecuații cu privire la ordinul modelului:

(3.25)

unde i și j reprezintă ordinele modelului AR și respectiv MA (media mișcătoare) presupuse, N este numărul de probe de semnal, iar σ2ij este puterea zgomotului din modelul ARMA la stadiile i și j. Mai târziu în acest capitol vom arăta cum sunt estimați parametrii de model fie direct fie prin aplicarea unor tehinci de optimizare iterative.

Într-o abordare AR (MVAR) multivariată este luată în considerare o schemă cu canale multiple. Ca urmare, fiecare probă de semnal este definită atât față de probele sale anterioare cât și față de probele anterioare ale celorlalte canale, adică, pentru canalul i,

(3.26)

unde m reprezintă numărul de canale și xi(n) reprezintă inputul de zgomot în canalul i. În mod similar, parametrii de model pot fi calculați iterativ pentru a minimiza eroarea dintre valorile de fapt și cele prezise.

Aceste modele lineare vor fi descrise mai târziu în acest capitol, iar unele dintre aplicațiile lor sunt discutate în alte capitole. Pentru a găsi eficient coeficienții de model, au fost dezvoltați diverși algoritmi. Prin metoda estimării celei mai probabile maxime (MLE) [Akay, 2001]funcția probabilității este maximizată peste parametrii de sistem formulați din semnalele de input presupuse reale, distribuite Gaussian și suficient de lungi, de aproximativ 10 – 20 de secunde (considerând o frecvență a probei de fs = 250 probe/s cum este des utilizat în înregistrările EEG). Utilizând metoda Akaike, gradientul erorii pătrate este minimizat folosint abordarea Newton-Raphson aplicată la ecuațiile rezultantei nonlineare [Akay, 2001]. Aceasta este considerată ca o aproximare a abordării MLE. În metoda Durbin [Durbin, 1959] ecuațiile Yule–Walker, ce corelează coeficienții model la autocorelarea semnalelor, sunt rezolvate iterativ. Abordarea și rezultatele sunt echivalente celor ce folosesc o schemă bazată pe cel mai mic pătrat. Coeficienții MVAR sunt adesea calculați folosind algoritmul Levinson–Wiggins–Robinson (LWR) [Morf, Vieria, 1978]. Modelul MVAR și aplicațiile lui în ilustrarea așa numitei funcții de transfer direct (DTF), precum și utilizarea lui în cuantificarea propagării semnalului în creier, vor fi prezentate în secțiunea următoare. După ce sunt estimați parametrii, filtrul de sinteză poate fi excitat cu zgomotul staționar cu sens larg pentru a genera probele de semnale EEG. Figura 3.11 ilustrează sistemul simplificat.

3.3.2.2 Metoda lui Prony

Metoda Prony a fost utilizată anterior pentru a modela potențiale de ecou (EPs) [Demiralp, Ademoglu, 1992]. Pe baza acestui model, un EP, care este obținut prin aplicarea unei stimulări scurte audio sau vizuale asupra creierului, poate fi considerat ca impulsul de răspuns al unui sistem de răspuns cu impuls infinit linear (IIR).

Figura 3.11 Un model linear pentru generarea semnalelor EEG

Încercarea originală în acest domeniu a fost aceea de a găsi un model sinusoidal amortizat exponențial care să fie potrivit datelor. Această metodă a fost mai târziu modificată pentru semnalele sinusoidale ale modelului. Metoda lui Prony este utilizată pentru a calcula parametrii de predicție lineară. Unghiurile polilor în planul z al filtrelor LP construite sunt apoi corelate cu frecvențele sinusoidelor amortizate ale termenilor exponențiali folosiți pentru modelarea datelor. În consecință, atât amplitudinea exponențialelor cât și faza inițială pot fi obținute urmând metodele folosite pentru modelul AR după cum urmează.

Pe baza metodei originale se poate considera că outputul unui sistem AR cu excitație zero poate fi corelat cu IR sau ca în

(3.27)

unde y(n) reprezintă probele de date exponențiale, p este ordinul de predicție,wj = Aj ejθj ,

rk = exp[(αk + j2πfk)Ts], Ts este perioada probei (perioada de eșantionare) normalizată la 1, Ak este amplitudinea exponențialei, αk este factorul de amortizare, fk este frecvența sinusoidală de timp-discret în probe/s, iar θj este faza inițială în radiani. De aceea, coeficienții modelului sunt calculați mai întâi folosind una din metodele menționate anterior în această secțiune, adică a = −Y−1, unde

(3.28)

unde a0 = 1. Outputul filtrului de predicție, pe baza ecuației (3.27), y(n) este calculat ca suma ponderată a valorilor trecute p ale lui y(n) și sunt estimați parametrii fk și rk.

Deci, factorii de amortizare sunt obținuți ca

αk = ln |rk| (3.29)

iar frecvențele de rezonanță sunt

(3.30)

unde Re(.) și Im(.) denotă părțile reale și corespunzător imaginare ale unei cantități complexe.

Parametrii wk sunt calculați folosind faptul că sau

(3.31)

În formă vectorială, aceasta poate fi ilustrată ca Rw = y, unde [R]k,l = , k = 0, 1, . . . ,p −1, l = 1, . . . , p, fiind elementele matricei din ecuația de mai sus. Ca urmare, w = R−1y, presupunând că R este o matrice de rang complet, adică nu există poli repetați. Deseori, aceasta se obține pur și simplu prin aplicarea algoritmului de descompunere Cholesky [Lawson, Hanson, 1974].

În sfârșit, folosind wk, sunt calculate amplitudinea și fazele inițiale astfel:

Ak = |ωk| (3.32)

și

(3.33)

În soluția de mai sus s-a considerat că numărul de probe de date N este egal cu

N = 2p, unde p este ordinul de predicție. Pentru cazurile în care N >2p poate fi obținută o soluție a celui mai mic pătrat (LS) pentru w astfel

w = (RHR)−1RHy (3.34)

unde (.)H arată transpunerea conjugată. Această ecuație poate fi rezolvată și folosind motoda descompunerii Cholesky. Pentru date reale cum sunt semnalele EEG ecuația se schimbă în w = (RTR)−1RTy, unde (.)T reprezintă operația de transpunere.

Un rezultat similar poate fi obținut folosind analiza componentei principale (PCA) [Akay, 2001].

În cazurile în care datele sunt contaminate de zgomot alb, performanța metodei lui Prony este rezonabilă. Totuși, pentru zgomotul non-alb informația zgomotului nu este ușor de separat de date și de aceea metoda poate să nu aibă suficient succes. Într-un capitol ce va urma în această lucrare se va vedea că algoritmul lui Prony a fost utilizat în modelarea și analiza potențialelor de ecou audio și vizual (AEP și VEP) [Bouattoura, Gaillard, 1996].

Modelarea Nonlineară

O abordare similară cu mdelarea AR sau MVAR în care probele de output sunt corelate nonlinear cu probele anterioare poate fi urmărită pe baza metodelor dezvoltate pentru prevederea creșterilor financiare în studiile economice. Prin metoda heterodispersabilității condiționale autoregresive generalizate (GARCH) [Dacorogna, Muller, 1998] fiecare probă corelează cu probele sale anterioare printr-o funcție nonlineară (sau sumă de funcții non lineare). Acest model a fost inițial introdus pentru volatilitatea variabilă în timp (premiată cu Premiul Nobel în Științe Economice în 2003). Nonlinearitățile în timp sunt arătate cu ajutorul testelor McLeod-Li [McLeod, Li, 1983] și BDS (Brock, Dechert, and Scheinkman) [Brock, Hsieh, LeBaron, 1992]. Totuși, ambele teste au o abilitate slabă de a revela tipul real de dependență nonlineară.

În general, nu este posibil de distins dacă nonlinearitatea este de natură deterministică sau stochastică și nici nu se poate face o distincție între dependențele multiplicative și cele aditive. Tipul de nonlinearitate stochastică poate fi determinat pe baza testului Hseih [Hsieh, 1989]. Atât dependențele aditive cât și cele multiplicative pot fi discriminate prin folisirea acestui test. Totuși, testul în sine nu este utilizat pentru a obține parametrii de model.

Considerând că inputul într-un sistem nonlinear este u(n) iar semnalul generat ca output al unui asemenea sistem este x(n), o clasă limitată de modele nonlineare potrivite pentru analiza unui asemenea proces este dată de

x(n) = g(u(n − 1), u(n − 2), . . .) + un h(u(n − 1), u(n − 2), . . .) (3.35)

Dependența multiplicativă înseamnă nonlinearitatea în varianță, care cere ca funcția

h(.) sa fie nonlineară; dependența aditivă, pe de altă parte, înseamnă nonlinearitatea în mediană, ceea ce este valabil dacă funcția g(.) este nonlineară. Media statistică conițională și varianța sunt respectiv definite ca

E[x(n)|χn−1] = g(u(n − 1), u(n − 2), . . .) (3.36)

și

Var[x(n)|χn−1] = h2(u(n − 1), u(n − 2), . . .) (3.37)

unde χn−1 conține toată informația trecută până la momentul n − 1. Modelul GARCH(p, q) orignal, unde p și q sunt ordinele de predicție, ia în considerare cazul mediei zero, adică g(.)=0.

Dacă e(n) reprezintă semnalul rezidual (eroarea) folosind sistemul de predicție de mai sus, atunci

(3.38)

unde αj și βj sunt coeficienții de model nonlinear. Al doilea termen (prima sumă) din partea dreaptă corespunde unui termen de zgomot dinamic de medie mișcătoare (MA) de ordinul q iar al treilea termen (a doua sumă) corespunde unui model autoregresiv (AR) de ordinul p.

Se vede că varianța condițională curentă a rezidualului la proba de timp n depinde atât de valorile probelor sale anterioare cât și de varianțele anterioare.

Deși în multe aplicații practice, cum sunt prognozele prețurilor acțiunilor, ordinele p și q sunt setate la valori fixe mici cum ar fi (p, q) = (1, 1), pentru o modelare mai exactă a semnalelor naturale, cum sunt semnalele EEG, ordinele trebuie să fie determinate matematic. Coeficienții de predicție pentru diferite modele GARCH sau chiar funcțiile nonlineare g și h sunt estimate recursiv ca pentru modelele ARMA [Dacorogna, Muller, 1998].

În mod clar, asemenea modele GARCH simple sunt potrivite doar pentru dependența nonlineară multiplicativă. În plus, dependențele aditive pot fi captate prin extinderea abordării modelării la clasa de modele GARCH-M (GARCH-medie-internă) .

O altă limitare a modelului GARCH simplu de mai sus este eșuarea în adaptarea la asimetriile semnului. Aceasta se întâmplă deoarece în ecuațiile de actualizare este folosit pătratul reziduului. Mai mult, modelul nu poate face față la tranzițiile rapide cum sunt vârfurile. Considerând aceste limitări, au fost propuse numeroase variante ale modelului GARCH. De exemplu, modelul a fost extins și rafinat pentru a include efectele asimetrice ale salturilor pozitive și negative cum ar fi modelul exponențial GARCH (EGARCH), Modelul Glosten, Jagannathan, și Runkle GARCH (GJR-GARCH), modelul pragului GARCH (TGARCH) , modelul puterii asimetrice GARCH (APGARCH) și modelul pătratic GARCH (QGARCH). În modelul EGARCH, de exemplu, ecuațiile de mai sus se modifică în

(3.39)

unde log[·] arată logaritmul natural. Această expresie logaritmică are avantajul de a împiedica varianța să devină negativă.

În aceste modele sunt definite diferite funcții pentru g(.) și h(.). De exemplu, în modelul EGARCH este calculat iterativ ca

h(n) = b + α1u2(n − 1)(1 − η(n−1)) + α2u2(n − 1)η(n−1) + κh(n−1) (3.40)

unde b, α1, α2, și κ sunt constante iar η(n) este o funcție indicator care este zero când u(n) este negativ și unu în rest.

În afara modelării semnalelor, metoda GARCH are multe alte aplicații, în unele lucrări recente [Galka, Yamashita, 2004] conceptul modelării GARCH a covarianței este combinat cu filtrarea Kalman pentru a obține un model mai flexibil privind spațiul și timpul pentru rezolvarea reciprocei. Multe metode intră în categoria metodelor celor mai mici pătrate impuse aplicând regularizarea Tikhonov [Tikhonov, 1992]. Localizarea surselor din creier utilizând informația EEG este un astfel de exemplu. Această tehnică a devenit cunoscută drept tomografia electromagnetică de joasă rezoluție (LORETA). Printre numereoasele opțiuni posibile pentru dinamica metodei GARCH, pentru estimarea secvențială a parametrului varianță al filtrului Kalman a fost utilizat EGARCH.

Metodele de mai sus sunt folosite pentru a modela datele existente, dar pentru a genera semnale EEG cu acuratețe trebuie construit un model foarte complex care să exploateze dinamica fiziologică și diversele activități mentale ale creierului. Un astfel de model ar trebui să încorporeze de asemenea, modificările semnalelor creierului datorate anomaliilor și debuturilor de boală. Secțiunea ce urmează tratează interacțiunea dintre diferitele componente ale creierului pentru stabilirea unui model mai realist de generare a semnalelor EEG.

Generarea semnalelor EEG pe baza modelării activtăților neuronale

Obiectivul acestei secțiuni este acela de a prezenta unele modele stabilite pentru generarea de EEG normale și a unora anormale. Modelele sunt în general nonlineare; unele au fost propuse pentru modelarea semnalului EEG normal și altele pentru EEG anormal.

A fost propus un model distribuit simplu constând dintr-un set de neuroni simulați, celule de releu talamocorticale și interneuroni care încorporează datele fiziologice și histologice limitate existente la acel moment. Ipotezele de bază au fost suficiente pentru a explica generarea ritmului alfa, adică a EEG în banda de frecvențe de 8–13 Hz.

Un model concentrat nonlinear general poate lua forma arătată în Figura 3.12. Deși modelul este analaog în natură, toate piesele sunt implementate în formă discretă. Acest model poate lua în considerare caracteristicile majore ale unui model distribuit și este ușor de investigat rezultatul în zona influențelor excitatorii și inhibitorii ale celulelor releu talamocorticale și a interneuronilor.

Figura 3.12 Un model concentrat nonlinear pentru generarea activității ritmice ale semnalelor EEG

În acest model (unde he(t) și hi(t) sunt potențialele postsinaptice excitatorii și inhibitorii, f (v) este în mod normal o funcție nonlineară simplifcată, iar Cis sunt respectiv parametrii de interacțiune reprezentând interneuronii și neuronii talamocorticali) este ilustrată o buclă de feedback incluzând potențialele postsinaptice inhibitorii, funcția nonlineară și parametrii de interacțiune C3 și C4. Celălalt feedback include în principal potențialele excitatorii, funcția nonlineară și parmetrii de interacțiune C1 și C2. Rolul neuronilor excitatori este acela de a excita unul sau doi neuroni inhibitori. Aceștia, în schimb, servesc la inhibarea unei colecții de neuroni excitatori. Astfel, circuitul neural formează un sistem de feedback. Inputul p(t) este considerat ca un semnal de zgomot alb. Acesta este un moel general; adesea sunt necesare mai multe ipoteze pentru a perminte generarea de semnale EEG pentru cazurile anormale. De aceea, funcția f (v) se poate modifica pentru a genera semnalele EEG pentru diverse anomalii ale creierului. În mod corespunzător, pot fi variați și coeficienții Ci. În plus, outputul depinde de zgomotul de mediu și de măsurare. În unele modele, cum este modelul EEG local (LEM) zgomotul a fost considerat ca o componentă aditivă în output.

Figura 3.13 arată modelul LEM. Acest model utilizează formula lui Wilson și Cowan [Wilson, Cowan, 1972]care au furnizat un set de ecuații pentru a descrie activitatea globală (nu EEG în mod specific) într-un cartel de neuroni excitatori și inhibitori cu un număr mare de interconexiuni. Similar, în LEM, ritmurile EEG se presupun a fi generate de populații distincte de neuroni, care au proprietăți selective de frecvență. Aceste populații sunt formate prin interconectarea neuronilor individuali și se presupune că sunt conduse de un input întâmplător. Caracteristicile modelului, cum este interconectivitatea neurală, răspunsul puls al sinapsei și pragul de excitație sunt prezentate de parametrii modelului LEM. Modificările acestor parametri produc ritmurile EEG relevante.

Figura 3.13 Modelul EEG local (LEM)

Neuronii releu talamocorticali sunt reprezentați prin două sisteme lineare având răspunsuri de impuls he(t ), pe ramura de sus și potențial postsinaptic inhibitor de hi(t ). Nonlinearitatea acestui sistem este notată fe(v), reprezentând procesul generator de vârfuri. Activitatea interneuronilor este reprezentată printr-un alt filtru linear he(t ) pe ramura de jos, care în general poate fi diferit de primul sistem linear și o funcție de nonlinearitate fi(v). Ce și Ci reprezintă respectiv numărul de celule de interneuroni și neuronii talamocorticali.

Notațiile ‘e’ și ‘i’ se referă la excitator și respectiv inhibitor. Inputul p(t) este presupus a rezulta din însumarea unei serii distribuite la întâmplare de potențiale întâmplătoare care conduc celulele excitatorii ale circuitului, producând semnalul continuu EEG de fond. Asemenea semnale își au originea într-o altă declanșare spontană mai profundă a sistemului nervos central. În model, numărul mediu de inputuri într-un neuron inhibitor de la neuronii excitatori este desemnat prin Ce și numărul mediu corespunzător de la neuronii inhibitori la fiecare neuron excitator în parte este Ci. Diferența dintre două exponențiale de descompunere este utilizată pentru modelarea fiecărui potențial postsinaptic he sau hi:

he(t) = A[exp(−a1t) − exp(−a2t)] (3.41)

hi(t) = B[exp(−b1t) − exp(−b2t)] (3.42)

unde A, B, ak, și bk sunt parametri constanți, care controlează forma undelor de puls. Potențialele de membrană au legătură cu densitățile pulsului axonal prin intermediul funcțiilor prag statice fe și fi. Aceste funcții sunt în general nonlineare, dar pentru a ușura manipulările ele sunt considerate lineare pentru fiecare interval de timp scurt. Folosind modelul, ritmurile normale ale creierului, cum ar fi unda alfa, sunt considerate ca zgomot filtrat. Principala problemă a unui asemenea model este datorată faptului că numai un canal EEG este generat și nu există modelare pentru relațiile inter-canelare. De aceea, trebuie să fie definit un model mai exact, pentru a permite simularea unui sistem de generare EEG multicanal. Aceasta este încă o chestiune deschisă și rămâne o arie de cercetat.

3.3.2.3 Nonlinearitatea Mediului

Capul, ca mediu de lucru, combină semnalele EEG care sunt generate local în creier la pozițiile senzorilor. Ca sistem, capul poate fi mai mult sau mai puțin susceptibil la asemenea surse în diferite situații. În general, un semnal EEG poate fi considerat ca output al unui sistem nonlinear, care poate fi caracterizat deterministic.

Schimbările metabolismului creierului ca rezultat al fenomenelor biologice și fiziologice din corpul uman pot modifica procesul de amestecare. Unele dintre aceste modificări sunt influențate de activtatea creierului însuși. Aceste efecte fac sistemul nonlinear. Analiza unui asemena sistem este foarte complicată și până acum nimeni nu a modelat complet sistemul pentru a veni în ajutorul analizei semnalelor creierului.

Pe de altă parte, unele măsuri împrumutate din teoria haosului și analiza dinamicii seriei timp cum sunt disimilaritatea, dimensiunea tractor și cei mai mari exponenți Lyapunov (LLE) pot caracteriza comportamentul nonliner al semnalelor EEG.

3.3.2.4 Nonstaționaritatea

Nonstaționaritatea semnalelor poate fi cuantificată prin măsurarea unor statistici ale semnalelor la diferite intervale de timp. Semnalele pot fi considerate staționare dacă nu există variație considerabilă în statistici.

Deși în general distribuția EEG multicanal este considerată o gaussiană multivariată, proprietățile medianei și covarianța se modifică în general de la segment la segment.

Din acest motiv, EEG sunt considerate staționare numai pe intervale scurte, adică cvazistaționare. Ipoteza gaussiană se verifică în timpul unei stări normale a creierului, dar în timpul activităților fizice și mentale această ipoteză nu este valabilă. Unele exemple de nonstaționaritate a semnalelor EEG pot fi observate în timpul schimbărilor de stare de alertă și de stare de veghe (unde există oscilații alfa mai puternice), în timpul clipitului, în timpul tranzițiilor între diferite stări ictale și în cazul semnalelor de potențial de eveniment (ERP) și de potențial eco (EP).

Modificarea distribuției segmentelor de semnal poate fi măsurată atât în parametri ai unui proces gaussian cât și ca deviație a distribuției de la curba Gaussiană. Non-gaussianitatea semnalelor poate fi verificată măsurând sau estimând unele momente de ordin mai înalt cum sunt gradul de înclinare, coeficientul Kurt, negentropia și distanța Kulback–Laibler(KL).

Gradul de înclinare este o măsură a simetriei sau, mai precis, a lipsei simetriei distribuției. O distribuție, sau set de date, este simetrică dacă arată la fel la stânga și la dreapta față de punctul central. Gradul de înclinare pentru un semnal real este definit ca

(3.43)

unde μ și σ sunt media și respectiv deviația standard, iar E denotă expectanța statistică. Dacă distribuția este mai mult la dreapta față de punctul mediu, gradul de înclinare este negativ și vice versa. Pentru o distribuție simetrică precum cea gaussiană, gradul de înclinare este zero.

Coeficientul Kurt este o măsură indiferent dacă datele sunt vârfuite sau plate relativ la o distribuție normală; adică seturi de date cu coeficienți Kurt înalți tind să aibă un vîrf distinct lângă mediană, declină relativ repede și au urme importante. Seturile de date cu un coeficient Kurt scăzut tind să aibă un vârf plat lângă medie mai degrabă decât un vârf ascuțit. O distribuție uniformă ar fi cazul extrem. Coeficientul Kurt pentru un semnal real x(n) este definit ca

(3.44)

unde mi [x(n)] este momentul i central al semnalului x(n), adică mi [x(n)] = E[(x(n) −μ)i ]. Coeficientul Kurt pentru semnale cu distribuție normală este trei. De aceea, un coeficient Kurt de exces sau normalizat este folosit deseori și este definit ca

(3.45)

care este zero pentru semnalele distribuite gaussian. Adesea semnalele sunt considerate ergodice; deci mediile statistice pot fi presupuse identice cu mediile de timp și astfel pot fi estimate la mediile de timp.

Negentropia unui semnal x(n) [Cover, Thomas, 2001] este definită ca

(3.46)

unde, xGauss(n) este un semnal întâmplător gaussian cu aceeași covarianță ca și x(n) și H(.) este entropia diferențială [Cover, Thomas, 2001], definită ca

(3.47)

iar p[x(n)] este distribuția semnalului. Negentropia este întotdeauna nonnegativă.

Distanța KL dintre două distribuții p1 și p2 este definită ca

(3.48)

este clar că distanța KL este în general asimetrică, de aceea prin schimbarea poziței lui p1 și p2 în această ecuație, distanța KL se schimbă. Minimul distanței KL apare când

p1(x1(n)) = p2(x2(n)).

3.3.2.5. Segmentarea Semnalului

Adesea este necesară identificarea semnalelor EEG pe segmente cu caracteristici similare care au însemnătate în special pentru clinicieni și pentru evaluările neurofiziologilor.

În fiecare segment, semnalele sunt considerate staționare statistic, de obicei cu statistici de impedanță și frecvență similare. Ca exemplu, un EEG înregistrat la un pacient epileptic poate fi împărțit în trei segmente, preictal, ictal și postictal. Fiecare poate avea o durată diferită.

Figura 3.14 Un set EEG de semnale de atac tonic–clonic incluzând trei segment de comportament preictal, ictal și postictal

Figura 3.14 reprezintă o secvență EEG ce include toate aceste segmente.

În segmentarea unui EEG pot fie exploatate proprietățile de timp sau frecvență ale semnalelor. Aceasta conduce eventual la o măsurătoare a disimilarității notate cu d(m) între cadrele EEG adiacente, în care, este o valoare întreagă de indexare a cadrului iar diferența este calculată între al m-lea și al (m − 1)-lea cadru de semnal (consecutiv). Granița celor două segmente diferite este atunci definită ca granița dintre al m-lea și al (m-1)-lea dacă d(m) > ηT și ηT este un nivel de prag empiric. O segmentare eficientă este posibilă prin evidențierea și exploatarea efectivă a informației de diagnostic din semnale cu ajutorul clinicienilor specializați. Totuși, accesul la asemenea specialiști nu este întotdeauna posibil și de aceea, sunt necesare metode algoritmice. Un număr de măsuri de disimilaritate diferite pot fi definite pe baza fundamentelor procesării digitale ale semnalelor. Un criteriu se bazează pe autocorelațiile segmentului m, definit ca

rx(k,m) = E[x(n,m)x(n + k,m)] (3.49)

Funcția autocorelării cadrului m cu lungime N pentru un interval de timp presupus

n, n + 1, . . . , n + (N − 1) poate fi aproximat ca

(3.50)

Atunci criteriul este setat la

) (3.51)

Un al doilea criteriu poate fi bazat pe statisticile de ordin înalt. Semnalele cu distribuții mai uniforme, cum sunt ritmurile normale ale creierului au un coeficient Kurt scăzut, în timp ce semnalele de atac sau de potențialele de eveniment (semnale ERP) au adesea valori ridicate ale coeficientului Kurt. Coeficientul Kurt este definit ca și cumulantul de ordin patru la intervale de timp zero și este legat de momentele de ordinul al doilea și al patrulea. Un discriminant de nivelul al doilea d2(m) este atunci definit ca

(3.52)

unde m se referă la cadrul m al semnalului EEG x(n). Un al treilea criteriu este definit din măsura erorii spectrale a periodogramei. O periodogramă a cadrului m este obținută prin transformarea Fourier de timp discret a funcției de corelație a semnalului EEG

(3.53)

unde ˆrx(.,m) este funcția de autocorelație a cadrului m cum este definită mai sus. Criteriul este atunci definit pe baza periodogramei normalizate ca

(3.54)

Autocorelația probei fereastră de test pentru măsurarea atât a d1(m) cât și a d3(m) poate fi adaptată prin următoarea ecuație recursivă aplicată la fereastra test de mărime N:

(3.55)

și astfel complexitatea calculului poate fi redusă în practică. Un al patrulea criteriu corespunde energiei de eroare în modelarea bazată pe autoregresie (AR) a semnalelor.

Eroarea de predicție în modelul AR al cadrului m este pur și simplu definită ca

(3.56)

unde p este ordinul de predicție iar ak(m), k = 1, 2, . . . , p, sunt coeficienții de predicție.

Pentru un anumit p coeficienții pot fi găsiți direct (de exemplu metoda lui Durbin) asfel încât să fie minimizată energia semnalului de eroare (rezidual). În această abordare se presupune că cadrele de lungime N sunt suprapuse cu probă. Coeficienții de predicție estimați pentru cadrul (m − 1) sunt apoi utilizați pentru a prezice prima probă din cadrul m, care este notată ca ê(1,m). Dacă această eroare este mică, este probabil că statisticile cadrului m sunt similare cu cele ale cadrului (m – 1). Pe de altă parte, o valoare mare este probabil să indice o modificare. Un indicator pentru al patrulea criteriu poate fi atunci diferența dintre acest semnal de predicție, care dă un vârf la granița dintre segmente, adică

(3.57)

unde ∇m(.) este gradientul cu privire la m, aproximat printr-o operație de diferență de ordin prim. Figura 3.15 arată rezidualul și gradientul definiți în ecuația (3.57)

În sfârșit, un al cincilea criteriu d5(m) poate fi definit folosind un spectru pe bază de AR de semnale în același mod ca și reprezentarea frecvenței de termen scurt (STFT) la d3(m). Modelul AR de mai sus este un model univariat, adică modelează un EEG de canal unic. Un criteriu similar poate fi definit când sunt luate în considerare EEG cu canale multiple. În asemenea cazuri, este analizat un model AR multivariat (MVAR). MVAR poate fi folosit de asemenea pentru caracterizarea și cuantificarea propagării semnaluui în creier și este discutat în secțiunea ce urmează.

Deși criteriile de mai sus pot fi efectiv utilizate la segmentarea semnalelor EEG, pot fi definite sisteme mai bune pentru detectare anumitor anomalii. Pentru aceasta, trebuie identificate și folosite trăsăturile care descriu cel mai bine comportamentul semnalelor. Astfel problema segmentării devine o problemă de clasificare pentru care pot fi utilizați diferiți clasificatori.

Figura 3.15 (a) Un semnal EEG de atac incluzând segmentele preictal, ictal și postictal

Transpunerile semnalelor și analiza timp-frecventa

Dacă semnalele sunt staționare statistic este de bun simț să fie caracterizate în domeniul timp sau frecvență. Transpunerea domeniului frecvență al unui semnal de lungime finită poate fi găsită folosind transpuneri lineare cum sunt transpunerea Fourier (discretă) (DFT), transpunerea cosinus (discretă) (DCT), sau alte transpuneri semi-optimale, care au nuclee independente ale semnalului. Totuși, rezultatele acestor transpuneri pot fi degradate prin pete spectrle datorate ferestrelor de domeniu-timp pe termen scurt ale semnalelor și miezurilor de transpunere fixe. O transpunere optimă cum este transpunerea Karhunen–Lo´eve (KLT) necesită informații statistice, care pot să nu fie disponibile în practică. Metodele de estimare a spectrului paramentric cum sunt cele bazate pe modelarea AR sau ARMA pot fi îmbunătățite prin DFT în reprezentarea acurată a caracteristicilor domeniului-frecvență ale semnalului, dar pot suferi de estimarea deficitară a paramentrilor modelului în principal datorită lungimii limitate a semnalelor măsurate. De exemplu, pentru a modela EEG-uri folosind un model AR sunt necesare valori exacte ale ordinului și coeficienților de predicție. Un ordin de predicție înalt poate rezulta prin divizarea vârfurilor adevărate în spectrul de frecvențe iar un ordin de predicție scăzut rezultă din combinarea vârfurilor aflate în proximitate în domeniul de frecvență.

Pentru un model AR al semnalului x(n) eroarea sau semnalul conductor este considerat zgomot alb cu mediană zero. De aceea, prin aplicarea transpunerii -z la ecuația (3.56), scăzând indexul de blocaj m, și înlocuind z cu ejω rezultă

(3.58)

unde, E(ω) = Kω (constant) este spectrul de putere al zgomotului alb iar Xp(ω) este folosit pentru a nota spectrul de putere al semnalului. Deci,

(3.59)

iar parametrii Kω, ak, k = 1, . . . , p, sunt valorile exacte. În modelarea AR practică acestea ar fi estimate din măsurătorile lungimilor finite, astfel degradând estimarea spectrului. Figura 3.16 redă o comparație a spectrului unui segment EEG de aproximativ 1550 de probe ale unui EEG cu canal unic folosind atât analiza DFT cât și modelarea AR.

Fluctuațiile din rezultatul DFT arătate în Figura 3.16(b) sunt o consecință a inconsistenței statistice a tehnicilor de estimare spectrală a puterii asemănătoare periodogramei. Rezultatele obținute prin tehnica AR (Figura 3.16 (c)) depășesc această problemă dacă modelul se potrivește datelor reale. Semnalele EEG sunt adesea nonstaționare statistic, mai ales acolo unde este capturat un eveniment anormal în semnale. În aceste cazuri componentele domeniului frecvență sunt integrate pe parcursul intervalului de observație și nu prezintă cu acuratețe caracteristicile ale intervalului de observație. Soluția acestei probleme este o abordare timp-frecvență (TF).

În cazul EEG multicanale, unde poziția geometrică a electrozilor reflectă dimensiunea spațială, a devenit obișnuită analiza spațiu-timp-frecvență (STF) prin metode de procesare multimodale [Bro, 1998].

Figura 3.16 Spectru EEG canal unic: (a) un segment al semnalului EEG cu un ritm alfa dominant, (b) spectrul semnalului din (a) folosind DFT și (c) spectrul semnalului din (a) folosind modelul AR de 12 ordine

Transpunerea Fourier de timp scurt (STFT) este definită ca transpunerea Fourier de timp discret evaluată pe parcursul unei ferestre de glisare. STFT poate fi calculat ca

(3.60)

unde indicele de timp discret n se referă la poziția ferestrei ω(n). Prin analogie cu periodograma, o spectrogramă este definită ca

Sx(n,ω) = |X(n,ω)|2 (3.61)

Pe baza principiului incertitudinii, adică sunt respectiv variațiile domeniilor timp și frecvență, nu poate fi obținută o rezoluție perfectă atât în domeniul timp cât și în domeniul frecvență. Ferestrele sunt alese în mod tipic pentru a elimina discontinuitățile la marginile blocajelor și pentru a menține pozitivitatea estimării spectrului de putere. Alegerea are impact de asmenea asupra rezoluției spectrale a tehnicii rezultante, care, pentru a simplifica, corespunde separării de frecvență minime necesare pentru a rezolva două componente de frecvență cu amplitudini egale [Harris, 2004].

Figura 3.17 arată reprezentarea TF a unui segmenr EEG în timpul evoluției de la stadiile preictal la cel ictal și postictal. În această figură efectul rezoluției timpului a fost ilustrat folosind o fereastră Hanning cu durate diferite, 1 și 2 secunde. Este important faptul că în această figură se observă clar devierea frecvenței în timpul perioadei ictale.

Figura 3.17 Reprezentare TF a unei unde (a) pentru rezoluții diferite de timp folosind o fereastră Hanning cu durata de (b) 1 ms și (c) 2 ms

Transpunerea undei scurte

Transpunerea undei scurte (WT) este o alternativă de analiză timp-frecvență. Există deja o literatură de specialitate ce descrie în detaliu WT [Franaszczuk, Bergey, 1996].

Spre deosebire de STFT, miezul timp-frecvență pentru metoda pe bază de WT poate localiza mai bine componentele semnalului în spațiul timp-frecvență. Acest lucru exploatează eficient dependența dintre componentele timp și frecvență. Ca urmare, obiectivul principal al introducerii WT de către Morlet a fost mai aproape de a avea un timp de coerență proporțional cu perioada de eșantionare. Pentru a continua, să considerăm situația unui semnal de timp continuu.

3.3.2.6 Transpunerea undei scurte continue

Definiția Morlet–Grossmann a transpunerii undei scurte continue pentru un semnal unidimensional f (t) este

(3.62)

unde (.)* denotă conjugatul complex, ψ(t) este unda scurtă analizată, a(> 0) este parametrul de scală (invers proporțional cu frecvența), iar b este parametrul de poziție.

Transpunerea este lineară și este invariantă la translații și dilatații, adică

Dacă (3.63)

și

(3.64)

Ultima proprietate face ca transpunerea undei scurte să fie foarte potrivită pentru analiza structurilor ierarhice. Este similară unui microscop matematic cu proprietăți care nu depind de puterea de mărire. Se consideră o funcție W(a, b) care este transpunerea de undă scurtă a unei funcții date f (t). A fost demonstrat că f (t) poate fi aflată conform

(3.65)

unde

(3.66)

Deși adesea se consideră că ψ(t) = ϕ(t), alte variante ale ϕ(t) pot scoate în evidență anumite trăsături pentru unele aplicații specifice. Reconstrucția f (t) depinde de definirea lui Cφ (condiția de admisibilitate). Cazul lui ψ(t) = φ(t) implică (0) = 0; adică mediana funcției undei scurte este zero.

Exemple de unde scurte continue

Au fost definite diferite unde/unde scurte/miezuri pentru transpunerile undei scurte continui. Cele mai populare sunt redate mai jos.

Unda scurtă a lui Morlet este o undă scurtă complexă definită ca

(3.67)

Această undă scurtă poate fi descompusă în părțile sale constituente reale și imaginare ca

(3.68)

(3.69)

unde b0 este o constantă și se consideră că b0 > 0 pentru a satisface condiția de admisibilitate.

Figura 3.18 arată părțile reale și respectiv imaginare.

Pălăria mexicană definită de Murenzi et al. este

(3.70)

care este a doua derivată a unei unde gaussiene (vezi Figura 3.19).

3.3.2.7 Transpunerea undei scurte de timp-discret

Pentru a procesa semnale digitale este necesară o aproximare discretă a coeficienților de undă scurtă. Transpunerea undei scurte discrete (DWT) poate fi derivată în conformitate cu teorema eșantionării dacă este procesat un semnal cu bandă-limitată de frecvență.

Forma continuă a WT poate fi discreditată de unele considerații simple asupra modificării tiparului undei scurte prin dilatație. Întrucât în general funcția undei scurte ψ(t)nu este în bandă limitată, este necesară suprimarea valorilor componentelor de frecvență de deasupra jumătății de frecvență de eșantionare pentru a evita efectele de dublare (suprapunerea în frecvență).

Figura 3.18 Unda scurtă a lui Morlet: părți (a) reale și (b) imaginare

Figura 3.19 Unda scurtă pălărie mexicană

Un spațiu Fourier poate fi utilizat pentru a calcula transformarea scală cu scală. Numărul elementelor pentru o scală poate fi redus dacă este redusă și lățimea de bandă a frecvenței. Aceasta necesită o undă scurtă de bandă limitată. Descompunerea propusă de Littlewood și Paley furnizează o ilustrare foarte informativă a reducției elementelor scală-cu-scală.

Descompunerea este bazată pe o dihotomie de stadiu a benzii de frecvență. Unda scurtă asociată este bine localizată în spațiul Fourier, unde permite realizarea unei analize rezonabile, chiar dacă nu în spațiul original. Căutarea unei transpuneri discrete care să fie bine localizată în ambele spații conduce la o analiză de multi-rezoluții.

3.3.2.8 Analiza de Multirezoluție

Analiza de multirezoluție rezultă din subsistemele incorporate generate prin interpolațiile (sau dez-eșantionarea și filtrarea) semnalului la scale diferite. O funcție f (t) este proiectată la fiecare treaptă j în subsistemul Vj. Această proiecție este definită prin produsul scalar cj (k) al lui f (t) cu funcția de scalare φ(t), care este dilatată și translatată ca

(3.71)

unde reprezintă un produs intern și (t) are proprietatea

(3.72)

unde partea dreaptă este convoluția lui h și ϕ. Prin luarea trnspunerii Fourier a ambelor părți,

(3.73)

unde H(ω) și Φ(ω) sunt transpunerile Fourier ale lui h(t) și respectiv ϕ(t). Pentru un spațiu de frecvență discretă, (adică folosind DFT), ecuația de mai sus permite calcularea coeficientului undei scurte Cj+1(k) direct din Cj (k). Dacă se pornește de la C0(k) și toate Cj (k), cu j > 0, sunt calculate fără a calcula direct un alt produs scalar, atunci

(3.74)

unde k este indicele de frecvență discretă iar N este lungimea semnalului.

La fiecare traptă, numărul produselor scalare este împărțit la doi și în consecință semnalul este netezit. Utilizând această procedură este construită prima parte a bancului de filtrare. Pentru a restaura datele originale, Mallat folosește proprietățile undelor scurte ortogonale, dar teoria a fost generalizată la o clasă largă de filtre prin introducerea a altor două filtre ˜h și , numite și filtre conjugate. Restaurarea este realizată cu

(3.75)

unde ωj+1(.) sunt coeficienții de undă scurtă la scala j + 1 definită mai jos în această secțiune.

Pentru o restaurare exactă, trebuie să fie satisfăcute două condiții pentru filtrele conjugate:

Condiția dedublării:

(3.76)

Restaurarea exactă:

(3.77)

În descompunere, inputul este înfășurat succesiv cu formele domeniului timp ale celor două filtre H (frecvențe joase) și G (frecvențe înalte). Fiecare funcție ce rezultă este redusă prin suprimarea fiecărei a doua probe. Semnalul de frecvență înaltă este lăsat neatins, iar descompunerea continuă cu semnalul de frecvență joasă (partea stângă din Figura 3.20). În reconstrucție, eșantionarea este restaurată prin inserarea unui zero după fiecare probă; apoi sunt aplicate filtrele conjugate ˜H și ˜G rezultatele sunt adunate și suma este multiplicată de 2 ori. Reconstrucția continuă până la cea mai mică scală (partea dreaptă a Figurii 3.20). Undele scurte ortogonale corespund cazului restrâns în care

(3.78)

(3.79)

(3.80)

și

(3.81)

Figura 3.20 Bancul de filtrare asociat cu analiza de rezoluție multiplă

Se poate vedea cu ușurință că acest set satisface cele două relații de bază (3.76) și (3.77). Printre variate unde scurte, undele scurte ale lui Daubechie sunt singurele soluții compacte care satisfac condițiile de mai sus. Pentru undele scurte biortogonale, atunci

(3.82)

(3.83)

și

(3.84)

Relațiile (3.76) și (3.77) trebuie să fie și ele satisfăcute. Pot fi utilizate o categorie mare de funcții de unde scurte compacte. Au fost propuse multe seturi de filtre, în special pentru encodare [Vetterli, Kova, 1995].

A fost demonstrat că alegerea acestor filtre trebuie să urmărească regularitatea scalării și funcțiile undelor scurte. Complexitatea este proporțională cu N. Algoritmul furnizează o piramidă de N elemente.

3.3.2.9 Transpunerea undei scurte utilizând transpunerea Fourier

Se consideră produsele scalare pentru unde scurte continue. Dacă ϕ (t) este banda limitată la jumătate din frecvența eșantionată, datele pot fi eșantionate corect. Datele pentur rezoluția j = 1 sunt

(3.85)

și setul c1(k) poate fi calculat din c0(k) cu un filtru de timp discret cu frecvența răspuns H(ω):

(3.86)

și pentru ∀ω și ∀ integru m

H(ω + m) = H(ω) (3.87)

De aceea, coeficienții la scala următoare pot fi găsiți din

Cj+1(ω) = Cj (ω)H(2j ω) (3.88)

Frecvența de întrerupere este redusă cu un factor 2 la fiecare treaptă, permițând reducerea numărului de probe cu acest factor. Coeficienții de undă scurtă la scala j + 1 sunt

(3.89)

și pot fi calculați direct din Cj prin

Wj+1(ω) = Cj (ω)G(2j ω) (3.90)

unde G este următorul filtru de timp discret:

(3.91)

și pentru ∀ω și ∀ integru m

G(ω + m) = G(ω) (3.92)

Banda de frecvență este de asemenea redusă cu un factor de doi la fiecare treaptă. Aceste relații sunt de asemenea valide pentru DWT.

3.3.2.10 Reconstrucția

Reconstrucția datelor din coeficienții lor de undă scurtă poate fi realizată treaptă-cu-treaptă, pornind de la cea mai joasă rezoluție. La fiecare scală,

Cj+1 = H(2j ω)Cj (ω) (3.93)

Wj+1 = G(2j ω)Cj (ω) (3.94)

când este făcută o căutare a lui Cj știind Cj+1, Wj+1, h, și g. Atunci Cj (ω) este restaurat prin minimizarea

Ph(2j ω)|Cj+1(ω) − H(2j ω)Cj (ω)|2 + Pg(2jω)|Wj+1(ω) − G(2j ω)Cj (ω)|2 (3.95)

folosind un estimator de tip cel-mai-mic pătrat. Ph(ω) și Pg(ω) sunt funcții ponderale ce permit o soluție generală pentru restaurarea lui Cj (ω). Relația lui Cj (ω) este sub formă de

(3.96)

unde filtrele conjugate au expresiile

(3.97)

(3.98)

Este evident să observăm că aceste filtre satisfac condiția de reconstrucție exactă dată în ecuația (3.77). În fapt, ecuațiile (3.97) și (3.98) dau soluții generale ale acestei ecuații. În această analiză, condiția de eșantionare Shannon este respectată întotdeauna. Nu există devianță, ca urmare condiția antidevianță nu este necesară. Denominatorul este simplificat dacă

(3.99)

Aceasta corespunde cazului în care unda scurtă este diferența dintre pătratele a două rezoluții:

(3.100)

Algoritmul de reconstrucție are apoi următorii pași:

1. Calcului transpunerii Fourier rapide (FFT) a semnalului la rezoluția joasă.

2. Setarea lui j la np și realizarea următorilor pași de iterație.

3. Calculul lui FFT al coeficienților de undă scurtă la scala j .

4. Multiplicarea coeficienților de undă scurtă Wj cu.

5. Multiplicarea coeficienților de semnal la rezoluția cea mai joasă Cj cu .

6. Inversarea transpunerii Fourier a lui Wj + Cjdă coeficienții Cj−1.

7. Apoi j = j – 1 și revenirea la pasul 3.

Utilizarea unei funcții de scalare de bandă limitată permite reducția eșantionării la fiecare scală și limitează complexitatea calculului.

Transpunerea undei scurte a fost utilizată pe scară largă în analiza semnalului EEG. Aplicarea ei la detectarea atacurilor, în special pentru nou născuți, modelarea potențialelor de neuron și detectarea potențialelor eco (EP) și a potențialelor de eveniment (ERP) vor fi discutate în capitolele corespunzătoare din această lucrare.

Funcția ambiguității și distribuția Wigner–Ville

Funcția ambiguității pentru un semnal cu timp continuu este definită ca

(3.101)

această funcție are valoarea sa maximă la origine ca

(3.102)

Ca exemplu, dacă un semnal cu timp continuu este considerat a consta din două semnale modulate cu frecvențe de purtător cum ar fi

(3.103)

funcția de ambiguitate Ax(τ, ν) va fi de forma

+ termeni de intersectare (3.104)

Acest concept este foarte important în separarea semnalelor folosind domeniul TF. Acesta va fi prezentat în contextul separării sursei oarbe (BSS) mai târziu în acest capitol.

Figura 3.21 demonstrează acest concept. Distribuția de frecvențe Wigner–Ville a unui semnal x(t) este atunci definită ca transpunerea bidimensională Fourier a funcției ambiguității

(3.105)

ceea ce modifică forma duală a funcțeiei ambiguității ca

(3.106)

poate fi de asemenea obținută o formă pătratică a reprezentării TF cu distribuția Wigner–Ville folosind semnalul în domeniul de frecvență ca

(3.107)

Distribuția Wigner–Ville este reală și are o rezoluție foarte bună atât în domeniul timp cât și în domeniul frecvență. De asemenea, are proprietăți de suport de timp și de frecvență; adică, dacă x(t) = 0 pentru |t | > t0, atunci XWV(t, ω) = 0 for |t | > t0 și dacă X(ω) = 0 pentru |ω| > ω0, atunci XWV(t, ω) =0 pentru |ω| > ω0. Are de asemenea, condiții de timp marginal și frecvență marginală de forma

(3.108)

Figura 3.21 (a) Un segment al unui semnal constând din două componente modulate, (b) o funcție de ambiguitate doar pentru x1(t ) și (c) funcția de ambiguitate pentru x(t) = x1(t ) + x2(t )

și

(3.109)

Dacă x(t) este suma a două semnale x1(t) și x2(t), adică x(t) = x1(t) + x2(t), distribuția Wigner–Villea lui x(t) față de distribuțiile lui x1(t)și x2(t) vor fi

XWV(t, ω) = X1WV(t, ω) + X2WV(t, ω) + 2Re[X12WV(t, ω)] (3.110)

unde Re[·] arată partea reală a unei valori complexe și

(3.111)

se vede că distribuția este corelată cu spectrele atât al autocorelației cât și al croscorelației.

O pseudo-distribuție Wigner–Ville (PWVD) este definită aplicând funcția de fereastră, w(τ ), centrată la τ = 0 la corelațiile pe bază de timp, adică

(3.112)

Pentru a suprima termenii de intersectare nedoriți, distribuția bi-dimensionala WV poate fi înfășurată (convolută) cu o fereastră de domeniu TF. Ferastra este un filtru cu trecerea joasă bi-dimensional care satisface condițiile marginale (de incertitudine) de timp și frecvență, cum am descris mai devreme. Aceasta poate fi calculată ca

(3.113)

unde

(3.114)

și φ(. , .) este adesea selectat dintr-un set de semnale bine cunoscute, așa-numitele clasa lui Cohen. Cel mai popular membru al clasei lui Cohen de funcții este funcția în formă de clopot definită ca

(3.115)

o ilustrare grafică a une asemenea funcții poate fi văzută în Figura 3.22. În acest caz distribuția este numită distribuția Choi–Williams.

Aplicarea formei timpuli discret al distribuției Wigner–Ville la BSS va fi discutată mai târziu în acest capitol. Pentru a îmbunătăți distribuția poate fi utilizat și un miez dependent de semnal [Glassman, 2005].

3.3.2.11 Coerență, Modelare Autoregresivă Multivariată (MVAR) și Funcția de Transfer direcționat (DTF)

În unele aplicații cum este detectarea și clasificarea mișcării degetului, este foarte folositor să se stabilească cum se propagă semnalele asociate mișcării prin rețeaua neurală a creierului. Există o mișcare consistentă a semnalelor sursei de la regiunile occipitale la cele temporale. De asemenea este clar că în timpul sarcinilor mentale, diferite regiuni din creier comunică una cu alta. Interacțiunea și schimbul de informații dintre canalele EEG poate fi singurul indiciu pentru înțelegerea acestui proces.

Figura 3.22 Ilustrarea φ(τ, ν) pentru distribuția Choi–Williams

De aceea, trebuie să fie folosite tehnici de procesare a semnalelor pentru a infera asemenea relații cauzale. O serie timp se spune că este cauza unei alteia dacă informația conținută în acea serie timp permite predicția celeilalte serii timp.

Statisticile spațiale ale EEG-urilor de scalp sunt de obicei prezentate ca și coerență în benzi de frecvență. Aceste coerențe rezultă atât din corelațiile dintre sursele neocorticale și conducția de volum prin țesuturile capului, adică în creier, lichidul cerebrospinal, craniu și scalp. De aceea, coerența spectrală este o metodă comună de determinarea a sincronicității în activitatea EEG. Coerența este dată ca

(3.116)

unde este transpunerea Fourier a coeficienților de cros-corelație dintre canalul i și canalul j al EEG. Figura 3.23 arată un exemplu de coerență cros-spectrală cu circa o secundă înainte de mișcarea degetului. O măsură a acestei coerențe, cum ar fi o medie în banda de frecvență, este capabilă să detecteze o sincronizare pe un interval de timp zero și o sincronizare pe un interval de timp non zero, care poate apărea când există o întârziere semnificativă între cele două situri de populații neuronale [Sharott, Magill, 2005]. Totuși, nu furnizează nicio informaițe cu privire la direcționalitatea cuplării dintre cele două situri.

Cauzalitatea Granger (numită și cauzalitate Wiener–Granger este o altă măsură care încearcă să extragă și să cuantifice direcționalitatea din EEG. Cauzalitatea Granger se bazează pe estimăari AR Bivariate ale datelor. Într-un mediu cu canale multiple această cauzalitate este

Figura 3.23 Coerența cros-spectrală pentru un set de trei electrozi EEG, cu o secundă înainte de mișcarea degetului drept

Fiecare blocaj se referă la un electrod. La o observare atentă a figurii se vede că aceeași undă este transferată de la Cz la C3, calculată din combinațiile în perechi ale electrozilor. Această metodă a fost folosită pentru a evalua direcționalitatea miscării sursă de la potențialul de câmp local din sistemul vizual al pisicilor.

Pentru date multivariate în înregistrarea multicanal, aplicarea cauzalității Granger nu este eficientă din punct de vedere computațional [Kaminski, Ding, 2001]. Funcția de transfer direcționat (DTF), care este o extensie a cauzalității Granger, este obținută din datele multicanal și poate fi folosită pentru detectarea și cuantificarea direcțiilor de cuplare. Avantajul DTF față de coerența spectrală este că poate determina direcționalitatea în cuplare când spectrele de frecvență ale celor două regiuni ale creierului au spectre suprapuse. DTF a fost adoptat de unii cercetători pentru a determina direcționalitatea în cuplare deoarece a demonstrat că există un flux direcționat de informație sau schimb de mesaje între senzori în jurul ariei motorii senzoriale înainte de mișcarea degetului. DTF se bazează pe ajustarea EEG-urilor la un moel MVAR. Presupunând că x(n) este un semnal EEG de canal M, se poate modela în formă vectorială ca

(3.117)

unde n este indicele de timp discret, p este ordinul de predicție, ν(n) este zgomotul de mediană-zero iar Lk este în general o matrice de forma M × p a coeficienților de predicție. O metodă similară cu algoritmul Durbin pentru semnale de canal unic și anume algoritmul Levinson–Wiggins–Robinson (LWR) este folosită pentru calcularea coeficienților MVAR. Criteriul Akaike AIC este de asemenea folosit pentru estimarea ordinului de predicție p. Multiplicând ambele părți ale equației cu xT(n − k) și calculând expectanța statistică, este obținută următoarea ecuație Yule–Walker [Ding, Bressler, 2000]:

(3.118)

unde R(q) = E[x(n)xT(n + q)] este matricea de covarianță a lui x(n) și cros-corelațiile semnalului și zgomotului sunt zero deoarece sunt presupuse a fi necorelate. În mod similar, autocorelația zgomotului este zero pentru o schimbare nonzero deoarece probele de zgomot nu sunt corelate. Segmentul de date este considerat suficient de îngust pentru ca semnalul să rămână statistic staționar în acel interval și destul de larg pentru a permite estimarea cu acuratețe a coeficienților de predicție. Pentru coeficienții de model MVAR dați poate fi calculat un spectru multivariat. Aici se presupune că semnalul rezidual v(n), este zgomot alb. Ca urmare,

Lf (ω)X(ω) = V(ω) (3.119)

unde

(3.120)

și L(0) = I. Rearanjarea ecuației de mai sus și înlocuirea zgomotului cu I duce la

(3.121)

care reprezintă spectrul model al semnalelor matricei de transfer a sistemului MVAR. DTF sau relația cauzală dintre canalul i și canalul j poate fi definită direct din coeficienții de transpunere dați de

(3.122)

Electrodul i este cauzal fața de j la o frecvență f dacă

(3.123)

o DTF ce vairază cu timpul poate fi de asemenea generată (în principal pentru a urmări semnalele sursă) prin calcularea DTF pentru ferestre scurte ca să se obțină DTF pentru timp scurt DTF (SDTF).

Ca o importantă trăsătură a clasificării mișcărilor degetului stâng și drept, sau a urmăririi surselor legate de sarcina mentală, SDTF joacă un rol important. Unele rezultate ale utilizarii SDTF pentru detectarea și clasificarea mișcării degetului sunt date în contextul interfeței creier-computer (BCI).

3.3.2.12 Analiza haosului și analiza dinamică

Haosul deterministic joacă un rol important ca instrument eficient pentru predicția sau caracterizarea semnalelor. Deși semnalele EEG sunt considerate haotice, există reguli care în sine nu implică niciun element de schimbare și pot fi folosite în caracterizarea lor . Cercetarea matematică asupra haosului a început înainte de 1890 când personaje ca

Andrey Kolmogorov sau Henri Poincare au încercat să stabilească dacă planetele vor rămâne la nesfârșit pe orbitele lor. În anii 1960, Stephan Smale a formulat un plan de clasificare a felurilor tipice de comportament dinamic. Multe mecanisme generatoare de haos au fot create pentru a identifica comportamentul dinamicilor sistemului. Sistemul Rossler a fost desemnat pentru a modela un atractor (factor de influențare) străin/ciudat folosind un mecanism de întindere și împachetare simplu. Acesta a fost inspirat, oricum, de factorul Lorenz inventat cu mai bine de o decadă anterior.

Pentru a evalua haosul pot fi luate în considerare măsuri diferite ale sistemului dinamic. Un parametru direct este dimensiunea factorului atractor. Diverși atractori multidimensionali au fost definiți de un număr de matematicieni. În multe cazuri este dificil de găsit dimeniunea atractorului dacă nu pot fi aproximați parametrii sistemului, totuși, mai târziu în această secțiune vom arăta că dimensiunea atracției poate fi pur și simplu găsită folosind exponenții Lyapunov.

3.3.2.13 Entropia

Entropia este o măsură a incertitudinii. Nivelul de haos poate fi de asemnea măsurat folosind entropia sistemului. O entropie mai mare reprezintă o incertitudine mai mare și un sistem mai haotic. Entropia este dată de Entropia semnalului

(3.124)

unde px este funcția densități probabilității (PDF) a semnalului x(n). În general, distribuția poate fi un PDF conjunct când canalele EEG sunt procesate conjunct. Pe de altă parte, PDF poate fi înlocuit de un PDF condițional în locurile unde apariția unui eveniment este condiționată de un alt eveniment. În acest caz, entropia este numită entropie condițională. Entropia este foarte sensibilă la zgomot. Zgomotul crește incertitudinea și semnalele zgomotoase au o entropie mai mare chiar dacă semnalul original este ordonat.

Entropia Kolmogorov

Cunoscută și ca entriopia metrică, entropia Kolmogorov este o măsură eficientă a haosului. Pentru a afla entropia Kolmogorov, spațiul fazei este împărțit în hipercurbe multidimensionale. Spațiul fazei este spațiul în care sunt reprezentate toate stările posibile ale unui sistem, fiecare corespunzând unui punct unic din spațiul fazei. În spațiul fazei, fiecare grad de libertate sau parametru al sistemului este reprezentat ca o axă a unui spațiu multidimensional. Un spațiu fază poate conține multe dimensiuni.

Hipercurba este o generalizare de la un cub-tridimensional la un cub-n-dimensional, numit și un cub-n sau măsură politop. Este un politop regulat cu fețe reciproc perpedinculare și de aceea este un ortotop. Acum, fie probabilitatea ca o traiectorie să cadă în ineriorul hipercubului, cu i0 la t = 0, i1 la t = T ,i2 la t = 2T, . . . . Definim atunci

(3.125)

unde Kn+1 − Kn este informația necesară pentru a prezice în care hipercub va fi traiectoria la (n+1)T, fiind date traiectorii până la nT. Entropia Kolmogorov este atunci definită ca

(3.126)

Totuși, estimarea probabilităților de mai sus pentru date multidimensionale este costisitoare ca și calcul. Pe de altă parte, în practică, sunt necesare în mod normal secvențe de date lungi pentru a calcula estimări precise ale entropiei Kolmogorov.

Exponenți Lyapunov

Un model haotic poate fi generat de un sistem de feedback simplu. Se consideră un iterator pătratic de forma x(n) → αx(n)[1 − x(n)] cu o valoare inițială de x0. Acesta generează o serie timp ca in Figura 3.24 (pentru α = 3.8).

Deși în prmele 20 de probe seria timp pare să fie zgomot întâmplător, alterațiile ei semiordonate (comportamentul ciclic) arată mai târziu că unele reguli guvernează comportamentul ei haotic. Această serie timp este subiectul a doi parametri majori α și x0.

Pentru a adopta acest model într-un sistem haotic, o valoare inițială diferită poate fi selectată. Perturbarea unei valori inițiale poate genera o eroare E0, care se propagă în timpul evoluției semnalului.

Figura 3.24 Semnal haotic generat folosind modelul

x(n) → αx(n)[1 − x(n)] folosind α = 3.8 și x0 = 0.2

După n probe, eroarea se modifică la En. En/E0 este o măsură a rapidității cu care cresc erorile. Creșterea medie a erorilor infinitezimal de mici în punctul inițial x0 este cuantificată de exponenții Ljapunov (Lyapunov) λ(x0). Factorul de amplificare totală a erorii |En/E0| poate fi scris în termenii amplificării erorii de probă ca

(3.127)

Logaritmul mediu al acestei relații devine

(3.128)

Evident, problema este cum să măsurăm |Ek/Ek−1|. Pentru iteratorul f (x(n)) (f (x(n)) =αx(n)[1 − x(n)] (din exemplul de mai sus), având o perturbare mică ε în punctul inițial, termenul din ecuația de mai sus poate fi aproximat ca

(3.129)

unde k = f (xk−1 + ε) − f (xk−1). Înlocuind aceasta în ecuația de mai sus exponentul Lyapunov este aproximat ca

(3.130)

unde f`(x) reprezintă diferețierea lui f (x) față de x. Această măsură este foarte însemnată în separarea comportamentului instabil, impredictibil sau haotic de cele predictibile, stabile sau ordonate. Dacă λ este pozitiv, sistemul este haotic întrucât este negativ față de sistemele ordonate.

Kaplan și Yorke [Kaplan, Yorke, 1979] au ajuns empiric la concluzia că este posibilă predicția dimensiunii unui factor atractor străin din cunoașterea exponenților Lyapunov ai transformării corespunzătoare. Aceasta este numită ipoteza Kaplan–Yorke și a fost investigată de mulți alți cercetători. Aceasta este o concluzie foarte importantă întrucât în multe sisteme dinamice, dimensiunile variate ale atractorilor sunt dificil de calculat. Această ipoteză pretinde de asemenea că, în general, dimensiunea informațională DI și respectiv dimensiunea Lyapunov DL sunt definite ca

(3.131)

unde s este mărimea unui segment al atractorului iar I (s) este entropia lui s, și

(3.132)

unde m este integrul maxim cu γ (m) = λ1 + ·· ·+λm ≥ 0, dat fiind că λ1 > λ2 >· · · > λm.

Plotarea dimensiunilor atractorului din seria timp

Foarte des este necesară vizualizarea atractorului de spațiu fază și stabilirea măsurii stabilități, haoticității sau întâmplării unui semnal (serie timp). Atractrorii pot fi multidimensionali. Pentru un atractor tridimensional, o întârziere de timp T (un multiplu al lui τ) poate fi aleasă și poate fi construită următoarea secvență de vectori.

[x(0) x(T) x(2T )]

[x(τ) x(τ + T ) x(τ + 2T )]

[x(2τ) x(2τ + T ) x(2τ + 2T )]

. . .

. . .

. . .

[x(kτ) x(kτ + T ) x(kτ + 2T )] (3.133)

Prin plotarea acestor puncte într-un spațiu de coordonate tridimensionale și legându-le unul de altul succesiv, poate fi observat atractorul. Figura 3.25 arată atractorii pentru o sinusoidă și pentru seria de timp haotic anterioară. Vizualizarea atractorilor nu este posibilă când numărul dimensiunilor crește peste trei.

Figure 3.25 Atractorii pentru (a) o sinusoidă și (b) seria de timp haotic de mai sus, ambele începând din același punct inițial, bazele de prelucrare a semnalului EEG

Estimarea exponenților Lyapunov din Seria Timp

Calcularea exponenților Lyapunov din seria timp a fost propusă pentru prima dată de Wolf [Wolf, Swift, 1985]. Prin metoda lor, este construită inițial o secvență de incorporare finită din seria de timp finită de 2N+1 componente ca

x(0), x(τ ), x(2τ), . . . (3.134)

Acestea sunt datele de bază (adesea numite traiectoria de referință sau orbita de referință) pe care este contruit modelul. În general, punctul de pornire nu este dat din moment ce nu există o ecuație care să guverneze explicit generarea traiectoriei. Din această secvență poate fi ales un punct x(k0τ) care aproximează punctul inițial z0(0). Luând în considerare Figura 3.26, aceste aproximații ar trebui să satisfacă

|x(k0τ) − x(0)| < δ (3.135)

unde δ este o toleranță aleasă a priori. Acest punct poate fi renumit ca

z0(0) = x(k0τ) (3.136)

Succesorii acestui punct sunt cunoscuți ca

z0(rτ ) = x((k0 + r)τ), r = 1, 2, 3, . . . (3.137)

cum avem două traiectorii de comparat, factorul logaritmic de amplificare a erorii pentru primul interval de timp devine

(3.138)

Figura 3.26 Traiectoriile de referință și de model, evoluția erorii și segmentele de început și de sfârșit ale traiectoriei model.

Această procedură se repetă pentru următorul punct x(τ ) al traiectoriei de referință. Pentru aceasta, un alt punct z1(τ ) trebuie să fie format din traiectorie, reprezentând o eroare cu o direcție apropiată de cea obținută din z0(τ ) relativ la x(τ). În cazul în care traietoria anterioară este încă apropiată de traiectoria de referință, se poate pur și simplu să se continue în același mod, setând astfel z1(τ ) = z0(τ ). Aceasta duce la un factor de amplificare a erorii l1. Pot fi găsiți și alți factori, l2, . . . , lm−1, urmând aceeași procedură până ce segmentul de serie timp este epuizat. O aproximare a celui mai mare exponent Lyapunov pentru segmentul curent de serie timp este obținută prin calcularea mediei factorilor logaritmici de amplificare pe toată traiectoria de referință:

(3.139)

În locul mediei de mai sus și valoarea maximă a factorului de amplificare a erorii poate fi considerată ca cel mai mare exponent Lyapunov. Este necesară investigarea efectului zgomotului căci datele de obicei apar dintr-o măsurătoare fizică și de aceea conțin zgomot. Deci, punctele perturbate, zk(kτ ), nu trebuie luate foarte aproape unele de altele, deoarece zgomotul ar domnia efectul de întindere asupra atractorului haotic. Pe de altă parte, trebuie evitat ca eroarea să devină prea mare pentru a evita efectele nonlineare. Astfel în practică sunt prescrise unele erori minimale δ1 și o eroare maximă δ2 și este necesar ca

δ1 < |x(kτ) − zk(kτ )| < δ2 (3.140)

3.3.2.14 Timpul optim de întârziere

În calculul de mai sus este important să fie găsit timpul optim de întârziere τ. Un timp de întârziere foarte mic poate duce la reconstrucții non-lineare cu corelații înalte între puncte consecutive ale spațiul fază iar întârzieri foarte mari pot ignora orice structură deterministică a secvenței. În această metodă, τ este echivalent cu durata după care autocorelația atinge un minimum sau scade la o fracțiune mică din valoarea sa inițială. Într-o altă încercare [King, Jones, 1987] s-a verificat ca valorile lui τ la care informația reciprocă a minimului local este echivalentă cu valorile lui τ la care logaritmul sumei corelației are un minimum local.

3.3.2.15 Dimensiunea de încorporare optimă

Pentru optimizarea în continuare a măsurătorii exponenților Lyapunov este nevoie de a specifica valoarea optimă pentru m, numită dimensiunea de încorporare. Înainte de aceasta trebuie date câteva definiții după cum urmează.

Dimensiunea fractală este o altă statistică legată de măsurătorile dinamice. Atractorii străini sunt fractali iar dimensiunea lor fractală Df este pur și simplu legată de numărul minim de variabile dinamice necesare pentru a modela dinamicile atractorului. Conceptual, o modalitate simplă de a măsura Df este să fie măsurată capacitatea Kolmogorov. În această măsurătoare este acoperit un set de măsurare cu celule mici, depinzând de dimensionalitate (adică pătrate pentru seturi încorporate în două dimensiuni, cuburi pentru seturi încorporate în trei dimensiuni și așa mai departe), de mărime ε. Dacă M(ε) arată numărul de asemenea celule dintr-un set, dimensiunea fractală este definită ca

(3.141)

pentru un set de puncte unice Df = 0, pentru o linie dreaptă Df = 1, iar pentru o arie plană Df = 2.

Dimensiunea fractală, totuși nu poate fi un integrator.

Dimensiunea de corelație este definită ca

(3.142)

unde

(3.143)

este suma corelației și pi probabilitatea celulei i.

Dimensiunea de încorporare optimă, m, cerută de estimarea cu acuratețe a exponenților Lyapunov, trebuie să satisfacă m ≥ 2Df + 1. Df este, totuși, rareori cunoscut a priori.

Algoritmul Grassberger–Procaccia poate fi de asemenea folosit pentru a măsura dimensiunea de corelație, Cr. Dimensiunea de încorporare minimă a atractorului este m+1, unde m este dimensiunea de încorporare peste care valoarea măsurată a dimensiunii de corelație Cr rămâne constantă.

Ca o altă concluzie importantă,

(3.144)

adică dimensiunea fractală Df este echivalentă cu dimensiunea Lyapunov.

Haosul poate fi utilizat ca măsură în analiza multor tipuri de semnale și date.

Entropia aproximativă

Entropia aproximativă (AE) este o statistică ce poate fi estimată din secvențele timp-discret, în special pentru aplicații în timp-real [Fusheng, Bo, 2001]. Această măsură poate cuantifica complexitatea sau iregularitatea sistemului, AE este mai puțin sensibilă la zgomot și poate fi utilizată pentru date de lungimi scurte. În plus, este rezistentă la interferențe tranzitorii puternice scurte (deviații) cum sunt vârfurile.

Dată fiind dimensiunea de încorporare m, m-vectorul x(i) este definit ca

x(i) = [x(i), x(i + 1), . . . , x(i + m − 1)], i= 1, . . . , N − m + 1 (3.145)

unde N este numărul de puncte de date. Distanța dintre oricare doi dintre vectorii de mai sus x(i) și x(j ), este definită ca

(3.146)

în care |.| arată valoarea absolută. Considerînd un nivel de prag β, este găsit numărul de ori (de câte ori), Mm(i), pe care distanța de mai sus îl satisface d[x(i), x(j )] ≤ β. Acesta este calculat pentru toate i. Pentru dimensiunea de încorporare m,

(3.147)

Apoi, media logaritmului natural al lui este aflată ca

(3.148)

Repetând aceeași metodă pentru o dmensiune de încorporare de m+1, AE va fi dată ca

(3.149)

În practică, totuși, N este limitat și de aceea AE este calculat pentru N probe de date.

În acst caz AE depinde de m, β, și N, adică

(3.150)

Dimensiunea de încorporare poate fi găsită cum s-a menționat anterior. Totuși, valoarea de prag trebuie să fie ajustată corect. În unele aplicații valoarea de prag este luată ca o valoare între 0.1 și 0.25 ori deviația standard a datelor.

Folosirea ordinului de predicție

Se pare că pentru semnale cu probe timp înalt corelate, ordinul de predicție al unui model AR sau ARMA este scăzut și pentru semnale de tip zgomot, unde corelația dintre probe este mică, ordinul este înalt. Aceasta înseamnă că în ultimul caz este necesar un număr mare de probe anterioare pentru a prezice proba curentă. Poate fi folosit un criteriu diferit cum este criteriul de informație Akaike (AIC) pentru a găsi ordinul de predicție din seria timp. Figura 3.27 arată ordinul de predicție calculat automat pentru segmente suprapuse din trei secțiuni ale unei serii timp în care secțiunea din mijloc este sinusoidală iar prima și a treia secțiune sunt semnale asemănătoare zgomotului.

Figura 3.27 (a) Semnalul și (b) ordinul de predicție măsurat pentru segmente suprapuse ale semnalului

3.3.2.16 Filtrarea și eliminarea zgomotului

Semnalele EEG sunt influențate de zgomot și de artefacte. Electrocardiogramele (ECG), electrooclugramele (EOG), sau clipitul afectează semnalele EEG. Orice înregistrare multimodală cum este EEG–fMRI deranjează semnificativ semnalele EEG datorită atât câmpurilor magnetice cât și modificărilor nivelului de oxigen din sânge și sensibilității la molecula de oxigen a câmpului magnetic (balistocardiograma). Eliminarea artefactelor din EEG va fi explicată în capitolele dedicate acestui aspect. Zgomotul din EEG, totuși, poate fi estimat și atenuat folosind tehnici adaptative și nonadaptative.

Semnalele EEG conțin informații neuronale sub 100 Hz (în multe aplicații informația se situează sub 30 Hz). Orice componentă de frecvență peste aceste frecvențe pot fi eliminate pur și simplu utilizând filtrele cu trecere joasă. În cazul în care datele sistemului de achiziție a datelor EEG nu poate să șteargă frecvența de linia de 50 Hz (datorită unui defect de împământare sau echilibrării imperfecte a inputurilor la amplificatorii diferențiali asociați cu sistemul EEG) este folosit un filtru cu crestături pentru a o elimina.

Nonlinearitățile din sistemul de înregistrare, legate de răspunsul frecvență al amplificatorilor, dacă sunt cunoscute, sunt compensate utilizând filtre de egalizare. Totuși, caracteristicile zgomotelor interne sau externe ce afectează semnalele EEG sunt adesea necunoscute.

Zgomotul poate fi caracterizat dacă subspațiile semnalului și ale zgomotului pot fi separate cu acuratețe. Folosind analiza componentei principale sau analiza componentei independente, este posibil ca observațiile EEG multicanal să fie descompuse în componentele lor constituente, cum sunt activitățile neurale și zgomotul. Combinând cele două împreună, componentele zgomotului estimat pot fi extrase, caracterizate și separate de EEG de fapt. Aceste concepte sunt explicate în următoarele secțiuni iar aplicațiile lor în anularea artefactelor și zgomotului vor fi date în capitolele viitoare.

Figure 3.28 Un anulator de zgomot adaptativ

Anulatoarele de zgomot adaptative folosite în comunicații, procesarea semnalului și analiza semnalului biomedical pot fi folosite și pentru a îndepărta zgomotul și artefactele din semnalele EEG.

Un anulator de zgomot adaptativ eficient, totuși, necesită un semnal de referință. Figura 3.28 arată o diagramă bloc generală a unui filtru adaptativ pentru anularea zgomotului; semnalul de referință poartă informație semnificativă despre zgomot sau artefact și proprietățile lui statistice. De exemplu, în îndepărtarea artefactelor de clipit poate fi capturată o semnătură a semnalului clipitului din electrozii EEG FP1 și FP2. În detectarea semnalelor ERP, ca un alt exemplu, semnalul de referință poate fi obținut prin calcularea mediei unui număr de segmente ERP. Sunt multe alte exemple cum ar fi anularea ECG din EEG și îndepărtarea artefactelor de scaner fMRI din înregistrările simultane EEG–fMRI unde pot fi furnizate semnale de referință.

Filtrele adaptative Wiener sunt probabil tipul fundamental de filtre adaptative.

Se calculează ponderile optime pentru filtre, w(n), astfel că (n) este cea mai bună estimare a semnalului actual s(n) în sensul mediei-pătrate. Filtrul Wiener minimizează valoarea mediei-pătrate a erorii, definite ca

(3.151)

unde w este vectorul de coeficient al filtrului Wiener. Folosind principiul ortogonalității și presupunând că x(n) și r(n) sunt împreună staționare în sens larg statistic, forma finală a erorii medie-pătrate va fi

E[e(n)2] = E[x(n)2] − 2pTw + wTRw (3.152)

unde E(.) reprezintă expectanța statistică,

p = E[x(n)r(n)] (3.153)

iar

R = E[r(n)rT(n)] (3.154)

Luând gradinetul față de w și egalizându-l cu zero,

w = R−1p (3.155)

Întrucât R și p sunt de obicei necunoscute, minimizarea de mai sus este calculată iterativ prin substituirea mediilor de timp în locul mediilor statistice. Filtrul adaptativ în acest caz decorelează semnalele de output. Ecuația de ajustare generală este de forma

w(n + 1) = w(n) + Δw(n) (3.156)

unde n este numărul de iterațe, care în mod tipic corespunde indicelui de timp-discret.

w(n) trebuie să fie calculat astfel ca E[e(n)]2 să atingă un minimum rezonabil. Cel mai simplu și cel mai comun mod de a calcula Δw(n) este prin utilizarea gradinetului descendent sau algoritmul descendent cel mai brusc. În ambele cazuri, este definit un criteriu ca funcție a erorii pătrate (adesea numită indice de performanță) de forma η (e(n)2), care monoton scade după fiecare iterație și converge către un minim global. Aceasta necesită

η(w + Δw) ≤ η(w) = η(e(n)2) (3.157)

Presupunând Δw foarte mic, se ajunge la concluzia că

η(w) + ΔwT∇w (η(w)) ≤ η(w) (3.158)

unde ∇w (.) reprezintă gradientul față de w. Aceasta înseamnă că ecuația de mai sus este satisfăcută prin setarea Δw = −μ∇w (.), unde μ este rata de învățare sau parametrul de convergență.

Deci, ecuația de actualizare generală ia forma

w(n + 1) = w(n) − μ∇w (η(w(n)) (3.159)

Folosind metoda celui mai mic pătrat mediu (LMS), ∇w (η(w)) este înlocuilt de un gradient instantaneu de semnal de eroare pătrată, adică

∇w (η(w(n))) ≅ −2e(n)r(n) (3.160)

Ca urmare, ecuația de actualizare bazată pe LMS este

w(n + 1) = w(n) + 2 µe(n)r(n) (3.161)

de asemenea, paramentrul de convergență, μ, trebuie să fie pozitiv și să satisfacă

0 < μ < (3.162)

unde λmax reprezintă valoarea proprie maximă a matricei de autocorelație R. Algoritmul LMS este algoritmul cel mai simplu și eficient din punct de vedere computațional. Totuși, viteza convergenței poate fi lentă, în special pentru semnale corelate. Algoritmul celor mai mici pătrate recursive (RLS) încearcă să furnizeze un filtru stabil de viteză mare, dar este instabil numeric pentru aplicații de timp-real [Lee, Morf, 1981]. Indicele de performanță este definit ca

η(w) = (3.163)

Atunci, luând derivata față de w dă

∇w η(w) = −2γ n−ie(i)r (i) (3.164)

unde 0 < γ ≤ 1 este factorul de uitare [Lee, Morf, 1981]. Înlocuirea lui e(n) în ecuația de mai sus și scrierea ei în formă vectorială dă

R(n)w(n) = p(n) (3.165)

unde

R(n) =λn−ir (i)rT(i) (3.166)

și

p(n) =λn−ix(i)r (i) (3.167)

Din această ecuație rezultă,

w(n) = R−1(n)p(n) (3.168)

Algoritmul RLS realizează operația de mai sus recursiv astfel că P și R sunt estimate la timpul curent n ca

p(n) = λp(n − 1) + x(n)r(n) (3.169)

R(n) = λR(n − 1) + r(n)rT(n) (3.170)

în acest caz

r(n) = (3.171)

unde M reprezintă ordinul filtrului de răspuns impuls finit. Pe de altă parte,

R−1(n) = [λR−1(n − 1) + r(n)rT(n)]−1 (3.172)

care poate fi simplificat folosind lema inversă a matricei [Lawsen, Hansen, 1974]

R−1(n) = (3.173)

și în sfârșit ecuația de actualizare poate fi scrisă ca

w(n) = w(n − 1) + R−1(n)r(n)g(n) (3.174)

unde

g(n) = x(n) − wT(n − 1)r(n) (3.175)

iar eroarea e(n) după fiecare iterare este recalculată ca

e(n) = x(n) − wT(n)r(n) (3.176)

Al doilea termen din partea dreaptă a ecuației de mai sus este ˆv(n). Prezența lui R−1(n) în ecuația (3.172) este diferența majoră între RLS și LMS, dar metoda RLS crește complexitatea calculului printr-un ordin de magnitudine.

3.3.2.17 Analiza componentei principale

Toate transpunerile suboptimale cum sunt DFT și DCT descompun semnalele într-un set de coeficienți, care nu reprzintă în mod necesar componente constituente ale semnalelor. Mai mult, în timp ce miezul transpunerii este independent de date, nu este eficient în termeni atât de decorelare a probelor cât și a compactării energiei. De aceea, separarea componentelor semnalului și zgomotului este în general irealizabilă folosind transpunerile suboptimale.

Expansiunea datelor într-un set de componente ortogonale cu siguranță realizează decorelația maximă a semnalelor. Aceasta poate permite separarea datelor în subspații de semnal și de zgomot. Pentru un EEG cu un singur canal este folosită tanspunerea Karhunen–Lo`eve pentru a descompune canalul i într-un set de funcții de bază ortogonale ponderate:

xi(n) = sau xi=Φwi (3.177)

unde Φ = {φk} este setul de funcții de bază ortogonale. Ponderile wi,k sunt apoi calculate ca

wi = Φ−1xi or wi,k =(n)xi(n) (3.178)

Figura 3.29 Aplicarea generală a PCA

Adesea zgomotul este adăugat la semnal, adică xi(n) = si(n) + vi(n), unde vi(n) este zgomot adăugat. Aceasta degradează procesul de decorelare. Ponderile sunt atunci estimate pentru a minimiza o funcție a erorii dintre semnal și expansiunea lui în baza ortogonală, adică ei = xi −Φwi. Minimizarea erorii în acest caz este în general realizată rezolvând problema celui mai mic pătrat. Într-o aplicație tipică a PCA, subspațiile semnalului și zgomotului sunt separate prin intermedul unei proceduri de clasificare.

Descopunerea valorii singulare

Descompunerea valorii singurlare (SVD) este adesea folosită pentru rezolvarea problemei LS. Aceasta poate fi legată de descompunerea unei matrice R de autocorelație a unui pătrat M × M în matricea de valori proprii Ʌ = diag(λ1, λ2, . . . ,λM) și matricea ortogonală M × M asociată a vectorilor proprii V, adică R = VɅVH, unde (.)H arată operația hermițiană (transpunere conjugată). Dacă A este o matrice de M × M astfel că R = AHA atunci există o matrice M × M ortogonală (mai general unitară), U, o matrice ortogonală M × M, V și o matrice diagonală M × M Σ cu elemente diagonale egale cu λ, astfel că

A = UΣ VH (3.179)

Deci Σ2 = Ʌ. Coloanele lui U sunt numite vectori singulari stângi iar rândurile lui VH sunt numite vectori singurlari drepți. Dacă A este o matrice N × M rectangulară de rang k atunci U va fi N × N iar Σ va fi

Σ= (3.180)

unde S = diag(σ1, σ2, . . . , σk), unde σi = λ. Pentru o asemenea matrice pseudoinversa Moore–Penrose este definită ca o matrice M × N. A† este definit ca

A† = UΣ†VH (3.181)

unde Σ† este o matrice M × N definită ca

Σ† = (3.182)

A† are un rol major în soluționarea problemelor de pătrat cel mai mic și S−1 este o matrice cu diagonală k × k cu elemente egale cu reciprocelor valorilor singulare diferite de zero presupuse ale lui A, adică

S−1 = diag (3.183)

Pentru a vedea aplicațiile SVD în rezolvarea problemei de LS, se consideră vectorul de eroare e, definit ca

e = d − Ah (3.184)

une d este vectorul de semnal dorit iar Ah este estimarea. Pentru a găsi h, A este înlocuit cu SVD-ul său în ecuația de mai sus, care astfel minimizează norma euclidiană pătrată a vectorului de eroare, ||e||2. Prin folosirea SVD, s-a constatat că

e = d − UΣVHh (3.185)

sau echivalent

UHe = UHd − ΣVHh (3.186)

Întrucât U este o matrice unitară, ||e||2 = ||UHe||2. Deci, vectorul h care minimizeaaă ||e||2 minimizează de asemenea și ||UHe||2. În sfârșit, unica soluție ca optim h (vector de coeficient) poate fie exprimată ca [Proakis, Rader, 2001]:

h = (3.187)

unde k este rangul lui A. Alternativ,

h = (AHA)−1AHd (3.188)

Aplicarea analizei componentei principale (PCA) este echivalentă cu aplicarea SVD la matricea covarianței. PCA folosește același concept ca și SVD precum și orotogonalizarea pentru a descompune datele în componentele ortogonale necorelate constituente astfel că este diagonalizată matricea autocorelației. Fiecare factor propriu reprezintă o componentă principală și valorile prorpii individuale sunt legate numeric de varianța pe care o capturează din direcția componentelor principale. În acest caz eroarea pătratului mediu (MSE) este doar suma valorilor proprii N – K, adică

(3.189)

PCA este rar folosit în descompunerea clasificarea, filtrarea și curățarea (albirea) datelor. În aplicațiile de filtrare, subspațiile semnalului și ale zgomotului sunt separate iar datele sunt reconstruite doar din valorile proprii și vectorii proprii ai semnalelor în sine. PCA este de asemenea folosit pentru separarea sursei oarbe a amestecurilor corelate dacă sursa originală poate fi considerată ca necorelată statistic.

Figura 3.30 Estimarea adaptativă a vectorului de ponderare w(n)

Problema PCA este atunci sumarizată ca problemă a găsirii ponderilor w pentru a minimiza eroarea, date fiind doar observațiile. Algoritmul LMS este utilizat aici pentru a minimiza iterativ MSE ca

Jn = E[(x(n) − ΦT(n)w(n))2] (3.190)

Regula de actualizare pentru ponderi este atunci

w(n + 1) = w(n) + μe(n)Φ(n) (3.191)

unde semnalul eroare e(n) = x(n) − ΦT(n)w(n), x(n) este inputul de zgomot, iar n este indicele de iterație. Mărimea pasului μ poate fi selectată empiric sau adaptativ. Aceste ponderi sunt apoi folosite pentru a reconstrui sursele din setul de funcții de bază ortogonale. Figura 3.30 arată sistemul global pentru estimarea adaptativă a poderii vectorului w folosind algoritmul LMS.

3.3.2.18 Analiza componentei independente

Conceptul de analiză a componentei independente (ICA) rezidă în faptul că semnalele pot fi descompunse în componentele lor independente constituente. Acolo unde semnalele sursă combinate pot fi presupuse ca independente unul de altul, acest concept joacă rolul crucial în separare și curățarea semnalelor.

O măsură a independenței poate fi descrisă ușor pentru a evalua independența componentelor descopuse. În general, considerând semnalul multicanal și componentele constitutive ale semnalului ca fiind yi(n), atunci yi(n) sunt independente dacă

pY( y(n)) =py(yi(n)) ∀n (3.192)

unde p(Y) este distribuția de probabilitate cumulată (joint), py(yi(n)) sunt distribuțiile marginale iar m este numărul de componente independente.

Figura 3.31 Conceptul BSS; amestecarea și separarea oarbă a semnalelor EEG

O aplicație importantă a ICA este separarea sursei oarbe (BSS). BSS este o metodă de estimare și recuperare a semnalelor sursei indepenedente folosind doar informația dată de amestecarea lor observată la canalele de înregistrare. Datorită varietății de aplicații, BSS a atras atenția mai mult în ultima perioadă. BSS a semnalelor acustice este adesea numită ”problema amestecului cocktail” [Cherry, 1953] care înseamnă separarea sunetelor individuale dintr-un număr de înregistrări într-un mediu necontrolat așa cum este o petrecere cocktail. Figura 3.31 ilustrează conceptul de BSS. Cum este de așteptat, ICA poate fi folositor dacă sursele originale sunt independente, adică p(s(n)) =Π pi (si(n)).

O separare perfectă a semnalelor necesită luarea în considerație a structurii procesului de amestecare. Într-o aplicație reală, totuși, acest proces este necunoscut, dar pot fi făcute unele presupuneri privind sursele statisticilor.

În general, algoritmii BSS nu fac presupuneri realiste despre mediu pentru a face problema mai ușor de urmărit. Se fac în mod tipic trei presupuneri despre mediul de amestec. Cel mai simplu dar cel mai folosit este cazul instantaneu, în care semnalul sursă ajunge la senzori în același timp. Acesta a fost luat în considerare pentru separarea semnalelor biologice cum este EEG, în care semnalele au lățimi de bandă înguste iar frecvența de eșantionare este în mod normal joasă. Modelul BSS în acest caz poate fi ușor formulat ca

x(n) = Hs(n) + v(n) (3.193)

unde m × 1 s(n), ne × 1 x(n), și ne × 1 v(n) arată vectorii semnalelor sursă, ai semnalelor observate și resepctiv ai zgomotului la timpul discret n. H este matricea de amestecare a mărimii ne × m. Separarea este realizată prin intermediul unei matrice de separare m × ne, W, care folosește doar informația despre x(n) pentru a reconstrui sursele semnalelor originale (sau componentele independente) ca

y(n) = Wx(n) (3.194)

În contextul procesării semnalului EEG ne arată numărul de electrozi. Primele abordări în metoda BSS instantaneu au început cu lucrarea lui Herault și Jutten [Herault, Jutten, 1986] în 1986. În metoda lor, ei considerau sursele non-gaussiene cu număr similar de surse independente și amestecuri. Ei au propus o soluție bazată pe o rețea neurală artificială recurentă pentru separarea surselor.

În aplicațiile acustice, totuși, există de obicei întârzieri de timp între sosirea semnalelor la senzori. Semnalele pot sosi de asemenea pe căi multiple. Acest tip de model de amestecare este numit model convolutiv. Un exemplu în acest sens sunt locurile în care proprietățile acustice ale mediului variază, ca o cameră înconjurată de pereți. Pe baza acestor ipoteze, modelul de amestecare convolutiv poate fi clasificat în alte două tipuri: anecoic și ecoic. În ambele cazuri reprezentările vectoriale ale proceselor de amestecare și de separare se modifică în x(n) = H(n)*s(n)+v(n) și y(n) = W(n)*x(n), unde * arată operația de convoluție (înfășurare).

Într-un model anecoic, totuși, expansiunea procesului de amestecare poate fi dată ca

xi(n) =hij sj (n − δij ) + vi(n), pentru i = 1, . . . , N (3.195)

unde atenuarea, hij și întârzierea, δij, a sursei j la senzorul i ar fi determinată de poziția fizică a sursei relative la senzori. Apoi procesul de dez-amestecare va fi dat ca

yj (m) =wjixi(m − δji ), pentru j = 1, . . . ,M (3.196)

unde wjis sunt elementele lui W. Într-un mediu de amestecare ecoic este de așteptat ca semnalele de la aceleași surse să atingă senzorii pe căi multiple. De aceea expansiunea modelelor de amestecare și de separare se va schimba în

xi(n) =h sj (n − δ) + vi(n), pentru i = 1, . . . ,N (3.197)

unde K arată numărul de căi și vi(n) este zgomotul acumulat la senzorul i.

Procesul de dez-amestecare va fi formulat în mod similar cu unul anecoic. Evident, pentru un număr cunoscut de surse un rezultat corect poate fi așteptat dacă numărul de căi este cunoscut.

Scopul BSS folosind ICA este să estimeze o matrice de dez-amestecare W astfel că Y = WX aproximează cel mai bine sursele independente S, unde Y și respecitv X sunt matricele cu coloanele y(n) = [y1(n), y2(n), . . . , ym(n)]T și x(n) = [x1(n), x2(n), . . . xne(n)]T.

În orice caz, matricea de dez-amestecare pentru cazul instantaneu este de așteptat să fie egală cu inversul matricei de amestecare, adică W = H−1. Totuși, în toți algoritmii ICA bazați pe restaurarea independenței, separarea este subiectul permutării și scalării ambiguității în componentele independente de output, adică W = PDH−1, unde P și D sunt matricele de permutare și respectiv scalare.

Există trei abordări majore în folosirea ICA pentru BSS:

Factorizarea PDF cumulat (joint) al semnalelor reconstruite în PDF-ul său marginal. În ipoteza că semnalele sursă sunt staționare și non-Gaussiene, independența semnalelo reconstruite poate fi măsurată prin distanța statistică dintre distribuția cumulată și produsul PDF-ului său marginal. Un exemplu este divergența (distanța) Kullback–Laibler. Pentru cazurile non-staționare și pentru datele de lungime scurtă, estimarea PDF va fi precară. De aceea, în asemenea cazuri, această abordare poate să nu ducă la rezultate bune. Pe de altă parte, asemenea metode nu sunt robuste pentru date de zgomot deoarece în asemenea situații PDF-ul semnalului va fi distorsionat.

Decorelarea semnalelor reconstruite prin intermediul timpului, adică, diagonalizarea matricelor de covarianță la fiecare moment de timp. Dacă semnalele sunt reciproc independente, elementele din afara diagonalei matricei de covarianță dispar, deși reciproca acestei propoziții nu este întotdeauna adevărată. Dacă semnalele sunt nonstaționare, structura covarianței variabile cu timpul poate fi folosită pentru a estima matricea de dez-amestecare. Un avantaj al acestei metode este că folosește doar statistici de ordinul al doilea, care implică faptul că este probabil să performeze mai bine în condiții de zgomot și lungimi de date scurte decât statisticile de ordin mai înalt.

Eliminarea funcțiilor de cros-corelație temporală ale semnalelor reconstruite cât mai mult posibil. Pentru a realiza aceast lucru, matricea de corelație a observațiilor poate fi diagonalizată simultan la diferite intervale de timp. Aici, sunt folosite în mod normal și statistici de ordin secund. Ca un alt avantaj, poate fi aplicată în prezența zgomotului alb întrucât un asemenea zgomot poate fi evitat folosind cros-corelația numai pentru τ 0.

O asemena metodă este potrivită pentru surse staționareși slabe (adică atunci când condiția de staționaritate este îndeplinită într-un segment scurt de date).

A fost demonstrat că informația mutulă (MI) este o măsură a independenței și că maximizarea non-gaussianității semnalelor sursă este echivalentă cu minimizarea informației dintre ele.

În majoritatea cazurilor, numărul de surse este cunoscut. Această presupunere evită orice ambiguitate cauzată de estimarea falsă a numerelor de surse. În cazuri exact determinate, numărul surselor este egal cu numărul amestecurilor. În situațiile supradeterminate, totuși, numărul amestecurilor este mai mare decât numărul surselor.

Au fost făcute multe încercări de a aplica BSS la semnalele EEG [Corsini, Shoker, 2006], [Latif, Sanei, 2006] pentru separarea ritmurilor cerebrale normale, a semnalelor de eveniment sau a surselor legate de mișcarea mentală sau fizică. Dacă numărul surselor este necunoscut, un criteriu trebuie să fie stabilit pentru a estima numărul de surse de la început. Acest proces este o sarcină dificilă, în special când este implcat și zgomot. În acele cazuri în care numărul de surse este mai mare decât numărul de amestecuri (cunoscute ca sisteme subdeterminate), schemele BSS de mai sus nu pot fi aplicate pur și simplu deoarece matricea de dez-amestecare nu va fi invertibilă și în general nu pot fi extrase sursele originale. Cu toate acestea, când semnalele sunt rare, pot fi utilizate alte metode bazate pe clustering.

Se spune că un semnal este rar când are multe probe zero sau aproximativ zero. Separarea amestecurilor din asemenea semnale este potențial posibilă în situația în care, la fiecare moment de probă numărul de surse nonzero nu este mai mare decât numărul de senzori. Amestecurile semnalelor rare poate fi de asemenea instantanee sau convolutive.

Literatura de specialitate dă soluția doar pentru un caz simplu cu un număr mic de surse idealizate.

În contextul analizei EEG, deși numărul semnalelor amestecate la electrozi pare să fie limitat, numărul surselor corespunătoare neuronilor emițători în același timp poate fi enorm. Totuși, dacă obiectivul este acela de a studia un anumit ritm din creier, problema poate fi transformată la domeniul timp-frecvență sau chiar la domeniul spațiu-timp-frecvență. În asemenea domenii, sursele pot fi considerate neconjuncte (disjoint) și în general rare. De asemenea, se spune că în creier neuronii codifică date în mod rarefiat dacă tiparul lor de emitere este caracterizat de o lungă perioadă de inactivitate.

3.3.2.19 BSS Instantaneu

Aceasta este cea mai des folosită schemă pentru procesarea EEG. Primele studii ale lui Jutten și Herault au condus la un algoritm simplu dar fundamental adaptativ . Linsker [Linsker, 1989] a propus reguli de învățare nesupravegheate pe baza teoriei informaționale care maximizează numărul de informație reciprocă dintre inputuri și outputuri într-o rețea neurală artificială. Comon [Comon, 1994] a realizat minimizarea informației reciproce pentru a obține independența outputurilor. Algoritmul Infomax [Bell, Sejnowski, 1995] a fost dezvoltat de către Bell și Sejnowski și este în spirit similar Linsker. Infomax folosește o regulă de învățare cu un gradient stochastic care a fost propusă de Amari et al. [Amari, Yang, 1996]. Non-gaussianitatea surselor a fost exploatată prima dată de Hyvarinen și Oja [Hyvarinen, Oja, 1997] în dezvoltarea algoritmului lor ICA rapid (fICA).

FICA este de fapt un algoritm de extragere a sursei, care extrage sursele una câte una pe baza coeficienților lor Kurt ; semnalele cu vârfuri tranzitorii au coeficienți Kurt mari. Mai târziu a fost demonstrat că algoritmul Infomax și estimarea cea mai probabilă maximă sunt de fapt echivalente.

Pe baza algoritmului Infomax pentru semnalele cu coeficienți kurt pozitivi cum sunt EEG-fMRI și semnalele vorbirii, minimizarea informației reciproce dintre estimările sursei și maximizarea entropiei estimărilor sursei sunt echivalente. Ca urmare, poate fi folosit un algoritm de ascensiune de gradient stochastic pentru a găsi iterativ matricea de dez-amestecare a entropiei. Algoritmul Infomax găsește un W care minimizează următoarea funcție de cost:

J(W) = I (z , x) = H(z ) − H(z |x) (3.198)

unde H(z ) este entropia outputului, H(z |x) este entropia outputului relativ la un input cunoscut , iar z = f (y) este o funcțiune de activare nonlineară aplicată la nivel de surse estimate. I (z ,x) este informația mutuală dintre input și output a rețelei neurale adaptative construite (ANN). H(z |x) este independent de W; de aceea, gradientul lui J este doar proporțional cu gradientul lui H(z ). În mod corespunzător, gradientul natural [Belouchrani, 1997] al lui J notat ca ∇WJ va fi

∇WJ = ∇WI (z , x)WTW = ∇WI (z , x)WTW (3.199)

în care indicele de timp n este eliminat pentru convanbilitatea prezentării. Atunci, regula adaptării secvențiale pentru matricea de dez-amestecare W, devine

W(n + 1) = W(n) + μ[I − 2f (y(n))yT(n)]W(n) (3.200)

unde f (y(n)) = {1 + exp[−y(n)]}−1, presupunând că outputurile sunt super-gaussiene iar μ

este rata de învățare, care este fie o constantă mică, fie se modifică gradual urmând viteza de convergență.

Diagonalizarea aproximată cumulată a matricelor proprii (JADE) este un alt algoritm BSS binecunoscut [Cardoso, 1989] bazat pe statistici de ordin mai înalt (HOS). Algoritmul JADE diagonalizează efectiv cumulul de ordinul patru al surselor estimate. Acest procedeu folosește anumite matrice Qz (M) formate prin produsul interior al tensorului cumulant de ordinul patru al outputurilor cu o matrice arbitrară M, adică

{Qz (M)}ij =Cum(z i , z, z k, z )mlk (3.201)

unde componenta cu numărul (l, k) a matricei M este scrisă ca Z = CY și ∗ arată conjugatul complex. Matricea Qz (M) are proprietatea importantă că este diagonalizată de matricea de rotație corectă U, adică UHQU = ΛM, și ΛM este o matrice diagonală ale cărei elemente diagonale depind de matricea particulară M ca și Z. Prin utilizarea ecuației (3.199), pentru un set de matrice diferite, M,poate fi calculat un set de matrice cumulante Qz (M). Atunci matricea de rotație dorită, U diagonalizează cumulat aceste matrice.

În practică, este posibilă doar diagonalizarea cumulată aproximativă [Cardoso, 1989], adică problema poate fi formulată ca minimizare a lui

J(u) =din {uHQiju}(3.202)

de unde

în afară de (M) =|mij|2 (3.203)

semnalele EEG sunt totuși nonstaționare. Nonstaționaritatea semnalelor a fost exploatată în dezvoltarea unui algoritm BSS eficient bazat pe statistici de ordinul al doilea numit SOBI (identificare oarbă de ordinul al doilea) [Belouchrani, 1997]. În aceest algoritm separarea este calculată la un număr de intervale de timp discrete simultan. La fiecare interval algoritmul diagonalizează în mod unitar matricea covarianței datelor albite. De asemenea, atenuează efectul zgomotului asupra observației folosind calculul matricei de albire, care poate îmbunătăți robustețea zgomotului. Diagonalizarea unitară poate fi explicată după cum urmează: dacă V este o matrice de albire și X este matricea de observare, matricea de covarianță a observației albite este

CX = E[VXXHVH] = VRXVH = VHRSHHVH = I, unde RX și RS arată

matricele de covarianți ale datelor observate și ale surselor originale. Se presupune că RS = I, adică sursele au varianța unitara și sunt necorelate, deci VH este o matrice unitară. De aceea, H poate fi luat ca H = V−1U, în care U = VH. Diagonalizarea aproximativă cumulată pentru un număr de intervale de timp poate fi obținută eficient folosind o generalizare a tehnicii Jacobi pentru diagonalizarea exactă a unei matrice hermițiene unice. Algoritmul SOBI este implementat prin următorii pași [Cardoso, 1989]:

(a) Matricea de covarianță probă (0) este estimată din probele de date T. Un număr m de cele mai mari valori proprii și vectorii proprii corespunzători acestora ai lui (0) sunt notate ca λ1, λ2, . . . ,λm și respectiv h1, h2, . . . , hm.

(b) În ipoteza zgomotului alb, o estimare a lui 2 a varianței zgomotului este media celor mai mici valori proprii ne-m ale lui (0). Semnalele albite sunt z (n) =[z1(n), z2(n), . . . , zne(n)]T, calculate cu: zi(n) = (λi − 2)−1/2h x(n) pentru 1 ≤ i ≤ne. Aceasta este echivalent cu formarea unei matrice de albire ca =[(λ1 − 2)−1/2h1, . . . ,(λne− 2)−1/2hne]H.

(c) Din estimările de probă (τ ) prin calcularea matricei coverianțelor de probă ale lui z (t) pentru un set fix de intervale de timp τ ∈ {τj |j = 1, . . . ,K}.

(d) Este obținută apoi o matrice unitară ca un diagonalizator conjunct al { (τj )|j = 1, . . .,K}.

(e) Semnalele sursă sunt estimate ca (t) = H x(t) sau matricea de amestec A este estimată ca = † , unde exponentul † arată pseudoinversa Moore–Penrose.

Algoritmul FICA este o altă tehnică BSS foarte populară care extrage seemnalele unul câte unul pe baza coeficienților lor Kurt. În fapt, algoritmul folosește un criteriu de independență care exploatează non-gaussianitatea surselor estimate. În unele locuri în care obiectivul este de a îndepărta artefactele de vârf, aplicarea unei FICA iterative urmată de deflația componentei artefactului dă rezultate excelente. Un semnal tipic de acest tip este dat în Figura 3.32.

Practic, FICA maximizează negentropia, care reprezintă distanța dintre o distribuție și o distribuție gaussiană având aceeași mediană și varianță, adică

Neg(y) α {E[f (y)] − E[f (yGaussian)]}2 (3.204)

ce este o funcție de scoring [Mathis, Douglas, 2004] iar Neg reprezintă negentropia. Aceasta, cum s-a menționat anterior, este echivalent cu maximizarea coeficienților Kurt. De aceea, funcția de cost poate fi definită pur și simplu ca mai jos, unde k4(y) este coeficientul Kurt, iar β este semnul coeficientului Kurt.

J(W) = −|k4(y)| = −k4(y) (3.205)

Figura 3.32 O probă a unui semnal EEG înregistrat simultan FMRI

Aplicând metoda standard de descreștere a gradientului pentru a minimiza funcția cost ne dă

W(n + 1) = W(n) − μ(3.206)

unde

− μ = μ(n)φ(y(n))x(n) (3.207)

Aici μ(n) este o rată de învățare,

ϕ(yi ) = (3.208)

iar q (yi ) = [y (n)], care este o estimare a momentului de ordinul q al surselor reale. Întrucât fICA extrage sursele una câte una, este urmat un proces de deflație pentru a exclude sursele extrase din amestecuri. Procesul reconstruiește amestecurile iterativ prin

xj+1 = xj − j yj, j= 1, 2, . . . (3.209)

un j este estimat prin minimizarea următoarei funcții cost:

J(j ) = E (3.210)

unde nr este numărul de mixturi rămase.

Figura 3.33 arată rezultatele după aplicarea FICA pentru a îndepărta artefactul scanerului din EEG. În plus, față de separarea EEG folosind FICA, au fost raportate rezultate foarte bune după aplicarea FICA la separarea sunetelor cumulate temporomandibulare.

Într-o metodă timp-frecvență (TF), care presupune că sursele sunt aproximativ ciclostaționare și nonstaționare, auto-termenii și cros-termenii matricei covarianței mixturilor sunt primii separați și BSS este aplicat ambilor termeni [Cirillo, Zoubir, 2005].

Figura 3.33 Semnalele EEG după îndepărtarea artefactului scaner

În această metodă, distribuția timp-frecvență spațială (STFD) a semnalelor mixate este definită ca

Dxx (n,ω) = (n − u, τ )e− (3.211)

unde (.) este funcția miezului discretizat definind o distribuție din clasa lui Cohen a distribuțiilor TF [Cohen, 1995] și x(.) este o observare a N probe ale semnalelor, care este în mod normal contaminată de zgomot. Presupunând x(t) = As(t) + v(t), folosind ecuația folosită mai sus aflăm că

Dxx (n, ω) = ADss (n, ω)AH + σ2I (3.212)

unde Dss (.) este STFD a semnalelor sursă și σ2 este varianța zgomotului și depinde de puterea zgomotului și a funcției de miez/nucleu. Matricea de covarianță a semnalelor sursei este atunci înlocuită de matricea STFD a sursei compusă din distribuțiile auto- și respectiv cross – timp-frecvență, pe intrările diagonale și din afara diagonalei.

Definirea matricei de albire W astfel că U = WA este unitară; o matrice STFD de zgomot compensat și albit este definită ca

xx (n, ω) = W(Dxx (n, ω) − σ2I)WH

= UDss (n, ω)UH (3.213)

W și σ2 poate fi estimat din matricea covarianței probă și Dxx este estimat pe baza formulei timpului discret al TFD. Din această ecuație (3.191) se deduce că matricea senzorului STFD prezintă aceeași structură proprie ca și matricea covarianțelor datelor folosită pentru date ciclice. Matricea de covarianță a semnalelor sursă este înlocuită de o matrice STFD a sursei compusă din TFD (intrările auto și cross-sursă) pe diagonală și repectiv în afara diagonalei. Vârfurile apar în locații exclusive reciproc pe planul TF. Funcția de miez poate fi definită în așa fel încât să maximizeze juxtapunerea punctelor pe planul TF. Prin estimarea STFD în ecuația (3.192) la punctele TFD respective, este posibilă obținerea semnalelor sursă (atat prin estimarea unei transformări unitare , via optimizarea unui criteriu al unei diagonală cumulată și off-diagonală (în afara diagonalei)), pentru a avea

(n) = HWx(n) pentru n = 1, . . . , N − 1 (3.214)

Pentru a defini și extrage vârfurile lui Dxx trebuie urmată metoda unui clustering potrivit.

Acest algoritm are aplicații potențiale în estimarea surselor EEG întrucât în cele mai normale cazuri sursele sunt ciclice sau cvasiciclice.

3.3.2.20 BSS Convolutiv

În multe situații practice, semnalele ating senzorii cu diferite întârzieri de timp. Întârzierea corespunzătoare dintre sursa j și senzorul i, ca număr de probe, este direct proporțională cu eșantionarea frecvenței și în mod convers cu viteza sunetului, adică δij ∝ dijfs/c, unde dij , fs, și c sunt distanța dintre sursa j și senzorul i, frecvența de eșantionare și respectiv viteza sunetului. Pentru vorbirea și muzica transmise în aer, poate fi luat ca exemplu următorul: dij în metri, fs între 8 și 44 kHz și c = 330 m/s. De asemenea, într-un mediu acustic, semnalele pot ajunge la senzori prin căi multiple după reflecții de către obstacole (cum sunt pereții). Cele două cazuri de mai sus au fost tratate ca modele BSS anecoic și respectiv ecoic și formulate la începutul acestei secțiuni; soluția la cazurile ecoice este evident mai dificilă și normal implică unele aproximări la sistemul actual. Ca de exemplu, în problema petrecerii cocktail menționată anterior, semnalele sursă se propagă printr-un mediu dinamic cu multe efecte parazitice, cum sunt ecourile multiple și reverberațiile. Ca urmare, semnalele primite sunt la o primă aproximare o sumă ponderată de componente mixate și întârziate. Cu alte cuvinte, semnalele primite la fiecare microfon sunt mixturile convolutive ale semnalelor vorbirii.

Din păcate, cele mai multe metode BSS propuse pentru mixturile instantanee eșuează sau sunt limitate în separarea mixturilor convolutive, în general din cauza:

(a) zgomotului;

(b) posibil unui număr mai mic de senzori decât numărul de semnale sursă (direct din sursă și prin căi multiple);

(c) nonstaționarității semnalelor;

(d) întârzierilor de timp, care fac ca mixarea globală să nu fie instantanee.

BSS convolutivă a fost recent ținta cercetării în comunitatea procesării semnalelor acustice. Au fost urmate două moduri majore atât pentru cazurile anecoice cât și pentru cele ecoice. Prima metodă este rezolvarea problemei în domeniul timp. În aceste metode, pentru a avea rezultate reprezentative trebuie estimate atât ponderile matricei nemixante cât și întârzierile. Totuși, în a doua metodă, problema poate fi transpusă în domeniul frecvență ca h(n)*s(n)H(ω)·S(ω) și BSS instantaneu aplicat la fiecare semnal mixat în coșul de frecvență. Semnalele separate la diferite coșuri de frecvență sunt apoi combinate și transpuse la domeniul timp pentru a reconstrui sursele estimate. Transpunerea Fourier discretă pe termen scurt este folosită adesea în acest scop. Figura 3.34 prezintă clar BSS domeniu frecvență al mixturilor convolutive. Cu toate acestea, problema permutării inerente a BSS deteriorează sever rezultatele deoarece ordinul surselor separate în coșuri diferite de frecvență pot varia de la segment la segment de semnale.

Calea de feedback anulează interferențele ca rezultat al versiunilor întârziate ale celorlalte surse. Acest circuit a fost de asmenea utilizat mai târziu la extinderea BSS Infomax la cazurile convolutive. Rețeaua combinată maximizează entropia la outputul de rețea în ce privește ponderile și întârzierile. Torkkola [Torkkola, 1996] a extins acest algoritm la cazurile ecoice. Pentru a obține o convergență rezonabilă, sunt necesare unele cunoștințe despre situația de înregistrare.

Într-o altă lucrare a fost folosită o extensie a unui algoritm SOBI pentru BSS anecoic [Wang, Sanei, 2005]. Problema este transpusă la domeniul frecvență și este utilizată diagonalizarea cumulată a matricelor spectrale pentru a estima coeficienții de mixare ca și întârzieri. În încercările lui Parra și alții [Parra, Spence, 2000], Ikram și Morgan [Ikram, Morgan, 2000] și Cherkani și Deville [Cherkani, Deville, 1999], au fost utilizate statistici de ordinul al doilea pentru a asigura că sursele estimate Y(ω,m) sunt necorelate la fiecare coș de frecvențe. W(ω) este estimat astfel că diagonalizează matricele de covarianță RY(ω, k) simultan pentru toate blocurile de timp k,k = 0, 1, . . . , K − 1, i.e.

Figura 3.34 O diagramă schematică a BSS domeniu-frecvență a mixturilor convolutive ale unui model simplu cu două surse

RY(ω, k) = W(ω)RX(ω, k)WH(ω)

= W(ω)H(ω)ΛS(ω, k)HH(ω)WH(ω)

= Λc(ω, k) (3.215)

unde ΛS(ω, k) este matricea de covarianță a semnalelor sursă, care se schimbă cu

k,Λc(ω, k) care este o matrice diagonală arbitrară, iar RX(ω, k) este matricea de covarianță a lui X(ω), estimată prin

X(ω, k) = X(ω,NK + n)XH(ω,NK + n) (3.216)

unde N este numărul de mixturi; filtrul de demixare W(ω) pentru fiecare coș de frecvențe ω care satisface simultan ecuațiile decorelației K poate fi obținut folosind o soluție a celor mai mici pătrate supradeterminate. Întrucât outputul matricei de covarianță RY(ω, k) trebuie să fie diagonalizat, ecuația de actualizare pentru estimarea matricei de demixare W poate fi găsită prin minimizarea elementelor din afara diagonalei (off-diagonal) lui RY(ω, k), ceea ce duce la

Wρυ+1(ω) = Wρ(ω) − μ(ω) Vρ(ω, k)||2} (3.217)

în care ρ este indicele de iterație, || · ||2 este norma Frobenius pătrată,

μ(ω) = (3.218)

și

V(ω, k) = W(ω)RX(ω, k)WH(ω) − diag[W(ω)RX(ω, k)WH(ω)] (3.219)

iar α este o constantă, care este ajustată în mod practic.

În aceste metode, a fost sugerat un număr de soluții pentru atenuarea ambiguității de permutare. Smaragdis [Smaragdis, 1998] a reformulat algoritmul Infomax pentru domeniul complex și l-a folosit pentru a rezolva BSS în domeniul frecvență. Murata et al. [Murata, Ikeda, 2001] de asemenea au formulat problema BSS în fiecare coș de frecvențe utilizând o metodă de diagonalizare simultană similară metodei SOBI. Pentru a atenua problema permutării a fost introdusă o metodă bazată pe structura temporală a semnalelor, care folosește nonstaționaritatea vorbirii. Metoda folosește corelațiile dintre coșurile de frecvență ale spectrului semnalelor.

Totuși, pentru modelul de mizare a EEG fs este în mod normal joasă (întrucât lățimea de bandă <100 Hz) iar viteza de propagare este echivalentă cu cea a undelor electromagnetice (300,000 km/s). De aceea, întârzierea este aproape zero iar modelul de mizare poate fi întotdeauna instantaneu. Principala limitare a aplicației BSS la separarea semnalelor EEG este datorată:

(a) mediului zgomotos;

(b) numărului necunoscut de surse;

(c) nonstaționarității surselor;

(d) mișcării surselor ERP.

Deși au fost făcute multe încercări pentru a rezolva problemele de mai sus, sunt necesare mai multe eforturi pentru a furniza soluții robuste pentru diferite aplicații.

Analiza Componentei rare

Acolo unde sursele sunt rare, adică la fiecare moment în timp, numărul valorilor diferite de zero este mai mic sau egal cu numărul de mixturi. Coloanele matricei mixării pot fi calculate individual, ceea ce face posibilă soluția la cazul subdeterminat. Problema poate fi formulată ca o problemă de grupare (clustering) întrucât liniile din zona de împrăștiere pot fi separate pe baza direcționalității lor prin mijloacele grupării (clustering). Aceeași idee a fost urmată mai complet de Li et al. [Li, Amari, 2006]. Prin metoda lor, separarea a fost făcută în două stadii diferite. Mai întâi, matricea mixarii necunoscute este estimată folosind metoda grupării după mediana k. Apoi, este estimată matricea sursă folosind un algoritm de programare lineară standard. Linia de orientare a setului de date poate fi gândită ca direcția celei mai mari varianțe. O modalitate este calcularea descompunerii vectorilor proprii pe matricea de covarianță a datelor; vectorul propriu principal rezultant, adică vectorul propriu corespunzător celei mai mari valori proprii, incidă direcția datelor. Sunt multe cazuri pentru care sursele sunt disjunse în alte domenii decât domeniul timp. În aceste cazuri analiza componentei rare poate fi făcută mai eficient în acele domenii. O asemenea abordare transpune observațiile convolutive anecoice în domeniul timp-frecvență folosind o transpunere Fourier discretă de timp scurt, iar atenuarea relativă și valorile de întârziere dintre două observații sunt calculate din raportul dintre punctele corespunzătoare timp-frecvență. Regiunile de amplitudine semnificativă (atomi) sunt apoi considerate drept componente sursă în domeniul timp-frecvență.

Pentru cazurile instantanee, cea mai comună metodă de separare a surselor rare utilizată de cei mai mulți cercetători este încercarea de a maximiza raritatea semnalelor extrase în outputul separatorului. Coloanele matricei de mixare A, alocă fiecare punct de date observate doar unei singure surse pe baza unei măsurări a proximității față de acele coloane; aceasta înseamnă că în fiecare moment doar o sursă este considerată activă. Ca urmare, sistemul de mixare poate fi prezentat ca

xi(n) =ajisj (n), i = 1, . . .,N (3.220)

unde, într-un caz ideal aji = 0 pentru i j. Minimizarea normei L1 este una dintre cele mai logice metode pentru estimarea surselor. Minimizarea normei L1 este o operație lineară de o singură piesă care alocă parțial energia lui x(n) celor M coloane ale lui A care formează un con în jurul lui x(n) în spațiul M. Celorlalte N –M coloane le sunt alocați coeficienți zero; de aceea, minimizarea normei L1 se poate manifesta ca

min ||s(n)||1 în funcție de As(n) = x(n) (3.221)

O discuție detaliată a găsirii semnalului utilizând minimizarea normei L1 este prezentată de Takigawa et al. [Takigawa, Kudo, 2004], dar merită să îi fie subliniate avantajele potențiale pentru seturile de date scurte.

Cum am menționat mai sus, este important să alegem un domeniu în care semnalele sunt mai rare.

Analiza para-factor este o unealtă eficientă în detectarea și clasificarea surselor dintr-un spațiu multidimensional. Într-o abordare foarte recentă a fost considerat că sursele semnalelor cerebrale în domeniul spațiu-timp-frecvență sunt disjunse. Ca urmare, gruparea punctelor de observație în domeniul spațiu-timp-frecvență poate fi utilizată efectiv pentru separarea surselor cerebrale. Rezultatul este extrem de valoros pentru detectarea ritmurilor μ corespunzătoare mișcării degetelor stâng și drept în contextul interfeței creier-computer (BCI).

Să considerăm cazurile în care parametrii sistemului de mixare se schimbă datorită schimbărilor din mediul de mixare sau schimbărilor din statisticile sursei. De exemplu, dacă imaginile ambelor fețe ale unei hârtii semitransparente sunt fotocopiate rezultatele vor fi două mixturi ale surselor originale. Totuși, întrucât nivelul gri minim observabil este negru (sau zero) iar maximul este alb (să zicem 1), suma nivelurilor gri nu poate depăși aceste limite. Acesta reprezintă un sistem de mixare nonlinear. Un alt exemplu, să ne gândim la sunetele cumulate auzite de la suprafața electrozilor de pe piele. Mediul de mixare implică parametri acustici ai țesuturilor corpului. Totuși, țesuturile nu sunt rigide. În asemenea cazuri, dacă țesururile vibrează datorită sunetului energiei atunci sistemul de mixare va fi un sistem nonlinear. Mixarea și demixarea pot fi in general modelate respectiv ca

x(n) = f (As(n) + n(n)) (3.222)

y(t) = g(Wx(n)) (3.223)

unde f (.) și g(.) reprezintă nonlinearitățile din procesele de mixare și respectiv demixare. Au existat unele încercări de a rezolva probleme BSS nonlineare, în special pentru separația imaginilor de mixtură. Într-o încercare [Jutten, Karhunen, 2004] sistemul de mixare a fost modelat ca rețea neurală de funcție de bază radială (RBF). Parametrii acestei rețele sunt calculați iterativ. Totuși, în aceste metode este adesea formulată o ipoteză despre modelul de mixare. Din păcate, niciuna dintre aceste metode nu dă în mod curent rezultate satisfăcătoare.

3.3.2.21 BSS Constrâns

Problema de optimizare ce stă la baza soluției la problema BSS poate fi supusă îndeplinirii unui număr de condiții. Acestea pot să se bazeze pe o cunaștere a priori a surselor sau a sistemului de mixare. Orice constrângere a estimării surselor sau a sistemului de mixare (sau a sistemului de demixare) poate conduce la o estimare mai acurată a surselor. Farte recent au fost folosite constrângeri statistice dar și geometrice în dezvoltarea de noi algoritmi BSS. În cele mai multe dintre cazuri, problema de constrângere este convertită la una neconstrânsă prin intermediul unui parametru de regularizare cum este multiplicatorul Lagrange sau mai des chiar o funcție de penalizare nonlineară.

Încorporarea funcțiilor penalizatoare nonlineare într-o problemă de diagonalizare conjunctă nu doar exploatează nonstaționaritatea semnalelor dar și asigură convergența rapidă a ecuației de actualizare. O formulare generală a funcției cost a unui asemenea sistem poate fi de forma

J(W) = Jm(W) + κϕ(Jc(W)) (3.224)

unde Jm(W) și Jc(W) sunt, respectiv, funcțile cost principală și constrânsă, ϕ(·) este o funcție penalizatoare nonlineară, iar κ este un parametru de penalizare.

BSS constrânsă are un potențial foarte mare în încorporarea informației clinice în formula principală a optimizării. Ca o nouă aplicație a BSS constrânse, a fost dezvoltat un algoritm eficient pentru îndepăratarea artefactelor clipitului din EEG. A mai fost dezvoltată o metodă similară diagonalizării conjuncte a matricelor de corelație prin utilizarea metodelor de gradient, care exploatează structura temporală a surselor EEG de la bază. Algoritmul este o extensie a SOBI, ce are ca scop calculul iterativ a diagonalizării conjuncte a matricelor de covarianță a intervalelor de timp multiple ale surselor estimate și utilizarea structurii statistice a semnalului clipitului ca și element de constrângere.

Matricea covarianței sursei estimate este dată de

RY(k) = WRX(k)WT (3.225)

unde RX(k) = E{x(n)xT(n − k)} este matricea de covarianță a datelor de electrod. Urmând același procedeu ca în [Parra, Sajda, 2000], estimatul celor mai mici pătrate (LS) ale lui W este găsit din

Jm(W) = arg ||E(k)|| (3.226)

unde || · || este norma Frobenius pătrată iar E(k) este eroarea ce trebuie minimizată dintre covarianțele semnalelor sursă, RS(k) și sursele estimate, RY(k). Funcția cost corespunzătoare a fost definită, pe baza minimizării elementelor din afara diagonalei pentru fiecare bloc (calup) de timp, adică

J(W) = Jm(W) + ɅJc(W) (3.227)

unde

Jm(W) =||RY(k) − diag(RY(k)|| (3.228)

și

Jc(W) = F(E[g(n)yT(n)]) (3.229)

F(.)este o funcție nonlineară ce aproximează funcția densității cumulative (CDF) a datelor iar Ʌ = {λij }(i, j = 1, . . . , N) este factorul ponderat care este guvernat de corelația (matricea) dintre semnalele EOG și EEG (RGY), definit caɅ = κ diag(RGY), unde κ este o constantă ajustabilă. Apoi este aplicată o metodă a gradientului pentru minimizarea funcției. Ecuația de actualizare incrementală este

W(n + 1) = W(n) − μ (3.230)

care conclude algoritmul.

Separarea sursei oarbe a fost folosită pe larg pentru procesarea semnalelor EEG. Deși ipotezele principale asupra semnalelor sursă, cum sunt necorelațiile sau independența acestor semnale, nu au fost încă verificate, rezultatele empirice ilustrează eficacitatea acestor metode. Semnalele EEG sunt semnale zgomotoase și nonstaționare, care sunt în mod nomal afectate de unul sau mai multe tipuri de artefacte interne. Cele mai eficiente metode sunt acelea care consideră toate statisticile diferitelor domenii ale semnalelor și care țin cont de natura artefactelor. În plus, o provocare majoră constă în cum să fie încorporate și exploatate proprietățile psihologice ale semnalelor și caracteristicile surselor reale în algoritmul BSS. Au fost date aici unele exemple; mai multe vor fi prezentate în alte capitole ale acestei lucrări.

În cazul semnalelor cerebrale, condițiile de independență sau noncorelație pentru surse pot să nu fie satisfăcute. Acest lucru, totuși, poate fi acceptabil pentru surse anormale, surse legate de mișcare sau semnale ERP. Transpunerea problemei într-un domeniu ca domeniul spațiu-timp-frecvență, în care sursele pot fi considerate disjunse, poate fi o soluție bună.

3.3.2.22 Aplicații ale BSS Constrânsă: Exemplu

În practică, semnalele naturale cum sunt semnalele sursă EEG nu sunt întotdeauna independente. O metodă ICA topografică propusă [Hyvarinen, Hoyer, 2001] încorporează dependența dintre sursele învecinate nu doar grupând componentele independente legate de sursele învecinate dar și separând sursele ce au origine în diferite regiuni ale creierului. În acest model ICA este propus ca structura dependenței reziduale a componentelor individuale (ICs), definite ca dependențe ce nu pot fi anulate de ICA, să poată fi folosită pentru a stabili o ordine topografică între componente. Pe baza acestui model, dacă topografia este definită de un grilaj sau o grilă, dependența componentelor este o funcție a distanței componentelor pe acea grilă. Ca urmare, este definit modelul generativ, care implică corelarea energiilor pentru componente care sunt apropiate în grila topografică. Ipoteza principală este că sursele învecinate sunt corelate iar cele îndepărtate una de alta sunt independente.

Pentru a dezvolta un asemnea algoritm este inițial definită o relație de vecinătate ca

h(i, j ) = (3.231)

unde constanta m specifică lățimea vecinătății. O asemenea funcție este ca urmare o matrice de hiperparametri. Această funcție poate fi încorporată în funcția cost principală a BSS. Regula de actualizare este dată atunci ca

wi α E[z (wz )ri] (3.232)

unde z i reprezintă semnalele mixate albite și

ri =(3.233)

Funcția g este derivata unei funcții nonlineare cum este cea definită în [Hyvarinen, Hoyer, 2001]. Se observă că vectorii wi sunt constrânși într-o limită topografică definită de h(i, j ). În sfârșit, pot fi realizate ortogonalizarea și normalizarea, de exemplu, prin metoda clasică ce folosește rădăcini pătrate matriceale:

W ← (WWT)−1/2W (3.234)

unde W este matricea vectorilor wi, adică W = [w1, w2, . . . , wN]T. Matricea de mixare originală A poate fi calculată prin inversarea procesului de albire ca A = (WV)−1, unde V este matricea de albire.

Acest algoritm a fost modificat pentru separarea semnalelor de atac, prin (a) găsirea iterativă a celei mai bune vecinătăți m și (b) constrângând sursa estimată dorită să se situeze în banda de frecvență specifică și să origineze din anumite zone ale creierului (confirmate clinic). Figura 3.35 ilustrează componentele independente ale unui set de semnale EEG de la un pacient epileptic, folosind metoda constrângerii topografice ICA de mai sus. În figura 3.36 sunt arătate hărțile topografice corespunzătoare.

Figura 3.35 Componentele estimate independente ale unui set de semnale EEG obținute de la 16 electrozi, utilizând ICA topografic constrâns. Se observă că ICS similare sunt grupate la un loc

Figura 3.36 Hărțile topografice, fiecare ilustrând câte un IC. Sursele sunt localizate geometric.

Din aceste figuri, al șaselea IC de sus arată clar componenta atacului. În consecință, topografia corespunzătoare arată localizarea unui atac la electrozii din temporalul stâng.

3.3.2.23 Estimarea parametrilor de semnal

În multe aplicații cum sunt modelarea, eliminarea zgomotului sau predicția, unii parametri ai modelelor de semnal sau distribuțiilor trebuie să fie adesea estimați. De exemplu, în modelarea AR, coeficienții de predicție pot fi calculați recursiv folosind algoritmul celui mai mic pătrat mediu (LMS) ca

ap(k + 1) = ap(k) − μe(k)x(k) (3.235)

unde p este ordinul de predicție, e(.) este semnalul de eroare (rezidual) și k este numărul de iterație.

Același algoritm poate fi folosit pentru estimarea punctului de intersecție al unui număr de sfere. Sferele pot fi cele centrate la fiecare electrod EEG și baza lor proporțională inversului corelației dintre fiecare componentă independentă estimată (sursă) și semnalele EEG de scalp. Punctul de intersecție este atunci legat de localizarea sursei.

3.3.2.24 Algoritmi de clasificare

În contextul procesării semnalului biomedical, în special cu aplicare la semnalele EEG, clasificarea datelor în spații de trăsături este necesară deseori. De exemplu, puterea, locațiile și latențele ale subcomponentelor P300 pot fi clasificate nu doar pentru a detecta dacă subiectul are boala Alzheimer, dar și pentru a determina stadiul bolii.

Ca un alt exemplu, pentru a detecta dacă există mișcare a degetului stâng sau drept în aria BCI, trebuie să fie clasificate timpul, frecvența și trăsăturile spațiale. De asemenea, în separarea sursei oarbe folosind metoda distribuției Wigner–Ville a clasei Cojen, trebuie estimat statusul auto-termenilor și al cros-termenilor pentru a separa sursele. Această estimare trebuie se fie făcută prin intermediul unor tehnici de grupare (clustering) cum ar fi mediana k urmată de evaluarea clusterilor.

Obiectivul clasificării este acela de a trasa o limită între două sau mai multe clase și de a le denumi pe baza caracteristicilor lor măsurate. Într-un spațiu de caracteristici multidimensional această limită ia forma unui hiperplan separator. Măiestria aici este de a găsi cel mai bun hiperplan care are o distanță maximă față de toate clasele.

Au fost dezvoltate câteva tehnici de grupare și clasificare în ultimii patruzeci de ani. Printre ele, au fost foarte populare rețelele neurale artificiale (ANN), analiza discriminantului linear (LDA), modelarea Markov ascunsă (HMM), gruparea pe mediane k, logica fuzzy și aparatele cu vector de suport (SVM). Aceste tehnici au fost dezvoltate și bine explicate în literatură [Vapnik, 1998]. Explicația tuturor acestor metode depășește scopul acestui capitol. Totuși, este dat aici un rezumat al unui SVM deoarece a fost aplicat la semnalele EEG pentru îndepărtarea artefactului clipitului, detectarea atacurilor epileptice, detectarea potențialelor de ecou (EP), clasificarea mișcărilor degetului stâng și drept în BCI și multe alte aspecte ale EEG.

Spre deosebire de multe probleme matematice în care formule explicite bazate pe un număr de inputuri dau ca rezultat un output, în anumite forme de clasificare a datelor nu vor fi niciun model sau formulă de acest fel. În asemenea cazuri sistemul trebuie să fie antrenat pentru a fi capabil să recunoască inputurile. Mulți algoritmi de clasificare nu sunt eficienți când:

(a) numărul de caracteristici este mare;

(b) există un timp limită pentru realizarea clasificării;

(c) există o ponderare nonuniformă între caracteristici;

(d) există o hartă nonlineară între inputuri și outputuri ;

(e) distribuția datelor nu este cunoscută ;

(f) convergența nu este convexă (monotonică), astfel că poate cădea într-un minim local.

Există două tipuri de algoritmi de învățare pentru aparate pentru clasificarea datelor: învățare supravegheată și învățare nesupravegheată. În primul caz, ținta este cunoscută iar clasificatorul este antrenat să minimizeze diferența dintre outputul real și valorile țintă. Un exemplu bun de asemenea clasificatori este perceptronul multistratificat (MLP). În învățarea nesupravegheată, totuși, clasificatorul grupează datele în grupuri având cea mai mare distanță unele de altele. Un exemplu popular al acestor clasificatori este algoritmul mediilor k.

3.3.2.25 Aparate cu Vector de Spport

Dintre toți calsificatorii supravegheați, SVM este acela care performează bine în situațiile de mai sus. Conceptul de SVM a fost inițiat în 1979 de către Vapnik [Vapnik, 1995]. Pentru a înțelege conceptul de SVM considerăm o clasificare binară a unui spațiu de caracteristici bidimensional al unor probe de învățare separabile linear (Figura 3.37)

S = {(x1, y1), (x2, y2), . . . , (xm, ym)} unde x ∈ Rd este vectorul de input și y ∈ {−1, 1}este denumirea clasei. O funcție de discriminare poate fi definită ca

f (x) = sgn(+ b) = (3.236)

În această formulă, w determină orientarea planului discriminant (sau hiperplanului).

În mod clar, există un număr infinit de planuri posibile care ar putea clasifica corect datele de învățare. Unul poate fi cum este arătat în figura 3.37.

Un clasificator optim găsește hiperplanul pentru care hiperplanul generalizator cel mai bun este echidistant sau la fel de mult îndepărtat de fiecare set de puncte. Setul de vectori de input se spune că este separat optim de hiperplan dacă sunt separați fără eroare iar distanța dintre cel mai apropiat vector și hiperplan este maximă. În acest caz va fi doar un singur hiperplan care realizează separația optimă. Acesta poate fi similar celui arătat în figura 3.38.

Figura 3.37 Un set de date separabil bidimensional și hiperplanul separator

Figura 3.38 Un hiperplan optim separator

Figura 3.39 Determinarea grafică a învelișurilor calicelor convexe, vectorilor de suport și hiperplanului de separație

O modalitate de a găsi hiperplanul de separație într-un caz separabil este prin construirea așa-numitelor calice convexe ale fiecărui set de date ca în figura 3.39. Prin examinarea calicelor este posibilă apoi determinarea celor mai apropiate două puncte situate pe calcele fiecărei clase (a se observa că acestea nu coincid în mod necesar cu puntele datelor reale). Prin construirea unui plan perpendicular și echivalent la aceste două puncte trebuie să rezulte un hiperplan optim și clasificatorul trebuie să țină într-un anumit sens.

Observați în figura 3.40 că trei puncte de date au fost identificate cu cercuri. Acestea sunt doar punctele de date necesare pentru determinarea hiperplanului optim și sunt în mod obișnuit cunoscute ca vectori de suport (SV). Acolo unde datele sunt multidimensionale iar numărul de puncte este mare, soluția grafică pentru găsirea hiperplanului nu va mai fi practică. Va fi necesară o soluție matematică.

Pentur a formula un SVM, se pornește de la cazul cel mai simplu: aparate lineare învățate pe date separabile (se va observa că în analiza pentru cazul general, aparatele nonlineare învățate pe date nonseprabile duc la o problemă de programare pătratică similară). Din nou denumim datele de învățare {xi, yi}, i = 1, . . . , m, yi ∈ {−1, 1}, xi ∈ Rd.

Presupunem că un hiperplan separă exemplele pozitive de cele negative. Punctele x care se situează pe hiperplan satisfac + b = 0, unde w este normală la hiperplan, |b|/||w||2 este distanța perpendiculară de la hiperplan la origine, ||w||2 este norma euclidiană a lui w. Definim ‘marginea’ unui hiperplan de separație ca în figura 3.40. Pentru F cazul de separație lineară, algoritmul vectorului de suport caută doar hiperplanul de separație cu cea mai mare margine.

Figura 3.40 Hiperplan de separație lineară pentru cazul separabil, vectorii de suport sunt încercuiți

Figura 3.41 Constrângerile pentru SVM

Metoda aici este de a reduce problema la o optimizare convexă prin minimizarea unei funcții pătratice sub constrângerile de inegalitate lineară. Mai întâi trebui observat că în definiția clasificatorilor lineari există un grad inerent de libertate, după care funcția poate fi scalată arbitrar. Aceasta permite marginilor să fie considerate egale cu unitatea pentru simplificare (hiperplanurile cu marginea funcțională sunt uneori numite hiperplanuri canonice) și ulterior să fie minimizată norma vectorului de pondere. Pentru a găsi planul cel mai îndepărtat de ambele clase de date, marginile dintre hiperplanurile canonice de suport pentru fiecare clasă sunt pur și simplu maximizate. Planurile suport sunt împinse lateral până ce întâlnesc cele mai apropiate puncte de date, care sunt atunci considerate vectori de suport (încercuite în Figura 3.41). Ca urmare, întucât

+ b ≥ +1 pentru yi = +1

+ b ≤ −1 pentru yi = −1 (3.237)

care poate fi combinat într-un set de inegalități ca yi (+ b) − 1 ≥ 0∀i, marginea dintre aceste planuri de suport (H1 și H2) poate fi scrisă ca γ = 2/||w||2.

Pentru a maximiza această margine, se procedează astfel:

Minimizarea

funcție de yi(+ b) − 1 ≥ 0, i= 1, . . . , m. (3.238)

Pentru a rezolva această problemă de optimizare constrânsă, constrângerea poate fi încorporată în funcția de cost (risc) principală folosind multiplicatorii Lagrange. Aceasta duce la minimizarea unei funcții de risc empiric neconstrânse (Lagrangiană) care duce în consecință la un set de condiții numite condițiile Kuhn–Tucker (KT).

Pentru a calcula optimizarea Lagrangiană trebuie construită așa-numită formă primară:

L(w, b, α) = −αi [yi (+ b) − 1] (3.239)

unde αi, i = 1, . . . , m, sunt multiplicatorii Lagrangieni. Astfel lagrangiana primară trebuie minimizată față de w, b și maximizată față de o αi ≥ 0. Construirea formei duale Lagrangiene clasice facilitează această rezolvare. Aceasta este realizată prin stabilirea derivatelor primarei la zero și reînlocuirea lor din nou în primară. Deci,

= w −yiαixi = 0 (3.240)

Astfel

w =yiαixi (3.241)

și

=yiαi = 0 (3.242)

Prin înlocuirea acestora în forma primară este obținută forma duală ca

L(w, b, α) = yiyjαiαj – yiyjαiαj +αi (3.243)

care este redusă la

L(w, b, α) =αi − yiyjαiαj (3.244)

considerând că yiαi = 0 și αi ≥ 0.

Aceste ecuații pot fi rezolvate matematic (cu ajutorul unui computer) folosind algoritmii de programare pătratică (QP). Există mulți algoritmi disponibili pe numeroase website-uri accesibile public http://www.support-vector.net sau http://www.kernel-machines.org.

Totuși, în multe situații practice, seturile de date nu sunt separabile (adică au suprapuneri în spațiul de caracteristici). Ca urmare, clasificatorul de margine maximă descris mai sus nu va mai fi aplicabil. Evident, poate fi posibilă definirea unui hiperplan nonlinear complicat pentru a separa perfect seturile de date dar, cum vom vedea mai târziu, aceasta cauzează o problemă de supramontaj care reduce robustețea clasificatorului.

Cum se observă în figura 3.42, calicele convexe se suprapun iar seturile de date nu mai sunt separabile linear. Soluția ideală în care niciun punct nu este greșit clasificat și niciun punct nu se situează în interiorul marginii nu mai este fezabilă. Aceasta înseamnă că este necesar să fie eliminate constrângerile pentru a permite un minimum de clasificări eronate. În acest caz, punctele care urmează să cadă pe partea greșită a marginii sunt considerate erori. Li se alocă totuși o influență mai scăzută (conform unei variabile de moderație prestabilite) asupra locației hiperplanului și ca urmare sunt considerate vectori suport (vezi figura 3.43). Clasificatorul obținut astfel este numit clasificator de margine soft (vezi Figura 3.44).

Figura 3.42 Regiunile cuprinse pentru cazul nonseparabil

Figura 3.43 Vectori suport într-un caz nonseparabil cu hiperplan linear

Figura 3.44 Marginea Soft și conceptul de parametru de moderație (slack)

Pentru a optimiza clasificatorul de margine soft, trebuie permisă încălcarea constrângerilor marginii după o variabilă de moderație prestabilită ξi în constrângeri, care devin atunci

+ b ≥ +1 − ξi pentru yi = +1

+ b ≤ −1 + ξi pentru yi = −1

și ξi ≥ 0 ∀i (3.245)

Astfel, pentru ca o eroare să apară ξi corespunzător trebuie să depășească unitatea, astfel

_

i ξi este o limită superioară a numărului de erori de învățare. Deci o cale naturală de a aloca un cost suplimentar pentru erori este schimbarea funcției obiective în

Minimizează + Cξi

funcție de yi (+ b) ≥ 1 − ξi si ξi ≥ 0 i = 1, . . .,m (3.246)

Forma primară va fi atunci

L(w, b, ξ, α, r) = − Cξi −αi [yi(+ b) − 1 + ξi ]−riξ i (3.247)

Deci,

= w −yiαixi = 0 (3.248)

Astfel din nou

w =yiαixi (3.249)

și

= C − αi − ri = 0 (3.250)

Astfel că

αi + ri = C (3.251)

și

=yiαi = 0 (3.252)

Prin înlocuirea acestora în forma primară este obținută forma duală ca

L(w, b, ξi , α, r) =αi − yiyjαiαj (3.253)

considerând din nou că yiαi = 0 și αi ≥ 0. Aceasta este similară clasificatorului marginal maximal. Singura diferență sunt noile constrângeri ale lui αi + ri = C, unde ri ≥ 0 și deci 0 ≤ αi ≤ C. Aceasta implică faptul că valoarea C stabilește o limită superioară variabilei de optimizare lagrangiene αi. Aceasta este unerori numită constrângerea cutie.

Valoarea lui C oferă un compromis între acuratețea potrivirii datelor și regularizare. O valoare mică a lui C (adică <1) limitează semnificativ influența punctelor de eroare (sau în afara limitelor), în timp ce dacă C este ales foarte mare (sau infinit) atunci procedeul marginii soft (ca în Figura 3.44) devine identic cu clasificatorul maximal. De aceea când este folosit clasificatorul de margine soft, alegerea valorii C va depinde foarte mult de date. O selecție corespunzătoare a lui C este de mare importanță și este o arie de cercetare. Un mod de a stabili C este creșterea graduală a lui C de la max (αi ) pentru ∀i iar apoi găsirea valorii pentru care eroarea (deviațiile, cros-validarea, sau numărul de puncte eronat neclasificate) este minim. În sfârșit, C poate fi găsit empiric.

Nu vor fi modificări în formula SVM pentru cazurile multidimensionale.

Doar dimesniunea hiperplanului se modifică în funcție de numărul de tipuri de caracteristici.

În multe cazuri nonseparabile folosirea unei funcții nonlineare poate ajuta la a face seturile de date separabile. Cum se poate vedea în Figura 3.45, seturile de date sunt separabile dacă este folosit un hiperplan nonlinear. Realizarea hărților miezurilor oferă o soluție alternativă prin proiectarea nonlineară a datelor într-un spațiu de caracteristici mai înalt (de obicei) dimensional pentru a permite separarea unor asemenea cazuri.

Figure 3.45 Hiperplan discriminant nonliner

Cheia succesului localizării miezului constă în utilizarea unor tipuri speciale de localizare care respectă teorema lui Mercer, uneori numite spații Hilbert ale reproducerii miezului ce oferă o localizare implicită în spațiul caracteristicilor:

K(x, z ) = (3.254)

Aceasta înseamnă că localizarea explicită nu trebuie să fie cunoscută sau calculată; ci produsul intern însuși este suficient pentru a furniza localizarea. Aceasta simplifică dificultatea de calcul în mod dramatic și în combinație cu generalitatea implicită a SVM atenuează mult problema de dimensionalitate. Mai mult, aceasta înseamnă ca produsul intern al trăsăturii de input poate fi pur și simplu înlocuit cu funcția miezului corezpunzătoare pentru a obține harta localizării fără a afecta teoria optimizării lagrangiene. Deci,

L(w, b, ξi , α, r) =αi − yiyjαiαjK(xi,xj ) (3.255)

Funcția clasificatorului relevant devine atunci

f (x) = sgn (3.256)

În acest mod sunt menținute toate beneficiile metodei SVM lineare originale. O funcție de clasificare înalt nonlineară, cum ar fi funcția polinomială sau pe baze radiale sau chiar o rețea neurală sigmoidală, poate fi antrenată folosind un algoritm robust și eficient care nu este afectat de minime locale. Utilizarea funcțiilor miez transformă un clasificator simplu linear într-un clasificator nonlinear general și puternic.

Mai jos sunt date unele exemple de funcții RKHS populare folosite în SVM:

Polinomiala K(u, v) = (+ c)d (3.257)

Funcția de bază radială gaussiană K(u, v) = exp (3.258)

Funcția de bază radială exponențială K(u, v) = (3.259)

Perceptronul multistratificat

K(u, v) = tanh(ρ(+ c)) (3.260)

Potențial, este posibilă găsirea unui hiperplan folosind un miez potrivit pentru date pentru a evita suprapunerea seturilor (sau a cazurilor nonseparabile) și ca urmare producerea unui clasificator fără eroare în setul de învățare. Aceasta este puțin probabil să fie generalizată bine. Mai specific, problema principală aici este că sistemul poate să nu mai fie robust căci o testare sau un input nou pot fi cu ușurință clasificate greșit.

Un alt aspect legat de aplicațiile SVM este problema de cross-validare. Poate fi măsurată distribuția outputului clasificatorului (fără limitatorul hard `semn` din ecuația (3.253) pentru un număr de inputuri din aceeași clasă. Distribuțiile de probabilitate ale rezultatelor (care sunt centrate la – 1 pentru classa `- 1` și la + 1 pentru clasa `+ 1`) sunt reprezentate în aceeași figură. O suprapunere mai mică între distribuții reprezintă o performanță mai bună a clasificatorului. Alegerea miezului influențează preformanța clasificatorului cu privire la conceptul de validare încrucișată.

SVM poate fi ușor modificat pentru a permite clasificarea datelor multiclase [Weston, Watkins, 1999]. Mai mult, unele cercetări au fost făcute pentru a mări viteza pasului de învățare al SVM [Platt, 1998].

3.3.2.26 Algoritmul Mediei k

Algoritmul mediei k [Hartigan, Wong, 1979] este un instrument de grupare eficient și în general simplu care a fost pe larg folosit pentru multe aplicații. Acest lgoritm împarte un set de caracteristici (ca puncte în Figura 3.46) în k clusteri (grupuri).

Algoritmul este inițializat prin setarea lui ‘k’ astfel încât să fie numărul presupus de clusteri. Apoi este identificate centrul fiecărui cluster k prin selectarea punctelor de date reprezentative pentru k. Pasul următor

Figura 3.46 Un spațiu de caracteristici bi-dimensional cu trei clusteri, fiecare cu o culoare diferită

În algoritmul grupării pe medii-k după inițializare este alocarea punctelor de date rămase celui mai apropiat centru de cluster. Matematic, aceasta înseamnă că fiecare punct de date trebuie să fie comparat cu fiecare centru de cluster existent și găsită distanța minimă. Acest lucru se realizează cel mai adesea sub forma verificării erorii (care va fi discutată în scurt timp).

Totuși, înainte de aceasta, sunt calculate noi centre de clustere. Acesta este în mod esențial pasul ce a rămas de făcut în gruparea pe medii-k: odată ce au fost stabiliți clusterii (adică fiecare punct de date a fost alocat celui mai apropiat centru de cluster) este recalculat centrul geometric al fiecărui cluster. Poate fi calculată distanța euclidiană a fiecărui punct de date dintr-un cluster la centrul acestuia.

Se poate repeta pentru toți clusterii, ale căror sume rezultante pot fi însumate ele însele la un loc. Suma finală este cunoscută ca suma pătratelor sumelor din clusteri. Considerând eroarea de variație din interiorul clusterului (suma pătratelor pentru clusterul c) ca εc:

εc =d=||x− c|| ∀c (3.261)

unde d2i este pătratul distanței euclidiene dintre punctul de date i și centrul de cluster desemnat acestuia xc, nc este numărul total de puncte de date (caracteristici) din clusterul c, iar xci este un punct de date individual din clusterul c. Centrul clusterului (media punctelor de date din clusterul c) poate fi definit ca

c = x (3.262)

iar eroarea totală este

Ek =εc (3.263)

Algoritmul mediilor k global poate fi sumarizat ca:

1. Inițializare

(a) Definirea numărului de clusteri (k).

(b) Desemnarea unui centru al clusterului (o cantitate vectorială care este de aceeași dimansionalitate cu datele) pentru fiecare cluster, în mod tipic ales dintre punctele de date disponibile.

2. Alocarea fiecărui punct de date rămas celui mai apropiat centru de cluster. Punctul de date este acum un membru al acelui cluster.

3. Calcularea noului centru al clusterului (media geometrică a tuturor membrilor unui anumit cluster).

4. Calcularea sumei pătratelor sumelor din interiorul clusterului. Dacă acest număr nu s-a modificat semnificativ după un anumit număr de repetiții, se oprește repetarea. Altfel, ne întoarcem la Pasul 2.

Ca urmare, o grupare optimă în clusteri depinde de estimarea corectă a numărului de clusteri. O problemă comună în împărțirea pe medii-k este că dacă partițiile inițiale nu sunt alese cu destulă atenție calculul riscă să conveargă către un minim local în loc de o soluție a minimului global. Pasul de inițializare este de aceea foarte important.

O modalitate de a combate această problemă este aceea de a calcula algoritmul de câteva ori cu inițializări diferite. Dacă rezultatele converg către aceeași partiție atunci este probabil că a fost găsit un minim global. Aceasta, totuși, are dezavantajul unui consum de timp și de calculație mare. O altă soluție este de a schimba numerele de partiții (adică numărul de clusteri) în mod dinamic, pe măsură ce progresează repetițiile. ISODATA (algoritmul tehnicii analizei datelor cu organizare proprie repetitivă) este o îmbunătățire a algoritmului mediilor k original care face exact acest lucru. ISODATA introduce un număr de parametri adiționali care îi permit progresiv să verifice similaritățile din interiorul și dintre clusteri astfel încât clusterii se port împărți și pot fuziona dinamic.

O altă metodă pentru rezolvarea acestei probleme este utilizarea așa-numitelor statistici lipsă (”gap”).

În această metodă numărul clusterilor este estimat repetitiv. Pașii acestui algoritm sunt:

1. Pentru un număr variabil de clusteri k = 1, 2, . . . , K, se calculează măsurătoarea erorii Ek folosind ecuația (3.263).

2. Generează un număr B de seturi de date de referință. Este grupat fiecare set cu algoritmul mediilor k și se calculează măsurile dispersiei, kb, b = 1, 2, . . . , B. Statisticile „gap” sunt apoi estimate folosind

Gk = log(kb) − log(Ek) (3.264)

unde măsura dispersiei kb este Ek al setului de referință B.

3. Pentru a ține seama de eroarea de eșantionare în aproximarea mediei ansamblului cu B distribuții de referință, deviația standard este calculată ca

Sk = (3.265)

unde

b = log(kb) (3.266)

4. Prin definirea k = Sk (1 + 1/B)1/2, numărul de clusteri este estimat ca cel mai mic k astfel încât Gk ≥ Gk+1 − k+1.

Cu numărul de clusteri astfel identificat, se folosește algoritmul mediilor k pentru a partiționa spațiul de caracteristici în k subseturi (clusteri).

Metoda de grupare de mai sus are câteva avantaje întrucât poate estima numărul de clusteri în fiecare spațiu de caracteristici. Este de asemenea un sistem de grupare pe clase multiple și spre deosebire de SVM poate furniza limita dintre clusteri.

3.3.2.27 Procedeul de Potrivire

Semnalele EEG sunt adesea combinații de caracteristici ritmice și tranzitorii. Aceste caracteristici pot fi explorate în domeniul timp-frecvență (TF). Algoritmul procedeului de potrivire (MP) [Mallat, Zhang, 1993] este folosit deseori în locul popularelor metode TF ca și STFT și WT datorită rezoluției sale mai înalte temporal-spațiale în spațiul TF, adaptabilității locale la structura tranzitorie și a compatibilității sale computaționale la structura datelor EEG în ciuda complexității sale de calcul.

Aici formularea MP este dată pentru semnalele de timp continuu și pentru dicționar.

O prezentare similară poate fi dată pentru semnalele discrete pur și simplu prin schimbarea t la n.

Definiția urmăririi potrivirii este evidentă; dat fiind un set de funcții D(t) ={g1(t), g2(t), . . . , gK(t)}, numit dicționarul lui MP, unde ||gi || = 1, m semnale din D pot fi găsite la cel mai bun semnal aproximat f (t). Eroarea de aproximare este obținută ca

ε =||f (t) −wigγi (t)||2 (3.267)

unde || · ||2 arată norma euclidiană, wi sunt ponderile și {γi }i=1,…,m reprezintă indicii funcțiilor selectate gγi. Algoritmul MP furnizează o soluție iterativă suboptimală pentru expansiunea de mai sus. Algoritmul MP calculează următorii pași. În primul pas este aleasă unda gγ0 (t) care se potrivește cel mai bine semnalului f (t). Apoi, în pașii următori, unda gγi este potrivită semnaluluik, care este reziduul din iterația anterioară:

0(t) = f (t)

k+1(t) = k(t) − ‹k(t), gγk (t)gγk (t) › for k = 1, . . . , m

gγn (t) = arg gγi∈D|‹n(t), gγi (t)›| (3.268)

unde f (t), g (t) reprezintă corelația încrucișată a lui f (t) și g (t). Ortogonalitatea lui ˜ fk+1(t) și gγk (t) la fiecare pas implică conservarea de energie, adică

||f (t)||2 =2 + || m(t)||2 (3.269)

unde k+1(t) din procedeul de mai sus converge la f (t) dacă este folosit dicționarul complet (m =D). În acest caz

f (t) =gγn (t) (3.270)

Din această ecuație este posibilă derivarea unei distribuții TF a energiei semnalului F(t,ω) care nu are termeni încrucișați (adică suma este 100% corelată cu datele f (t)) prin adunarea distribuțiilor Wigner ale funcțiilor selectate

F(t,ω) =2Gγn (t, ω) ∀t, ∀ω (3.271)

unde Gγk (t, ω) este distribuția timp-frecvență Wignera a funcției k selectate.

A fost propusă de asemenea, o combinație a MP și WT.

Funcțiile Gabor (funcții gaussiene cu modulație de sinus), sunt adesea utilizate ca funcții de dicționar și furnizează o localizare TF cumulată optimă. O funcție Gabor reală poate fi exprimată ca [Gabor, 1946]

gγ (t) = K(γ )e−π[(t−τ)/σ]2 sin[ (t − τ) + θ] (3.272)

unde K(γ ) este factorul de normalizare, adică face ||gγ (t)|| = 1, N este lungimea semnalelor și γ = {τ,ω, σ, θ} sunt parametrii funcțiilor (atomi timp-frecvență) care formează dicționarul. În algoritmul MP original propus de Mallat și Zhang [Mallat, Zhang, 1993] parametrii dicționarului sunt selectați din secvențe de integratori și intervalul lor de eșantionare este determinat de un alt parametru integrator (octavă) j. Parametrul σ, lățimea semnalului în domeniul timp este setat la 2j , 0 ≤ j ≤ L (mărimea semnalului N = 2L).

Coordonatele timp-frecvență ale lui τ și ω sunt eșantionate pentru fiecare octavă j cu intervalul σ = 2j. În cazul supraeșantionării prin l acesta este eșantionat cu intervalul 2j−l.

A fost încercată și analiza datelor EEG din timpul somnului prin intermediul algoritmului MP. Prin acest procedeu a fost luată în considerare o deviație statistică a descompunerii, rezultate fiind structura dicționarului aplicat. În dicționarele stochastice propuse parametrii undelor din dicționar sunt randomizați înainte de fiecare descompunere. Algoritmul MP a fost modificat pentru acest scop și ajustat pentru o rezoluție timp-frecvență maximă.

Metoda de mai sus a fost de asmenea aplicată analizei potențialelor de eveniment ale unor încercări unice, în particular ERD (desincronizare de eveniment)/ERS privitoare la o mișcare voluntară.

Ideea principală s-a bazat pe calcularea mediei distribuțiilor de energie a încercărilor EEG unice în planul timp-frecvență. Au fost raportate rezultate consistente, esențiale pentru problema interfeței creier-computer (BCI).

Au fost raportate de asemenea câteva alte aplicații ale MP în analiza semnalelor EEG. Este o metodă puternică pentru detectarea caracteristicilor localizate în domeniul timp-frecvență și a semnalelor tranzitorii [Durka, Blinowska, 1996]. Aceasta include detecția ERP, detecția și clasificarea potențialelor de mișcare, detecția atacurilor, și identificarea vârfurilor gamma.

Am prezentat câteva concepte privind procesarea semnalelor EEG, incluzând modelarea semnalelor, segmentarea semnalelor, transpunerea semnalelor, modelarea multivariată și funcțiile de transfer direct, analiza de haos și dinamică, analiza componentei independente și separarea sursei oarbe, clasificarea și gruparea și urmărirea potrivirii. În realitate, algoritmii sunt dezvoltați în general pe baza unor cereri specifice ale anumitor aplicații.

3.3.3 Metode de analiză și extracție a informației din semnalele EEG

conform [Fahoum, Fraihat, 2014]

Analiza componentelor independente (ICA) – ICA este o metodă dezvoltată recent și scopul său este de a găsi o reprezentare a distribuție non-gaussiană a datelor astfel încât componentele să fie statistic independente. Este o tehnică apărută relativ recent în prelucrarea semnalelor EEG, care încearcă să separe mărimi independente, care sunt inaccesibile direct în transformări ale acestora care sunt măsurabile. ICA este un instrument matematic, bazat pe separarea "oarba a surselor ".

Analiza componentelor independente a fost inițial propusă pentru a recupera semnale independente de sursă, S={S_1 (t)….S_N (t)} (de exemplu surse de voce, muzică sau zgomot), după ce au fost amestecate cu o matrice necunoscută. Nu se cunoaște nimic despre surse sau procesul de amestecare cu excepția faptului că există N amestecuri diferite înregistrate, x={x_1 (t)….x_N (t)}. Sarcina este de a recupera o versiune u = Wx de surse originale S, identice pentru scalare și permutare, prin găsirea unei matrice pătratice, W, precizând filtrele spațiale care ar inversa procesul de amestecare liniară.

Analiza componentelor principale (PCA) – Metoda componentelor principale (PCA) este o metodă tipică pentru prelucrarea de semnal, analiza datelor statistice, extracția caracteristică și de reducere a datelor, cu scopul de interpretare a semnalelor observate ca o combinație liniară a principalelor componente ortogonale.

Metoda combinației și regresiei liniare – folosirea combinației liniare dintre semnalul EEG contaminat de semnalul EOG și semnalul EOG, este tehnica cea mai comună pentru a scoate artefacte oculare din semnalul EEG. Tehnica combinației liniare se bazează pe următorul model: EEG rec (T) = EEG true (t) + s.EOG (K); în cazul în care, EEG rec (T) – este semnalul EEG înregistrat care deține artefacte; EEG true (T) – EEG ca urmare a activității corticale (de exemplu, activitatea creierului) s.EOG (k) – artefactul ocular datorat clipirii sau/și mișcării, care are impact asupra traseului EEG; S este o constantă necunoscută.

Transformata Fourier – se bazează pe descompunerea semnalelor în sume de sinusoide sau de exponențiale complexe prin care se transformă semnalul din domeniul timp în domeniul frecvență. Analiza Fourier prezintă un dezavantaj și anume acela că prin transformarea în domeniul frecvență, informațiile cu privire la timp se pierd. Unele semnale conțin porțiuni tranzitorii sau ne-staționare. Acestea sunt adesea cele mai importante fragemente de semnal, iar analiza Fourier nu le poate detecta. Pentru a corecta deficiența observată, Denis Gabor a adaptat transformata Fourier pentru a analiza doar o secțiune a unui semnal, la un moment dat. Adaptarea lui Gabor se numește transformata Fourier pe termen scurt (STFT – Short Time Fourier Transform) și are rolul de a transforma semnalul într-o funcție bidimensională (de timp și de scală). Adaptarea este considerată ca fiind puntea de legătură a tehnicilor generale de analiză cu teoria funcțiilor wavelet (Putman, 2007).

Transformata Wavelet Discretă (DWT) este o extensie a seriei de funcții wavelet pentru semnale discrete de lungime finită. DWT este aplicabilă semnalelor eșantionate în timp, ea derivând din CWT prin cuantizarea scalei și a întârzierilor. Pentru ca o funcție să poată fi wavelet „mamă”, aceasta trebuie să fie admisibilă. O funcție este admisibilă dacă: , unde este transformata Fourier a lui g(t). Constanta este constantă de admisibilitate a funcției , iar cerința ca aceasta să fie finită permite inversarea transformatei wavelet. Orice funcție admisibilă poate fi o funcție Wavelet „mamă”. Pentru o funcție dată , condiția este adevărată numai dacă: , adică dacă .

Acestea sunt câteva dintre cele mai noi metode de preprocesare utilizate pentru separarea semnalelor EEG în componente de interes, precum modele ale creierului asociate output-urilor și care vor fi utilizate pentru dezvoltarea algoritmului pentru identificarea modelelor activității electrofiziologice pe baza identificării stărilor metale și ritmurilor senzorio-motorii ale creierului și realizarea pachetului de algoritmi pentru comandarea diferitelor dispozitive/echipamente aflate la distanță (Gajic, Djurovic, 2014).

3.4 SEMNALUL EEG – aspecte fizice

Semnalele EEG au diferite unde în banda de frecvență [Ahirwal, Iondhe, 2012] cu

următoarele caracteristici:

– Undele Alfa sau Mu: caracteristice stării de conștiență fizică sau de odihnă mentală cu ochii închiși.

• de joasă tensiune (20-60 μv / 3-4mm), cu morfologie variabilă.

• înaltă frecvență (8-13 Hz).

– Undele Beta: caracteristic stării de conștiență sau în stări de activare corticală;

• de joasă tensiune (10-15 μv / 1-1,5 mm) cu morfologie variabilă.

• înaltă frecvență (13-25 O + Hz) cu o mai mare frecvență predominanăt la subiecții cu anxietate și instabili.

– Undele Theta: caracteristice stării de somn profund și normale în copilărie (10 ani), anormale în timpul stării de conștiență.

• preponderență înainte de 2 ani (situații emoționale).

• aspect în condiții fiziologice specifice (hiperventilație și somn profund).

• de înaltă tensiune (50 μv / 7mm).

• frecvență joasă (4-8 Hz).

– Undele Delta: caracteristice unor stări patologice indicative cu dificultate neuronală;

apar în timpul somnului profund.

• de înaltă tensiune (70-100 μv / 9-14 mm), cu morfologie variabilă.

• frecvență joasă (4 – Ø Hz).

Semnalele de tip tensiune precum EEG, sunt întotdeauna măsurate ca o diferență de potențial între două puncte; astfel un amplificator bioelectric are două intrări de semnal: un plus și un minus biolectrice. Amplificatoarele au de asemenea, un al treilea electrod de intrare pentru referință.

Activitatea electrică a cortexului este neomogenă topografic; este în general

avantajos a măsura această activitate în mai multe locuri de pe scalp. În diagnosticările
neurologice sunt mai multe sisteme de nomenclatură pentru plasarea electrozilor însă,în prezent cel mai cunoscut și răspândit este Sistemul Internațional 10-20.

Figura 3.47 Sistemul 10-20

În semnalele EEG, se pot observa/identifica ceea ce se numesc potențiale evocate. Acestea sunt validări neurofiziologice care evaluează rolul sistemului acustic senzorial, vizual și de tip somato-senzoriale, prin înregistrarea răspunsurilor evocate la un stimul cunoscut și standardizat. Există mai multe tipuri de potențiale evocate: potențial generat de evenimente (ERP), (VEP) potențiale evocate vizual, potențiale evocate acustic (AEP), potențiale evocate motorii (MRP), starea de echilibru vizual evocat (SSVEP).

Procesarea semnalului EEG se face pentru a îmbunătăți și a cunoaște aspecte ale EEG care se corelează cu fiziologia și farmacologia.

În anumite procesări EEG este necesar să integrăm anumiți parametrii de tip calitativ (QEEG). Motivația pentru cuantificarea calitativă EEG vine din 3 rațiuni: reducerea volumului de muncă al medicului în analize operative EEG, reducerea nivelului de pregătire de specialitate pentru a utiliza EEG și dezvoltarea/măsurarea unor parametri care ar putea, în viitor, să fie utilizați într-o titrare în bucla închisă automată a medicamentelor anestezice/sedative.

Deși este posibil să se efectueze diferite tipuri de amplificare a semnalelor de tip analogic, viteza, flexibilitatea, precum și circuitele digitale au produs schimbări revoluționare în domeniul de prelucrare a semnalului.

Pentru a utiliza circuite digitale este necesară o transpunere a semnalului analogic în semnal digital. Semnalele analogice sunt continue și netede. Ele pot fi măsurate sau afișate cu orice grad de precizie. Semnalul EEG este un semnal analogic datorită faptului că tensiunea scalpului variază în timp.

Semnalele digitale sunt fundamental diferite deoarece acestea reprezintă valori

discrete în timp și valorile lor sunt determinate cantitativ la o rezoluție fixă, mai degrabă decât continuă.

În prelucrarea și procesarea semnalelor EEG, problema artefactelor trebuie să fie întotdeauna luată în considerare.

Artefactul este deosebit de important în analiza EEG deoarece chiar la nivelul unor experți în domeniu, acesta poate fi confundat cu un zgomot.

Artefacte comune includ semnale care au depășit dinamica Gama de amplificare (tensiune prea mare din cauza setărilor de amplificare necorespunzătoare sau mișcarea electrozilor pe piele).

Un alt tip comun de artefact este cauzat de prezența unui semnal suplimentar ce este în afara intervalului de frecvență EEG. Acest tip de semnal ar putea proveni de la activitatea electrică a mușchilor sau de la liniile de tensiune/firele electrice.

În cazul în care rata de eșantionare este suficient de rapidă pentru a evita confundarea, acest tip de artefacte pot fi filtrate, lăsând un semnal EEG utilizabil.

Alte tipuri de artefacte: activitatea electrică a inimii se comportă ca o pompă artefact; apar în gama de frecvențe de interes a EEG și pot fi de obicei recunoscute ușor.

Deși există mai multe sisteme diferite (Illinois, Montreal, Aird, Cohn, Lennox, Merlis, Oastaut, Schwab, Marshall, etc) sistemul 10/20 internațional este cel mai utilizat în prezent. Pentru a plasa electrozii conform acestui sistem se procedează după cum urmează:

electrodul inactiv/comun este plasat la distanță de craniul propriu-zis (lobul urechii, nas sau bărbie). Se împarte suprafața craniană pe puncte de date între nasion și inion. Zece la sută din punctele de date sunt prefrontale și occipitale. Restul este împărțit în patru secțiuni egale a câte 20% fiecare.

Cinci zone transversale sunt identificate în cadrul acestei împărțiri [Roman-Gonzalez, 2012], după cum urmează:

• prefrontal: Fpz

• frontal: Fz

• vertex: Cz

• parietal: Pz

• occipital: Oz

Interfețe de preluare semnale

Interfața asincronă

Acest tip de intrare păstrează în permanență o legatură de comunicare cu sistemul; sistemul analizează continuu semnalele creierului utilizatorului și clasifică periodic starea mentală. În alte cazuri, interfața poate măsura variațiile temporale din ratele asociate cu activitatea motorie a utilizatorului; astfel de variații de amplitudine pot fi detectate și apoi transformate în comenzi; analiza activității motorii necesită o pregătire de lungă durată.
Activitatea spontană a creierului produce următoarele tipuri de semnale care sunt utilizate în interfețe:

1) schimbări potențiale corticale ușoare (PSC).

2) activitate oscilatorie senzorio-motoare.

3) Semnale EEG spontane.

Interfață sincronă

Acest tip de interfeță preia potențialele evocate stimulate primite de la utilizatorul din sistem (pot fi vizuali, auditivi sau tactili). În acest caz, nu este considerată activitatea spontană a creierului. Sistemul preia răspunsul creierului la stimuli și apoi îl transformă în comenzi de răspuns. Astfel de interfețe nu necesită o activitate de învățare prea intensă.
Principalele tipuri de semnale care sunt utilizate în aceste interfețe sunt sincrone:

1) starea de echilibru vizual evocat (SSVERs).

2) potențial generat de evenimente (ERP).

Funcționarea BCI depinde de interacțiunea a două controlere adaptive, creierul utilizatorului, care produce datele de intrare și sistemul în sine, care traduce activitatea în date de ieșire. Succesul operație BCI necesită ca utilizatorul să dobândească și să mențină o nouă abilitate, o abilitate care constă nu în controlul muscular, ci mai degrabă în controlul activității EEG.

Dezvoltarea ansamblului BCI depinde de cooperarea interdisciplinară dintre neurologi, psihologi, ingineri, oameni de știință în domeniul calculatoarelor și specialiști de reabilitare. Astfel ar beneficia de acceptarea generală și aplicarea unor metode obiective de evaluare a traducerii algoritmilor și a altor aspecte cheie specifice operațiilor BCI.

3.5 Concluzii

Biosemnalul este un suport al informației biologice provenit din variate surse și reflectă o manifestare fizico-chimică ce însoțește și caracterizează diverse activități biologice.

Semnalele prezente în sistemele biologice pot fi împărțite în: continui și discontinui, periodice și aperiodice.

Activitatea electrică a cortexului este neomogenă topografic motiv pentru care este în general avantajos a măsura această activitate în mai multe locuri de pe scalp.

Cu privire la modul de cartografiere a suprafeței cerebrale pentru plasarea electrozilor, există mai multe sisteme diferite (Illinois, Montreal, Aird, Cohn, Lennox, Merlis, Oastaut, Schwab, Marshall, etc), dintre acestea sistemul Internațional 10/20 fiind cel mai utilizat în prezent.

Fahoum și Fraihat, au realizat o inventariere foarte bună a metodelor de analiză și extracție a informației din semnalul EEG. Dintre aceste metode, se evidențiază: Analiza componentelor independente (ICA), Analiza componentelor principale (PCA), Metoda combinației și regresiei liniare, Transformata Fourier, Transformata Wavelet Discretă (DWT).

În prelucrarea și procesarea semnalelor EEG, problema artefactelor trebuie să fie întotdeauna luată în considerare. Artefactul este deosebit de important în analiza EEG deoarece chiar la nivelul unor experți în domeniu, acesta poate fi confundat cu un zgomot.

Artefacte comune includ semnale care au depășit dinamica gama de amplificare (tensiune prea mare din cauza setărilor de amplificare necorespunzătoare sau mișcarea electrozilor pe piele).

Un alt tip comun de artefact este cauzat de prezența unui semnal suplimentar ce este în afara intervalului de frecvență EEG. Acest tip de semnal ar putea proveni de la activitatea electrică a mușchilor sau de la liniile de tensiune/firele electrice.

Alte tipuri de artefacte: activitatea electrică a inimii se comportă ca o pompă artefact; apar în gama de frecvențe de interes a EEG și pot fi de obicei recunoscute ușor

În cazul în care rata de eșantionare este suficient de rapidă pentru a evita confundarea, artefactele pot fi filtrate, lăsând un semnal EEG utilizabil.

Modelarea activităților neurale este probabil mai dificilă decât modelarea funcției oricărui alt organ.

Au fost dezvoltați mai mulți algoritmi pentru procesarea semnalelor EEG. Operațiile includ, fără a fi limitate la acestea, metodele următoare: analiza domeniu-timp; analiza domeniu-frecvență; analiza domeniu-spațial; procesarea multimodală.

Au fost dezvoltați algoritmi pentru vizualizarea activității cerebrale din imagini reconstruite doar de către EEG. Separarea surselor dorite din EEG cu senzori multipli reprezintă o altă arie de cercetare. Aceasta poate conduce mai târziu la detectarea anomaliilor creierului și a zonelor corespunzătoare unor activități fizice și mentale variate.

Capitolul IV

Sisteme și dispozitive tehnice bazate pe preluarea și procesarea semnalului EEG

4.1 Dispozitive de preluare a semnalului EEG – caracteristici generale și specifice

ASPECTE TEHNOLOGICE ȘI CONSTRUCTIVE SPECIFICE DOMENIULUI

Tabelul 4.1 Lista cu căștile EEG din categoria ”low-cost” [Yang, 2015]

În Figura 4.1 sunt prezentate două instrumente dintre cele listate în Tabelul 4.1.

a) b)

Figura 4.1 Căști pentru achiziția biosemnalelor EEG: (a) Casca EMOTIV EPOC cu 14 canale EEG; (b) Casca Neuro Sky MindSet

4.1.1 TEHNOLOGIA NEUROSKY

Diferitele stări ale creierului sunt rezultatul diferitelor tipare de interacțiune neuronale. Aceste tipare conduc la unde caracterizate de amplitudini și frecvențe diferite.

Tipuri de măsurări permise de cască:

semnal brut;

spectru de putere EEG neurologic (unde Alpha, Beta, etc.)

indicator eSense (algoritm proprietar fabricant) pentru atenție;

indicator eSense pentru meditație;

detecție clipire eSense.

Dispozitivul NeuroSky MindWave/MindSet utilizat este accesibil, portabil și fără fir. Folosește un singur senzor uscat amplasat conform sistemului internațional 10-20, în zona corespondentă punctului FP1 (fruntea este o locație convenabilă pentru introducerea unui senzor de contact; evită problema de a realiza o conexiune bună prin păr și preia semnale importante din zona cortexului frontal, implicit un semnal puternic și mai puțin sensibil la artefacte).

Toată tehnologia NeuroSky este unidirecțională; informațiile circulă de la creier la echipamente, niciodată invers.

NeuroSky MindWave/MindSet este un instrument simplu, cu un singur senzor, ușor de utilizat de către psihometricieni, ingineri și proiectanți, de aceea el poate fi integrat cu succes în sisteme de tip BCI. Primele concluzii sunt promițătoare în ceea ce privește posibilitatea determinării unor triggere în viitor.

Din analiza făcută reiese că pe anumite segmente de timp, există similaritudini de comportament EEG atunci când se aplica un același tip de stimul.

Există, cel puțin la nivel de interpretare practică, posibilitatea creării unui sistem de inventariere și ulterior de control a acestor comportamente similare pe care le putem asimila cu triggere pe care am încercat sa le identificăm.

Există numeroase posibile aplicații viitoare ale acestor triggere, dintre care amintim: măsurarea sensibilității la anumiți stimuli emoționali la individual uman, aspect de neuromarketing, aplicații privind comportamentul la stimularea emoțională specifică, construirea unor seturi de declanșatori.

Aplicația își propune să găsească o posibilă metodă de identificare și construire a unui set personal de triggere de tip EEG, pornind de la câteva studii practice realizate de autor în cadrul activităților de cercetare. Seturile de triggere pot conduce la identificarea unor mecanisme de declanșare în raport cu comportamentul EEG pe un anume interval de timp în anumite condiții. Existența și identificarea unor astfel de triggere poate avea numeroase aplicabilități în toate domeniile importante ale vieții.

EXEMPLIFICARE APLICAȚIE PROPRIE UTILIZÂND NEUROSKY

Am realizat un studiu preliminar cu participarea voluntară a unor persoane de ambele sexe, cu vârste între 23 și 27 de ani cu scopul de a identifica diverse modificări ale valorilor din fluxul brut EEG, la momentul stimulării cu factori de natură emoțională.

În acest sens, participanții la studio, au fost plasați pe rând înt aceeași sală, încercând să se asigure condiții similare pentru fiecare rulare a testelor.

S-au rulat 3 teste pentru fiecare dintre participanți:

Testul 1 a constat în rularea unor imagini cu simbolistică diversă (tristețe, bucurie, mirare, durere, nedumerire, efect surpriză) timp de câteva minute, imaginile apărând și dispărând la intervale de timp prestabilite.

Testul 2 a constat în rularea unor imagini cu conținut menit să creeze efecte de iluzie optică.

Testul 3 a constat în rularea unor fragmente audio din piese muzicale; au fost rulate timp de aproximativ 30 de secunde fiecare, 4 fragmente (muzică clasică, populară de cartier, muzica rock, muzică dance).

În rularea testelor am utilizat următoarele dispozitive: casca Neurosky Mindwave ca metodă de preluare EEG, aplicația software OpenVibe prin intermediul căreia am făcut programarea rulării stimulilor și cu ajutorul căreia am obținut o defalcare a semnalului EEG și programul Excel pentru prelucrarea fișierelor .csv rezultate ca output din aplicația OpenVibe.

La fiecare rulare, pentru fiecare participant s-au preluat direct în OpenVibe sub forma de .csv file, următoarele: atenția și meditația (ambele mărimi calculate cu o tehnologie proprie Neurosky) și undele cerebrale defalcate în: Delta, Theta, Low alpha, High alpha, Low Beta, High Beta, Low Gamma, Mid Gamma. La fiecare rulare s-a înregistrat și timpul citirii fiecărei valori. Conform modului propriu de funcționare, casca Mindwave efectuează un număr de 512 citiri per secundă.

Semnalul brut EEG citit de cască și trimis în mod wireless spre computer, mai exact direct în modulul software OpenVibe, este descompus automat de acest software și scris ca output într-un fișier .csv.

OpenVibe oferă un sistem de control care ne-a asigurat că pe perioada testării, contactul fizic dintre sensor și piele a fost menținut fără întrerupere sau bruiaje.

Fișierele .csv obținute au fost apoi prelucrate individual per test, separându-se din conținutul lor, fiecare tip de element măsurat.

După separarea elementelor componente, acestea au fost analizate prin metode grafice și matematice din punct de vedere al valorii numerice în sine, din punct de vedere al trendului și comportamentului pe durata expunerii la stimulii emoționali, din punct de vedere al variației între 2 puncte de control, din punct de vedere al corelării acestuia cu condițiile externe și stimulii aplicați.

Scopul urmărit a fost să identificăm posibile comportamente similare din punct de vedere EEG, la persoanele testate, atunci când sunt supuse în condiții similare la aceiași stimuli.

Un alt scop a fost acela de a încerca identificarea unui comportament propriu al fiecărui subiect testat, în raport cu o tipologie anume de stimulare. În acest sens, în cadrul Testului 1 au fost introduse repetitiv la anumite intervale de timp anumite imagini.

Au fost utilizați doar stimuli de natură emoțională, vizuali și auditivi, sesiunile de testare având loc dimineața între orele 9 și 11.

Toate testările au avut loc în același spațiu fizic pentru a asigura condiții identice. Fiecare subiect testat s-a aflat singur în spațiul de testare, încercând eliminarea la maxim a oricăror altor stimuli externi de natură emoțională.

Figura 4.2 Schemă ansamblu de testare și studiu

Organizarea fluxului de lucru este făcută în așa fel încât să asigure outputurile necesare și suficient de cuprinzătoare pentru a putea fi supuse unei analize riguroase.

Figura 4.3 Cască Mindwave și captură din aplicația OpenVibe

Figura 4.4 Exemplu fișier .csv produs de OpenVibe

Figura 4.5 Reprezentare grafică undă low alpha secunda 15 – secunda 23

Figura 4.6 Comparație trend stare “Atenție” la mai mulți subiecți

Figura 4.7 Comparație trend stare “Meditație” la mai mulți subiecți

Având în vedere că în acest studiu ne interesează în primul rând forma undei și tendința comportamentului undei la aplicarea stimulului, nu am ținut cont de posibilele zgomote și artefacte (de ex. clipitul) și am preluat semnalele așa cum le-a furnizat interfața OpenVibe.

Analiza unor seturi de triggere poate conduce la construcția și identificarea unor mecanisme de declanșare care sunt activate în anumite momente de timp și în anumite contexte. Domeniul de aplicabilitatea al unor astfel de mecanisme de declanșare este foarte vast, de la aplicații cu aspect medical, aplicații de tip social, aplicații de natura comportamentelor economice, aplicații de natură entertainment și relaxare, aplicații de natură militară și de securitate personală.

Având în vedere primele tipuri de teste/studii realizate, conceptul de aplicație urmează a fi cristalizat și îmbunătățit în două direcții majore:

Dezvoltarea metodelor de analiză, calcule, prelucrare statistică și interpretare

Dezvoltarea tipurilor de teste/studii, lărgirea ariei de adresabilitate a acestora, cât și diversitatea acestora.

În ceea ce privește prima direcție, pentru aceasta vor fi studiate și integrate metode folosite și de alți cercetători sau metode promovate în cadrul cercetărilor actuale din universități.

Pentru direcția a doua de dezvoltare, prezentăm în continuare o listă a unor posibile dezvoltări în cadrul cercetărilor cuprinse în programul de doctorat:

studiu cu stimuli de tip “gradual intens”

studierea unor comenzi mentale voluntare

studii și evaluări colective

diversificarea inputului/stimulilor (mecanici, organici, cognitivi)

stimuli extremi

studiu în condiții reale (nu laborator)

10 ore „no stop” test

testul culorilor și influența lor asupra EEG-ului personal

EEG în raport cu bioritmul fiecăruia

efectul substanțelor de tip cafea și energizante asupra EEG

EEG în timp real preluat de la un șofer aflat în trafic real

studiul EEG la artiști în raportul comportament la repetiție vs spectacol oficial

matricea personală a declanșatorilor creierului bazată pe EEG

4.1.2 TEHNOLOGIA MUSE (INTERAXON)

MUSE: bandă/cască pentru cap ce detectează activitatea cerebrală; este o tehnologie de tip electroencefalografie (EEG). EEG este o metodă validată, inofensivă și non-invazivă de înregistrare a activității electrice a grupurilor de celule cerebrale. EEG oferă în timp real o perspectivă solidă asupra creierului iar Muse este cel mai versatil și ușor de folosit sistem EEG existent.

Dispozitivul Muse este utilizat în spitale, clinici și universități din întreaga lume, ca instrument de cercetare. Domeniile de cercetare se extind de la neuroștiință cognitivă la sănătate mentală, psihoterapie, cunoaștere muzicală și multe altele. Instituțiile care utilizează în prezent Muse în cercetare includ Harvard, Stanford, MIT, Clinica Mayo, NYU, Universitatea McMaster, Universitatea din Toronto, Colegiul Universitar Londra și multe altele. Programul Muse Professionals este o patformă pentru clinicieni și instructori în care pot folosi Muse cu clienții lor.

Dispozitivul Muse este extrem de accesibil. Este fără fir (Bluetooth), ușor, flexibil, ajustabil și facil de purtat cu o setare ce durează mai puțin de un minut. Muse utilizează două canale pe partea stângă și două pe dreapta, deci este ideal pentru explorarea asimetriilor emisferice. Muse are două porturi micro-USB pe spatele căștilor, unde se pot atașa doi electrozi auxiliari. Acești electrozi pot fi utilizați pentru măsurarea EMG, ECG sau EEG în alte zone ale capului sau corpului.

Tabelul 4.2 Specificații tehnice cască MUSE

Pozițiile electrodului canalelor AF7 și AF8 au la bază dimensiunea medie a unui cap de adult. În timp ce căștile Muse sunt ajustabile, banda flexibilă nu este. Folosind dispozitivul Muse pe un cap mai mic sau mai mare se poate schimba poziționarea electrozilor canalului AF7 și AF8. De exemplu, pe un cap mai mic decât media, AF7 se poate apropia de F7, iar AF8 se poate apropia de F8.

Figura 4.8 Electrozii de referință pentru casca MUSE

Figura 4.9 Casca MUSE – imagine de ansamblu

Figura 4.10 Instituții care utilizează MUSE

4.2 Sisteme de comandă – dispozitive bazate pe procesarea semnalului EEG

Relevanța practică a problemei urmărite în cercetarea propusă constă în posibila dezvoltare a unei platforme (sistem tehnic) inovative care să permită, pe baza preluării semnalelor din creier printr-un dispozitiv BCI (brain computer interface), să se aibă acces la comandarea unor dispozitive aflate la distanță, dispozitive care să faciliteze de la operațiuni cotidiene uzuale și până la operațiuni complicate mergând până la activități profesional-lucrative.

Totodata, rezultatele cercetarii ar putea susține dezvoltarea unei tehnologii de laborator și a unor servicii inovative care să eficientizeze procesul de evaluare și testare psihiatrică și psihologică în cadrul instituțiilor de specialitate cât și în cadrul companiilor, prin valorizarea abordării moderne aferentă evaluărilor, abordare provenită din psihometrie.

Rezultatele cercetării pot fi orientate pe elaborarea și validarea unei soluții practice, concrete și viabile care să fie introdusă în uz cotidian.

Un posibil produs ce s-ar putea fundamenta pe rezultatele cercetării ar putea consta într-o platformă de comandă dispozitive aflate la distanță în baza unor preluări de informații de tip BCI (cu bază semnal EEG), precizând următoarele aspecte:

pe piața de profil național nu există niciun astfel de ansamblu (fie el sistem, platformă sau dispozitiv) și totodată are sens a menționa că a vorbi de o piață de profil în acest domeniu (un domeniu strict dar component al domeniului major IT&C) este aproape prea mult spus;

determinarea, pe baza undelor cerebrale (EEG) preluate cu ajutorul elementelor BCI, identificarea și gestionarea patternului cognitiv și a altor parametri specifici, cât și elaborarea unor proceduri de antrenament pentru buna potrivire a utilizării funcție de fiecare scop specific;

crearea unui ansamblu-echipament de preluare de parametrii- cognitivi asociați intențiilor de acțiune ale fiecărui individ în scopul asigurării accesului la anumite operațiuni casnice sau semiprofesionale și lucrative;

deschiderea unor oportunități și posibilități de integrare socială și profesională pentru anumite categorii de persoane aflate în indisponibilitate fizică sau prezentând diverse grade de incompatibilitate fizică cu mediul înconjurător;

Din punct de vedere al analizării rezultatelor și identificării unor posibile utilizări ale activității de cercetare în acest domeniu ar putea fi considerate: identificarea și gestionarea corectă a ceea ce literatura specifică numește „brain pattern”, realizarea/identificarea unui algoritm eficient și funcțional pentru „brain pattern recognition”, realizarea unor aplicații practice concrete aplicabile subiecților umani cu rezultate imediat demonstrabile (de exemplu aprinderea unui bec prin interfața pur BCI fără acționare fizică a individului uman și doar printr-un șir de acționări și comenzi asupra unor dispozitive), realizarea unui prototip funcțional integrat final care să constituie baza unor viitoare produse de piață, reale și adresabile publicului larg nu doar utilizării experimentale de laborator.

Electroencefalografia (EEG) este o metodă neinvazivă de explorare a modificărilor de potențial electric din creier, înregistrat la nivelul scalpului. Pe baza electroencefalogramei, o interfață creier-calculator (BCI) poate oferi o cale de comunicare între creier și calculator cu beneficii pentru pacienți cu deficite neuro-motorii severe (stadii finale ale Sclerozei Amiotrofice Laterale – ALS, paralizii cerebrale severe, traume la nivelul capului, leziuni medulare). Pe baza activității mentale aceștia pot comunica cu un echipament de calcul extern, care la rândul lui poate genera scrierea unor caractere sau comanda unor dispozitive externe. Sistemul BCI amplifică biosemnalele culese (Golinska Kitlas Agnieszka, 2011), identifică modele ale undelor cerebrale și modificările care apar la nivel de frecvență și le transformă apoi în semnale de control pentru comunicare sau controlare a unor echipamente/dispozitive externe. Utilizatorul monitorizează dispozitivul pentru a trimite diferite semnale și a acționa echipamentul pe baza ritmurilor cerebrale specifice. Tehnologia BCI este o opțiune de comunicare și control cu mare potențial în ceea ce privește interacțiunea dintre utilizatori și alte dispozitive aflate la distanță. Una din cele mai mari provocări în domeniul interfață om–mașină (HCI/HMI) o constituie dezvoltarea de sisteme care pot fi controlate cu ajutorul activității electrice a creierului, respectiv a stărilor mentale identificate la fiecare utilizator.

4.2.1 Concept propriu – sistem tehnic bazat pe EEG pentru lansarea unor comenzi

Semnalele EEG sunt înregistrate și achiziționate prin intermediul unei caști EEG neinvazivă (de exemplu: EEG Emotiv Neuroheadset cu 14 senzori și transmisie WiFi), apoi caracteristicile semnificative sunt extrase și ulterior clasificate cu ajutorul unor algoritmi „brain pattern recognition”. După determinarea modelelor și a unor structuri model în semnalul brut achiziționat în timp real de la utilizator, un semnal de ieșire/de acționare asigură controlul/comanda pentru un dispozitiv extern (ex: TV, întrerupător lumină, scaun cu rotile, braț robotic pentru asistență casnică.

Figura 4.11 Platformă – concept tehnic propriu

„Platforma bazată pe BCI/EEG ca suport pentru interacțiunea cu dispozitive aflate la distanță poate avea o arhitectură inovativă modulară structurată în 3 module:

4.2.1.1. Modul Achiziție date – are rolul de a achiziționa în timp real activitatea EEG de la nivelului scalpului și realizează transmiterea semnalelor în timp real către modulul de procesare semnal.

Figura 4.12 Modul achiziție date – model de propagare date

4.2.1.2 Modul procesare date – dezvoltarea unui algoritm care să realizeze extragerea caracteristicilor semnalului EEG achiziționat de la utilizator care reprezintă intenția/starea mentală a utilizatorului și transpunerea lui în comenzi (modele mentale – eng. pattern recognition).

Dezvoltarea unor pachete de algoritmi pentru comandarea unor dispozitive la distanță au la bază algoritmul „brain pattern recognition”. Acest algoritm se va realiza și identifica în prealabil prin extragerea informației/semnalului util din înregistrarea EEG în funcție de outputul/ aplicația care se dorește a fi creată (extragere informație utilă: VEP – Visual Evoked Potential, P 300 – Potential 300, SSVEP – Steady State Visual Evoked Potential). Se va realiza o identificare și clasificare a „brain pattern recognition” în funcție de vârsta, gen și stările mentale ale subiecților (relaxare, oboseală, suprasolicitare, stres, tristețe, bucurie, etc.) în urma unor experimente și achiziții de date pe un lot extins de subiecți. Aceste experimente și analize au ca scop identificarea unor modele ale activității electrofiziologice ale creierului atunci când subiectul efectuează în mod voluntar anumite sarcini cognitive. Controlul deliberat al gândurilor oferă un canal de comunicare între creier și mediul extern. Recunoașterea modelului (eng. pattern recognition) reprezintă capacitatea unui individ de a lua în considerare un set complex de intrări care conțin sute de caracteristici și parametr, și să ia o decizie bazată pe compararea unor modele preexistente. În prezent, rețelele neuronale sunt cele mai frecvent utilizate iar caracteristica principală a unui sistem BCI este viteza cu care interfața poate fi utilizată. Aceasta poate fi măsurată prin capacitatea de canal – numărul de biți pe secundă, care pot fi transmite de la interfața utilizatorului la computer.

Figura 4.13 Modul procesare date – fluxul Procesului

4.2.1.3 Modul de interfațare utilizator–computer – printr-o aplicație software ce oferă utilizatorului posibilitatea de antrenare a ritmurilor senzorio-motorii. Pe baza inputului identificat în modulul SP, se realizează comanda fizică a diferitelor dispozitive/echipamente externe de la distanță. Ritmurile senzorio-motorii (SMR) sunt cuprinse între 8-30 Hz în electroencefalogramă (EEG), înregistrate la nivelul scalpului în zona senzorio-motorie a contexului care se modifică odată cu schimbarea de mișcare și/sau a mișcării imaginate. Multe studii au demonstrat că oamenii pot învăța să își controleze amplitudinile SMR și pot folosi acest control pentru a muta cursoare și alte obiecte în una, două sau trei dimensiuni. Detectarea stării mentale a utilizatorului susține realizarea unei acțiuni pe baza hărții activității corticale a acestei stări. Acest lucru ar trebui să permită utilizatorului să controleze dispozitivele externe folosind stări mentale. Pentru ca semnalul de ieșire să ofere controlul/comanda diferitelor dispozitive va trebui ca utilizatorul să realizeze în prealabil câteva sesiuni de antrenare a undelor cerebrale specifice (undele Alpha, beta sau ritmurile senzorio-motorii) pentru a putea calibra casca și a se identifica structura model a undelor cerebrale proprii. Acest lucru este necesar și datorită faptului că structura creierului uman este foarte complexă și diferită de la individ la individ. De exemplu pentru închiderea luminii, comanda se poate realiza pe baza atingerii unei anumite frecvențe a undelor cerebrale: unda alfa cu frecvența cuprinsă între 8 și 12 Hz. Pentru deschiderea luminii de la întrerupător, comanda se va realiza pe baza atingerii frecvenței de 13 – 40 Hz ce reprezintă unda beta.

Figura 4.14 Modul interfațare – Flux informațional

Figura 4.15 Flux informațional general – schemă bloc

Pentru dezvoltarea acestor sisteme tehnice, o deosebită importanță o constituie prelucrarea semnalelor EEG și extragerea informației utile din semnal. La nivel international și național, recunoașterea modelelor activității electrofiziologice a creierului “brain pattern recognition” și realizarea de algoritmi reprezintă o adevărata provocare atât din punct de vedere al achiziției, prelucrării de semnal cât și din punct de vedere medical.

Provocările specifice sunt legate de:

Dezvoltarea unui pachet de algoritmi “pattern recognition” pentru extragerea informației utile din semnalul brut achiziționat și determinarea modelelor și a unor structuri model a hărților stărilor mentale și a ritmurilor senzorio-motorii ce se doresc a fi identificate.

Dezvoltarea unei tehnologii de acționare la distanță a unor dispozitive/echipamente aflate la distanță, pe baza hărților stărilor mentale și a ritmurilor senzorio-motorii.

Dezvoltarea unei platforme hardware-software ce nu a mai fost realizată în țară, bazată pe BCI ca suport pentru interacțiunea cu dispozitive aflate la distanță, dedicate atât persoanelor pentru acționarea diverselor echipamente/dispozitive la distanță cât și reabilitării unor persoane cu deficiențe neuro-motorii.

Construcția modulară a platformei, astfel încât în timp se pot adăuga alte module în funcție de aplicația dezvoltată și tipul utilizatorului.

Pachetul de algoritmi dezvoltați pentru platformă pot utiliza metode avansate de prelucrare a semnalelor EEG și ale Inteligentei Artificiale pentru analiza datelor EEG și recunoașterea modelelor creierului „brain pattern recognition.” Originalitatea metodei poate rezulta și din capacitatea echipei de cercetare de a utiliza diverse metode de clasificare, extragere și optimizare a metodelor de clasificare și recunoaștere a modelelor creierului în vederea optimizării și eficientizării interfeței de comandă și comanda diferitelor dispozitive aflate la distanță.

În prezent, multe dintre produsele de consum de pe piață sunt limitate în utilizarea și scopul lor. De la jocuri de copii la controlere pentru jocuri video, proiectele curente BCI bazate pe EEG au o fiabilitate scăzută. Cele mai multe proiecte care chiar ajută oamenii cu dizabilități sau bătrânii, sunt în principal în faza de testare și cel mai probabil vor rămâne în această etapă pentru un timp considerabil. Din nefericire, factorul de încredere cu BCI împiedică dezvoltarea la o scară mai largă a altor posibile aplicații.

BCI/EEG poate fi o soluție modernă în aplicațiile de asistență medicală prin abordarea problemelor cu care se confruntă pacienții cu dizabilități motorii severe și tulburări neuromusculare. O soluție neinvazivă ar putea fi aplicată la mijloacele de protezare la amputați [Zhang, Wang, 2011] sau mobilitatea ar putea fi garantată altor pacienți cu sindrom locked-in, cum ar fi ALS (scleroza laterală amiotrofică). Chiar dacă oamenii din aceste situații și-au pierdut abilitatea de mișcare pe cont propriu, includerea unei componente robotice și traducerea procesului lor de gândire prin intermediul unui BCI, ar putea oferi ajutor și confort noului lor stil de viață. Aplicațiile posibile nu sunt limitate la proteze și scaune cu rotile motorizate, dar ar putea fi aplicate la modul în care o persoană ar putea interacționa cu mediul lor.

Persoanele cu dizabilități motorii severe se confruntă cu provocări în realizarea sarcinilor de zi cu zi. O integrare a controlului lor de mediu – cum ar fi controlul unui termostat, a luminii sau a canalelor TV – ar putea ușura dilemele de zi cu zi cu care se confruntă. Unii pacienți care și-au pierdut vocea datorită unei boli neuromusculare ar putea în sfârșit să comunice singuri cu lumea, prin intermediul conectării și navigării pe internet să găsească forumuri de sprijin sau pentru a lega prietenii. Nu numai că navigarea pe web ar fi o formă de exprimare dar domeniul sincronizatoarelor vocale ar putea fi un alt domeniu care ar putea fi dezvoltat.

Siguranța este un alt domeniu promițător pentru dezvoltarea BCI și robotică. BCI are capacitatea de a traduce ce gândește (acte de voință) o persoană prin intermediul undelor cerebrale (EEG). Ce ar fi dacă această ieșire ar fi folosită pentru a preveni accidentele la locurile de muncă ce necesită concentrare intensă? Sisteme de preluare a semnalului EEG ar putea fi utilizate pentru personalul care este angajat în locuri de muncă critice, cum ar fi piloții, lucrătorii în construcții și pompieri, pentru a se asigura/verifica starea lor alertă. De îndată ce aceste persoane dau semne de plictiseală sau oboseală, cineva ar putea fi notificat, astfel, reducând numărul de accidente în aceste domenii.

Cercetarile din domeniul BCI/EEG și al prelucrarii semnalelor preluate de la creierul uman pot aduce un plus cercetării aplicative și a procesului tehnologic din România, la evoluția și cerințele mediului socio-economic național și global prin dezvoltarea unor produse și a unor tehnologii avansate cu un spectru larg de aplicații în domeniul TIC și care va deschide noi direcții în domeniul BCI atât la nivel național cât și internațional. Se pot pune bazele generării unor produse accesibile ca preț și poate oferi utilizatorului posibilitatea să acționeze, pe baza stărilor mentale și a undelor cerebrale (ritmul mu, potențialele corticale lent variabile și potențialele evocate), diferite dispozitive externe (ex: deschiderea/închiderea TV-ului, schimbarea canalului la TV, închiderea/aprinderea luminii). Datorită faptului că o astfel de platformă ar putea avea o arhitectură modulară, se pot dezvolta diverse aplicații în funcție de domeniul aplicabil și utilizator, respectiv pacient. De exemplu se poate folosi pentru antrenarea diferitelor ritmuri senzorio-motorii pentru persoanele cu dizabilități cât și antrenarea mentală pentru copii cu deficit de atenție (Attention Deficit Hyperactivity Disorder – ADHD).

Datorită concepției inovatoare și modularității, platforma poate avea diverse alte aplicații în mai multe domenii:

Instruire și educație (BRAIN CONTROL EDUCATION): cele mai multe aspecte ale instruirii și educării sunt legate de creier și de plasticitatea lui. Măsurarea plasticității și schimbărilor la nivel de activitate electrică poate contribui la îmbunătățirea metodelor de instruire în general și la programul de formare a unui individ.

Divertisment și jocuri – controlul și influențarea mediului virtual pe baza stărilor mentale.

Evaluare: neuromarketingul – pentru evaluarea modulului în care consumatorii iau decizii și legătura dintre procesul decizional și ariile creierului uman.

Îmbunătățirea Sistemului Cognitiv – procesarea inputului (stimulii din mediul intern și extern al organismului) pe baza unor algoritmi, generând astfel un output comportamental.

4.3 Sistem de antrenament al atenției și concentrării bazat pe procesarea semnalului EEG – concept propriu

Sistemul de antrenament al atenției și concentrării mentale (focus mental) este un sistem de concepție proprie, realizat din punct de vedere conceptual, tehnic și tehnologic în perioada cercetărilor pentru prezenta lucrare. Sistemul a trecut prin fazele de concept, versiunea Beta 1, versiunea Beta 2 și în final a ajuns la versiunea stabilă 1.0. Acesta este momentul în care versiunea de lucru a sistemului tehnic va intra în faza de testare.

Sistemul este compus din elemente fizice (hardware) și elemente de natură software. În realizarea lui s-au utilizat tehnologii de interfațare hardware-software prin intermediul procesorului Raspberry.

Sistemul este practic o interfață om-mașina reală, având rolul de a prelua semnalul EEG de la utilizatorul uman, de a îl procesa, de a îl transpune prin metode proprii și de a îl duce către o interfață grafică (un afișor matrice cu led-uri).

În componența sistemului intra:

Casca MUSE (pentru preluare semnal EEG)

Software server cască MUSE (pentru livrare date)

Ansamblul hardware-software format din: computer/laptop pentru preluare date brute; software intern pe computer/laptop pentru descompunere semnal brut în subcomponente specifice (undele EEG, etc)

Procesor hardware specific pentru interfațare – Raspberry Pi

Matrice cu led-uri pentru afișare.

Modul de lucru al sistemului este dupa cum urmează: casca preia semnalul EEG brut, se transmite prin protocol Bluetooth la computer/laptop, se procesează semnalul brut, se descompune semnalul și fisierul descompus este transmis în procesorul Raspberry; se procesează semnalul prelucrat, se aplică algoritmii construiți în timpul cercetărilor, se transmit comenzi de output către led-urile matricei de afișare sau către alte dispozitive de ieșire periferice.

Provocări în construcția sistemului

Cantitatea imensă de date pe care casca le livrează

Procesarea semnalului brut care conține foarte multe subcomponente;

Vitezele de procesare diferite între micro-computerul Raspbeery si procesorul castii

Limitările de funcționare ale matricei de led-uri pentru afișare

Figura 4.16 Schema bloc a sistemului de antrenament

Figura 4.17 Schema funcțională a sistemului de antrenament

4.3.1 Componentele sistemului

Descriere computer/laptop

În rolul acestui ansamblu poate sta orice laptop/computer pe care se vor instala aplicațiile de bază ale MUSE (serverul MUSE) prin aplicația MuseIO. Rolul acestei componente în ansamblu este de a procesa informația brută și de a o transforma în informație separată pe canale și de a transmite spre procesorul Raspberry informația selectată.

Figura 4.18 Componenta computer/laptop

Descriere matrice de afisare

MOD-LED 8×8 este o matrice de led-uri care îți permite să obții afișaje cu led-uri. În ansamblul nostru am utilizat o matrice cu afișaj roșu.

Figura 4.19 Matrice de led-uri

Descriere Raspberry Pi

Raspberry Pi este un computer de mărimea unui card de credit, ce poate fi conectat la un TV obișnuit sau la un alt ecran și la o tastatură pentru a putea fi accesat. Este un computer mic și capabil de foarte multe operațiuni tehnice, potrivit pentru utilizare în proiecte de electronică, de conexiune computer-dispozitive periferice, pentru procesare date, navigare online, rulare de video, acces la rețele.

Utilizează pentru funcționarea internă limbajele Python și Scratch. În ansamblul nostru am utilizat Rasppbery Pi versiunea 2 B.

La dispozitiv pot fi atașate diverse accesorii. Pentru ansamblul realizat am utilizat un ecran tactil specific pentru Raspberry prin intermediul căruia să lansăm comenzi și să rulam diverse rutine.

Placa de bază a procesorului are iesiri de tip GPIO, care permit emiterea anumitor semnale în timp real către dispozitive periferice precum led-uri, dispozitive de sunet, de afișaj, motoare.

Figura 4.20 Ecran Raspberry Pi

Figura 4.21 Raspberry Pi – vedere panoramică

Figura 4.22 Raspberry Pi – vedere porturi

Descriere cască MUSE

Casca MUSE utilizată în conceptul nostru este casca versiunea 2014. Aceasta emite un semnal măsurat în timp real. Printr-un algoritm propriu, aceasta calculează și identifică în semnalul brut diverse tipuri de informații și date.

Pentru lucrul cu sistemul propus, am preluat benzile de putere absolute și relative.

Benzile de putere absolute

Banda de putere absolută pentru un interval dat de frecvență (de exemplu, alpha, 9-13Hz) este logaritmul sumei puterii densității spectrale a datelor EEG peste intervalul de frecvență. Aceste benzi sunt furnizate de cască pentru fiecare din cele 4 canale/electrozi ai căștii MUSE. Din moment ce este un logaritm, unele valori pot fi negative atunci când puterea abosolută este subunitară. Valorile sunt date pe o scară logaritmică, unitea de măsura fiind Bels.

Ieșirile MuseIO

low_freqs_absolute

delta_absolute

theta_absolute

alpha_absolute

beta_absolute

gamma_absolute

Frecvența de transmisie: 10 Hz;

Intervalele de frecvență:

low_freqs 2.5-6.1Hz;

delta_absolut 1-4Hz;

theta_absolut 4-8Hz;

alpha_absolut 7.5-13Hz;

beta_absolut 13-30Hz

gamma_absolut 30-44Hz;

Benzile de putere relative

Benzile de putere relative sunt calculate prin dividerea benzii absolute de putere cu suma tuturor benzilor absolute de putere. Banda de putere lineară se poate calcula în baza logaritmului scării de putere astfel: banda de putere lineară = 10^ (log benzii de putere).

Astfel, benzile de putere relative pot fi calculate ca procente din benzile lineare de putere.

De exemplu:

alpha_relativ = (10^alpha_absolut / (10^alpha_absolut + 10^beta_absolut + 10^delta_absolut + 10^gamma_absolut + 10^theta_absolut));

Rezultatul va fi între 0 si 1, fără să ia vreodată valorile 0 sau 1. Valorile sunt transmise la frecvența de 10 Hz.

Figura 4.23 Casca MUSE utilizată în ansamblul conceput

4.3.2 Versiunea Beta 1 a sistemului

A fost construită cu o interfață grafică pentru a rula direct în procesorul Raspberry Pi. Interfața grafică este împărțita în 2 paneluri, cel din stânga pentru ajustarea și setarea parametrilor de calitate, cel din dreapta pentru setarea parametrilor de măsurare. Ca și ieșire, a fost conectat un led-bar cu 10 poziții.

Figura 4.24 Versiunea Beta 1 – ecran aplicație

Figura 4.25 Versiunea Beta 1 – dispozitiv de ieșire

4.3.3 Versiunea Beta 2 a sistemului

Aceasta versiunea este similară cu versiunea beta 1 cu următoarele diferențe:

Înlocuirea dispozitivului de ieșire ledbar cu o matrice de led-uri 8 x 8;

Actualizarea software-ului care rulează pe Raspberry Pi în sensul corelării cu noul tip de interfață de afișare;

Actualizarea software-ului în sensul procesării semnalelor absolute extrase din semnalul brut al căstii Muse.

Figura 4.26 Versiunea Beta 2 – software specific

Figura 4.27 Versiunea Beta 2 – matrice led integrată

4.3.4. Versiunea 1.0 a sistemului

Este construită pe baza versiunii Beta 2 și constă în următoarele modificări substanțiale:

Actualizarea interfeței software grafice de pe dispozitivul Raspberry în sensul editării ambelor paneluri pentru a le aduce la forma potrivită concepută

Actualizarea logicii de lucru a software-ului în back-end, în sensul utilizării semnalului relativ în loc de cel absolut

Actualizarea la nivel software a felului în care procesorul Raspberry Pi primeste în buffer pachetele de date de la cască via computer/laptop

Actualizarea modului de afișare pe matricea de led-uri în sensul stabilirii unei convenții de afișare

Activarea opțiunii de editare a parametrilor BCITCI din interfață

Introducerea în ansamblu a unui difuzor/sursă de semnal acustic.

Figura 4.28 Editarea parametrilor BCITCI din interfață

Figura 4.29 Introducerea în ansamblu a unui difuzor/sursă de semnal acustic

4.3.5 Versiunea 2.0 a sistemului

Este construită pe baza versiunii 1.0 a sistemului și constă în următoarele modificări substanțiale:

Introducerea unui filtru de control privind calculul valorii parametrului BCITCI, în sensul transmiterii de către interfață a unui mesaj verde sau roșu privind relevanța masurării din perspectiva parametrilor BCITCI

Introducerea opțiunii de BCITCI activ sau inactiv

Activarea semnalului luminos pe matricea de afișare pentru toate cele 5 unde cerebrale (afișare de la stânga la dreapta)

Actualizarea modului în care se procesează depășirile de prag valoric în vederea activării semnalului acustic

Actualizarea conceptului de interval de analiză și a modului în care acesta se referențiază în raport cu un fișier de date preluate

Figura 4.30 Editarea și calcularea BCITCI

Figura 4.31 Rulare cu prag de semnal acustic

Figura 4.32 Mesaj Context măsurare irelevant / BCITCI sub prag

Figura 4.33 Sistemul 2.0 în funcțiune / afișaj activ

Figura 4.34 Ansamblul general al sistemului 2.0

Ansamblul final este format din:mini-tastatură cu mouse integrat pentru acces la sistemul de operare, ecran pentru afișaj, sistem Raspberry Pi, placă de conexiune circuite, matrice led ca dispozitiv de output, speaker/difuzor, elemente de conexiune, software integrat.

4.4 Concluzii

Dispozitivul NeuroSky MindWave/MindSet utilizat este accesibil, portabil și fără fir. Folosește un singur senzor uscat amplasat conform sistemului internațional 10-20, în zona corespondentă punctului FP1 (fruntea este o locație convenabilă pentru introducerea unui senzor de contact; evită problema de a realiza o conexiune bună prin păr și preia semnale importante din zona cortexului frontal, implicit un semnal puternic și mai puțin sensibil la artefacte). Toată tehnologia NeuroSky este unidirecțională; informațiile circulă de la creier la echipamente, niciodată invers.

Despre MUSE: este o bandă/cască ce detectează activitatea cerebrală; este o tehnologie de tip electroencefalografie (EEG). EEG este o metodă validată, inofensivă și non-invazivă de înregistrare a activității electrice a grupurilor de celule cerebrale. EEG oferă în timp real o perspectivă solidă asupra creierului iar Muse este cel mai versatil și ușor de folosit sistem EEG existent.

Dispozitivul Muse este utilizat în spitale, clinici și universități din întreaga lume, ca instrument de cercetare. Domeniile de cercetare se extind de la neuroștiință cognitivă la sănătate mentală, psihoterapie, cunoaștere muzicală și altele.

Rezultatele cercetarii proprii ar putea susține dezvoltarea unei tehnologii de laborator și a unor servicii inovative care să eficientizeze procesul de evaluare și testare psihiatrică și psihologică în cadrul instituțiilor de specialitate cât și în cadrul companiilor, prin valorizarea abordării moderne aferentă evaluărilor, abordare provenită din psihometrie.

BCI/EEG poate fi o soluție modernă în aplicațiile de asistență medicală prin abordarea problemelor cu care se confruntă pacienții cu dizabilități motorii severe și tulburări neuromusculare. O soluție neinvazivă ar putea fi aplicată la mijloacele de protezare sau mobilitatea ar putea fi garantată altor pacienți cu sindrom locked-in, cum ar fi ALS.

Sistemul de antrenament al atenției și concentrării mentale (focus mental) este un sistem de concepție proprie, realizat din punct de vedere conceptual, tehnic și tehnologic. Acest sistem și dezvoltările lui ulterioare poate deveni un sistem suport de bază alături de alte echipamente, utilaje și tehnologii militare viitoare.

Cercetarile din domeniul BCI/EEG și al prelucrarii semnalelor preluate de la creierul uman pot aduce un plus cercetării aplicative și a procesului tehnologic din România, la evoluția și cerințele mediului socio-economic național și global prin dezvoltarea unor produse și a unor tehnologii avansate cu un spectru larg de aplicații în domeniul TIC și care va deschide noi direcții în domeniul BCI.

Capitolul V

Determinarea capacității individuale în interacțiunea de tip BCI. Aspecte privind calitatea interacțiunii.

Cele mai populare și multe speculații științifice despre BCI pornesc de la analogia cu „citirea gândurilor” sau „înregistrarea la distanță”, de la presupunerea că scopul este doar acela de a spiona activitatea cerebrală așa cum este ea reflectată de semnalele electrofiziologice și ca urmare de a determina dorințele subiectului. Această analogie ignoră faptul esențial și central al dezvoltării și operării interfețelor creier-computer. O interfață BCI modifică semnalele electrofiziologice din simple reflexii ale activității sistemului nervos central (SNC) în produse intenționale ale acelei activități: mesaje și comenzi care acționează asupra lumii. Modifică un semnal de tipul ritmului EEG sau ratei de emisie neuronală dintr-o reflectare a funcționării creierului într-un produs finit al acelei funcții: o reacție care, ca și reacția canalelor neuromusculare convenționale, îndeplinește intenția persoanei. O BCI înlocuiește nervii și mușchii și mișcările pe care le produc aceștia cu semnale electrofiziologice și echipamente și programe software care traduc acele semnale în acțiuni. Canalale eferente neuromusculare normale ale creierului depind de feedback pentru a funcționa cu succes. Atât reacțiile standard, ca vorbirea sau mersul, cât și reacțiile mai specializate precum cântatul sau dansatul necesită pentru a fi inițial achiziționate și menținute ulterior, ajustări continue bazate pe analiza rezultatelor intermediare și finale.

Când feedbackul este absent încă de la început, abilitățile motorii nu se dezvoltă corespunzător; iar când feedbackul este pierdut mai târziu, abilitățile se deteriorează.

Ca înlocuitor al canalelor eferente neuromusculare normale ale creierului, o interfață BCI depinde la rândul ei de feedback și de adaptarea activității cerebrale bazate pe acel feedback. Astfel, o interfață BCI trebuie să furnizeze feedback și trebuie să interacționeze într-o manieră productivă cu ajustările pe care le face creierul ca răspuns la interacțiunea a două controllere: creierul utilizatorului, care produce semnalele măsurate de interfață și interfața însăși, care traduce aceste semnale în comenzi specifice.

Utilizarea cu succes a interfeței BCI necesită ca utilizatorul să își dezvolte și să își întrețină o nouă abilitate, o abilitate care constă nu într-un control adecvat al mușchilor ci mai degrabă într-un control adecvat al semnalelor electrofiziologice specifice; și de asemenea necesită ca sistemul BCI să translateze acest control în reacții care îndeplinesc intenția utilizatorului. Ne-am putea aștepta ca această cerință să rămână constantă atunci când abilitatea nu necesită un antrenament inițial. În cazul interfeței BCI independente descrise mai sus, semnalele P300 generate ca răspuns la litera dorită apar fără antrenament. Cu toate aceste, odată ce aceste P300 sunt implicate ca un canal de comunicare, este probabil să sufere modificări adaptative [Coles, Rugg, 1995], iar recunoașterea și implicarea productivă a acestor ajustări va fi importantă pentru operarea în continuare cu succes a interfeței BCI.

Faptul că capacitățile adaptative ale creierului se extind pentru a prelua controlul asupra caracteristicilor diferitelor semnale electrofiziologice a fost inițial sugerat de unele studii care explorau aplicațiile terapeutice ale EEG. Acestea au observat condiționarea ritmului alpha vizual, a potențialelor lente, ritmului mu și a altor caracteristici EEG [Niedermeyer, Sherman, 1999].

Aceste studii de obicei căutau să producă o creștere a amplitudinii unei anumite caracteristici a EEG. Întrucât aveau scopuri terapeutice, cum ar fi reducerea frecvenței crizelor epileptice, nu încercau să demonstreze controlul bidirecțional rapid, respectiv, abilitatea de a crește și descrește o caracteristică specifică în mod rapid și cu acuratețe, aspect care este important în comunicare. Cu toate acestea, studiile au concluzionat că este posibil controlul bidirecțional și astfel au justificat și încurajat eforturile de a dezvolta comunicarea pe bază de EEG. În plus, cercetările făcute pe maimuțe au arătat că ratele de emisie ale neuronilor corticali individuali pot fi condiționate operant și astfel au sugerat că activitatea neuronală corticală reprezintă o altă opțiune pentru comunicarea și controlul non-muscular. În același timp însă, aceste studii nu au arătat în ce măsură capacitatea de control pe care și-o dezvoltă oamenii sau animalele prin aceste fenomene electrofiziologice depind de activitatea din canalale eferente neuromusculare convenționale. Cu toate că studiile au arătat că condiționarea activității hipocampului nu are nevoie de medierea reacțiilor motorii, problema nu a fost rezolvată pentru alte caracteristici EEG sau pentru activitatea neuronală corticală.

Această problemă a controlului independent asupra diferitelor caracteristici ale semnalelor electrofiziologice folosite de sistemele BCI actuale și în cele aflate încă în stadiul de cercetare este importantă atât din punct de vedere teoretic cât și practic și apare în mai multe locuri în această lucrare.

5.1 Calitatea în BCI

Scopurile definirii unor parametrii ai calității ansamblului

Stabilirea acurateții întregului proces de interfațare

Stabilirea calității datelor preluate în mod cantitativ

Stabilirea reprezentativității datelor preluate

Identificarea unui indice de precizie a rezultatelor finale

Compatibilitatea de răspuns în ansamblul interfațării

Determinarea unui timp de antrenament individual în procesul de interfațare

Elemente de analizat în interacțiunea BIONICĂ

Parametrii de context

Spațiul fizic în care are loc interacțiunea

Factori de mediu ambiant

Surse ce pot introduce perturbări

Parametrii tehnici ai interfeței

Caracteristici electrice ale interfeței

Caracteristici mecanice ale interfeței

Caracteristici constructive

Parametrii tehnici ai mașinii

Caracteristici electrice ale mașinii

Caracteristici mecanice ale mașinii

Caracteristici constructive

Metode și algoritmi ai mașinii

Parametrii subiectului uman

Caracteristici anatomice (lungime, lățime, grosime, formă, densitate, tensiune, temperatură, etc.)

Timpul și modul de răspuns în buclă de feedback (procesarea internă a semnalelor de intrare, managementul feedback-ului, funcții executive proprii, memoria de lucru, memoria pe termen lung, emoțiile și motivația, modelul mental personal, răspunsurile/modul de învățare, secvențele complexe de răspuns)

Condiția medicală (sănatos, cu probleme medicale)

Caracteristici specifice fiecărui subiect

5.1.1 Metoda de gestionare a calității ansamblului BCI

Matrice logică de gestiune a parametrilor de interfațare bionică

Algoritm de calcul al indicelui de precizie al rezultatului final la un moment dat (pe baza parametrilor din matricea logică)

Algoritm de identificare număr relevant de indici măsurați

Algoritm de integrare a indicilor în vederea stabilirii unui indice unic final (având în vedere că procesul analizat este unul de natură dinamică)

La acest stadiu al cercetării nu există o metodă standardizată în sensul celor prezentate ci doar opinii și propuneri ale unor autori. Este necesar să definim parametrii de calitate ai ansamblului de interacțiune om-mașină pentru a putea să îl utilizăm în operațiuni din ce în ce mai precise și mai detaliate.

În acest sens, al definirii parametrilor de calitate ai ansamblului interacțiunii om-mașină, am definit o metodologie proprie prin introducerea unui parametru numit BCITCI și a unei matrice logice suport pentru calculul acestui parametru.

Tabelul 5.1 Matrice logică de gestiune a parametrilor de interfațare BCI (în scopul calculării BCITCI)

5.1.2 METODA DE CALCUL A BCITCI

BCITCI este o denumire generică pe care o propun și provine din prescurtarea următoarei semnificații: BCITCI = Brain Computer Interface Temporary Compatibility Indicator; A se remarca termenul “temporary” care menționează în fapt că este vorba despre o perioadă temporară de analiză și implicit de valabilitate a indicatorului. Orice schimbare care conduce la schimbări sau modificări ale elementelor componente și subcomponente ale BCITCI va conduce obligatoriu la o recalculare a acestuia și recorelare a datelor în raport cu acesta.

In urma analizei și studiilor proprii realizate,- și în lumina diverselor cercetări realizate la nivel internațional, am ajuns la concluzia că nivelul calității interfeței nu este influențat identic de toate tipurile de aspecte implicate, prin urmare vom utiliza următoarele ponderi ale nivelului de influență al unui tip de parametru asupra nivelului calității semnalului:

Relevanță Parametrii context: RPC = 30%;

Relevanță Parametrii tehnici ai interfeței: RPI = 10%;

Relevanță Parametrii tehnici ai mașinii: RPM = 10%; (5.1)

Relevanță Parametrii subiectului uman: RPS = 50%;

TOTAL RELEVANȚĂ PARAMETRII: 100%.

Calcul valori totale brute parametrii:

PC=(PC1/4 + PC2/2 + PC3)/3;

PI=(PI1+PI2+PI3)/3;

PM=(PM1+PM2+PM3+PM4)/4; (5.2)

PS=(PS1+PS2+PS3+PS4+PS5)/5;

Calcul BCITCI

BCITCI = 100% – ( (RPC * PC) +(RPI * PI) + (RPM *PM) + (RPS * PS)); (5.3)

BCITCI este exprimat în procente pe o scară de la 0%-100%.

BCITCI ne indică, pentru o perioadă de timp/pentru un moment de experimentare și măsurare, care este profunzimea compatibilității de măsurare între subiect și echipament. Cu alte cuvinte, valoarea BCITCI poate fi luată în calcul în ansamblul tehnic de preluare semnal EEG în sensul medierii semnalului brut preluat cu valori ale BCITCI pentru a obține un semnal final pe care îl considerăm semnificativ mai apropiat de semnalul real.

În scopul exersării și utilizării BCITCI,- în cadrul cercetărilor efectuate, am realizat un instrument de calcul în format Excel care să sprijine calculul acestui parametru și să ne permită diverse operațiuni conexe.

Figura 5.1 Exemplu de calcul al BCITCI

Exemplificarea instrumentului de calcul al BCITCI se regăsește în Anexa 4 a prezentei lucrări.

Dacă din punct de vedere tehnic, considerăm că anumite aspecte de bază privind compatibilitatea interfeței BCI au fost analizate și integrate în ansamblul de măsurare chiar de către fabricantul acestuia (cum ar fi aspectele de calibrare și de zgomot), din punct de vedere al aspectelor non-tehnice, cu siguranță fabricantul nu a mai putut prevedea astfel de aspecte.

Ne referim aici la aspect precum particularitățile specifice ale unui subiect, la particularitățile de context și/sau la particularitățile de natură socio-psiho-educaționale care sunt importante în contextul analizat în ansamblul lucrării.

De aceea considerăm introducerea BCITCI un element cu sens și care poate conduce la rezultate finale mult mai concludente asupra unui set de informații preluat de la un subiect.

În plus, prin definirea BCITCI, este evident că el se referă la momente de timp, deci secvențe temporare și contexte diverse, cu alte cuvinte, prin introducerea BCITCI permitem a se ține cont de calitatea interfațării BCI nu doar în raport cu caracteristicile tehnice ale echipamentelor dar și de contextul măsurării și de particularitățile subiectului participant în interfațare.

Din observațiile practice, pentru a oferi garanția unui rezultat cu sens, în situația în care valoarea BCITCI este sub 65-70% rezultatul măsurătorilor este mai mult neconcludent decat concludent, mai mult problematic și/sau eronat decat corect și reprezentativ.

Cu alte cuvinte, BCITCI este reprezentativ atunci când acesta se află în intervalul 65% – 100%;

5.1.3 Protocoale de operare

În mod ideal, un sistem BCI ar trebui să fie disponibil în orice moment. O asemenea disponibilitate poate fi asigurată fie prin transpunerea permanentă a inputului în output sau printr-un buton de pornit/oprit bazat pe BCI. Transpunerea continuă poate produce o cantitate mare de output neintenționat, fără sens sau întâmplător. Un grup de cercetători evaluează în prezent această opțiune.

O altă posibilitate este o comandă pornit/oprit pe baza BCI, cum ar fi un tipar distinct al caracteristicii de semnal care este extrem de improbabil să apară în mod spontan (de pildă, un tipar al modificărilor SCP.

În comunicarea vocală, vorbitorul controlează când sunt rostite cuvintele și rata rostirii lor. Dimpotrivă, în sistemele BCI actuale controlează de obicei sincronizarea și rata și i le indică utilizatorului prin mijloace vizuale sau auditive. Într-o anumită măsură, sistemul controlează rezultatele sincronizării și ratei vorbirii din cerințele cercetării: pentru a evalua performanța BCI este necesar ca intenția utilizatorului să fie cunoscută și cea mai simplă cale de a face acest lucru este ca sistemul să fie cel care îi spune utilizatorului ce să comunice și când. În aplicațiile BCI actuale, controlul sincronizării și ratei poate fi lăsat în întregime sau în parte utilizatorului.

5.1.4 Aplicații și utilizatori

Aplicațiile practice depind întâi de toate de viteză și de acuratețe. BCI-urile acutale sunt potrivite pentru controlul de bază al mediului (de pildă, temperatura, luminile, televizorul), pentru răspusnul la întrebări da/nu și pentru procesarea de cuvinte cu rate scăzute ( de exemplu 1–2 cuvinte/min). Ele pot opera și aparate precum un scaun cu rotile. Pentru această aplicație, la care erorile sunt periculoase, sistemul poate fi configurat pentru a asigura o acuratețe foarte mare în detrimentul vitezei. Aceste interfețe BCI pot opera și neuroprostetice simple sau ortoze, precum cele care permit strângerea pumnului la subiecți cu leziuni cervicale de măduva spinării. În același timp, deși sistemele BCI actuale pot asigura astfel de funcții, cei mai mulți utilizatori potențiali au opțiuni convenționale mai bune. Cei care folosesc controlul unui singur mușchi (ex. sprânceana, flexorul degetului, diafragma) îl pot folosi adesea pentru o comunicare și un control care este mai rapid și mai reprezentativ decât cel furnizat de sistemele BCI actuale. Astfel, utilizatorii direcți vor fi în principal cei la care lipsește total controlul mușchilor sau a căror abilitate de control obosește cu ușurință sau nu se pot baza pe ea din motive diverse. Aceștia sunt subiecții total paralizați (de exemplu cei cu ALS sau cu atacuri vasculare de trunchi) sau care au tulburări ale mișcării (de exemplu paralizia cerebrală severă) care abolește controlul muscular. Metodele de comunicare augmentativă convenționale le pot oferi puțin ajutor, astfel că, chiar și cea mai simplă comunicare bazată pe BCI, cum ar fi capacitatea de a spune „da” sau „nu”, poate fi valoroasă pentru ei. Date recente arată că incidența depresiei la acești subiecți nu este neapărat mai mare decât cea din populația generală. Acest lucru duce la concluzia că, dacă sunt satisfăcute nevoile lor de comunicare și control, ei își pot trăi viața în mod plăcut și productiv. Eforturile de a furniza metode de comunicare bazate pe BCI utilizatorilor izolați în propriul corp pot întâmpina câteva probleme dificile. Mai întâi, lipsa abilității de comunicare convențională a utilizatorului poate face dificilă evaluarea cogniției sale sau chiar a stării sale de conștiență și poate împiedica interacțiunile sistem de operare/utilizator necesare în antrenamentul inițial al BCI. Unii autori descriu un set de teste bazate pe potențial de eveniment concepute pentru a evalua senzitivitatea corticală și procesarea cognitivă la astfel de utilizatori și pentru a evalua capacitatea lor de a învăța să utlizeze un sistem BCI. În al doilea rând, deficitul care abolește în întregime controlul muscular voluntar afectează și controlul utilizatorului asupra caracteristicilor de semnal folosite de un sistem BCI. Pierderea neuronilor corticali care poate apărea la cei cu ALS sau leziuni corticale și/sau subcorticale extensive în mod tipic asociate cu paralizia cerebrală severă, poate afecta generarea sau controlul ritmurilor, potențialelor evocate sau activității neuronale utilizate în comunicarea bazată pe BCI. Leziunile cortexului prefrontal (de exemplu, în scleroza multiplă, boala Parkinson sau ALS) pot afecta atenția și ca urmare pot afecta negativ și utilizarea BCI. În al treilea rând, factorii motivaționali pot fi critic de importanți. Modificările din mediul fizic sau din interacțiunile sociale ale unui individ pot afecta în măsură foarte mare utilizarea BCI.

Aplicarea eficentă a BCI în situații clinice necesită o evaluare atentă și continuă a calității vieții. Măsurile standard ale calității vieții ar putea să nu fie adecvate la persoanele cu paralizii severe. Starea lor de bine emoțională și psihologică nu se înrăutățește în mod obligatoriu cu declinul funcției motorii.

În concluzie, aplicațiile BCI necesită expertiză și atenție pentru un set complet de factori umani. Persoanele care au încă o capacitate minimă de mișcare volutară pot folosi sisteme hibride care să combine controlul bazat pe BCI cu controlul convențional. Interfețele BCI îi pot asita și pe cei ale căror capacități de comunicare și control sunt afectate de afazie, apraxie sau autism.

Dacă viteza și acuratețea BCI vor putea fi substanțial îmbunătățite, aria de aplicații și numărul de potențiali utilizatori vor crește foarte mult. În același timp, viteza și acuratețea nu sunt singurii factori importanți. Măsura în care utilizarea BCI poate fi integrată cu alte activități este crucială. Până acum, cele mai multe sisteme BCI au fost testate în laborator, pe utilizatori complet implicați în operarea lor. Câtva studii au explorat integrarea BCI în în viața normală. Sistemul BCI Wadsworth poate fi utilizat pentru a răspunde la întrebări verbale, iar cel Tuebingen TTD pentru a comunica mesajul ales de utilizator. Sunt necesare mult mai multe informații cu privire la această integrare cu alte funcții ale creierului. Succesul BCI va determina devasemenea și măsura în care este standardizată oprarea sistemelor. Cele mai multe BCI actuale operează în laborator sub supraveghere specializată. Chiar și Tuebingen TTD, care a fost scos din laborator, încă mai necesită ajustarea de către personal specializat. Pentru ca BCI să funcționeze în casele oamenilor sau în instituții de asistență pe termen lung, această dependență trebuie să scadă în mare măsură.

Deosebit de important în determinarea valorii practice a sistemelor BCI va fi succesul lor în satisfacerea utilizatorului. Satisfacția nu va depinde doar, sau poate nici chiar în mod principal, de viteză și acuratețe. Nivelul de acceptare de către utilizator a noii tehnologii depinde de mai mult de alte aspecte decât de valoarea teoretică a tehnologiei și este adesea impredicitibil sau chiar inexplicabil. S-a constatat că utilizatorii au preferat o selectare mai lentă a unei singure litere față de completarea mai rapidă a cuvintelor cu ajutorul unui calculator, pentru că selectarea literă-cu-literă, care era complet în controlul lor, îi făcea să se simtă mai independenți. Ușurința utilizării este de asemenea importantă. Factori precum nevoia de a purta permanent o scufie de electrozi sau de a sta permanent în fața unui anumit display vizual poate avea o influență teribilă. Cosmetica este adeseori crucială; mai exact, felul în care arată sistemul și cum arată utilizatorul care îl folosește. Cel mai probabil utilizatorii diferă considerabil în nevoile și dorințele lor, iar succesul BCI va depinde în mare parte de acceptarea și acomodarea acestei realități. Accentul primordial ar trebui si fie pus pe identificarea și furnizarea acelor aplicații BCI care sunt cele mai dorite de către utilizator.

5.1.5 Metode de cercetare și standarde

Cercetarea în domeniul BCI este un demers interdisciplinar. Fenomenele care cuprind caracteristicile de semnal BCI apar în creier și reflectă anatomia, chimia și fiziologia acestuia. Sistemele BCI realizează procesarea semnalului și depind de harware-ul și software-ul calculatoarelor. Ele includ rutine de adaptare care depind de principiile învățării și de alți factori umani precum atenția, motivația și oboseala. Otputurile BCI controlează aparate care au caracteristici electronice și/sau mecanice specifice și furnizează feedbackul care solicită capacitățile perceptive și reactive ale utilizatorului. În sfârșit, protocoalele de operare ale BCI ochestrează funcționarea în acord cu caracteristicile inputurilor, metodelor de extragere a caracteristicii, algoritmii de transpunere și outputuri. Astfel, cercetarea BCI implică neurobiologie, psihologie, inginerie, matematici aplicate și știința calculatorului. Succesul depinde de expertiza în toate aceste discipline și de interacțiunile efective dintre ele.

Deși toate programele de cercetare a BCI împărtășesc același obiectiv – comunicare și control rapid și reprezentativ – ele diferă mult nu doar în ceea ce privește inputurile, metodele de extragere a caractersitcilor, algoritmii de transpsunere, outputurile și protocoalele de operare, dar și în ceea ce privește obiectivele lor imediate. Unele se concentrează pe aplicații specifice precum procesarea cuvintelor sau controlul neuroprosteticelor, în timp ce altele se concentrează pe stabilirea caracteristicilor generale ale designului BCI și utilizarea unei aplicații prototip precum controlul cursorului și așa mai departe. Oricare ar fi obiectivele lor, toate au nevoie de hardware și software care să poată achiziționa semnalul electrofiziologic de input la o rată și o precizie suficientă , să îl traducă în output suficient de rapid pentru a controla aparatele cu întârzieri acceptabile și să gestioneze interacțiunile adaptative dintre utilizator și sistem. Întrucât scopul lor este cercetarea, ele pot avea nevoie să stocheze datele complete pentru evaluări ulterioare. Mai mult, pentru ca eforturile lor să fie productive și rezultatele lor credibile, programele de cercetare BCI trebuie să adere la anumite principii ale designului experimental, evaluării datelor și documentarea și publicarea rezultatelor.

5.1.6 Estimarea variațiilor inter- și intra- utilizator

Este de așteptat ca utilizatorii să difere în mare măsură în ceea ce privește intensitatea și stabilitatea caracteristicilor de semnal specifice și capacitățile lor de demonstrare sau achiziție inițială și de menținere ulterioară a controlului asupra acestor caracteristici. Utilizatorii cu dizabilități cel mai probabil prezintă chiar și mai mari variații. Astfel, metodele BCI trebuie să fie testate la mai mult de unul sau câțiva utilizatri, iar populațiile de testare trebuie să includă utilizatori cu dizabilități relevante. Variația intra-individuală este un aspect la fel de important. Puținele programe de cercetare care au colectat date pe termen lung au constatat că în mod tipic apar variații importante în performanță la intervale de minute, ore, zile, săptămâni și luni. Astfel, trebuie să fie colectate date de la fiecare utilizator de multe ori pe perioade substanțial de lungi. Mai mult, trebuie aplicate teste statistice adecvate și cuprinzătoare. Doar descrierea pur și simplu a unui singur rezultat sau performanțe bune obținute în câteva sesiuni nu sunt suficiente.

5.1.7 Validarea online a analizelor offline

Analizarea offline a datelor în timpul operării BCI nu este suficientă ca atare pentru evaluarea și compararea caracteristicilor de semnal alternative, rutinelor de extragere a caracteristicii, algoritmilor de transpunere, etc. Deși aceasta poate sugera care metodă este probabil să funcționeze cel mai bine online, această analiză nu poate prezice efectele pe termen scurt sau lung ale diferențelor dintre metode asupra feedbackului utilizatorului. Metodele care par promițătoare în analiza offline trebuie să fie în final validate prin testarea extensivă online pe perioade prelungite de timp la un număr corespunzător de utilizatori, iar această testare trebuie să cuprindă în cea mai mare măsură posibilă controlul intern (adică intra-individ) și/sau extern (adică inter-indivizi).

5.1.8 Estimarea performanței utilizatorului și a sistemului

Estimarea efectivă a performanțelor BCI necesită două niveluri de evaluare: utilizatorul și sistemul. Utilizatorul trebuie să controleze caractersiticile de semnal, iar sistemul trebuie să recunoască acel control și să îl transpună în control al echipamentului în mod eficient și consecvent. Performanța utilizatorului poate fi definită ca nivel de corelare dintre intenția utilizatorului și caracteristica (caracteristicile) de semnal pe care o folosește BCI pentru a recunoaște respectiva intenție. O măsură utilă a acestei corelații este r2. Corelația perfectă produce o valoare de 1,00 a r2. Este de asemenea valoroasă pentru selectarea locației electrodului și benzii de frecvență folosite pentru determinarea amplitudinii ritmului mu sau beta [Wolpaw, 2000].

Evaluarea performanței sistemului are două părți: performanța într-o aplicație specifică, evaluată ca viteză și/sau acuratețe și performanța teoretică, măsurată ca rată de transfer a informației. Până acum, cele mai multe studii au raportat doar acuratețea și/sau viteza pentru aplicații specifice. Aceste date sunt cu certitudine importante. În același timp însă, ele sunt influențate de caracteristicile aplicației și de succesul cu care sistemul funcționează ca interfață pentru controlul utilizatorului asupra caracteristicii de semnal în respectiva aplicație. Astfel, ele fac comparația între diferite stadii să fie dificilă și nu arată ce s-ar putea face la nivel teoretic cu gradul de control pe care îl are utilizatorul. Metoda standard de măsurare a sistemelor de comunicare și control este rata de transfer a informației sau rata bit. Aceasta este cantitatea de informație comunicată în unitatea de timp. Creată de Shannon și Weaver (1964) (sintetizată de Pierce, 1980), această măsură încorporează atât viteza cât și acuratețea într-o singură valoare. Rata bit este prezentată atât ca biți/încercare (adică, biți/selecție) cât și ca biți/min când sunt făcute 12 selecții pe minut (o rată comparabilă cu cea a câtorva dintre BCI actuale [Wolpaw, 2000]. De exemplu, rata bit a unui BCI care selectează între două opțiuni cu o acuratețe de 90% este egală cu cea a unui BCI care selectează dintre 4 opțiuni cu o acuratețe de 65%. La două opțiuni, acuratețea de 90% este literalmente de două ori mai bună decât 80% și doar pe jumătate la fel de bună ca 100%. Rata bit este o măsură obiectivă pentru măsurarea îmbunătățirii unei interfețe BCI și pentru compararea diferitelor sisteme BCI. Ea poate folosi de asemenea la alegerea aplicațiilor [Wolpaw, 2000].

5.1.9 Evaluarea în situții relevante

Evaluarea BCI ar trebui să includă și testarea în circumstanțe asemănătoare celor din aplicațiile în viața reală. Cum am observat mai sus, evaluarea performanței online este esențială. În plus, sistemele BCI trebuie testate în condițiile în care utilizatorul este cel care alege mesajul sau comanda. Această verificare poate constata cât de bine se adaptează BCI la variația spontană a caracteristicilor semnal atunci când nu are avantajul de a ști dinainte care trebuie să fie outputul. Este de asmenea important să se evalueze cât de bine se combină operarea BCI cu alte funcții cerebrale. Un BCI care necesită atenția totală a utilizatorului ar putea să nu fie de ajutor într-o conversație sau alte interacțiuni în care utilizatorul trebuie să aleagă în mod continuu mesajul, să trimită și să analizeze răspunsurile pe care le primește de la cealaltă persoană sau de la un aparat extern.

5.1.10 Documentarea și publicarea rezultatelor

În sfârșit, pentru a face ca interesul și progresul recent al cercetării BCI să devină un demers de cercetare stabil și de succes, trebuie pus accent pe publicarea de articole originale ale specialiștilor în publicații științifice și tehnice. Mai mult, cercetătorii ar trebui să admită că atenția intensificată și adeseori distorsionată pe care o atrag mijloacele de comunicare în masă asupra ideii de comunicare directă între creier și calculator, deși este un avantaj din anumite puncte de vedere, este și o problemă, pentru că generează așteptări nerealiste ale publicului și scepticismul oamenilor de știință. Astfel, este important ca cercetătorii să fie conservativi în interacțiunile lor cu media și să adere cât mai mult posibil la regula lui Ingelfinger, principiul că publicațiile de specialitate trebuie să preceadă orice altă răspândire detaliată a rezultatelor cercetării. Deși studiile sunt adesea mai întâi prezentate în conferințe și articole și pot ajunge pe această cale în media, prima lor descriere și documentare completă trebuie să apară într-un format de specialitate.

5.2 ETICA ȘI BUNE PRACTICI ÎN NEUROFEEDBACK ȘI PROCESAREA BIOSEMNALELOR EEG

În ultimii 10 ani, au apărut multe schimbări în aplicarea eticii în practica de zi cu zi a neurofeedback-ului. Practica de neurofeedback s-a maturizat considerabil și asta se datorează în principal unui volum mai mare de date de cercetare disponibile, extinderii aplicațiilor clinice, disponibilității documentelor eficiente, disponibilității crescute a activităților de educație continuă pentru practicieni și unei mai mari familiarități cu termenul de neurofeedback din partea publicului larg, a contribuabililor terți și ale agențiilor de reglementare. Aceste schimbări au necesitat actualizări în aplicarea principiilor etice, a legilor, a ghidurilor practice și a standardelor. Modificările apar anual în legi, reguli și reglementări. Modificările în principiile etice profesionale și în regulile și standardele practice apar cu o frecvență mai redusă. În ambele cazuri, ignoranța nu este o scuză pentru încălcarea unei legi, a unui pricipiu etic sau a unui alt ghid. Educația continuă, studiul acasă și calitatea de membru în diferite asociații profesionale sunt toate modalități de a rămâne la curent cu noile modificări.

Multe utilizări ale electroencefalogramei (EEG), hemoencefalografiei (HEG), stimulării sunetului luminos, EEG cantitative (QEEG) și a altor tehnologii de neurofeedback nu sunt la fel de experimentale cum au fost în urmă cu 7-10 ani.

Mai multe tehnologii s-au mutat în domeniul aplicațiilor validate datorită cantității disponibile de cercetare și a suportului clinic. Desigur, unele aplicații sunt încă noi, în consecință, nu există suport clinic sau cercetare suficientă pentru a le considera validate.

Alte aplicații mai noi sunt destul de controversate, de exemplu în domeniul preluarii semnalului de la creier în scopul utilizarii EEG pentru a determina adevărul despre comportamentul criminal [Witchalls, 2004] și [Thornton, 2005].

Aplicarea biofeedback-ului EEG în situații si aspecte de „tele-health (telemedicină)” sunt de asemenea foarte la moda printre subiectele de cercetare. Utilizatorii au responsabilitatea etică să rămână la curent cu cercetarea și cu datele specifice domeniului.

Asadar, care ar fi aspectele etice, legale și profesionale legate de practica de neurofeedback în care ar trebui să se implice practicienii (operatori, utilizatori experimentați, medici, etc.) ?

În mod evident, neurofeedback-ul are un potențial notabil pentru a ajuta multe persoane cu diferite tipuri de probleme. Tehnologia disponibilă în prezent continuă să se extindă rapid atât în ceea ce privește hardware-ul, cât și software-ul. Oportunitățile sunt de asemenea îmbunătățite de o gamă largă de date disponibile legate de creier în alte cercetări de bază și aplicate de neuroștiință, folosind tehnologii cum ar fi imagistica prin rezonanță magnetică funcțională (fMRI). Numărul de practicieni care furnizează servicii de neurofeedback continuă să crească și poate reprezenta o problemă serioasă pentru credibilitatea viitoare a neurofeedback-ului dacă nu este acordată o atenție deosebită instruirilor și verificării competențelor profesionale prin programe de certificare și calificări.

Atunci cand neurofeedback-ul este utilizat pentru aspect medicale sau para-medical, reclamațiile exagerate, furnizarea de servicii incompetente care aduc daune clienților, lipsa progresului în tratament și lipsa unei baze solide de cercetare pot afecta serios dezvoltarea acestei tehnologii utile și moderne în termeni de utilizare și acceptare.

Toate părțile implicate în practicile de neurofeedback au nevoie să colaboreze în ceea ce fac, să adopte un comportament etic și profesional și toți trebuie să încurajeze calitatea cercetării și colectarea datelor clinice seminificative pentru a susține ceea ce fac practicienii și utilizatorii experimentați.

Scopul acestei părți a lucrării este de a furniza informații cu privire la starea actuală a unor probleme etice, legale și profesionale asociate cu serviciile de neurofeedback. Intenția este de a ajuta practicienii care furnizează servicii ce corespund standardelor de practică așteptate (obligația de îngrijire) de către clienți, alți profesioniști din domeniul sănătății și terți plătitori. Pe practicieni să îi informeze astfel încât să evite riscurile inutile. De la început trebuie menționat că, din punct de vedere etic, legal și profesional, neurofeedback-ul este mai mult asemănător decât diferit în comparație cu alte aplicații de biofeedback [Striefel, 1999].

Figura 5.2 Etica în BCI

Multe probleme etice întâlnite de practicienii de neurofeedback sunt similare cu cele întâlnite de cei care folosesc alte modalități de biofeedback, cum ar fi de exemplu confidențialitatea informatiilor și datelor preluate, consimțământul informat, nevoia de suport clinic și de cercetare. Grupurile conservatoare (medicii, diferiți reprezentanți academicieni, clinicieni), au început să accepte din ce în ce mai mult aplicațiile de neurofeedback ca fiind intervenții naturale/de bază.

Evident, procedurile mai noi, non-tradiționale de biofeedback necesită ca practicienii să adopte măsuri de precauție suplimentare; de exemplu, în timpul procesului de consimțământ informat, pentru a evita riscurile inutile și pentru a menține relații de lucru bune cu clienții lor, alți practicieni sau plătitori terți este necesar să se facă o informare serioasă, coerentă, deschisă și cuprinzătoare asupra tuturor aspectelor esențiale ale procedeelor și proceselor implicate.

La nivel mondial, în privința acestor aspecte de etică, de lucru și practică în domeniu, au aparut și există organizații care se ocupă cu standardizarea și crearea unui cadru potrivit. Se pot menționa astfel: Institutul de Cercetare de Biofeedback al Americii și asociațiile profesionale de profil, cum ar fi de exemplu Asociația de Psihofiziologie Aplicată și Biofeedback (AAPB) și Societatea Internațională pentru Neurofeedback și Cercetare (ISNR). Pentru mai multe informații de bază privind comportamentul etic profesionist în psihofiziologia și biofeedback-ul aplicat se poate vedea [Striefel 1995, 2003, 2004].

Neuroterapia și neurofeedback-ul sunt termeni care sunt adesea folosiți ca sinonime cu biofeedback-ul electroencefalografic (EEG). Demos [2005] folosește de obicei termenii neurofeedback și neuroterapie interschimbabili. Cu toate acestea, fiecare termen poate avea conotații diferite și există atât avantaje, cât și dezavatanje pentru utilizarea fiecărui termen.

În practică se folosesc termenii de servicii de biofeedback în general și uneori de biofeedback EEG. Deoarece termenii de referință se folosesc în prezent pentru EEG biofeedback și nu pentru neuroterapie sau neurofeedback, este recomandat a se folosi termenul de EEG biofeedback pentru o identificare clară. Un dezavantaj al termenului EEG biofeedback este faptul că nu este suficient de larg pentru a acoperi toate aplicațiile clinice și eforturile de cercetare utilizate, de exemplu hemoencefalografia și intervențiile sonore luminoase.

[Hammond, 2006] a sumarizat o parte din cercetările care au confirmat faptul că modelele undelor cerebrale sunt asociate cu o varietate de afecțiuni medicale și bineînțeles, fiecare condiție medicală se potrivește perfect cu modelul medical. De asemenea, el a argumentat ce este și ce nu este neurofeedback-ul. [Gunkelman, 2006] a comunicat că multe dintre anomaliile EEG asociate cu diagnostice diferite bazate pe DSM sunt mai mult similare decât diferite. El a numit aceste modele EEG similare fenotipuri. În plus, fenotipurile specifice care există în diferite categorii de diagnosticare pot răspunde la același protocol de tratament EEG.

Cercetarea concepută să susțină aceste teorii este necesară deoarece, din punct de vedere etic, este important ca pentru fiecare persoană să se poată asigura serviciile necesare si potrivite. Cu toate acestea, se impune practicienilor să opereze în cadrul liniilor legale și etice existente.

Termenul neurofeedback cuprinde atât feedback-ul, cât și alte abordări psihofiziologice aplicate pentru modificarea funcției cerebrale. [Demos 2005] îl definește ca "Un sistem de formare cuprinzător care promovează deopotrivă creșterea și schimbarea la nivelul celular al creierului." Cu toate acestea, termenul neurofeedback este încă suficient de nou încât să fie nefamiliar pentru alții, astfel problemele de rambursare pot apărea când este utilizat.

Termenii de EEG biofeedback, neuroterapie și neurofeedback nu au încă definiții acceptate de către toate părțile. Pare important pentru asociații profesionale precum AAPB și ISNR să definească acești termeni înaintea altor grupuri care le definesc în mod restrictiv, de exemplu, imaginați-vă ce s-ar întâmpla dacă termenii și practica acestora ar fi definiți ca o practică exclusivistă a medicinii? În prezent, atenția ar trebui focusată pe decizia de a stabili ce termen să se folosească în funcție de actorii diferiți (de exemplu: pacienții, alți furnizori profesionali de servicii medicale și terți) și pentru scopuri diferite, de exemplu ce termen sau termeni sunt cel mai ușor de înțeles?

Poate că este mai ușor să se educe practicienii și alți terți să folosească termenul de neurofeedback când se referă la alte modalități de tratament legate de creier (de exemplu, hemoencefalografie sau stimularea sunetului luminos), sau atunci când se comunică cu clienții.

Practicienii iau decizii zilnice dacă să accepte sau nu un anumit client pentru tratament. Numeroase variabile trebuie luate în considerație în astfel de procese decizionale incluzând dar, fără a se limita la simptome, tratamente anterioare și eficacitatea lor, legile existene și abilitatea clientului de a suporta anumite tratamente. Practicienii sunt obligați să ia în considerație propria competență demonstrată în tratarea problemelor unui client, cu sau fără supraveghere sau consultanță, indiferent dacă din punct de vedere legal pot face asta și chiar dacă nevoile clientului ar putea fi mai bine îndeplinite în alt fel. Practicienii ar trebui să colaboreze cu alți profesioniși în domeniul sănătății pentru a satisface cât mai bine nevoile clienților. Acestea sunt considerații care pot produce dileme etice în practica clinicianului. Integrarea experiențelor și valorilor personale sănătoase, emoțiile pozitive și o judecată bună servesc pentru a stabili o practică etică.

Practicienii au nevoie de anumite trăsături de caracter și abilități pentru a avea succes [Striefel,1999]. [Fowers, 2005] definește caracterul ca o stare generală a unui practician în ceea ce privește virtutea (adică, tipul de persoană care este). Punctele forte ale caracterului sunt egale cu virtutea. "O viață virtuoasă este o viață trăită bine pe de-a-ntregul, cu un set de obiective corect și intergat, tăria de caracter necesară pentru a îndeplini aceste obiective până la final și legăturile sociale care dau curs și sens activităților noastre" [Fowers, 2005]. [Striefel, 1999] a oferit câteva definiții pentru abilități și trăsături de caracter după cum urmează:

Încrederea – credința în abilitatea unei persoane de a reuși sau de a se baza pe propria putere de a face ceea ce este corect, adecvat sau eficient. Include gradul de speranță sau optimism pe care o are cineva pentru a face față unei situații.

Compasiunea – conștientizarea stresului unei alte persoane și dorința de a-l ajuta să îl depășească. Include o îngrijorare, empatie, loialitate, simpatie și căldură pentru alții care sunt în pericol.

Angajamentul – acceptarea responsabilități unei persoane de a îndeplini o obligație față de un client. Gradul de asigurare că acea persoană va face ceea ce este corect, adică ceea ce știi să faci este potrivit pentru cei pe care îi slujești. În general, cu cât este mai angajat un furnizor de servicii la o linie de acțiune etică, cu atât mai puțin este posibil ca preocupările personale sau legate de prietenie, să afecteze negativ procesul de decizie sau acțiunile sale în rezolvarea unui dileme etice.

Competență etică – abilitatea de a identifica intervenția etică adecvată când apare o dilemă etică, adică, să știe ce să facă și cum să o facă. Cunoștințele etice nu sunt suficiente pentru a produce un comportament etic. Un furnizor de servicii trebuie, de asemenea, să se comporte etic în ciuda repercursiunilor negative, în această situație caracterul având un rol important.

Rezoluția etică – se referă la probabilitatea ca un furnizor de servicii să intervină din punct de vedere etic când apare o dilemă etică. Gradul de încredere este acela pe care un furnizor de servicii îl are și îl va urma prin a face ceea ce este corect din punct de vedere etic.

Disponibilitatea etică – se referă la faptul că un furnizor de servicii va face ceea ce el identifică ca fiind ceea ar trebui să facă atunci când se confruntă cu o dilemă etică. Este o măsură de motivație.

Cei mai buni practicieni sunt cei care au conștientizări de sine, se concentrează pe căutarea rezultatelor benefice pentru clienții lor, respectă autonomia clientului, respectă diferențele culturale, onestitatea și sunt suficienți de curajoși pentru a face față dificultăților… " [Fowers, 2005]. S-ar putea adăuga faptul că practicienii trebuie să fie cinstiți, generoși, mai exact, loiali și corecți intereselor celor pe care îi servesc. Două componente majore ale procesului etic de luare a deciziilor sunt competența și angajamentul etic. Practicienii trebuie să le dezvolte pe amandouă pentru a desfășura activitatea într-o manieră etică.

Poate fi util pentru practicieni să fie conștienți de problemele cu care s-au confruntat alți practicieni de neurofeedback, care au întâmpinat dificultăți cu comisiile de licențiere, comitetele de etică, litigiile judiciare și/sau terți. Conștientizarea poate conduce mai degrabă la activități proactive decât reactive. Cititul, participarea la conferințe, interacțiunea cu alți practicieni pot fi toate utile.

Un comportament proactiv poate reduce probabilitatea ca un practicant să se confrunte cu un consiliu, cu comitete etice sau similar. Unele aspecte de luat în considerație de către fiecare practicant de neurofeedback pentru a fi în conformitate cu legile de licențiere: ce iți permite domeniul de aplicare să faci? Există și alte legi de respectat în paralel? (de exemplu legea pentru practica medicinii) care limitează ceea ce poți de ceea ce nu poți face?

Având în vedere că domeniul este unul de frontieră și încă ne-standardizat complet, este foarte ușor să ieși din granițele legale și etice, prin urmare se recomandă și se impune o atenție și documentare sporită pentru fiecare fază în care se utilizează aceste tehnici și tehnologii.

Problemele legate de domeniul de aplicare și limbajul folosit în materialele promoționale ale unui produs pot fi mai complexe pentru cei care nu sunt licențiați într-o disciplină medicală în comparație cu cei care dețin o licență, motiv pentru care este recomandată consultarea juridică ori de câte ori există dubii de interpretare sau înțelegere.

O întrebare pe care merită să ne-o punem este dacă echipamentul/ele pe care îl/le utilizăm este/sunt înregistrat/e la organismele de specialitate și pentru ce utilizări a fost aprobat.

Practicienii trebuie să fie proactivi în modul de abordare a practicii de neurofeedback. Planificarea poate ajuta la evitarea problemelor care pot apărea mai târziu.

V-ați confruntat vreodată cu dilema dacă o intervenție de neurofeedback este o intervenție alternativă, complementară sau necesară? Ați încercat să decideți care proceduri sunt cu adevărat susținute de cercetările existente sau de datele clinice? Practicienii implicați în activități aplicate de psihofiziologie și/sau neurofeedback se confruntă zilnic cu luarea deciziilor în ceea ce privește ce să le spună clienților cu privire la suportul publicat și clinic pentru intervențiile clinice pe care ei le propun să le folosească pentru a ajuta clientul să depășească problema/problemele prezentă/e. Din punct de vedere etic, este așteptat din partea practicienilor să clarifice în timpul procesului de consimțământ informat care sunt procedurile eficiente, experimentale și să scrie un consimțământ informat pentru procedurile care sunt sau ar putea fi considerate experimentale. Este drept că a face acest lucru nu este o sarcină ușoară.

Practicienilor li se recomandă să fie cinstiți, prudenți și să furnizeze toate informațiile de care o persoană înțeleaptă poate avea nevoie pentru a lua decizii, atunci când explică intervențiile de neurofeedback clienților în timpului procesului de consimțământ informat. Conform lui [Beutler, Davidson, 1995] nu există niciun standard pentru care o abordare a tratamentului este considerată a fi validă și fiabilă (eficace) și nu mai este astfel experimentală. Probabil că acest lucru se va schimba odată cu adoptarea recomandărilor comune de către mai multe asociații internaționale de profil, reprezentative.

Pe baza unui astfel de model (de adoptare) și a numărului de studii de cercetare care atestă eficacitatea biofeedback-ului EEG, s-a concluzionat că biofeedback-ul EEG așa cum este el nu mai este o procedură experimentală, ci poate fi o intervenție validată. Aplicațiile individuale de biofeedback EEG sunt o chestiune complet diferită indiferent de domeniul în care sunt utilizate.

De exemplu, [Monastra, 2005] a concluzionat că "biofeedback-ul EEG a fost determinat a fi "probabil eficient" pentru tratamentul ADHD." Șaptezeci și cinci la sută din clienți în studiile de cercetare revizuite au înregistrat îmbunătățiri seminificative din punct de vedere clinic. În plus, în 2004, ISNR a publicat un set de standarde pentru utilizarea QEEG în neurofeedback [Hammond, 2004]. În calitate de practicant, trebuie să știți șablonul, standardele,starea și eficiența intervențiilor pe care le utilizați. În caz contrar, cum puteți obține un consimțământ informat în cunoștință de cauză de la clienții dumneavoastră? Chiar și intervențiile neurofeedback care îndeplinesc noile standarde de validare/eficacitate pot să nu fie acceptate de grupuri conservatoare care folosesc un standard diferit sau de organizațiile de îngrijire care au o abordare motivată de profit în ceea ce privește intervenția.

Organizațiile de îngrijire nu par să utilizeze standarde coerente pentru a decide când este eficient un tratament. Standardul lor pare adesea să fie unul care le permite să refuze să plătească pentru servicii. Tratamentele mai noi sunt de obicei ținute la un nivel mai înalt decât tratamentele existente pentru a demonstra eficacitatea lor clinică. De fapt, multe tratamente existente (biofeedback-ul și altele) nu au putut îndeplini cerința de a trece de studiile de control. Nimeni nu este de acord cu standardul de a lua deicizii cu privire la momentul în care o procedură sau o abordare nu mai este experimentală în afara comunității de practicieni de neurofeedback, dar să sperăm că asta nu se va mai aplica în interiorul comunității de neurofeedback. Aplicarea unui standard, în acest caz a "șablonului de eficacitate" pentru datele disponibile și publicarea rezultatelor reprezintă un început bun.

Principiile etice pentru mulți profesioniști le cer să raporteze încălcările etice actuale sau suspectate. Există furnizori de neuroterapie care nu explică clienților că o intervenție de neuroterapie este considerată a fi experimentală de mulți profesioniști și există furnizori de servicii care fac ceea ce este considerat a fi exigențe exagerate cu privire la ceea ce poate realiza neuroterapia. Prin urmare, ei consideră astfel de activități neetice și astfel depun o plângerea etică. [Trudeau, 2001] a analizat activitatea mai multor autori care au comparat rezultatele studiilor controlate aleatoare în comparație cu studiile observaționale și au concluzionat că studiile observaționale bine concepute sunt similare în validitate cu studiile controlate aleatoare. El a concluzionat că studiile observaționale pot fi la fel de valide ca și studiile aleatoare controlate în sprijinul eficienței clinice a neuroterapiei.

Nu toți practicienii în domeniul biofeedback-ului consideră că trrebuie să aibă sprijin documentat de cercetare suficient pentru ca diversele intervenții să fie eficiente. Poate întâlniri periodice ar putea avea loc pentru a determina care sunt preocupările acestor practicieni de biofeedback și cum să le adreseze ca parte a abordării educării publicului, a altor profesioniști care nu sunt implicați în neurofeedback și a terților plătitori cu privire la valabilitatea diferitelor abordări ale neurofeedback-ului.

Este posibil să fie necesar ca unele intervenții de neurofeedback să fie explicate consumatorilor în timpul procesului de consimțământ informat ca fiind nevalidate total până când:

Sunt disponibile cercetări publicate suficiente pentru a convinge majoritatea practicienilor și a altor părți interesate că neurofeedback-ul este eficient

Neurofeedback-ul devine una dintre abordările predominante de tratament pentru o anumită problemă sau diagnostic.

Neurofeedback-ul este acceptat de către diverse comisii etice și științifice

Neurofeedback-ul este solicitat în mod regulat de consumatori ca tratamentul pe care ei îl preferă pentru a face față uneia sau mai multor probleme.

În scopuri practice, practicienii de neurofeedback ar trebui să fie familiarizați cu literatura actuală, astfel încât să explice potențialilor clienți statutul de eficacitate al diverselor intervenții pentru a nu induce în eroare clienții sau plătitorii terți. Pentru a proteja atât clientul, cât și practicianul, consimțământul bine documentat este un instrument necesar și important pentru a clarifica ceea ce a fost și ceea ce nu a fost explicat, incuzând și alte opțiuni de tratament și argumentele pro și contra ale fiecăruia.

Consimțământul informat în scris este important din mai multe motive, printre care: a) principiile etice care solicită obținerea consimțământului informat pentru toate procedurile și acesta poate fi obținut în formă scrisă dacă încă nu a fost demonstrată eficacitatea procedurii și b) consimțământul informat în scris furnizează documentația cu privire la ceea ce a fost sau nu comunicat unui client și la ceea ce au fost de acord, în cazul în care ar fi ridicate întrebări ulterioare din partea unui client, competitor sau de către o comisie. Consimțământul informat în scris a fost foarte util și este util pentru mai mulți practicieni de neurofeedback în tratarea situațiilor care au apărut și apar.

Procesul de consimțământ informat ar trebui să:

a) Ofere clientului toate informațiile folositoare pentru a lua deciziile necesare;

b) Furnizeze informațiile astfel încât acestea să fie înțelese de client ca fiind verificate prin faptul că clientul răspunde la întrebări despre informații;

c) Se asigure că clientul are capacitatea de a da consimțământul (presupunând că nu există dovezi contrarii, de exemplu, clientul are o dizabilitate mentală evidentă);

d) Consimțământul trebuie dat voluntar, fără constrângere;

e) Clientul trebuie să dea acordul verbal sau în scris (nu se consideră acordul clientului doar pentru că acesta nu a verbalizat un dezacord);

f) Documentarea procesului cu atenție, folosind formulare scrise pentru componentele care sunt aceleași pentru toți clienții;

Ca o regulă generală, cu cât există mai puțină literatură de specialitate care să susțină o intervenție specifică de neurofeedback, cu atât mai prudent trebuie să fie practicianul de neurofeedback în explicațiile date clientului, fiind nevoie de mai multă documentație, supraveghere și/sau consultare.

Principiile etice pentru mai multe discipline profesionale impun practicienilor să raporteze încălcările etice actuale. Reclamele pe care membrii acestor discipline le consideră a fi neoneste sau exagerate pot conduce la o plângere care să fie depusă de un profesionist bine-intenționat care încearcă să protejeze publicul și reputația unei anumite discipline sau a unei abordări de tratament. Mai mulți practicieni de neurofeedback au fost chestionați de colegi și/sau comisii pe baza a ceea ce au pus în broșuri sau în alte materiale de promovare. Reclamațiile care sunt considerate a fi exagerări ale altora, în special ale celor ale căror venituri sunt impactate deoarece clienții aleg un alt practician de neurofeedback, au rezultat în trecut ca plângeri formale sau informale depuse.

Legile privind marketingul și promovarea conțin adesea prevederi despre materiale de promovare necinstite și/sau înșelătoare. Astfel, comisiile de validare/licențiere au devenit îngrijorate cu privire la promovarea neurofeedback-ului pe care le considerau a fi exagerate sau nedevărate. Acțiunile unor astfel de comisii au determinat practicienii să "atenționeze" sau să redeschidă reclamele pentru a aprecia ceea ce consiliul consideră realist și onest. Promovarea clară, onestă și veridică poate fi sprijinită de literatura utilizată în publicitatea existentă și poate ajuta un practician să evite problemele, să clarifice situația dacă apar întrebări și să îmbunătățească credibilitatea neurofeedback-ului.

Ca urmare a acestei situații, noile tehnologii care apar în domeniu, fie ele de uz medical sau non-medical sunt întotdeauna fundamentate și prezentate publicului larg în baza unor rapoarte de cercetare științifică, articole științifice, studii, etc. (vezi Interaxon, Neurosky, g.tec, Emotiv).

O plângere despre înșelăciune sau exagerare poate avea un impact negativ asupra reputației neurofeedback-ului ca atare cât și a celor care furnizează astfel de servicii. Cel mai bine este a fi conservator în ceea ce privește promovarea unui practician și a avea materialele de promovare revizuite de o persoană care are reputația de a fi cinsitit în ceea ce privește feedback-ul pe care îl oferă. Este, de asememea, o idee bună să se păstreze într-un document o copie a tuturor anunțurilor, broșurilor și chiar a anunțurilor radio și TV în cazul în care apar întrebări. Din fericire, se pare că a existat o scădere a numărului de plângeri în ultimii 5-6 ani în ceea ce privește publicitatea. S-ar putea concluziona că practicienii sunt mai de încredere în reclamele lor. Clienții potențiali pot avea multe întrebări despre neurofeedback și nu trebuie induși în eroare prin publicitate.

Practicienii trebuie să fie conștienți de limitele de practică pentru diferite grupuri de profesioniști licențiați. Trebuie acordată atenție evitării practicării într-o zonă rezervată pentru practica celor licențiați în altă disciplină profesională. Efectuarea unui diagnostic medical sau discuția cu un client despre schimbări în tratament de către un specialist fără licență, sunt exemple destul de clare unde un practicant poate traversa cu ușurință granița în practica fără licență.

Practicienii în neurofeedback trebuie să cunoască nu numai limitele disciplinei proprii, ci și pe cele pentru alte discipline profesionale. Nu este nimic în neregulă cu sugerarea unui client să contacteze medicul pentru a vedea dacă o ajustare a tratamentului ar fi potrivită sau pentru a obține permisiunea clientului de a avea o discuție cu medicul respectiv. Atenția în selectarea cuvintelor va ajuta persoana să nu depășească limitele disciplinei și ale domeniilor de competență în practicarea activității.

Figura 5.2 Etica în BCI

Reprezentarea nevoii de standarde și legi pentru domeniu neurofeedback-ului

Standardele de îngrijire constau în legi, reguli, reglementări și ghiduri (de exemplu, principii etice, standarde și ghiduri de practică) dezvoltate de unele asociații profesionale sau de organizații care să ajute la îndrumarea activităților practice ale membrilor, să informeze terții și consumatorii despre practica acceptată în ceea ce privește comportamentul și pentru a împiedica reglementările inutile ale altor grupuri. Practicienii trebuie să furnizeze servicii care sunt cel puțin la fel de competente și pline de îndemânare așa cum ar fi la un medic obișnuit. Scopul standardelor de îngrijire este de a preveni prejudicii către clienți și de a reduce astfel riscul pentru practicant.

Nerespectarea standardelor de îngrijire relevante așteptate de la practician poate duce la un proces de malpraxis, depunerea unei plângeri etice, deteriorarea reputației, pierderea clientilor.

Multe seturi de principii etice sunt disponibile pentru a ajuta la îndrumarea activităților de neurofeedback în rândul practicienilor, de exemplu cele ale AAPB și ISNR. În prezent, niciun set publicat de standarde de practică nu există pentru neurofeedback în sine. Un set de ghiduri de practică și standarde de practică există pentru biofeedback în general și sunt foarte aplicabile neurofeedback-ului. Practicienii ar trebui să adere la ghidurile de practică și la cele ale disciplinei lor profesionale, cele ale superivizorului și la cele utilizate de disciplinele strâns legate, după caz.

Câteva dintre standardele comune pentru practicieni sunt:

1. Respectarea tuturor legilor, regulamentelor și legislației.

Reglementarile pot varia, dar în general includ:

– Practicile de licențiere;

– Legea privind abuzul și neglijarea copiilor (și privind abuzul și neglijarea persoanelor cu dizabilități, a vârstnicilor etc);

– Legile privind păstrarea înregistrărilor.

– Legile privitoare la comunicare privilegiată;

– Legile referitoare la aspectele economice, de asigurare;

– Legile privind raportarea bolilor infecțioase;

– Obligația de a avertiza și/sau de a proteja clientul;

2. Respectarea tuturor principiile și standardele etice;

3. Protejarea drepturile și bunăstarea celor cărora le prestați servicii, fără a face rău prin acte de omisiune;

4. Să nu faci revendicări exagerate pentru neuroterapie, fie în formă verbală, fie în formă scrisă. Fiți cinstiți în toate relațiile cu clienții, cu cei pe care îi supravegheați și cu alți profesioniști. Nu exagerați calificările pe care le aveți.

5. Să obții consimțământul informat, de preferat în scris, pentru toate aplicațiile de neurofeedback. Fiți atenți la ceea ce le spuneți clienților în ceea ce privește tratamentele pe care le considerați validate și asigurați-vă că puteți susține afirmațiile pe care le faceți cu cercetarea și/sau datele clinice adecvate.

Este necesar să înțelegem faptul că față de alte domenii ale științei, abordările privind interacțiunea om-mașină și preluarea de biosemnale și biofeedback sunt aspecte care țin de intimitatea ființei umane și de integritatea acesteia.

Motivele care au determinat includerea în prezenta lucrare a acestor aspecte sunt:

Noutatea domeniului și specificitățile acestuia;

Expunerea intimității interioare a ființei umane (comportamentul cerebral în timp real);

Lipsa de standardizare în domeniu și apariția de noi și noi fațete ale problematicii cu fiecare nouă cercetare serioasă care are loc;

Posibilitățile tehnice care practic permit „sondarea” în interiorul creierului uman;

Sensibilitatea datelor preluate și bogăția de informații pe care acestea le pot oferi;

Introducerea în utilizarea pe scară largă a EEG, biosemnalelor și biofeedback-ului în domenii non-medicale: marketing, sociologie, psihologie, industrii recreative, industria jocurilor, artă modernă.

5.3 Concluzii

Utilizarea cu succes a interfeței BCI necesită ca utilizatorul să își dezvolte și să își întrețină o nouă abilitate, o abilitate care constă nu într-un control adecvat al mușchilor ci mai degrabă într-un control adecvat al semnalelor electrofiziologice specifice; și de asemenea necesită ca sistemul BCI să translateze acest control în reacții care îndeplinesc intenția utilizatorului.

Aplicațiile terapeutice ale EEG implică aspectul referitor la capacitățile adaptative ale creierului care se extind pentru a prelua controlul asupra caracteristicilor diferitelor semnale electrofiziologice.

Scopurile definirii unor parametrii ai calității ansamblului interacțiunii om-mașină (în particular ansamblul BCI): Stabilirea acurateții întregului proces de interfațare; Stabilirea calității datelor preluate în mod cantitativ; Stabilirea reprezentativității datelor preluate; Identificarea unui indice de precizie a rezultatelor finale; Compatibilitatea de răspuns în ansamblul interfațării; Determinarea unui timp de antrenament individual în procesul de interfațare.

În acest stadiu al cercetării nu există o metodă standardizată privind măsurarea calității interfeței om-mașină ci doar opinii și propuneri ale unor autori. Este necesar să definim parametrii de calitate ai ansamblului de interacțiune om-mașină pentru a putea să îl utilizăm în operațiuni din ce în ce mai precise și mai detaliate.

BCITCI (Brain Computer Interface Temporary Compatibility Indicator) este un parametru de calitate a interacțiunii BCI definit în mod propriu și propus spre utilizare ca un prim parametru suport pentru acest tip de interacțiune.

Dacă viteza și acuratețea ansamblului BCI vor fi substanțial îmbunătățite, aria de aplicații și numărul de potențiali utilizatori vor crește foarte mult. În același timp, viteza și acuratețea nu sunt singurii factori importanți. Măsura în care utilizarea BCI poate fi integrată cu alte activități este crucială. Până acum, cele mai multe sisteme BCI au fost testate în laborator, pe utilizatori complet implicați în operarea lor.

Estimarea efectivă a performanțelor BCI necesită două niveluri de evaluare: utilizatorul și sistemul. Utilizatorul trebuie să controleze caractersiticile de semnal, iar sistemul trebuie să recunoască acel control și să îl transpună în control al echipamentului în mod eficient și consecvent.

În ultimii 10 ani, au apărut multe schimbări în aplicarea eticii în practica de zi cu zi a neurofeedback-ului. Practica de neurofeedback s-a maturizat considerabil și asta se datorează în principal unui volum mai mare de date de cercetare disponibile, extinderii aplicațiilor clinice, disponibilității documentelor eficiente, disponibilității crescute a activităților de educație continuă pentru practicieni și unei mai mari familiarități cu termenul de neurofeedback din partea publicului larg, a contribuabililor terți și ale agențiilor de reglementare.

Este necesar să înțelegem faptul că față de alte domenii ale științei, abordările privind interacțiunea om-mașină și preluarea de biosemnale și biofeedback sunt aspecte care țin de intimitatea ființei umane și de integritatea acesteia.

La nivel mondial, în privința acestor aspecte de etică, de lucru și practică în domeniu, au aparut și există organizații care se ocupă cu standardizarea și crearea unui cadru potrivit.

Capitolul VI

Concluzii, contribuții, perspective

6.1 CONCLUZII

6.1.1 Sisteme BCI

Un sistem BCI permite unei persoane să comunice cu/sau să controleze lumea externă fără a folosi căile eferente normale ale creierului sau nervii periferici și mușchii. Mesajele și comenzile sunt exprimate nu prin contracții musculare ci prin fenomene electrofiziologice precum caracteristicile EEG evocate sau spontane (de exemplu SCP, P300, ritmurile mu/beta) sau prin activitatea neuronală corticală.

Funcționarea BCI depinde de interacțiunea dintre două controllere cu capacitate de adaptare, utilizatorul, care trebuie să mențină corelația strânsă dintre intenția sa, și aceste fenomene și sistemul BCI, care trebuie să traducă fenomenele într-o comandă pentru un echipament care îndeplinește intenția utilizatorului. Sistemele BCI actuale au o rată maximă de transfer de informație de ≤ 25 biți/min.

Cu această capacitate, ele pot asigura funcții bazale de comunicare și control (de exemplu controlul mediului, procesarea simplă de cuvinte) persoanelor cu cele mai severe dizabilități neuromusculare, cum sunt cei izolați în propriul trup de ALS în stadii finale sau accidente vasculare în trunchiul cerebral. Ele pot de asemenea să controleze o neuroproteză care să le permită să strângă pumnul pentru cei cu leziuni cervicale mediane de măduva spinării. Aplicațiile mai complexe, folositoare unei populații mai mari de utilizatori, depind de obținerea unui grad mai mare de viteză și acuratețe, mai exact, a unor rate mai mari de transfer al informației.

Progresul viitor depinde de atenția acordată unui număr de factori cruciali. Printre aceștia se numără: recunoașterea faptului că dezvoltarea BCI este o problemă interdisciplinară, care implică neurobiologia, psihologia, ingineria, matematica, știința calculatoarelor și reabilitarea clinică; identificarea caractersticilor de semnal, fie ele potențiale evoate, ritmuri sponntane sau rate de emisie neuronală, pe care utilizatorii le pot controla cel mai bine; măsura în care acest control poate fi independent de activitatea din canalele convenționale de output motor și input senzorial; măsura în care acest control depinde de funcționarea normală a creierului; identificarea celor mai bune metode de extragere a caracteristicii și a celor mai buni algoritmi de transpunere a acestor caracteristici în comenzi de control al echipamentelor; dezvoltarea de metode de maximizare a controlului fiecărui utilizator asupra acestor caracteristici de semnal; atenția față de identificarea și eliminarea unor artefacte precum activitatea EMG și EOG; adoptarea de proceduri precise și obiective pentru evaluarea performanței BCI; recunoașerea nevoii pe termen lung precum și a evaluării pe termen scurt a performanței; identificarea aplicațiilor adecvate; ajustarea corespunzătoare a aplicațiilor BCI la utilizatori; atenția crescută la factorii care determină acceptarea de către utilizatori a tehnologiei augmentative și acentul pe publicațiile de specialitate și reacția adecvată rezervată în fața atenției media. Prin recunoașterea corespunzătoare și abordarea efectivă a acestor aspecte, sistemele BCI pot deveni o nouă opțiune importantă de comunicare și control pentru cei cu dizabilități care afectează canalele normale de comunicare și control. Ele le pot de asmenea asigura celor cu dizabilități un canal suplimentar de control sau un canal de control folositor în circumstanțe speciale.

Comunicarea și controlul non-musculare nu mai sunt pură speculație. Comunicarea directă de la creier la lumea externă este posibilă și poate servi unor scopuri utile. În același timp, realitatea nu corespunde încă fanteziei: interfețele BCI nu sunt capabile încă să ghideze avioane și nu e probabil să se întâmple acest lucru prea curând. Actualele interfețe BCI independente în momentele lor cele mai bune ating 25 biți/min.

Dezvoltarea BCI este încă în fazele sale incipiente. Nu este încă clar cât de departe va avansa acest domeniu. În mod clar, avansarea depinde de un număr de aspecte cruciale. Printre acestea se numără: independența BCI față de canalele de comunicare și dependența de aspectele interne ale funcționării normale a creierului; selecția metodelor de achiziție a semnalului, caracteristicile semnalului, metodele de extragere a caractersitcilor, algoritmii de transpunere, echipamentele de output și protocoalele de operare; dezvoltarea strategiilor de antrenament ale utilizatorilor; atenția față de factorii psihologici și comportamentali care afectează motivația și succesul utilizatorului; adoptarea mentodelor standard de cercetare și a criteriilor de evaluare; alegerea aplicațiilor și grupurilor de utilizatori și capacitățile și limitările în mare necunoscute ale canalelor de comunicare non-musculare.

6.1.2 Rezultate ale cercetării

Rezultatele cercetării proprii pot fi suport pentru realizarea unei platforme integrate pentru comandarea și acționarea la distanță a unor dispozitive în urma preluării și interpretării unor semnale de la creier pe bază de semnal EEG. Totodată ele s-au constituit într-o bază pentru crearea dispozitivului de antrenare a atenției și concentrării pe care l-am creat în perioada studiilor doctorale și care poate constitui fundamentul unei breventări la nivel național.

Rezultatele cercetărilor proprii ar putea susține dezvoltarea unei tehnologii de laborator și a unor servicii inovative care să eficientizeze procesul de evaluare și testare psihiatrică și psihologică în cadrul instituțiilor de specialitate civile si militare cât și în cadrul companiilor, prin valorizarea abordării moderne aferentă evaluărilor, abordare provenită din psihometrie.

Din punct de vedere științific, modelele bazate pe EEG sunt valabile și pot fi validate, atât timp cât se cunoaște foarte clar contextul realizării unor dispozitive și instrumente (având în vedere faptul că semnalul EEG poate fi puternic dependent de parametrii contextuali ai mediului de măsurare sau punere în aplicare).

Deși sunt dezvoltate și alte tehnologii de imagistică mult mai recente (de ex. fMRI), rămân destul de multe situațiile în care caracteristicile specifice semnalul EEG (spațialitate, timp real) îl pot recomanda ca cea mai bună alegere de tip de semnal preluat de la creierul uman.

Din observațiile practice reiese că pattern-ul EEG al unei persoane este un element destul de sensibil, ba chiar poate deveni volatil în anumite condiții, fiind extrem de dependent de condițiile externe, modificări aparent minore ale contextului producând modificări relevante în comportamentul EEG și anulând practic structura de pattern identificată. Astfel, în analizele realizate în cadrul cercetării am luat în calcul aspecte de natură evidentă cum ar fi oscilațiile de semnal EEG asupra cărora se poate face o estimare concretă, reală și cu sens.

Există anumite măsurători pentru care am utilizat semnalul brut EEG (raw EEG) compus, așa cum este el redat de senzorul de măsurare. În această direcție, măsurătorile au avut ca scop reliefarea unor comportamente de oscilație/variație ale semnalului și nu valori concrete ale acestuia. Trendurile unor seturi de date și frecvența oscilatorie, cât și gama de oscilații, au fost elemente la care m-am raportat pentru a trasa segmente de posibil pattern. Pe baza unor măsurători repetate am putut valida anumite informații din analizele concepute, însă sunt și elemente asupra naturii cărora nu s-a putut trage o concluzie certă.

Studiul EEG brut, variațiile acestuia în mod expres, raportate la un cadru controlat (cum este cel al susținerii unui test) poate pune la dispoziție un element de pattern. Dificultatea utilizării acestui element este dată de faptul că este necesar ca pentru determinarea lui să se asigure de fiecare dată un mediu identic sau similar de obținere a semnalului EEG brut.

Acest tip de element de pattern (susținerea unui test pentru generarea unor condiții de comportament aparent predeterminat) poate fi utilizat în laboratoare/clinici/cabinete dar nu poate fi un element de pattern pentru medii de tip „free behaviour”sau entertainment.

Studiul EEG brut (variațiile acestuia în mod expres), raportate la un cadru controlat (cum este cel al participării la o expunere) poate pune la dispoziție un element concret privind comportamentul nivelului de atenție. Dificultatatea utilizării acestui element este dată de faptul că este necesar ca pentru determinarea lui să se asigure de fiecare dată un mediu identic sau similar de experimentare.

Metodele de tip domeniu-frecvență nu pot furniza informații de calitate ridicată pentru unele semnale EEG, spre deosebire de metodele timp-frecvență care oferă calitate ridicată, dar nu pot oferi informații detaliate privind semnalele EEG.

Din aceste considerente ale aspectelor provenite din limitările instrumentelor și metodelor utilizate pentru preluare și procesare, este necesar ca pentru fiecare situație în parte și pentru fiecare necesar de procesare, să fie aleasă metoda potrivită în raport cu ieșirile așteptate/necesare.

Analizând aspectele eticii și bunelor practici, este necesar ca ori de câte ori se utilizează astfel de tehnologii (ce au la bază BCI și EEG) să avem în vedere sensibilitatea și delicatețea fenomenului în sine cât și sensibilitatea socială și de percepție publică privind natura datelor pe care le prelucrăm. Astfel consider ca este important ca odată cu evoluția tehnică, să se întample și să aiba loc și o evoluție de natură socială conexă: mai multă informare și conștientizare pentru utilizatorii finali, mai multă transparență, mai multă informație disponibilă, legi, regulamente și reglementări adaptate. Din acest punct de vedere, România nu are niciun fel de legislație aplicabilă dedicată.

Cu referire la calitate interacțiunii dintre om și masină, prezenta lucrare pune bazele unui astfel de concept (prin propunerea BCITCI), și deschide drumul unor cercetări viitoare cu accent direct pe astfel de aspecte. Având în vedere sensibilitatea datelor, a fluenței și reprezentativității acestora în utilizarea practică, este obligatoriu să luam în calcul aspectul de calitate al interacțiunii om-mașină în contextul prelucrării și procesării datelor preluate prin tehnici EEG și similare.

6.1.3 Aplicabilitate în domeniul civil

Rezultatele cercetării pot fi suport pentru realizarea unei platforme integrate pentru comandarea și acționarea la distanță a unor dispozitive în urma preluării și interpretării unor semnale de la creier pe bază de EEG.

Posibilitatea de utilizare pe piața de profil a unor astfel de dispozitive este dată de caracteristicile inovative ale acestuia:

facilitarea accesului la realizarea unor operațiuni uzuale casnice pentru persoane aflate în imposibilitatea de a face acest lucru în mod curent, datorita unor disfuncții fizico-psihice;

identificarea pattern-ului cognitiv și crearea de proceduri de antrenament pentru modificarea acestuia în raport cu obiectivele specifice de acțiune concretă ale fiecărui individ;

șansa intrării pe piața muncii a unor persoane care în mod normal s-ar afla doar în statutul de persoane asistate.

Prin aplicațiile și funcțiile pe care le va putea sprijini, rezultatele cercetării pot fi transpuse în produse ce pot fi comercializate către orice persoană care se află în anumite ipostaze dificile atunci când se confruntă cu operațiuni uzuale casnice sau semi-profesionale. Astfel de produse se adresează persoanelor fizice, laboratoarelor, centrelor medicale, instituțiilor cu profil medical, instituții cu activități în domeniul neurologic și psihologic.

Conceptul prezentat în urma cercetării poate susține realizarea unui produs care să poată fi accesibil din punct de vedere al costurilor și cred că este o oportunitate această perioadă, având în vedere apariția pe piață a dispozitivelor BCI suficient de eficiente și destinate publicului larg consumator.

De altfel, odată cu identificarea și gestionarea corectă a brain pattern-ului, aplicațiile pot fi nenumărate și dintre cele mai diverse. Domeniile de aplicare ale controlului EEG pot fi pe de o parte de natură asistivă, însă pe de alta parte pot fi de natură educativă și de antrenare.

6.1.4 Aplicabilitate în domeniul militar

Utilizarea EEG și a conexiunii de tip BCI pentru comanda și controlul mișcării de la distanță în sistemele tehnice militare și pentru diversificarea modului de interacțiune dintre militari și echipamentele actuale și viitoare conduce la creșterea securității individuale și de grup în exploatarea acestor sisteme, contribuind indirect la creșterea nivelului de siguranță în teatrul de operațiuni, respectiv la salvarea de vieți omenești.

Tehnologiile avansate din categoria cărora face parte și BCI pot aduce schimbări semnificative tuturor domeniilor inclusiv domeniului militar și tehnicilor, metodelor și tehnologiilor de luptă ale viitorului.

Câteva dintre modalitățile de valorificare efectivă a rezultatelor prezentei lucrări prin aplicații în domeniul militar:

Verificarea stării mentale a militarilor aflați pe câmpul de luptă

Pentru militari aflați în timpul unor operațiuni, a observa de la distanță și cu precizie starea mentală a acestora poate fi un avantaj de misiune extraordinar. În special pentru grupuri mici de soldați care execută misiuni comando și unde fiecare membru al echipei este identificabil ușor, a avea informații despre starea și activitatea cerebrală a acestora poate fi un element avansat în protecția vieții dar și în reușita misiunii. Astfel comndantul misiunii poate lua decizii de coordonare a misiunii, având la dispoziție elemente suplimentare ultra relevante și corecte. BCI poate furniza în timp real informații valoroase despre starea psihică și emoțională a echipei din teren și poate facilita luarea de decizii.

Creșterea acurateții investigării unor inamici capturați

În timpul unui interogatoriu al unui inamic capturat, utilizarea unor dispozitive de tip BCI poate aduce un plus valoare prin faptul că se va putea identifica mult mai ușor când acesta este înclinat să ascundă sau să spună adevărul (trendul general al raspunsurilor sale), se va putea identifica mult mai ușor care subiecte ale interogatoriului produc mai multă sau mai puțina tensiune mentală, se va putea determina care sunt punctele de maximă sensibilitate pentru inamic, urmărind evoluția stării mentale și a focusului mental pe măsura ce sunt atinse diverse subiecte de interogare.

Comanda de la distanță a diverselor dispozitive militare fără a mai expune militarii în câmp deschis

Una din cele mai utile aplicații viitoare a unor dispozitive construite cu tehnologii precum cea dezvoltată în cazul prezentei lucrări este legată de comanda de la distanță a unor dispozitive aflate pe câmpul de luptă și acționate direct de comenzile operatorului aflat la depărtare de teatrul de luptă. Astfel BCI va duce la crearea unor noi tipuri de armament și la creșterea gradului de simbioză între oameni și diverse dispozitive (de exemplu drone conduse în zbor direct prin BCI de la nivelul creierului operatorului).

O analiză asupra nevoilor pe câmpul de luptă arată că factorul uman nu poate fi înlocuit complet. Astfel, acolo unde intervenția umană este imperios necesară, luarea deciziilor fiind deosebit de importantă în ceea ce privește misiunea de luptă, comanda și controlul de la distanță prin BCI face posibilă trecerea de la câmpul de luptă real la cel virtual, cu beneficii privind salvarea de vieți omenești și protecția echipamentelor de luptă.

”Avatarizarea” și ”Augmentarea” dispozitivelor de luptă prin controlul minții este cea mai înaltă și mai eficientă întrebuințare a dispozitivelor BCI.

Suport în antrenarea stării de atenție și concentrare a personalului militar

Prin dispozitivul de antrenare a atenției și concentrării, se va putea menține un tonus psihic ridicat, pozitiv și o stare de comunicare, implicare și focus activ.

Totodată acest dispozitiv poate fi o resursă importantă în selecția unor echipe temporare de lucru, în selecția unor militari pentru diverse misiuni speciale ce necesită o stare mentală de înaltă concentrare.

Menținerea activă în domeniu a unor militari cu experiență ce au suferit diverse accidente și prezintă dizabilități fizice

Prin utilizarea unui sistem de tip BCI, personalul militar cu dizabilități va putea ramâne activ în continuare în domeniu, luptând prin comandarea la distanță a unor dispozitive și mai important fiind faptul că vor putea face acest lucru chiar și în situația în care ar avea membre paralizate sau lipsă sau atunci când diverse accidente i-ar scoate temporar din starea de apt pentru activitate militară. BCI poate deveni pentru astfel de persoane o prelungire a unor membre sau a unor abilități, semnalele de la creier și conexiunea acestuia prin computer cu alte dispozitive militare însemnand ca persoana respectivă poate utiliza comenzile proprii direct de la nivel cerebral.

Antrenarea specialiștilor care efectuează operațiuni critice cu riscuri majore

O alta utilitate a dispozitivelor BCI este că pot fi instrumente eficiente de antrenare pentru militari care au rolul de a efectua misiuni critice, de scurtă durată si unde este necesară luarea unor decizii rapide și ferme. Astfel de exemple sunt geniștii și personalul conex care trebuie să dezamorseze și să neutralizeze diverse dispozitive sau personalul militar care se ocupă cu scoaterea din uz a unor echipamente cu potențial distructiv mare aflate în teatrele de operațiuni. Pentru aceste persoane, antrenarea mentală și a controlării propriilor stări este vitală atât în executarea cu succes a misiunii dar în primul rând pentru protecția propriei vieți, prin urmare BCI aduce în acest domeniu avantaje imense și poate contribui fundamental la salvarea și protecția valorilor umane și materiale.

Construirea unor noi tipuri de arme și echipamente de luptă

Existența BCI și noile sale capacități permite luarea în calcul a dezvoltării unor noi echipamente și dispozitive de luptă.

De exemplu, DARPA, lucrează la realizarea unei căști bazată pe EEG prin care militarii aflați într-o misiune să poată comunica între ei în mod silențios direct de la nivelul semnalului cerebral, cu alte cuvinte comunicare mentală directă fără a mai fi nevoie de comunicare verbală.

Tot DARPA, a conceput și creat un dispozitiv de tip binoclu, prin care combină o cameră de filmare de înaltă rezoluție cu o casca EEG aflată pe capul operatorului și legată la o rețea de computere care analizează semnalul electric al operatorului suprapus peste imaginile preluate de cameră de pe câmpul de luptă. Prin acest sistem de analiză combinată preluând semnalele de potențial P300 emise de creier în mod automat, s-a redus numărul de alarme false de la 810 alarme/oră la numai 5 alarme/oră atunci când operatorul utilizează casca activă față de atunci când observațiile se fac în mod clasic.

6.1.5 Aspecte de continuitate

Provocări/bariere pentru continuarea cercetării:

Extragerea informațiilor și caracteristicilor utile și de interes din semnalul brut EEG (raw EEG) achiziționat este o sarcină foarte dificilă. Semnalele creierului sunt amestecate cu alte semnale care provin de la un set finit de activități ale creierului care se suprapun în timp și spațiu. Marea provocare este de a extrage modele relevante de semnale EEG produse de creier în fiecare secunda/la un interval de timp rezonabil.

Semnalul nu este de obicei staționar și poate fi, de asemenea, distorsionat de artefacte precum electromiografie (EMG) sau electrooculografie (EOG).

Apariția unor noi sisteme de tip BCI bazate pe EEG, care oferă viteză mai mare, capacitate de preluare a semnalului sporită, calitate și reprezentativitate crescută semnalelor preluate, constituie elemente importante în dezvoltarea viitoare a domeniului și a largirii gamei de aplicabilitate a acestuia.

6.2 CONTRIBUȚII

Contribuții realizate în cadrul Capitolului I

►Evidențierea principalelor aspecte ale interacțiuni dintre om și mașină;

►Clasificarea tipurilor de interacțiune om-mașină;

►Detalierea unor aspecte ce țin de natura fizico-mecanică a generării de semnal EEG;

►Prezentarea tipurilor de undă EEG și a stărilor asociate cu prezența acestora;

Contribuții realizate în cadrul Capitolului II

►Realizarea unei prezentări a ceea ce înseamnă interfața BCI și interacțiunile prin intermediul acestei interfețe;

►Prezentarea unor aplicații practice realizate de autor pe parcursul perioadei de studii, cu privire la triggere mentale și detectarea unor comportamente mentale repetitive ce se pot constitui în elemente de pattern mental;

Contribuții originale realizate în cadrul Capitolului II

►Propunerea unui concept original de Simulator de scenarii militare utilizând BCI și VR;

Contribuții realizate în cadrul Capitolului III

►Trecerea în revistă a unor pași matematici pentru prelucrarea semnalelor biologice cu accent pe semnalul EEG;

►Evidențierea unor aspecte de natură tehnică aferente prelucrării semnalului EEG;

►Metode și tehnici de prelucrare a semnalelor;

►Prezentarea sistemului internațional 10/20 de preluare a semnalului EEG;

Contribuții realizate în cadrul Capitolului IV

►Prezentarea caracteristicilor generale ale sistemelor de preluare a semnalului EEG;

►Prezentarea tehnologiilor MUSE și Neurosky;

►Exemplificare reprezentări grafice ale semnalului EEG;

Contribuții originale realizate în cadrul Capitolului IV

► Propunerea unui sistem original propriu de antrenament al atenției și focusului mental pe baza analizei în timp real a semnalului EEG;

► O propunere de sistem de lansare comenzi în interacțiunea om-mașină;

Contribuții realizate în cadrul Capitolului V

►Studiul asupra eticii și bunelor practici în domeniul neurofeedback-ului, al BCI și al utilizării semnalului EEG. Lucrarea aduce în atenție aspecte importante și interesante privind etica și profesionalismul abordarii cercetarilor, studiilor și prelucrarilor informațiilor aferente acestui domeniu nou multidisciplinar și de frontieră.

Contribuții originale realizate în cadrul Capitolului V

► Introducerea unei metode proprie de analiză a calității conexiunii om-mașină prin introducerea unui parametru numit BCITCI și a unei matrice logice suport pentru calcularea acestuia.

6.3 PERSPECTIVE

La nivelul Uniunii Europene există o serie de măsuri și prevederi cu scopul de a garanta nivelul și calitatea vieții umane. În acest sens, cercetarile realizate pot constitui un suport important pentru persoanele ce prezintă diverse dizabilități fizice și psihice. Totodată pot constitui un suport important pentru persoanele aflate în indisponibilitate fizică temporară de a face anumite operațiuni uzuale casnice. Poate să constituie un suport în antrenarea și recuperarea stimulatorie după diverse accidente.

Conceptul tehnic propus pe baza controlului predeterminat de gestionarea pattern-ului EEG, poate permite aspecte de utilizare dintre cele mai diverse, toate în sensul facilitării vieții umane, în sensul facilitării accesului și proactivității individuale, în sensul antrenării militarilor și a persoanelor implicate în activități ce necesită focus, concentrare, atenție. Printr-o astfel de platforma se poate reda accesul la locuri de muncă ce vor permite aspecte de automatizare și control electronic unor persoane care în mod normal nu ar mai putea face acest lucru. Permite integrarea și readucerea pe piața muncii a unor persoane care nu ar putea spera vreodată să aibă acces la un loc de muncă sau să presteze o activitate profesională sau semi-profesională. Întregul concept cât și produsele derivate ce pot rezulta pot avea o aplicabilitate absolut directă și concretă asupra persoanelor.

Totodată, un astfel de concept tehnic poate fi generatorul unor instrumente ce vor fi utilizate în scopul îmbunătățirii și ameliorării vieții umane, în cadrul unor clinici, laboratoare, centre de tratament, antrenament și cercetare, tabere militare.

Cea mai evidentă legătură directă dintre acest concept tehnic și individul utilizator, este faptul că, fiind bazat exclusiv pe BCI se produce o relație directă totala între platformă și individ în sine, deoarece baza pentru tot ce se întâmplă este semnalul preluat de la creierul uman (semnalul EEG).

Raportat la alte sisteme care există în acest moment pe piață, pot afirma că, la nivel național este imposibil de comparat deoarece nu există un astfel de sistem pe piața națională și nu există interese sistematice pentru acest domeniu de noutate încă.

Apariția dispozitivelor BCI accesibile financiar este punctul de pornire pentru o explozie de aplicații asociate, urmând ca în perioada anilor viitori să înceapă să se contureze o piață națională și internațională de profil.

Bibliografie

[Ahirwal, Londhe, 2012] Ahirwal, M.K., Londhe, N., “Power Spectrum Analysis of EEG Signals for Estimating Visual Attention”, International Journal of Computer Applications (0975 – 8887), Volume 42– No.15, March, 2012

[Akay, 2001] Akay, M., „Biomedical Signal Processing”, Academic Press, New York, 2001

[Al-Fahoum, Al-Fraihat, 2014] Al-Fahoum, A.S., Al-Fraihat, A.A., ”Methods of EEG Signal Features Extraction Using Linear Analyisis in Frequency and Time Frequency Domains”, Hindawi Publishing Corporation, 2014

[Amari, Yang, 1996] Amari, S., Cichocki, A., and Yang, H. H., „A new learning algorithm for blind signal separation”, in Advances in Neural Information Processing Systems, Vol. 8, MIT Press, Cambridge, Massachussetts, 1996

[Andersen, Juvik, Kjellen, 2009] Andersen, K., Juvik, E., Kjellen, E., & Storstein, K.I.B. (2009). “Helicopter cu control radio folosind neurofeedback”, Nepublicat, 2009

[Barkley, 1992] Barkley, R.A., ”Is EEG biofeedback treatment effective for ADHD children?”, ChaADDer Box, 5 – 11, 1992

[Bartosova, Vysata, 2008] Bartosova, V., Vysata, O., http://dsp.vscht.cz/konference_matlab/MATLAB07/prispevky/bartosova_prochazka/bartosova_prochazka.pdf – GRAPHICAL USER INTERFACE FOR EEG SIGNAL SEGMENTATION, 2008

[Bell, Sejnowski, 1995] Bell, A. J., and Sejnowski, T. J., „An information-maximization approach to blind separation, and blind deconvolution”, Neural Computation, 1129–1159, 1995

[Belouchrani, 1997] Belouchrani, A., Abed-Meraim, K., J.-F. Cardoso, and Moulines, E., „A blind source separation technique using second order statistics”, IEEE Trans. Signal Process., 434–44, 1997

[Benedek, Villars, 2000] Benedek, G., and Villars, F., „Physics, with Illustrative Examples from Medicine and Biology”, Springer-Verlag, New York, 2000

[Bennett, Bryant, VandenBos, 1990] Bennett, B.E., Bryant, B.K., VandenBos, G.R. and Greenwood, A., ”Professional liability and risk management”, Washington, DC: American Psychological Association, 1990

[Berg, 2010] Berg, K., ”Balanser hjernen og yt mer”, 2010, Extras de pe http://www.ytmer.no/

[Bernier, Dawson, 2007] Bernier, R., Dawson, G., Webb, S. and Murias, M., ”EEG mu rhythm and imitation impairments in individuals with autism spectrum disorder”, Brain and cognition, 64 (3), 228–37, August, 2007

[Beutler, Davidson, 1995] Beutler, L. E. and Davidson, E. H., „What standards should we use?” in ”Scientific standards of psychological practice: Issues and recommendations” (Hayes, S.C., Follette, V.M., Dawes, R.M. and Grady, K.E., eds), pp. 11 – 24. Reno, NV: Context Press, 1995

[Birbaumer, 2007] Birbaumer, N., ”A brain computer interface for restoration of movement following stroke”, Neuro Connections, 7 (9), 11 – 12, 2007

[Blanco, Rosso, 1995] Blanco S., Rosso A., “Time frequency analysis, of electroencephalogram series”, Physical Review E, Volume 51, No.3, 1995

[Blankertz, Dornhege, Krauledat, 2006] Blankertz, B., Dornhege, G., Krauledat, M., Muller, K.R., Kunzmann, V., Losch, F., et al., ”The Berlin Brain-Computer Interface: EEG-based communication without subject training” in ”IEEE transactions on neural systems and rehabilitation engineering”, a publication of the IEEE Engineering in Medicine and Biology Society, 147–52, disponibil pe http://www.ncbi.nlm.nih.gov/pubmed/16792281, 2006

[Brock, Hsieh, LeBaron, 1992] Brock, W. A., Hsieh, D. A., and LeBaron, B., „Nonlinear Dynamics, Chaos, and Instability: Statistical Theory and Economic Evidence”, MIT press, Cambridge, Massachussetts, 1992

[Bos, Reuderink, 2008] Bos, O. and Reuderink, B., ”Brainbasher: a BCI game”, Eindhoven University of Technology, 36–39, 2008 Available from http://doc.utwente.nl/65050/Brain Entertainment. (n.d.). Available from http://betabrainwave.com

[Bouattoura, Gaillard, 1996] Bouattoura, D., Gaillard, P., Villon, P., and Langevin, F., „Multilead evoked potentials modelling based on the Prony’s method”, Proceeding of IEEE TECON on Digital Signal Processing Applications, pp. 565–568, 1996

[Braverman, 1990] Braverman, E. (1990). Brain mapping: a short guide to interpretation, philosophy and future. Journal of Orthomolecular Medicine, 5(4), 189–197. Disponibil pe http://orthomolecular.org/library/jom/1990/pdf/1990-v05n04-p189.pdf

[Bro, 1998] Bro, R., „Multi-way analysis in the food industry: models, algorithms, and applications”, PhD thesis, University of Amsterdam (NL) and Royal Veterinary and Agricultural University, 1998

[Budzynski, 2009] Budzynski, T., ”Introduction to Quantitative EEG and Neurofeedback: Advanced Theory and Applications”, Second Edition, Elsevier Inc., 2009

[Campbell, Choudhury, Hu, 2010] Campbell, AT., Choudhury, T., Hu, S., Lu, H., Rabbi, M. and Raizada, R.D.S., ”NeuroPhone: Brain-Mobile Phone Interface using a Wireless EEG Headset”, MobiHeld 2, 3–8, 2010, disponibil pe http://www1.cs.dartmouth.edu/reports/TR2010-666.pdf

[Cardoso, 1989] Cardoso, J., „Source separation using higher order moments”, in Proceedings of the International Conference on Acoustics, Speech and Signal Processing (ICASSP), Glasgow, Scotland, pp. 2109–2112, 1989

[Catană, Ștefan, Petre, Chivulescu, 2013] CATANĂ Eusebiu, ȘTEFAN Cătălin, PETRE Dan, CHIVULESCU Florentin, Video scene analyser based on pattern recognition technology, Conferința Națională „SISTEME ENERGETICE ȘI BALISTICE – SEB 2013”, 19-20 septembrie 2013

[Carey, 2002] Carey, L.M. „Occupational Therapy and Stroke: Book review.”, Australian Occupational Therapy Journal, 49- 55, 2002

[Cernea, Olech, Ebert, 2011 ] Cernea, D., Olech, P.S., Ebert, A. and Kerren, A., “EEG-Based Measurement of Subjective Parameters in Evaluations”, HCI International 2011

[Cherkani, Deville, 1999] Cherkani, N., and Deville, Y., „Self adaptive separation of convolutively mixed signals with a recursive structure, Part 1: stability analysis and optimisation of asymptotic behaviour”, Signal Process., 225–254, 1999

[Cherry, 1953] Cherry, C. E., „Some experiments in the recognition of speech, with one and two ears”, J. Acoust. Soc Am., 975–97, 1953

[Chiseliță, 2003] Chiseliță, C., ”Tehnologie și context. Introducere în interacțiunea om calculator”, București: Matrix Rom, 2003

[Ciorap, 2007] R. Ciorap, „Introducere în electronică biomedicală”, Editura PIM Iași, 2007

[Cirillo, Zoubir, 2005] Cirillo, L., and Zoubir, A., „On blind separation of nonstationary signals”, in Proceedings of the 8th Symposium on Signal Processing and Its Applications (ISSPA), Sydney, Australia, 2005

[Cohen, 1995] Cohen, L., „Time–Frequency Analysis”, Prentice-Hall, Englewood Cliffs, New Jersey, 1995

[Coles, Rugg, 1995] Michael D. Rugg , Michael G. H. Coles., “ Electrophysiology of Mind: Event-Related Brain Potentials and Cognition”, Oxford, England: Oxford University Press, 1995

[Comon, 1994] Comon, P., „Independent component analysis: a new concept”, Signal Process., 287–31, 1994

[Corsini, Shoker, 2006] Corsini, J., Shoker, L., Sanei, S., and Alarcon, G., „Epileptic seizure prediction from scalp EEG incorporating BSS”, IEEE Trans. Biomed. Engng.,790–799, May 2006

[Costache, Constantin, Ștefan, 2016] COSTACHE George-Cătălin, CONSTANTIN Alexandru, ȘTEFAN Cătălin, Remoteboard: web service remote control for a training stand, International Conference Greener and Safer Energetic and Ballistic Systems (GSEBS), Military Technical Academy, Bucharest, Romania, 26 – 27 May 2016

[Cover, Thomas, 2001] Cover, T. M., and Thomas, J. A., „Elements of Information Theory”, John Wiley & Sons, Ltd, Chichester, 2001

[Curran, 2003] Curran, E.,”Learning to control brain activity: A review of the production and control of EEG components for driving brain–computer interface (BCI) systems”, Brain and Cognition, 51(3), 326–336, April, 2003, disponibil pe http://linkinghub.elsevier.com/retrieve

[Dacorogna, Muller, 1998] Dacorogna, M., Muller, U., Olsen, R. B., and Pictet, O., „Modelling short-term volatility with GARCH and HARCH models”, in Nonlinear Modelling of High Frequency Financial Time Series, Econometrics, Eds L. Christian Dunis and B. Zhou, John Wiley & Sons, Ltd, Chichester, 1998

[Dario, Mattiussi, 2008] Dario, F. and Mattiussi, C., ”Bio-Inspired Artificial Intelligence” (Arkin, R.C. Ed.), London, England: MIT press, Emotiv (n.d.), Brain Computer Interface Technology, 2008, http://www.emotiv.com/

[Ding, Bressler, 2000] Ding, M., Bressler, S. L., Yang, W., and Liang, H., „Short-window spectral analysis of cortical eventrelated potentials by adaptive multivariate autoregressive modelling: data preprocessing, model validation, and variability assessment”, Biol. Cybern., 35–45, 2000

[Demiralp, Ademoglu, 1992] Demiralp, T., and Ademoglu, A., „Modeling of evoked potentials as decaying sinusoidal oscillations by Prony’s method”, in Proceeding of IEEE EMBS, Paris, 1992

[Demos, 2005] Demos, J.N.,”Getting started with neurofeedback”, New York: W.W. Norton & Company, 2005

[Duffy, Hughes, Miranda, 1994] Duffy, F.H., Hughes, J.R., Miranda, F., Bernard, P. and Cook, P., ”Status of quantitative EEG (QEEG) in clinical practice: 1994”, Clinical Electroencephalography, 25 (4), VI – XXII, 1994

[Duffy , Iyer, 1989] F.H Duffy, V.G Iyer, W.W Surwillo, “Clinical Electroencephalography and Topographic Brain Mapping”, Springer –Verlag New York Inc., 1989

[Durbin, 1959] Durbin, J., „Efficient estimation of parameters in moving average models, Biometrika”, 306–316, 1959

[Fahoum, Fraihat, 2014] Al-Fahoum AS, Al-Fraihat AA , „Methods of EEG signal features extraction using linear analysis in frequency and time-frequency domains”, ISRN Neuroscience, 2014

[Fatourechia, Bashashatia, 2007] Mehrdad Fatourechia, Ali Bashashatia, Rabab K. Warda, Gary E. Bircha, “EMG and EOG artifacts in brain computer interface systems: A survey”, Clinical Neurophysiology, Volume 118, Issue 3, Pages 480–494, March 2007

[Fowers, 2005] Fowers, B.J., ”Virtue and psychology: Pursuing excellence in ordinarypractice”, Washington, DC: American Psychological Association, 2005

[Franaszczuk. Bergey, 1996] Franaszczuk, P. J., Bergey, G. K., and Durka, P. J., „Time–frequency analysis of mesial temporal lobe seizures using the matching pursuit algorithm”, Soc. Neurosci. Abstr., 184, 1996

[Fusheng, Bo, 2001] Fusheng, Y., Bo, H., and Qingyu, T., „Approximate entropy and its application in biosignal analysis”, in Nonlinear Biomedical Signal Processing, Vol. II, Ed. Metin Akay, IEEE Press, New York, pp. 72–91, 2001

[Gabor, 1946] Gabor, D., „Theory of communication”, J. IEE, 429–457, 1946

[Durka, Blinowska, 1996] Durka, P. J., and Blinowska, K. J., „Analysis of EEG transients by means of matching pursuit”, Epilepsia, 386–399, 1996

[Gajic, Djurovic, Di Gennaro, 2014] Gajic D., Djurovic, Z., Di Gennaro, S. and Gustafsson, F., ”Classification of EEG signals for detection of epileptic seizures based on wavelets and statistical pattern recognition”, http://liu.diva-portal.org/smash/get/diva2:746664/FULLTEXT01.pdf , 2014

[Galka, Yamashita, 2004] Galka, A., Yamashita, O., and Ozaki, T., „GARCH modelling of covariance in dynamical estimation of inverse solutions”, Phys. Lett. A, 261–268, 2004

[Gerstner, Kistler, 2002] Gerstner, W., and Kistler, W. M., „Spiking Neuron Models”, 1st edn. Cambridge University Press, Cambridge, August 2002

[Glassman, 2005] Glassman, E. L., „A wavelet-like filter based on neuron action potentials for analysis of human scalp electroencephalographs”, IEEE Trans. Biomed. Engng., 1851–1862, 2005

[Gligor, Bartos, Goian, 1983] Gligor, T.D., Bartos, O., Goian, V., ”Aparate electronice medicale”, Ed. ”Dacia”, Cluj-Napoca, 1983

[Golinska, 2011] Golinska, A.K., ”Coherence function in biomedical signal processing: a short review of applications in Neurology”, Cardiology and Gynecology, STUDIES IN LOGIC, GRAMMAR AND RHETORIC, 25 (38), 2011

[Grigore, Costache, Ștefan, R.Paraschiv, 2014] GRIGORE Dumitru, COSTACHE George-Cătălin, ȘTEFAN Cătălin, PARASCHIV Ruxandra-Victoria, Waking capacity evaluation by direct measurement, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 20-22 Noiembrie 2014, Titu Maiorescu University, pp. 105-111, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Gunkelman, 2006] Gunkelman , J., ”Transcend the DSM using phenotypes. Biofeedback” , 34 (3), 95 – 98, 2006

[Haas, Malouf, 1989 ] Haas, L.J. and Malouf, J.L., ”Keeping up the good work: A practitioner’s guide to mental health ethics”, Sarasota, FL: Professional Resources Exchange, 1989

[Hammond, 2006a] Hammond, D.C., ”Quantitative electroencephalography patterns associated with medical condition”, Biofeedback, 34 (3), 87 – 94, 2006

[Hammond, 2006b] Hammond, D.C., ”What is Neurofeedback?”, Journal of Neurotherapy, 10 (4), 25 – 36, 2006

[Hammond, Kirk, 2007] Hammond, D.C. and Kirk , L., ”Negative effects and the need for standards of practice in neurofeedback”, Biofeedback, 35 (4), 139 – 145, 2007

[Hammond, Stockdale, Hoffman, 2001] Hammond, D.C., Stockdale, S., Hoffman, D., Ayers, M.E. and Nash, J., ”Adverse reactions and potential iatrogenic effects in neurofeedback training”, Journal of Neurotherapy, 4 (4), 57 – 69, 2001

[Hammond, Walker, Hoffman, 2004] Hammond, D. C., Walker, J., Hoffman, D., et al., ”Standard for the use of quantitative electroencephalography (QEEG) in neurofeedback: A position paper of the International Society for Neuronal Regulation”, Journal of Neurotherapy, 8 (1), 5 – 27, 2004

[Harris, 2004] Harris, F. J.,” Multirate Signal Processing for Communication Systems”, Prentice-Hall, Englewood Cliffs, New Jersey, 2004

[Hartigan, Wong, 1979] Hartigan, J., and Wong, M., „A k-mean clustering algorithm”, Appl. Statistics., 100–108, 1979

[Hendrik, 2004] Hendrik, J., ”EEG signal processing”, 2004, http://www.cis.hut.fi/Opinnot/T-61.181/s04/local/eeg_seminar.pdf

[Herault, Jutten, 1986] Herault, J., and Jutten, C., „Space or time adaptive signal processing by neural models”, Proceeding of the American Institute of Physics (AIP) Conference on Neural Networks for Computing, pp. 206–211, 1986

[Hoffman, 2006] Hoffman, D.A., ”LORETA: An attempt at a simple answer to a complex controversy”, Journal of Neurotherapy, 10 (1), 57 – 71, 2006

[Hsieh, 1989] Hsieh, D. A., „Testing for nonlinear dependence in daily foreign exchange rates”, J. Business, 339–368, 1989

[Hu, 1999] Hu, J.”A Method of Usability Testing by Measuring Brain Waves”, IEEE Trans. Software Eng., 1999

[Hyvarinen, Hoyer, 2001] Hyvarinen, A., Hoyer, P. O., and Inkl, M., „Topographic independent component analysis”, Neural Computation, 1527–1558, 2001

[Hyvarinen, Oja, 1997] Hyvarinen, A., and Oja, E., „A fast-fixed point algorithm for independent component analysis”, Neural Computation, , 1483–1492, 1997

[Ikram, Morgan, 2000] Ikram, M., and Morgan, D., „Exploring permutation inconstancy in blind separation of speech signals in a reverberant environment”, in proceedings of the IEEE conference on acoustic, speech, and signal processing (ICASSP 2000), Turkey, 2000

[Jutten, Karhunen, 2004] Jutten, C., and Karhunen, J., „Advances in blind source separation (BSS) and independent component analysis (ICA) for nonlinear mixtures”, Int. J. Neural Systems, 267–292, 2004

[Kaminski, Ding, 2001] Kaminski, M., Ding, M., Truccolo, W., and Bressler, S., „Evaluating causal relations in neural systems: Granger causality, directed transfer function, and statistical assessment of significance”, Biol. Cybern., 145–157, 2001

[Kaniusas, 2012] Kaniusas, E., ”Biomedical Signals and Sensors I”, Biological and Medical Physics, Biomedical Engineering, DOI 10.1007/978-3-642-24843-6 1, © Springer-Verlag Berlin Heidelberg, 2012

[Kaplan, Yorke, 1979] Kaplan, L., and Yorke, J. A., „Chaotic behaviour of multidimensional difference equations”, in Functional Differential Equations and Approximation of Fixed Points, Ed. H.-O. Peitgen and H.-O. Walther, Springer-Verlag, New York, 1979

[Kellis, Miller, Thomson, Brown, 2010] Kellis, S., Miller, K., Thomson, K., Brown, R., House, P. and Greger, B., ”Decoding spoken words using local field potentials recorded from the cortical surface”, Journal of neural engineering, 7(5), 10pp., September, 2010, disponibil pe http://www.ncbi.nlm.nih.gov/pubmed/20811093

[Kindersman, 2014] Kindersman, P.J., ”Pattern recognition in EEG”, 2014, http://www.da.ugent.be/school2014/pages/en/Presentations/tutorial_pattern_recognition_EEG_BCI.pdf

[King, Jones, 1987] King, G. P., Jones, R., and Broomhead, D. S., Phase portraits from a time series: a singular system approach”, Nucl. Phys. B, 379, 1987

[Kropotov, 2009] Kropotov, J.D., ”Quantitative EEG, Event-Related Potentials And Neurotherapy”, 525 B Street, Suite 1900, San Diego, CA 92101-4495, USA: Elsevier Inc., 2009

[Kropotov, Yatsenko, Ponomarev, 2007] Kropotov, J.D., Yatsenko, V.A.G., Ponomarev, V.A., Chutko, L.S., Yakovenko, E.A. and Nikishena, I.S., ”Changes in EEGSpectrograms, Event-Related Potentials and Event-Related Desynchronization Induced by Relative Beta Training in ADHD Children”, Journal of Neurotherapy, 11:2, 3–11, 2007

[Kumar, 2004] Kumar, S., Swiss Federal Institute of Technology, http://mmspg.epfl.ch/files/content/sites/mmspl/files/shared/BCI/publications/reportsammerkumar.pdf , 2004

[Kuzovkin, 2011] Kuzovkin, I., ”Pattern recognition for non invasive EEG – based BCI”, 2011, http://kt.era.ee/supervision/Kuzovkin2011.pdf

[La Vaque, Hammond , Trudeau, 2002] La Vaque, T. J., Hammond , D.C., Trudeau, D., Monastra, V.J., Perry, J. and Lehrer, P., ”Template for developing guidelines for the evaluation of the clinical efficacy of psychophysiological interventions”, Applied Psychophysiology and Biofeedback , 27 (4), 273 – 281, 2002

[Lakshmi, Prasad, 2014] Lakshmi, M.R., Prasad, T.V., Prakash, C., ”Survey on EEG Signal Processing Methods”, 2014, http://www.ijarcsse.com/docs/papers/Volume_4/1_January2014/V4I1-0116.pdf

[Latif, Sanei, 2006] Latif, M. A., Sanei, S., and Chambers, J., „Localization of abnormal EEG sources blind source separation partially constrained by the locations of known sources”, IEEE Signal Process. Lett., 117–120, March 2006

[Lawson, Hanson, 1974] Lawson, C. L., and Hanson, R. J., Solving Least Squares Problems, Prentice-Hall, Englewood Cliffs, New Jersey, 1974

[Lee, Morf, 1981] Lee, D., Morf, M., and Friedlander, B., „Recursive square-root ladder estimation algorithms”, IEEE Trans. Accous., Speech, Signal Proces., 627–641, 1981

[Li, Amari, 2006] Li, Y., Amari, S., Cichocki, A., Ho, D. W. C., and Shengli, X., „Underdetermined blind source separation based on sparse representation”, IEEE Trans Signal Process., 423–437, 2006

[Linsker, 1989] Linsker, R., „An application of the principle of maximum information preservation to linear systems”, Advances in Neural Information Processing Systems, Morgan Kaufmann, Palo Alto, California, pp. 186–194, 1989

[Liu, Sourina, 2011] Liu, Y., Sourina, O., ”Real time EEG based emotion recognition”, 2011, http://www3.ntu.edu.sg/home/eosourina/Papers/RealtimeEEGEmoRecog.pdf

[Mallat, Zhang, 1993] Mallat, S., and Zhang, Z., „Matching pursuit with time–frequency dictionaries”, IEEE Trans. Signal Process., , 3397–3415, 1993

[Marinescu,1909], Marinescu Gheorge, „La cellule nerveuse”, Paris, Doin,. 2 v. Ill, 1909

[Mathis, Douglas, 2004] Mathis, H., and Douglas, S. C., „On the existence of universal nonlinearities for blind source separation”, IEEE Trans. Signal Process, 1007–1016, May 2004

[McLeod, Li, 1983] McLeod, A. J., and Li, W. K., „Diagnostics checking ARMA time series models using squared residual autocorrelations”, J. Time Series Analysis, 269–273, 1983

[Mihu, 2005] Mihu, I.P., ”Procesarea numerică a semnalelor, noțiuni esențiale”, Editura Alma Mater, Sibiu, 2005

[Millett, 2001] Millett, D. "Hans Berger: from psychic energy to the EEG”, Perspectives in Biology and Medicine, Johns Hopkins University Press, 44.4 pp. 522–542, 2001

[Millet, 2002] Millet, D. , "The Origins of EEG", International Society for the History of the Neurosciences (ISHN), 2002

[Mirowski, LeCun, 2008] Mirowski, P.W., LeCun, Y., ”Classification of Patterns of EEG Synchronization for Seizure Prediction”, 2008 IEEE Workshop on Machine Learning for Signal Processing, 2008

[Morf, Vieria, 1978] Morf, M., Vieria, A., Lee, D., and Kailath, T., „Recursive multichannel maximum entropy spectral estimation”, IEEE Trans. Geosci. Electronics, 85–94, 1978

[Morris, Obermaier, 2001] Morris A.C, Obermaier B, ”EEG Pattern recognition through multi-stream evidence combination”, http://infoscience.epfl.ch/record/82711/files/morris-2001-neuroinformatics.pdf

[Monastra, Lynn, Linden, Lubar, 2005] Monastra, V.J., Lynn, S., Linden, M., Lubar, J.F., Gruzelier, J. and La Vaque, T.J., ”Electroencephalographic biofeedback in the treatment of attention-defi cit/hyperactive disorder”, Applied Psychophysiology and Biofeedback, 30 (2), 95 – 114, 2005

[Murata, Ikeda, 2001] Murata, N., Ikeda, S., and Ziehe, A., „An approach to blind source separation based on temporal structure of speech signals”, Neurocomputing, 1–4, 2001

[Niedermeyer, da Silva, 2005] Niedermeyer, E. and da Silva, F.L., ”Electroencephalography: Basic Principles, Clinical Applications,and Related Fields, Fifth Edition”, Lippincott Williams & Wilkins, pp. 140, 2005

[Niedermeyer, Sherman, 1999] Niedermeyer E., Sherman DL, Geocadin RJ, Hansen HC, Hanley DF, „The burst-suppression electroencephalogram”, Clin Electroencephalogr., 1999

[Norman, 1989] Norman, D.A., ”The psychology of everyday things”, New York: Basic Book, 1989

[Nunez, Srinivasan, 1981] Nunez, P.L., Srinivasan R., ”Electric Fields of the Brain: The Neurophysics of EEG”, Oxford University Press, 1981

[Ochs, 2006] Ochs, L., ”The low energy neurofeedback system (LENS): Theory, background, and introduction”, Journal of Neurotherapy, 10 (2/3), 5 – 40, 2006

[Olteanu, Lupu, 2000] A. Olteanu, V. Lupu, „Neurofiziologia sistemelor senzitivo-senzoriale”, Editura Presa Universitară Clujeană Cluj-Napoca, 2000

[Othmer, Othmer, Kaiser, 1999] Othmer, S., Othmer, S.F. and Kaiser, D.A., ”EEG biofeedback: An emerging model for its global efficacy” In ”Introduction to Quantitative EEG and Neurofeedback” (Evans, J.R. and Abarbanel, A. eds), San Diego, CA: Academic Press, pp. 244 – 310, 1999

[Paraschiv, Grigore, Ștefan, 2015] PARASCHIV Titi, GRIGORE Dumitru, ȘTEFAN Cătălin, The mathematics processing of signals, International Conference Greener and Safer Energetic and Ballistic Systems (GSEBS), Military Technical Academy, Bucharest, Romania, 22 – 23 May 2015

[Paraschiv, Ștefan, Manea, Ionescu, 2013] PARASCHIV Titi, ȘTEFAN Cătălin, MANEA Cristian, IONESCU Dan, Adaptation and learning in technique and psychology, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 21-23 Noiembrie 2013, Titu Maiorescu University, pp. 119-124, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4

[Parra, Sajda, 2000] Parra, L., Spence, C., Sajda, P., Ziehe, A., and Muller, K. R., „Unmixing hyperspectral data”, in Advances in Neural Information Process., MIT Press, Cambridge, Massachussetts, pp. 942–948, 2000

[Parra, Spence, 2000] Parra, L., and Spence, C., „Convolutive blind separation of non-stationary sources”, IEEE Trans. Speech and Audio Process., 320–327, 2000

[Plass-Oude Bos, Reuderink, van de Laar, 2010] Plass-Oude Bos, D., Reuderink, B., van de Laar, B.L.A., Gurkok, H., Muhl, C., Poel, M., et al., ”Human-Computer Interaction for BCI Games: Usability and User Experience” In ”Proceedings of the international conference on cyberworlds 2010”, Sourin, A. (Ed.), Los Alamitos: IEEE Computer Society Press, Singapore, pp. 277–281, October, 2010

[Platt, 1998] Platt, J., „Sequential minimal optimisation: a fast algorithm for training support vector machines”, Technical Report MSR-TR-98-14, Microsoft Research, 1998

[Postolea, Barciuc, Ștefan, Banateanu, 2013] POSTOLEA Dan, BARCIUC Dan, ȘTEFAN Cătălin, Oana BĂNĂȚEANU, Identifying trigger mechanisms in the brain waves extracted from EEG raw signal – practical study, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 21-23 Noiembrie 2013, Titu Maiorescu University, pp. 138-142, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Postolea, Gunnesch, Ștefan, 2015] POSTOLEA Dan, GUNNESCH Bianca, ȘTEFAN Cătălin, Tranquilizers influence upon reaction speed, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 19-21 Noiembrie 2015, Titu Maiorescu University, pp. 202-208, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Postolea, Ștefan, Costache, Petre, 2013] POSTOLEA Dan, ȘTEFAN Cătălin, COSTACHE George-Cătălin, PETRE Dan, Brain – Computer Interface. Based on the generation of visual images, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 21-23 Noiembrie 2013, Titu Maiorescu University, pp. 131-137, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Postolea, Ștefan, Grigore, 2013] POSTOLEA Dan, ȘTEFAN Cătălin, GRIGORE Dumitru, Controlul mișcării utilizând investigarea biosemnalelor de tip EEG, Conferința Națională „SISTEME ENERGETICE ȘI BALISTICE – SEB 2013”, 19-20 septembrie 2013, Academia Tehnică Militară

[Postolea, Ștefan, Ionescu, R.Paraschiv, 2013] POSTOLEA Dan, ȘTEFAN Cătălin, IONESCU Dan, PARASCHIV Ruxandra-Victoria, Interfața creier-calculator și aplicații în robotică, Conferința Națională „SISTEME ENERGETICE ȘI BALISTICE – SEB 2013”, 19-20 septembrie 2013, Academia Tehnică Militară

[Postolea, Ștefan, Ionescu, Petre, 2014] POSTOLEA Dan, ȘTEFAN Cătălin, IONESCU Dan, PETRE Dan, Applications on the Brain-Computer Interface in psychology, The International Conference „Psichology and Society”, 03-05 iunie 2014, Titu Maiorescu University, ISSN 2248-0064.

[Postolea, Ștefan, Urichianu, Constantin, 2014] POSTOLEA Dan, ȘTEFAN Cătălin, URICHIANU Adrian Ion, CONSTANTIN Alexandru, Psyichological study of the electrical signal of humany body, The International Conference „Psichology and Society”, 03-05 iunie 2014, Titu Maiorescu University, ISSN 2248-0064

[Polikar, 2012] Polikar, R., „Machine learning & pattern recognition for brain computer interface”, Rowan University, USA http://itap-tthv.org/braindynamics2012/presentations_ files/presentations/itap_brain.dynamics_presentation_r.polikar.pdf

[Proakis, Rader, 2001] Proakis, J. G., Rader, C. M., Ling, F., Moonen, M., Proudler, I. K., and Nikias, C. L., „Algorithms for Statistical Signal Processing”, Prentice-Hall, Englewood Cliffs, New Jersey, 2001

[Putman, 2007] Putman, J.A., “Signal Processing Techniques”, Article in EEG Info, 2007 www.eeginfo.com

[Quasar Group, 2012] Quasar USA, “EEG: DSI 10/20”, Quasar, 2010, available online: http://www.quasarusa.com/products_dsi.htm, (Accessed: May 16, 2012)

[Rizzo, Marti, 1997] Rizzo, A., Marti, P., ”Distributed cognition and artifacts”, 1997, disponibil la http://wwwsv.cict.fr/cotcos/pjs/Theoretical/Approaches/DistributedCog

[Roman-Gonzalez, 2012] Roman-Gonzalez, A., „EEG Signal Processing for BCI Applications. Human – Computer Systems Interaction: Backgrounds and Applications 2, Advances in Intelligent and Soft Computing”, 98 (1), pp.51-591, 2012

[Rowan, 2003] Rowan, A.J., ”Primer of EEG”, Elsevier Science, Philadelphia, PA, 2003

[Sastny, Vrchota, 2006] Sastny, J. and Vrchota, P., “EEG-based biometric person identification: 18-th International Eurasip Conference Biosignal 2006. Measurement and interpretation of physiological signals”, 2006

[Sharott, Magill, 2005] Sharott, A., Magill, P. J., Bolam, J. P., and Brown, P., „Directional analysis of coherent oscillatory field potentials in cerebral cortex and basal ganglia of the rat”, J. Physio.l, 951–963, 2005

[Smaragdis, 1998] Smaragdis, P., „Blind separation of convolved mixtures in the frequency domain”, Neurocomputing, 21–3, 1998

[SNNAP, 2003] „Simulator for Neural Networks and Action Potentials (SNNAP) Tutorial”, The University of Texas-Houston Medical School, 2003

[Stokes, 2007] Stokes, D., ”A report from the ISNR meeting on the LENS attack”, EEG Info Newsletter, Sept. 19, 2007, http://eeginfo.com/newsletter/

[Striefel, 1995a] Striefel, S., ”Professional ethical behavior for providers of biofeedback” In ”Biofeedback: A practitioner’sguide” (Schwartz, M.S. ed.), New York, NY: The Guilford Press, pp. 685 – 705, 1995

[Striefel, 1995b] Striefel, S., ”Ethical areas of confusion: Part 2 – Professional competence”, Biofeedback, 23 (1),13 – 14, 1995

[Striefel, 1997a] Striefel, S., ”Possible criteria for empirical validation of treatments”, Biofeedback, 25 (3), 2A – 3A, 1997

[Striefel, 1997b] Striefel, S., ”Ethical issues in EEG biofeedback”, Biofeedback, 25 (1), 6– 7, 1997

[Striefel, 1997c] Striefel, S., ”Response to Fahrion et al.”, Biofeedback, 25 (2), 16–17, 1997

[Striefel, 1998] Striefel , S., ”Is EEG per se experimental?”, Biofeedback, 26 (4), 4– 6 & 12, 1998

[Striefel, 1999a] Striefel, S., ”Ethical, legal, and professional pitfalls associated with neurofeedback services” in ”Introduction to Quantitative EEG and Neurofeedback”, 1st edition. (Evans, J.R. and Abarbanel, A. eds), San Diego, CA: Academic Press, pp. 371 – 399, 1999

[Striefel, 1999b] Striefel, S., ”Making the right ethical choice is not always easy”, Biofeedback, 27 (2), 4 – 5, 1999

[Striefel, 2000] Striefel, S., ”The role of aspirational ethics and licensing laws in the practice of neurofeedback”, Journal of Neurotherapy, 4 (1), 43 – 55, 2000

[Striefel, 2001] Striefel, S., ”Ethics and risk management” in ”Applied neurophysiology and brain biofeedback” (An E-Book) (Kall, R., Kamiya, J. and Schwartz, G. eds), Trevose, PA: Futurehealth, pp. 483–514., 2001

[Striefel, 2003a] Striefel, S., ”The application of ethics and law in daily practice” in ”Biofeedback: A practitioner’s guide” (Schwartz, M.S. and Andrasik, F. eds), New York, NY: The Guilford Press, pp. 813 – 834, 2003

[Striefel, 2003b] Striefel, S., ”Professional ethics and practice standards in mind-body medicine” in ”Handbook of mind-body medicine for primary care” (Moss, D., McGrady, A., Davies, T.C. and Wickramasekera, I. eds), Thousand Oaks, CA: Sage Publications, pp. 93 – 106, 2003

[Striefel, 2003c] Striefel, S., ”Overview for series of articles on billing, coding, and reimbursement”, Biofeedback , 31 (4), 4, 2003

[Striefel, 2003d] Striefel, S., ”Ethics and other issues in billing, coding and reimbursement”, Biofeedback, 31 (4), 9 – 12, 2003

[Striefel, 2004a] Striefel, S., ”Practice guidelines and standards for providers of biofeedback and applied psychophysiological services”, Wheat Ridge, CO: Association for Applied Psychophysiology and Biofeedback, 2004

[Striefel, 2004b] Striefel, S., ”Module 8: Professional conduct” in ”Introduction to biofeedback” (Crider, A. and Montgomery, D.D. eds), Wheat Ridge, CO: Association for Applied Psychophysiology and Biofeedback, 2004

[Striefel, 2004c] Striefel, S., ”Morality: What kind of professional do I want to be and how do I get there?” Biofeedback, 32 (1), 4 – 7 & 12, 2004

[Striefel, 2004d] Striefel, S., ”Do I need supervision or consultation?”, Biofeedback , 32 (2) , 4 – 7, 2004

[Striefel, 2006a] Striefel, S., ”Ethical responsibility and professional socialization”, Biofeedback, 34 (2), 43 – 47, 2006

[Striefel, 2006b] Striefel, S., ”Are QEEGs necessary?”, Biofeedback, 31 (3), 82– 86, 2006

[Striefel, 2007a] Striefel, S., ”Positive aspects of side effects: Part I, an overview”, Biofeedback, 35 (3), 75 – 79, 2007

[Striefel, 2007b] Striefel, S., ”Positive aspects of side effects: Part II, treating stress”, Biofeedback, 35 (4), 115 – 119, 2007

[Striefel, Whitehouse, Schwartz, 2003] Striefel, S., Whitehouse, R. and Schwartz, M.S., ”Other professional topics and issues” in ”Biofeedback: A practitioner’s guide” (Schwartz, M.S. and Andrasik, F. eds), New York, NY: The Guilford Press, pp. 835 – 866, 2003

[Swartz, Goldensohn, 1998] Swartz, B.E and Goldensohn, E.S., "Timeline of the history of EEG and associated fields" in ”Electroencephalography and Clinical Neurophysiology”, Vol. 106, pp.173–176, 1998

[Ștefan, 2015] ȘTEFAN C., “„ATENȚIA” ÎN ACTIVITATEA EDUCAȚIONALĂ REFLECTATĂ PRIN METODE TIP EEG – POSIBIL FACTOR DE EVALUARE ECONOMICĂ”, Conferința nr. VII – Impactul Transformărilor Socio-Economice și Tehnologice la Nivel Național European și Mondial – Suceava; Mai 2015;

[Ștefan, Boboc, 2016] C. ȘTEFAN, C.BOBOC, „ Interfața creier-calculator: utilizarea semnalului electric al creierului în aplicații practice (Brain-Computer Interface: Brain Electric Signal used in Practical Applications)” (Full text in Romanian), Revista Electrotehnică, Electronică, Automatică (EEA), Vol. 64, nr. 2, Aprilie – Iunie 2016;

[Ștefan, Grigore, R.Paraschiv, 2015] C. STEFAN, D. Grigore, R. Paraschiv, “Use of the human brain electrical signal as support to increase the efficiency and quality of the education act”, Revista Cercetari Experimentale Avansate, volum II, nr.2, Noiembrie 2015;

[Ștefan, Urichianu, R.Paraschiv, 2015] ȘTEFAN Cătălin, URICHIANU Adrian Ion, Ruxandra Victoria PARASCHIV, EEG pattern used for reception and transmission of commands to devices, International Conference Greener and Safer Energetic and Ballistic Systems (GSEBS), Military Technical Academy, Bucharest, Romania, 22 – 23 May 2015.

[Ștefan, Trincu, Costache, Petre, 2014] ȘTEFAN Cătălin, TRINCU Viorica Ionela, COSTACHE George-Cătălin, PETRE Dan, The influence for physical and physiological measurements of cognitive and physical workload in haptic interaction, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 20-22 Noiembrie 2014, Titu Maiorescu University, pp. 112-119, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Takigawa, Kudo, 2004] Takigawa, I., Kudo, M., Nakamura, A., and Toyama, J., „On the minimum l1-norm signal recovery in underdetermined source separation.” in Proceedings of the 5th International Conferences on Independent Component Analysis, Granada, Spain, , pp. 22–24, 2004

[Thornton, 2005] Thornton, K.E., ”The qEEG in the lie detection problem: The localization of guilt?”, Journal of Neurotherapy, 9 (3), 31 – 43, 2005

[Tikhonov, 1992] Tikhonov, A. N, editor, „Ill-Posed Problems in Natural Sciences”, The Netherlands, 155–165, 1992

[Topoliceanu, Lozneanu, 1985] Topoliceanu, F., Lozneanu, S., ”Bioelectrometria”, Editura Tehnică, Bucuresti, 1985

[Torkkola, 1996] Torkkola, K., „Blind separation of convolved sources based on information maximization”, in Proceeding of the IEEEWorkshop on Neural Networks and Signal Processing, Kyoto, Japan, 315–323, 1996

[Trudeau, 2001] Trudeau, D., ”The value of observational studies”, Journal of Neurotherapy, 4 (2), 1 – 4, 2001

[Vapnik, 1995] Vapnik, V., „The Nature of Statistical Learning Theory”, Springer, New York, 1995

[Vapnik, 1998] Vapnik, V., „Statistical Learning Theory”, John Wiley & Sons, Inc., New York, 1998

[Vetterli, Kova, 1995] Vetterli, M., and J. Kovacevic, „Wavelets and Subband Coding”, Prentice-Hall, Englewood Cliffs, New Jersey, 1995

[Walker, Norman, 2006] Walker, J.E. and Norman, C.A., ”The neurophysiology of dyslexia: A selective review with implications for neurofeedback remediation and results of treatment in twelve consecutive cases”, Journal of Neurotherapy, 10 (1), 45 – 55, 2006

[Wang, 2009] Letian Wang, “Artifact Correction for EEG Alpha Wave Measurements”, M.Sc. thesis, Delft University of Technology, 2009

[Wang, Sanei, 2005] Wang, W., Sanei, S., and Chambers, J. A., „Penalty function based joint diagonalization approach for convolutive blind separation of nonstationary sources”, IEEE Trans. Signal Process., 1654–1669, 2005

[Weston, Watkins, 1999] Weston, J., and Watkins, C., „Support vector machines for multi-class pattern recognition”, in Proceedings of the Seventh European Symposium on Artificial Neural Networks, Bruges, Belgium, 1999

[Whitehouse, Striefel, 2003] Whitehouse, R. and Striefel, S., ”Billing, coding, and reimbursement issues”, Biofeedback, 31 (4), 5 – 8, 2003

[Wolf, Swift, 1985] Wolf, A., Swift, J. B., Swinny, H. L., and Vastano, J. A., „Determining Lyapunov exponents from a time series”, Physical , 285–317, 1985

[Wilson, Cowan, 1972] Wilson, H. R., and Cowan, J. D., „Excitatory and inhibitory interaction in localized populations of model neurons”, J. Biophys., 1–23, 1972

[Witchall, 2006] Witchalls, C., ”Murder in mind”, The Guardian, 25 March, 2006 www.guardian.co.uk/science/2004/mar/25/crime.uknews

[Wolpaw, Mcfarland,1994] Wolpaw, J.R. and Mcfarland, D.J., ”Multichannel EEG-based brain-computer communication. Electroencephalography and clinical Neurophysiolog”, 90, 444– 449, 1994

[Wolpaw, Birbaumer, McFarland, 2002] Wolpaw J.R., Birbaumer, N., McFarland, D.J., Pfurtscheller, G., Vaughan, T.M., ”Clin Neurophysiol. Brain-computer interfaces for communication and control”, 113 (6): 767-91, June, 2002

[Wolpaw, Birbaumer, Heetderks,2000] Wolpaw, J.R., Editor, G., Birbaumer, N., Heetderks, W.J., Mcfarland, D.J., Peckham, P.H., et al., ”Brain – Computer Interface Technology: A Review of the First International Meeting”, IEEE Trans. Rehabil., 8(2), 164–173, 2000

[Yang, 2015] Yang, S., Y., "The Use of EEG Signals For Biometric Person Recognition", University of Kent, 2015

[Zăgrean, 2002] L. Zăgrean, „Neuroștiințe. Principii Fundamentale”, Editura Universitară „Carol Davila” București, 2002

[Zhang, Norman, 1994] Zhang, J. and Norman, D.A., ”Representations in distributed cognitive tasks”, Cognitive Science, 18, 87-122, 1994

[Zhang, He, Miao,Yang, 2005] Zhang, L., He, W., Miao, X. and Yang, J., ”Dynamic EEG Analysis via the Variability of Band Relative Intensity Ratio: A Time-Frequency Method”, Conference proceedings: … Annual International Conference of the IEEE Engineering in Medicine and Biology Society, IEEE Engineering in Medicine and Biology Society, Conference, 3(1), 2664–7, January 2005, disponibil pe http://www.ncbi.nlm.nih.gov/pubmed/17282787

[Zhang, Wang, 2011] Zhang, X.D., Wang Y.X., ”An Approach for Pattern Recognition of EEG Applied in Prosthetic Hand Drive”, http://www.iiisci.org/Journal/CV$/sci/pdfs/RO865CT.pdf , SYSTEMICS, CYBERNETICS AND INFORMATICS, VOL 9, No. 6, 2011

[Zhang, Chen, Bressler, Ding, 2009] Zhang, Y., Chen, Y., Bressler, S.L. and Ding, M., ”Response preparation and inhibition: The role of the cortical sensorimotor beta rhythm”, Neuroscience, 156:1, 238–246, 2009

[Ziv, Baxter, 1994] Ziv, I., Baxter, D. A., and Byrne, J. H., „Simulator for neural networks and action potentials: description and application”, J. Neurophysiol., 294–308, 1994

[Zuckerman, 2003] Zuckerman, E.I., ”The paper office”, 3rd edition, New York: Guilford Press, 2003

Diseminarea rezultatelor cercetării

Lista lucrărilor și articolelor publicate

[Catană, Ștefan, Petre, Chivulescu, 2013] CATANĂ Eusebiu, ȘTEFAN Cătălin, PETRE Dan, CHIVULESCU Florentin, Video scene analyser based on pattern recognition technology, Conferința Națională „SISTEME ENERGETICE ȘI BALISTICE – SEB 2013”, 19-20 septembrie 2013, Academia Tehnică Militară.

[Costache, Constantin, Ștefan, 2016] COSTACHE George-Cătălin, CONSTANTIN Alexandru, ȘTEFAN Cătălin, Remoteboard: web service remote control for a training stand, International Conference Greener and Safer Energetic and Ballistic Systems (GSEBS), Military Technical Academy, Bucharest, Romania, 26 – 27 May 2016.

[Grigore, Costache, Ștefan, R.Paraschiv, 2014] GRIGORE Dumitru, COSTACHE George-Cătălin, ȘTEFAN Cătălin, PARASCHIV Ruxandra-Victoria, Waking capacity evaluation by direct measurement, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 20-22 Noiembrie 2014, Titu Maiorescu University, pp. 105-111, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Paraschiv, Ștefan, Manea, Ionescu, 2013] PARASCHIV Titi, ȘTEFAN Cătălin, MANEA Cristian, IONESCU Dan, Adaptation and learning in technique and psychology, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 21-23 Noiembrie 2013, Titu Maiorescu University, pp. 119-124, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Paraschiv, Grigore, Ștefan, 2015] PARASCHIV Titi, GRIGORE Dumitru, ȘTEFAN Cătălin, The mathematics processing of signals, International Conference Greener and Safer Energetic and Ballistic Systems (GSEBS), Military Technical Academy, Bucharest, Romania, 22 – 23 May 2015.

[Postolea, Ștefan, Grigore, 2013] POSTOLEA Dan, ȘTEFAN Cătălin, GRIGORE Dumitru, Controlul mișcării utilizând investigarea biosemnalelor de tip EEG, Conferința Națională „SISTEME ENERGETICE ȘI BALISTICE – SEB 2013”, 19-20 septembrie 2013, Academia Tehnică Militară.

[Postolea, Ștefan, Ionescu, R.Paraschiv, 2013] POSTOLEA Dan, ȘTEFAN Cătălin, IONESCU Dan, PARASCHIV Ruxandra-Victoria, Interfața creier-calculator și aplicații în robotică, Conferința Națională „SISTEME ENERGETICE ȘI BALISTICE – SEB 2013”, 19-20 septembrie 2013, Academia Tehnică Militară.

[Postolea, Ștefan, Costache, Petre, 2013] POSTOLEA Dan, ȘTEFAN Cătălin, COSTACHE George-Cătălin, PETRE Dan, Brain – Computer Interface. Based on the generation of visual images, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 21-23 Noiembrie 2013, Titu Maiorescu University, pp. 131-137, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Postolea, Barciuc, Ștefan, Banateanu, 2013] POSTOLEA Dan, BARCIUC Dan, ȘTEFAN Cătălin, Oana BĂNĂȚEANU, Identifying trigger mechanisms in the brain waves extracted from EEG raw signal – practical study, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 21-23 Noiembrie 2013, Titu Maiorescu University, pp. 138-142, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Postolea, Ștefan, Ionescu, Petre, 2014] POSTOLEA Dan, ȘTEFAN Cătălin, IONESCU Dan, PETRE Dan, Applications on the Brain-Computer Interface in psychology, The International Conference „Psichology and Society”, 03-05 iunie 2014, Titu Maiorescu University, ISSN 2248-0064.

[Postolea, Ștefan, Urichianu, Constantin, 2014] POSTOLEA Dan, ȘTEFAN Cătălin, URICHIANU Adrian Ion, CONSTANTIN Alexandru, Psyichological study of the electrical signal of humany body, The International Conference „Psichology and Society”, 03-05 iunie 2014, Titu Maiorescu University, ISSN 2248-0064.

[Postolea, Gunnesch, Ștefan, 2015] POSTOLEA Dan, GUNNESCH Bianca, ȘTEFAN Cătălin, Tranquilizers influence upon reaction speed, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 19-21 Noiembrie 2015, Titu Maiorescu University, pp. 202-208, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Ștefan, Trincu, Costache, Petre, 2014] ȘTEFAN Cătălin, TRINCU Viorica Ionela, COSTACHE George-Cătălin, PETRE Dan, The influence for physical and physiological measurements of cognitive and physical workload in haptic interaction, The International Conference „Education and Creativity for a Knowledge based Society – Psichology”, 20-22 Noiembrie 2014, Titu Maiorescu University, pp. 112-119, Social Science Research Network (SSRN), ISSN 2248-003X, ISBN 978-3-9503145-6-4.

[Ștefan, 2015] ȘTEFAN C., “„ATENȚIA” ÎN ACTIVITATEA EDUCAȚIONALĂ REFLECTATĂ PRIN METODE TIP EEG – POSIBIL FACTOR DE EVALUARE ECONOMICĂ”, Conferința nr. VII – Impactul Transformărilor Socio-Economice și Tehnologice la Nivel Național European și Mondial – Suceava; Mai 2015;

[Ștefan, Grigore, R.Paraschiv, 2015] C. STEFAN, D. Grigore, R. Paraschiv, “Use of the human brain electrical signal as support to increase the efficiency and quality of the education act”, Revista Cercetari Experimentale Avansate, volum II, nr.2, Noiembrie 2015;

[Ștefan, Urichianu, R.Paraschiv, 2015] ȘTEFAN Cătălin, URICHIANU Adrian Ion, Ruxandra Victoria PARASCHIV, EEG pattern used for reception and transmission of commands to devices, International Conference Greener and Safer Energetic and Ballistic Systems (GSEBS), Military Technical Academy, Bucharest, Romania, 22 – 23 May 2015.

[Ștefan, Boboc, 2016] C. ȘTEFAN, C.BOBOC, „ Interfața creier-calculator: utilizarea semnalului electric al creierului în aplicații practice (Brain-Computer Interface: Brain Electric Signal used in Practical Applications)” (Full text in Romanian), Revista Electrotehnică, Electronică, Automatică (EEA), Vol. 64, nr. 2, Aprilie – Iunie 2016;

Alte activități de cercetare

[Ștefan, R1, 2014] Ștefan, C., ”INTERACȚIUNEA OM-MAȘINĂ ȘI APLICAȚII ÎN DOMENIUL SISTEMELOR TEHNICE INTEGRATE – Raport de Cercetare Numărul 1”, Școala Doctorală, Academia Tehnică Militară, București, 2013;

[Ștefan, R2, 2015] Ștefan, C., ”BRAIN COMPUTER INTERFACE ȘI APLICAȚII ÎN DOMENIUL SISTEMELOR TEHNICE INTEGRATE – Raport de Cercetare Numărul 2”, Școala Doctorală, Academia Tehnică Militară, București, 2014;

[Ștefan, R3, 2015] Ștefan, C., ”STUDIU STATISTIC PRIVIND PRELUCRAREA ȘI INTERPRETAREA DATELOR EXPERIMENTALE ALE BCI – Raport de Cercetare Numărul 3”, Școala Doctorală, Academia Tehnică Militară, București, 2015;

Bursa doctorală

Ștefan, C., ” Procesarea semnalelor de tip EEG ca suport al unor comenzi bazate pe acte de voință”, Raport final de cercetare, Institutul de Economie Națională, București, 2015;

Tabel de acronime

A

AAR – Adaptive Autoregressive Parameters

AAPB – Association for Applied Psychophysiology and Biofeedback

ACS – Activity of Neural Cells

ADHD – Attention Deficit Hyperactivity Disorder

ADP – Adenozin difosfat

AEP – Audititory Evoked Potential

ALS – Amyotrophic lateral sclerosis

AMP – Adenozin monofosfat

ANN – Artificial Neural Networks

ANS – Autonomic Nervous System

AP – Action Potential

AR – Autoregressive Parameters

ARMA- Autoregressive Moving Average

ARMAX – Autoregressive Parameters with Exogenous input

B

BCI – Brain Computer Interface

BP – Band Powers

BRAIN – Brain Research through Advancing Innovative Neurotechnologies

BSS- Blind Source Separation

BCITCI – Brain Computer Interface Temporary Compatibility Indicator

C

CAR – Common Average Referencing

CHMM – Continuous Hidden Markov Model

CNS – Central Nervous System

CSD – Curent Source Density

CSP- Common Spatial Patterns

CSSD- Common Spatial Subspace Decomposition

CWT – Continuous Wavelet Transform

D

DAG – Directed Acyclic Graph

DFT – Discrete Fourier Transform

DS – Distinctive Sensitive Alghorithm

DSLVQ – Distinctive Sensitive Learning Vector Quantization

DWT – Discret Wavelet Transform

DARPA – Defense Advanced Research Projects Agency

E

EcoG – Electrocorticography

ECG (EKG) – Electrocardiography

EDA – Electrodermal Activity

EDR – Electrodermal Response

EEG – Electroencephalogrphy

EMD – Empirical Mode Decomposition

EMG – Electromyography

ENeG – Electroneurography

ENG – Electronystagmography

EOG – Electrooculography

EPS – Evoked Potential

EPSP – Excitatory Postsynaptic Potential

ERD – Event-related Desynchronization

ERG – Electroretinography

ERP – Event-related Potential

ERS – Event-related Synchronization

F

FFT- Fast Fourier Transform

FIR – Finite Impulse Response

FR – Frequency Representation

FT – Fourier Transform

fMRI – Functional magnetic resonance imaging

G

GA – Genetic Algorithm

H

HCI – Human Computer Interaction

HMM – Hidden Markov Model

I

ICA- Independent Component Analysis

INRIA – Institut National de Recherche en Informatique et en Automatique

IPSP – Inhibitory Postsynaptic Potential

IMF –  Intrinsic Mode Function

ISNR – International Neurofeedback Organization

K

KFD – Kernel Fisher Discriminant

KLT – Karhunen-Loève Transform

L

L.A.S.E.R. – Light Amplification by Stimulated Emission of Radiation

LDA – Linear Discriminant Analysis

LDC – Linear Discriminant Classifiers

LMS – Least Mean Square

LS – Least Squars

LRP -Lateralized Readiness Potential

LVQ – Learning Vector Quantization

M

MCG – Magnetocardiography

MEG – Magnetoencephalography

mfERG – Multifocal Electroretinography

MLP – Multiple Temporar Resolutions

MMG – Magnetomiography

MMN – Mismatch Negativity

MN – Multiple Neuromechanisms

MNG – Magnetoneurography

MNyG – Magnetonystagmography

MOG – Magnetooculography

MRI – Magnetic resonance imaging

MRG – Magnetoretinography

MRP – Movement-related Potential

MSE – Mean Square Error

M-SVM – Multiple Support Vector Machines

MUAP – Motor Unit Action Potential

MVAR – Multivariate Autoregressive parameters

MWV- Max-Wins Voting

N

NBC – Nonlinear Bayesian Classifiers

NG – Non- Gaussian

NLMS – Normalized Least Mean Square

NMR – nuclear magnetic resonance

NNA – Nearest Neighbor Analysis

NS – Non -Stationary

NTC – Negative Temperature Coefficient

O

OVR – One Versus the Rest

P

PAC – Celular Action Potential

PCA – Principal Component Analysis

PET – Positron Emission Tomograpfy Spect

PNS – Paripheral Nervous System

POD – Proper Orthogonal Decomposition

PP – Peak Picking

PPG – Photoplethysmography

PSD – Power Spectral Density

R

RBF – Radial Basis Function

RLS – Recursive Least Squares

S

SCL – Skin Conductance Level

SCP – Slow Cortical Potential

SCR – Skin Conductance Response

SD – Spectral Density

SFEMG – Single Fiber Electromyography

SEP – Somatosensory Evoked Potential

SL – Surface Laplacian

SNS – Sympathetic Nervous System

SPECT – Single-Photon Emission Computed Tomography

SPL – Skin Potential Level

SPR – Skin Potential Response

SQUID – Superconducting Quantum Interference Device

SRL – Skin Resistance Level

SRR – Skin Resistance Response

SSVEP – Steady-State Visual-Evoked Potentials

STFT – Short Time Fourier Transform

SVM – Support Vector Machines

SWDA – Step-Wise Discriminant Analysis

T

TBNN – Tree-based Neural Network

TFR – Time-Frequency Representation

U

USB – Universal Serial Bus

UXO -Unexploded Ordnance

V

VEP – Visual Evoked Potential

W

WT- Wave Transform

WTA – Winner-Takes-All strategy

WN – Wave Node

Lista figurilor

Figura 1.1 Structura euronului

Figura 1.2 Organizarea Sistemului Nervos

Figura 1.3 Relațiile dintre activitatea presinaptică excitatorie, inhibitorie și activitatea postsinaptică Figura 1.4 a) Înregistrări intracelulare și extracelulare la nivelul dendritelor și corpului celular pentru o celulă care prezintă o sinapsă excitatorie.

Figura 1.5 Aferentele provenite de la neuronii talamici de releu realizează sinapse cu neuronii corticali la nivelul lamei 4

Figura 1.6 Schema de funcționare a unui ansamablu BCI

Figura 1.7 Cască modernă cu electrozii și conductorii încorporați

Figura 1.8 Schema de principiu a unui EEG

Figura 1.9 Notația electrozilor (cu litere și cifre) și poziția lor exactă pe scalp (în schema clasică zece-douăzeci cu 19-21 de electrozi pe scalp și urechi).

Figura 1.10 a) Culegeri bipolare

Figura 1.11 b) Culegeri unipolare cu punct de referință median

Figura 1.12 Înregistrare EEG și descompunerea în principalele benzi de frecvență

Figura 2.1 Eșantion grafic atenție/meditație

Figura 2.2 Fișier mostră – bază organizare date pentru prelucrare

Figura 2.3 Variații atenție/meditație per subiecți

Figura 2.4 Variații atenție/meditație per subiecți

Figura 2.5 Subiect 1 Măsurarea 1 Dimineața

Figura 2.6 Subiect 1 Măsurarea 1 După amiaza

Figura 2.7 Subiect 1 Măsurarea 2 Dimineața

Figura 2.8 Subiect 1 Măsurarea 2 După amiaza

Figura 2.9 Subiect 1 Măsurarea 3 Dimineața

Figura 2.10 Subiect 1 Măsurarea 3 După amiaza

Figura 2.11 Subiect 1 Măsurarea 4 Dimineața

Figura 2.12 Subiect 1 Măsurarea 4 După amiaza

Figura 2.13 Subiect 1 Măsurarea 5 Dimineața

Figura 2.14 Subiect 1 Măsurarea 5 După amiaza

Figura 2.15 Variație dimineață/după amiază pentru un subiect

Figura 2.16 Variație semnal brut EEG – mostră subiect X

Figura 2.17 Variație semnal brut EEG – mostră subiect Y

Figura 2.18 Mostre de expunere pentru test stress

Figura 2.19 Variație semnal brut EEG – mostră subiect 1

Figura 2.20 Variație semnal brut EEG – mostră subiect 2

Figura 2.21 Concept simulator scenarii militare utilizând BCI și VR

Figura 3.1 Spectrul de frecvențe al unui semnal EEG. Banda de frecvență utilă este între 25-60 Hz.

Figura 3.2 Spectrul de frecvențe al unui semnal EEG. Artefact ocular datorat clipirii

Figura 3.3 Spectrul de frecvențe al unui semnal EEG. Artefact datorat mișcărilor globilor oculari

Figura 3.4 Spectrul de frecvențe al unui semnal EEG. Artefact datorat discontinuității electrice

Figura 3.5 Spectrul de frecvențe al unui semnal EEG. Artefact datorat musculaturii

Figura 3.6 Modelul de excitare Hodgkin–Huxley

Figura 3.7 Un singur AP ca răspuns la o stimulare tranzitorie bazat pe modelul Hodgkin–Huxley.

Figura 3.8 AP de la un model Hodgkin–Huxley oscilator cu conductanță maximală de potasiu.

Figura 3.9 Simularea unui AP în modelul Morris–Lecar

Figura 3.10 O ilustrare a comportamentului de puls ce poate fi generat de modelul Morris–Lecar

Figura 3.11 Un model linear pentru generarea semnalelor EEG

Figura 3.12 Un model concentrat nonlinear pentru generarea activității ritmice ale semnalelor EEG

Figura 3.13 Modelul EEG local (LEM)

Figura 3.14 Un set EEG de semnale de atac tonic–clonic incluzând trei segment de comportament preictal, ictal și postictal

Figura 3.15 (a) Un semnal EEG de atac incluzând segmentele preictal, ictal și postictal

Figura 3.16 Spectru EEG canal unic: (a) un segment al semnalului EEG cu un ritm alfa dominant, (b) spectrul semnalului din (a) folosind DFT și (c) spectrul semnalului din (a) folosind modelul AR de 12

Figura 3.17 Reprezentare TF a unei unde (a) pentru rezoluții diferite de timp folosind o fereastră Hanning cu durata de (b) 1 ms si (c) 2 ms

Figura 3.18 Unda scurtă a lui Morlet: părți (a) reale și (b) imaginare

Figura 3.19 Unda scurtă pălărie mexicană

Figura 3.20 Bancul de filtrare asociat cu analiza de rezoluție multiplă

Figura 3.21 (a) Un segment al unui semnal constând din două componente modulate, (b) o funcție de ambiguitate doar pentru x1(t ) și (c) funcția de ambiguitate pentru x(t) = x1(t ) + x2(t )

Figura 3.22 Ilustrarea φ(τ, ν) pentru distribuția Choi–Williams

Figura 3.23 Coerența cros-spectrală pentru un set de trei electrozi EEG, cu o secundă înainte de mișcarea degetului drept

Figura 3.24 Semnal haotic generat

Figure 3.25 Atractorii pentru (a) o sinusoidă și (b) seria de timp haotic

Figura 3.26 Traiectoriile de referință și de model, evoluția erorii și segmentele de început și de sfârșit ale traiectoriei model.

Figura 3.27 (a) Semnalul și (b) ordinul de predicție măsurat pentru segmente suprapuse ale semnalului

Figure 3.28 Un anulator de zgomot adaptativ

Figura 3.29 Aplicarea generală a PCA

Figura 3.30 Estimarea adaptativă a vectorului de ponderare w(n)

Figura 3.31 Conceptul BSS; amestecarea și separarea oarbă a semnalelor EEG

Figura 3.32 O probă a unui semnal EEG înregistrat simultan FMRI

Figura 3.33 Semnalele EEG după îndepărtarea artefactului scaner

Figura 3.34 O diagramă schematică a BSS domeniu-frecvență a mixturilor convolutive ale unui model simplu cu două surse

Figura 3.35 Componentele estimate independente ale unui set de semnale EEG obținute de la 16 electrozi, utilizând ICA topografic constrâns

Figura 3.36 Hărțile topografice, fiecare ilustrând câte un IC. Sursele sunt localizate geometric.

Figura 3.37 Un set de date separabil bidimensional și hiperplanul separator

Figura 3.38 Un hiperplan optim separator

Figura 3.39 Determinarea grafică a învelișurilor calicelor convexe, vectorilor de suport și hiperplanului de separație

Figura 3.40 Hiperplan de separație lineară pentru cazul separabil, vectorii de suport sunt încercuiți

Figura 3.41 Constrângerile pentru SVM

Figura 3.42 Regiunile cuprinse pentru cazul nonseparabil

Figura 3.43 Vectori suport într-un caz nonseparabil cu hiperplan linear

Figura 3.44 Marginea Soft și conceptul de parametru de moderație (slack)

Figure 3.45 Hiperplan discriminant nonliner

Figura 3.46 Un spațiu de caracteristici bi-dimensional cu trei clusteri, fiecare cu o culoare diferită

Figura 3.47 Sistemul 10-20

Figura 4.1 Căști pentru achiziția biosemnalelor EEG: (a) Casca EMOTIV EPOC cu 14 canale EEG; (b) Casca Neuro Sky MindSet

Figura 4.2 Schemă ansamblu de testare și studiu

Figura 4.3 Cască Mindwave și captură din aplicația OpenVibe

Figura 4.4 Exemplu fișier .csv produs de OpenVibe

Figura 4.5 Reprezentare grafică undă low alpha secunda 15 – secunda 23

Figura 4.6 Comparație trend stare “Atenție” la mai mulți subiecți

Figura 4.7 Comparație trend stare “Meditație” la mai mulți subiecți

Figura 4.8 Electrozii de referință pentru casca MUSE

Figura 4.9 Casca MUSE – imagine de ansamblu

Figura 4.10 Instituții care utilizează MUSE

Figura 4.11 Platformă – concept tehnic propriu

Figura 4.12 Modul achiziție date – model de propagare date

Figura 4.13 Modul procesare date – fluxul Procesului

Figura 4.14 Modul interfațare – Flux informațional

Figura 4.15 Flux informațional general – schemă bloc

Figura 4.16 Schema bloc a sistemului de antrenament

Figura 4.17 Schema funcțională a sistemului de antrenament

Figura 4.18 Componenta computer/laptop

Figura 4.19 Matrice de led-uri

Figura 4.20 Ecran Raspberry Pi

Figura 4.21 Raspberry Pi – vedere panoramică

Figura 4.22 Raspberry Pi – vedere porturi

Figura 4.23 Casca MUSE utilizată în ansamblul conceput

Figura 4.24 Versiunea Beta 1 – ecran aplicație

Figura 4.25 Versiunea Beta 1 – dispozitiv de ieșire

Figura 4.26 Versiunea Beta 2 – software specific

Figura 4.27 Versiunea Beta 2 – matrice led integrată

Figura 4.28 Editarea parametrilor BCITCI din interfață

Figura 4.29 Introducerea în ansamblu a unui difuzor/sursă de semnal acustic

Figura 4.30 Editarea și calcularea BCITCI

Figura 4.31 Rulare cu prag de semnal acustic

Figura 4.32 Mesaj Context măsurare irelevant / BCITCI sub prag

Figura 4.33 Sistemul 2.0 în funcțiune / afișaj activ

Figura 4.34 Ansamblul general al sistemului 2.0

Figura 5.1 Exemplu de calcul al BCITCI

Figura 5.2 Etica în BCI

Figura 5.2 Etica în BCI. Reprezentarea nevoii de standarde și legi pentru domeniu neurofeedback-ului

Figura A1.1 Principiul neurofeedbackului.

Figura A1.2 Unde gamma

Figura A1.3 Unde beta

Figura A1.4 Unde alpha

Figura A1.5 Unde Theta

Figura A1.6 Unde delta

Figura A1.7 Cele 5 benzi de frecvențe principale și relația dintre ele

Figura A4.1 Instrument de aplicare a metodei de calcul BCITCI

Lista tabelelor

Tabelul 1.1 Ritmurile cerebrale

Tabelul 2.1 Variația grafică atenție/meditație Subiect 1

Tabelul 2.2 Variație dimineață/după-amiază Subiect 1

Tabelul 2.3 Variația procentuală dimineață/după-amiază

Tabelul 2.4 Centralizare variații semnal brut EEG – expunere la test – pe grup subiecți

Tabelul 2.5 Centralizare variații semnal brut EEG – expunere la imagini – pe grup subiecți

Tabelul 4.1 Lista cu căștile EEG din categoria ”low-cost” [Yang, 2015]

Tabelul 4.2 Specificații tehnice cască MUSE

Tabelul 5.1 Matrice logică de gestiune a parametrilor de interfațare BCI (în scopul calculării BCITCI)

Tabelul A1.1 Caracteristici tipologice unde cerebrale în sistemul Neurosky

ANEXA 1: UNDELE CEREBRALE (EEG)

Electrozii de scalp colectează datele activității electrice, dar pentru că semnalele sunt slabe, ele sunt trecute printr-un amplificator care le accentuează înainte de a le trimite către programul unui computer. Aici semnalul este interpretat și procesat ca feedback pentru utilizator. Divizarea semnalului în benzi de frecvență poate fi făcută prin aplicarea unei transpuneri Fourier. Factorii lor pot fi apoi folosiți pentru a calcula o proporție, de exemplu Betha/Theta.

Figura A1.1 Principiul neurofeedbackului.

Berger a descoperit că diferite frecvențe electrice pot fi corelate cu anumite acțiuni și cu diferite stări ale conștiinței. Această constatare a fost realizată prin observarea subiecților în timp ce realizau diferite sarcini, cum ar fi rezolvarea unor probleme de matematică, în timp ce li se înregistra activitatea EEG. Figura A1.7, arată cele mai utilizate benzi de frecvență precum și relațiile dintre ele, la nivelul activității de undă a creierului uman.

Figura A1.2 Unde gamma

Undele gamma sunt cuprinse în lungimea de frecvență de 31 Hz și peste. Se crede că acestea reflectă un mecanism al conștienței. Undele beta și gamma împreună au fost asociate cu atenția, percepția și cogniția.

Figura A1.3 Unde beta

Undele beta sunt cuprinse în banda de frecvență de 12 și 20 Hz, dar sunt adesea împărțite în β1 și β2 pentru a obține măsurători mai specifice. Undele sunt scurte și rapide, asociate cu concentrarea foarte atentă și cel mai bine sunt definite în ariile centrale și frontale. Când apare o rezistență la mișcare sau o suprimare a unei mișcări sau în timpul rezolvării unei sarcini matematice, se înregistrează o creștere a activității beta. Într-un studiu, a fost descoperită o putere beta semnificativ amplificată la toți cei 307 subiecți dependenți de alcool, cu măsurători realizate pe tot scalpul. Aceste unde conduc la o stare de hiperxcitabilitate pe care consumul de alcool o atenuează.

Figura A1.4 Unde alpha

Undele alpha, cuprinse între 7,5 și 12 Hz, sunt mai lente și sunt asociate cu relaxarea și dezangajarea. Gânditul la ceva pașnic, cu ochii închiși, în mod normal duce la creșterea activității alpha. Este mai profundă în partea posterioară a capului (o1 și o2) și în lobul frontal. Unele studii au constatat o creștere semnificativă a puterii alpha după consumul de marijuana.

Figura A1.5 Unde Theta

Undele theta, cuprinse între 3,5 și 7,5 Hz, sunt legate de ineficiență, reverie, iar cele mai joase unde theta reprezintă linia fină dintre a fi treaz sau în stare de somn. Undele theta apar din stresul emoțional, în special din frustrare și dezamăgire. Au fost asociate, de asemenea, cu materialul inconștient, inspirația creativă și meditația profundă. Nivelurile înalte ale undelor theta sunt considerate a fi anormale la adulți, și sunt, de exemplu, înalt corelate cu ADHD.

Figura A1.6 Unde delta

Undele delta, cuprinse între 0,5 și 3,5 Hz sunt cele mai lente și apar în timpul somnului. Dacă aceste unde apar în starea de veghe se crede că sunt indicatori ai unor defecte fizice ale creierului. Mișcarea poate produce unde delta artificiale, dar printr-o analiză rapidă (observând doar înregistrările EEG brute), ele se pot confirma sau infirma.

MU este asociat cu activitățile motorii și apare de asemenea în banda de frecvență a undelor alpha, dar acolo unde se înregistrează amplitudinea maximă în cortexul motor. Ca urmare, indică defapt mișcarea efectivă sau intenția de mișcare.

Toate aceste categorii de unde apar în diferite părți ale creierului în grade variabile.

[Amplitudine/Timp]

Figura A1.7 Cele 5 benzi de frecvențe principale și relația dintre ele

Tabelul A1.1 Caracteristici tipologice unde cerebrale în sistemul Neurosky

ANEXA 2: Codul sursă – software al sistemului pentru antrenarea atenției

Fisierul appGUI.py

import tkinter as tk

from collections import OrderedDict

#from processSample import processSample

from processSample_ok import processSample

from classBuzzer import BUZZER

TITLE_FONT = ("Helvetica", 10, "bold")

LABEL_FONT_TITLE = ("Arial", 10, "bold")

LABEL_FONT = ("Arial", 8, "bold")

LABEL_FONT_NO_BOLD = ("Arial", 8)

ENTRY_FONT = ("Arial", 10, "bold")

BUTTON_FONT = ("Arial", 8)

class GlobalVar():

def __init__(self):

self.bcitci = 100.00

self.egg_bcitci = 1.00

self.scale_var = {}

self.cb_activ = {}

self.cb_view_scaled = 0

self.cb_is_bcitci = 0

GV = GlobalVar()

class BaseFrame(tk.Frame):

def __init__(self, master, controller):

tk.Frame.__init__(self, master)

self.controller = controller

self.grid()

self.create_widgets()

def create_widgets(self):

raise NotImplementedError

class ParametersFrame(BaseFrame):

def create_widgets(self):

relevanta = {'PC': 0.3,

'PI': 0.1,

'PM': 0.1,

'PS': 0.5

}

elements = {'PC':{'PC1':'Spatiu fizic',

'PC2':'Mediul ambiant',

'PC3':'surse ce pot introduce perturbatii'},

'PI': { 'PI1':'Caracteristici electrice ale interfetei',

'PI2': 'Caracteristici mecanice ale interfetei',

'PI3': 'Caracteristici constructive'

},

'PM': { 'PM1': 'Caracteristici electrice ale masinii',

'PM2': 'Caracteristici mecanice ale masinii',

'PM3': 'Caracteristici constructive',

'PM4': 'Metode si algoritmi ai ma'

},

'PS': { 'PS1': 'Caracteristici anatomice ',

'PS2': 'Modul de raspuns in bucla de feedback',

'PS3': 'Conditia medicala ',

'PS4': 'Nivelul general de adoptare al tehnologiei',

'PS5': 'Caracteristici specific/special ale fiecarui subiect'

}

}

params = { 'PC1':{'PC11':'Zgomot (usor de evidentiat)',

'PC12':'Temperatura (<18 grade; > 24 grade)',

'PC13':'Iluminat (natural, fara efecte speciale, nederanjant)',

'PC14':'Alte aspecte prezente (spatiu necunoscut, neplacut)'

},

'PC2':{ 'PC21':'Interior[]/ Exterior[X]',

'PC22':'Subiectul se afla in miscare DA:[X], NU:[]'

},

'PC3':{ 'PC3':'Exista surse (altele decat PC1 si PC2)'

},

'PI1': {'PI1':'Interfata este sensibila din punct de vedere electric '

},

'PI2': {'PI2':'Interfata este sensibila din punct de vedere mecanic '

},

'PI3': {'PI3':'Exista caracteristici constructive … '

},

'PM1': {'PM1':'Sistemul tehnic este sensibila din punct de vedere electric '

},

'PM2': {'PM1':'Sistemul tehnic este sensibila din punct de vedere electric '

},

'PM3': {'PM1':'Exista caracteristici constructive ale sistemului tehnic '

},

'PM4': {'PM1':'Algoritmii si metodele masinii pot fi surse de erori '

},

'PS1': {'PS1':'Subiectul prezinta caracteristici anatomice proprii … '

},

'PS2': {'PS2':'Subiectul prezinta: emotii puternice, stress, '

},

'PS3': {'PS3':'Probleme de sanatate temporare sau permanente '

},

'PS4': {'PS4':'Subiectul nu este obisnuit sau familiarizat… '

},

'PS5': {'PS5':'Subiectul prezinta particularitati specific proprii – '

},

}

ordered_relevanta = OrderedDict(sorted(relevanta.items(), key=lambda t: t[0]))

cb_val = []

def cb_nested():

r = 0

bci_tci = 0

for rel, procent in ordered_relevanta.items():

ordered_elements = OrderedDict(sorted(elements[rel].items(), key=lambda t: t[0]))

sum_rel = 0

k = 0

for ke in ordered_elements.keys():

if rel in ke:

sum_elem = 0

for c in range(len(params[ke].values())):

sum_elem+=cb_val[r][c].get()

sum_rel+= sum_elem/(c+1)

r+=1

k+=1

bci_tci+=(sum_rel/k)*procent

GV.bcitci = (1-bci_tci)*100

GV.bcitci = float("{0:.2f}".format(GV.bcitci))

paraFrame = tk.Frame(self, bg="light grey", borderwidth=3, relief="raised", pady=2, padx=2)

paraFrame.grid(row = 0, column = 0,sticky = tk.W+tk.E+tk.N+tk.S)

for r in range(20):

paraFrame.rowconfigure(r, weight=1)

for c in range(5):

paraFrame.columnconfigure(c, weight=1)

ie = 0

i = 0

tk.Label(paraFrame, text = 'Matrice de gestiune a parametrilor de interfatare BCI – calcul BCITCI ', font=LABEL_FONT_TITLE).grid(row=0, column=1,columnspan=3, padx = 2,sticky = tk.EW)

for rel in ordered_relevanta.keys():

ordered_elements = OrderedDict(sorted(elements[rel].items(), key=lambda t: t[0]))

for ke in ordered_elements .items():

cb_val.append([])

ordered_params = OrderedDict(sorted(params[ke[0]].items(), key=lambda t: t[0]))

ip = 0

for kp,vp in ordered_params.items():

cb_val[ie].append(tk.IntVar())

tk.Label(paraFrame, text = kp, font=LABEL_FONT).grid(row=i+1, column=1,padx = 2,sticky = tk.E)

tk.Label(paraFrame, text = vp, font=LABEL_FONT).grid(row=i+1, column=2,padx = 2,sticky = tk.W)

cb = tk.Checkbutton(paraFrame, text='', onvalue=1, offvalue=0, variable=cb_val[ie][ip], command=cb_nested)

cb.grid(row=i+1, column=3,padx = 2,sticky = tk.W)

ip+=1

i+=1

ie+=1

self.new_button = tk.Button(self,anchor=tk.E,command=lambda: self.controller.show_frame(MainFrame),padx=5,pady=5,text="Calculeaza")

self.new_button.grid(row=0, column=3,padx=5, pady=5, sticky=tk.W+tk.E)

class MainFrame(BaseFrame):

def startMasurare(self):

ordered_scale_var = OrderedDict(sorted(GV.scale_var.items(), key=lambda t: t[0]))

ordered_cb_activ = OrderedDict(sorted(GV.cb_activ.items(), key=lambda t: t[0]))

#: processSample_ok

ps = processSample(ordered_cb_activ,ordered_scale_var)

#: processSample

#…ps = processSample(ordered_cb_activ,ordered_scale_var,GV.egg_bcitci)

ps.matrixSample()

def create_widgets(self):

lblList = ['ALPHA', 'BETA','DELTA','GAMMA','THETA']

self.frames_dict = {}

pw = tk.PanedWindow(self, orient="horizontal", width='800')

pw.grid(row=0, column=0, sticky ="nsew")

def _on_view_scaled(value):

lbltxt = "Interval analiza: [ 1/{} ]".format(value)

lblSlider = tk.Label(self.rightFrame,text=lbltxt,font=LABEL_FONT, fg = "blue")

lblSlider.grid(row=1, column=0, padx=10, sticky = tk.W)

def _on_ch_scale(value):

pass

#for k, v in GV.scale_var.items():

#print("k:{} – v:{}".format(k,v.get()))

#print("_on_ch_scale:{}".format(value))

def cb_nested():

pass

#for k,v in GV.cb_activ.items():

#print("k:{} – v:{}".format(k,v.get()))

def cb_bcitci():

GV.egg_bcitci =1+((100-GV.bcitci)/100)*GV.cb_is_bcitci.get()

self.leftFrame = tk.Frame(pw, bg="light grey", borderwidth=2, relief="raised", pady=2, padx=2)

self.rightFrame = tk.Frame(self, bg="light grey", borderwidth=2, relief="raised", pady=2, padx=2)

pw.add(self.leftFrame, stretch="first")

pw.add(self.rightFrame, stretch="last")

self.frames_dict[self.leftFrame]="LF"

self.frames_dict[self.rightFrame]="RF"

"""Create the base widgets for the frame."""

'''

self.new_button = tk.Button(self,anchor=tk.W,

command=lambda: self.controller.show_frame(ExecuteFrame),

padx=5, pady=5, text="Execute")

self.new_button.grid(padx=5, pady=5, sticky=tk.W+tk.E)

'''

#: LEFT_FRAME

for r in range(10):

self.leftFrame.rowconfigure(r, weight=1)

for c in range(3):

self.leftFrame.columnconfigure(c, weight=1)

GV.cb_is_bcitci = tk.IntVar()

tk.Label( self.leftFrame, text="Setare valoare parametru BCITCI",font=LABEL_FONT_TITLE).grid(row=0, column=0,columnspan=3, sticky = tk.EW)

tk.Label( self.leftFrame, text="",font=LABEL_FONT).grid(row=1, column=0,rowspan=2,columnspan=3, sticky = tk.EW)

tk.Label( self.leftFrame, text="Parametru actual:",font=LABEL_FONT, fg = "blue").grid(row=3, column=0,padx=5,pady = 2, sticky = tk.EW)

entPA = tk.Entry( self.leftFrame,font=ENTRY_FONT,justify='center')

entPA.grid(row=3,column=1, sticky = tk.W)

entPA.delete(0,tk.END)

entPA.insert(tk.END,GV.bcitci)

entPA.bind("<Key>", lambda e: "break")

lblInfo = tk.Label( self.leftFrame, text="",font=LABEL_FONT_NO_BOLD)

tk.Checkbutton(self.leftFrame, text='BCITCI activ', onvalue=1, offvalue=0, variable=GV.cb_is_bcitci,command=cb_bcitci).grid(row=5, column=2, pady = 2, sticky = tk.W)

tk.Label( self.leftFrame, text="",font=LABEL_FONT).grid(row=5, column=0,rowspan=4, sticky = tk.EW)

bttnEditParam = tk.Button( self.leftFrame, text="Calcul BCITCI",font=BUTTON_FONT,width=20, command=lambda: self.controller.show_frame(ParametersFrame))

bttnEditParam.grid(row=6,column=1)

def onShowFrame(self):

entPA.delete(0,tk.END)

entPA.insert(tk.END,GV.bcitci)

entPA.bind("<Key>", lambda e: "break")

if GV.bcitci < 60.00:

lblInfo['text'] = 'Contextul masurarii este irelevant'

lblInfo['fg'] = 'red'

else:

lblInfo.config(text='Contextul masurarii este relevant')

lblInfo.config(fg='green')

lblInfo.grid(row=4, column=1,columnspan=2,padx=2,pady = 2, sticky = tk.W)

self.bind("<<ShowFrame>>", onShowFrame)

#: RIGHT_FRAME

for r in range(10):

self.rightFrame.rowconfigure(r, weight=1)

for c in range(5):

self.rightFrame.columnconfigure(c, weight=1)

GV.cb_view_scaled = tk.IntVar()

tk.Label(self.rightFrame, text="Setare parametrii masurare",font=LABEL_FONT_TITLE).grid(row=0, column=0,columnspan=4, sticky = "we")

self.sliderRange = tk.Scale(self.rightFrame, from_= 1, to=4, orient = tk.HORIZONTAL, command = _on_view_scaled)

self.sliderRange.grid(row = 1, column = 1,columnspan=2, sticky = tk.W)

tk.Checkbutton(self.rightFrame, text='afisare scalata', onvalue=1, offvalue=0, variable=GV.cb_view_scaled).grid(row=2, column=1, pady = 2, sticky = tk.W)

tk.Label(self.rightFrame, text="PRAG VALORI SEMNAL",font=LABEL_FONT).grid(row=3, column=0, padx=10,pady=10,sticky = "w")

tk.Label(self.rightFrame, text="Activ",font=LABEL_FONT).grid(row=3, column=2,pady=10,sticky = tk.W )

for lbl in lblList:

GV.cb_activ[lbl] = tk.IntVar()

GV.scale_var[lbl] = tk.IntVar()

k = lblList.index(lbl ) + 1

tk.Label(self.rightFrame, text=lbl,font=LABEL_FONT, fg = "blue").grid(row = k + 3,column = 0,padx=50, pady = 2,sticky = tk.E)

ch_scale = tk.Scale(self.rightFrame, from_= 1, to=8, orient = tk.HORIZONTAL, variable = GV.scale_var[lbl],command =_on_ch_scale)

ch_scale.grid(row = k+3, column = 1)

cb = tk.Checkbutton(self.rightFrame, text='', onvalue=1, offvalue=0, variable=GV.cb_activ[lbl], command=cb_nested)

cb.grid(row = k + 3, column = 4, pady = 2, sticky = tk.W)

tk.Button(self.rightFrame, text = "Vizualizare",font=BUTTON_FONT,width=25, command = self.startMasurare).grid(row =9, column = 0, columnspan=3, pady = 20)

class SecventoGUI(tk.Tk):

def __init__(self):

tk.Tk.__init__(self)

self.title("Secvento")

self.minsize(width=800, height=500)

self.maxsize(width=800, height=500)

#…self.resizable(0, 0)

self.create_widgets()

def create_widgets(self):

# Frame Container

self.container = tk.Frame(self)

self.container.grid(row=0, column=0)

# Frames

self.frames = {}

for f in (MainFrame, ParametersFrame):

frame = f(self.container, self)

frame.grid(row=0, column=0, sticky=tk.NSEW)

self.frames[f] = frame

self.show_frame(MainFrame)

def show_frame(self, cls):

frame = self.frames[cls]

frame.tkraise()

frame.update()

frame.event_generate("<<ShowFrame>>")

if __name__ == "__main__":

app = SecventoGUI()

app.mainloop()

exit()

Fisierul processSample.py

import csv

import os

from collections import OrderedDict

from time import sleep

from classBuzzer import BUZZER

# Import library

import MAX7219array as m7219

class processSample(object):

def __init__(self,cbactiv=None, eggscale=None ):

self.dn = os.path.dirname(os.path.realpath(__file__))

self.fn = os.path.join(self.dn,"csv_muse.csv")

self.fn_dict = os.path.join(self.dn,"dict_muse.csv")

if cbactiv is None:

cbactiv = {}

self.cbactiv = cbactiv

if eggscale is None:

eggscale = {}

self.eggscale = eggscale

self.matrix = []

self.ch_list = ['alpha_relative','beta_relative','delta_relative','gamma_relative','theta_relative']

self.ch_list = ['alpha_relative','beta_relative','delta_relative','gamma_relative','theta_relative']

self.ch_egg = {"alpha_relative":"alpha","beta_relative":"beta","delta_relative":"delta","gamma_relative":"gamma","theta_relative":"theta"}

self.ch_time = {"alpha_relative":'', "beta_relative":'', "delta_relative":'', "gamma_relative":'', "theta_relative":'' }

self.ch_val = {"alpha_relative":0.0, "beta_relative":0.0, "delta_relative":0.0, "gamma_relative":0.0, "theta_relative":0.0 }

self.ch_k = {"alpha_relative":1, "beta_relative":1, "delta_relative":1, "gamma_relative":1, "theta_relative":1 }

self.bar_led = [128, 192, 224, 240, 248, 252, 254, 255]

def writeDict(self):

with open(self.fn_dict, "w") as f:

for key in self.ch_list:

ordered_dict = OrderedDict(sorted(self.ch_egg[key].items(), key=lambda t: t[0]))

for k,v in ordered_dict.items():

f.write('{},{},{}\n'.format(key,k, v))

self.matrix = [[0 for _ in range(8)] for _ in range(len(self.ch_egg['alpha_relative'].values()))]

for key in self.ch_list:

row = 0

i = self.ch_list.index(key)

ordered_dict = OrderedDict(sorted(self.ch_egg[key].items(), key=lambda t: t[0]))

for k,v in ordered_dict.items():

self.matrix[row][i] = v

row+=1

def scaleEGG(self,val_egg):

egg_min = 0.5

egg_max = 0.9

egg_led = 0

egg_val = 0

# [0x80,0xC0, 0xE0, 0xF0, 0xF8, 0xFC, 0xFE, 0xFF]

led = [128, 192, 224, 240, 248, 252, 254, 255]

valegg = 1- float("{0:.2f}".format(val_egg))

valegg = float("{0:.2f}".format(valegg))

if valegg <= egg_min:

egg_led = 128

elif valegg >= egg_max:

egg_led = 255

else:

egg_led = int(((255+128)/(egg_max + egg_min))*valegg)

for i in range(7):

if (egg_led > led[i]) and (egg_led<=led[i+1]):

if egg_led > (led[i] + led[i+1])/2:

egg_val = led[i+1]

else:

egg_val = led[i]

elif (egg_led <= led[0])or (egg_led >= led[7]):

egg_val = egg_led

return egg_val

def getEGG(self):

for key in self.ch_list:

self.ch_egg[key] = {}

self.ch_time[key] = ''

with open(self.fn) as csvfile:

reader = csv.reader(csvfile)

time_var = ''

for rw in reader:

row = rw[0:8]

if 'a_relative' in row[3]:

for key in self.ch_list:

if key in row[3]:

if row[2] == self.ch_time[key]:

self.ch_k[key]+=1

self.ch_val[key] = self.ch_val[key] + (float(row[4]) + float(row[5]) + float(row[6]) + float(row[7]))/4

else:

if self.ch_time[key] != '':

self.ch_egg[key][self.ch_time[key]] = self.scaleEGG(self.ch_val[key]/self.ch_k[key])

self.ch_k[key]=1

self.ch_val[key] = (float(row[4]) + float(row[5]) + float(row[6]) + float(row[7]))/4

self.ch_time[key] = row[2]

self.writeDict()

def matrixSample(self):

buzzer = BUZZER()

self.getEGG()

egg_scale = {}

cb_activ = {}

i=0

for k,v in self.cbactiv.items():

cb_activ[i] = v.get()

i+=1

print("cb_activ:{}".format(cb_activ))

i=0

for k, v in self.eggscale.items():

egg_scale[i] = self.bar_led[v.get()-1]

i+=1

m7219.init()

matrix_egg = self.matrix

try:

for row in range(len(matrix_egg)):

for matrix in range(1):

for col in range(8):

if col in range(5):

if cb_activ[col] > 0:

if matrix_egg[row][col] >= egg_scale[col]:

buzzer.play()

m7219.send_matrix_reg_byte(matrix, col+1, matrix_egg[row][col])

sleep(1)

except KeyboardInterrupt:

m7219.clear_all()

m7219.clear_all()

def main():

#pass

ps = processSample()

ps.getEGG()

ps.matrixSample()

if __name__ == "__main__":

main()

Fisierul ClassBuzzer.py

from time import sleep

import RPi.GPIO as GPIO

class BUZZER(object):

def __init__(self):

# SET GPIO MODE

GPIO.setmode(GPIO.BCM)

GPIO.setwarnings(False)

# GPIO PIN ALLOCATION

self.buzzer_pin = 5

# GPIO setup

GPIO.setup(self.buzzer_pin, GPIO.OUT)

#print("buzzer ready")

def __del__(self):

class_name = self.__class__.__name__

#print (class_name, "finished")

def buzz(self,pitch, duration):

if(pitch==0):

sleep(duration)

return

period = 1.0 / pitch

delay = period / 2

cycles = int(duration * pitch)

for i in range(cycles):

GPIO.output(self.buzzer_pin, True)

sleep(delay)

GPIO.output(self.buzzer_pin, False)

sleep(delay)

def play(self):

GPIO.setmode(GPIO.BCM)

GPIO.setup(self.buzzer_pin, GPIO.OUT)

x=0

#print("Playing tune ")

#pitches=[262,294,330,349,392,440,494,523, 587, 659,698,784,880,988,1047]

pitches=[262]

duration=0.1

for p in pitches:

self.buzz(p, duration)

sleep(duration *0.1)

'''

for p in reversed(pitches):

self.buzz(p, duration)

sleep(duration *0.1)

'''

#GPIO.setup(self.buzzer_pin, GPIO.IN)

'''

def play(self):

GPIO.output(self.buzzer_pin,GPIO.HIGH)

sleep(0.5)

GPIO.output(self.buzzer_pin,GPIO.LOW)

try:

try:

for l in self.readRAW():

sleep(0.5)

self.segsON(int(l))

except KeyboardInterrupt:

print("–– EXIT KEYBOARD ––")

sys.exit()

except Exception as e:

print("EXCEPTION:{}".format(e))

except KeyboardInterrupt:

self.segsOFF()

sys.exit()

finally:

print("–– EXIT SCRIPT ––")

sleep(0.5)

# cleanup GPIO

GPIO.cleanup()

#exit program

print("–– EXIT NOW ––")

sleep(0.5)

sys.exit()

'''

def main():

buzzer = BUZZER()

buzzer.play()

pass

if __name__ == "__main__":

main()

Fisierul ClassLed.py

from time import sleep

from datetime import datetime

import os

import sys

import RPi.GPIO as GPIO

class LED_BAR:

def __init__(self):

# SET GPIO MODE

GPIO.setmode(GPIO.BCM)

GPIO.setwarnings(False)

# GPIO PIN ALLOCATION

self.segs = [4,5,6,13,19,23,24,25,12,16]

self.leds = [20,21]

# GPIO setup

for seg in self.segs:

GPIO.setup(seg, GPIO.OUT)

def segsOFF(self):

for seg in self.segs:

GPIO.output(seg,GPIO.LOW)

def segsON(self,n):

for seg in self.segs:

if n > self.segs.index(seg):

GPIO.output(seg,GPIO.HIGH)

else:

GPIO.output(seg,GPIO.LOW)

def readRAW(self):

dn = os.path.dirname(os.path.realpath(__file__))

fn = os.path.join(dn,"samplEEG.csv")

with open(fn,'r') as f:

for line in f:

lf = line.split(',')

return lf

def processRAW(self):

try:

try:

for l in self.readRAW():

sleep(0.5)

self.segsON(int(l))

except KeyboardInterrupt:

print("–– EXIT KEYBOARD ––")

sys.exit()

except Exception as e:

print("EXCEPTION:{}".format(e))

except KeyboardInterrupt:

self.segsOFF()

sys.exit()

finally:

print("–– EXIT SCRIPT ––")

sleep(0.5)

# cleanup GPIO

GPIO.cleanup()

#exit program

print("–– EXIT NOW ––")

sleep(0.5)

sys.exit()

def main():

#lb = LED_BAR()

#lb.processRAW()

pass

if __name__ == "__main__":

main()

ANEXA 3: FORMULAR DE CONSIMȚĂMÂNT INFORMAT

Prin semnarea acestui document, orice persoană cu vârstă peste 18 ani își dă consimțământul pentru a participa la experimentul științific descris mai jos.

Înainte de a vă decide asupra participării, este important ca dumneavoastră să înțelegeți motivul efectuării acestei evaluări, ce anume implică ea și ce beneficii, riscuri și dificultăți poate să aducă.

Vă rugăm să citiți următoarele informații cu atenție, înainte de a accepta să participați și să vă dați acordul final în scris. Participarea la evaluare este în întregime voluntară. Puteți părăsi această evaluare în orice moment.

A. Scopul. Acest experiment este realizat ca parte a unui studiu experimental privind preluarea semnalului EEG propriu. Rezultatele constau într-un număr foarte mare de valori numerice reprezentând valorile subcomponentelor EEG. Valorile vor fi ulterior utilizate pentru realizarea unui studiu statistic cu aplicabilitate în interfețele BCI (brain computer interface), pentru identificarea unor triggere de comportament sau activitate mentală sau pentru identificarea nivelului de atenție și meditație la momentul preluării.

B. Proceduri. Vi se va cere să luați o poziție confortabilă (așezat pe scaun), să permiteți montarea căștii de preluare semnal EEG pe capul dumneavoastră și să respectați instrucțiunile operatorului. Trebuie să cunoașteți că:

este posibil să vi se ceară să realizați anumite operații matematice, de gândire sau de imaginație, în special specifice atenției și zonei cognitive;

este posibil să vi se solicite urmărirea unor imagini, a unor videoclipuri sau ascultarea anumitor sunete sau fragmente sonore;

este posibil pe baza răspunsurilor dumneavoastră să vi se solicite sau invoce aspecte care să va provoace stres emoțional.

C. Posibile riscuri. Această procedură nu implică riscuri asociate pentru sănătatea dumneavoastră. Rezultatele obținute prin experimente nu constituie un diagnostic, nu au legătură cu aspectele clinice și nu pot fi folosite în alt scop decât cel declarat la punctul 1.

D. Posibile beneficii. În urma participării la această evaluare veți putea dobândi informații în neuroștiințe, operatorul explicându-vă, dacă este solicitat, amănunte privitoare la activitatea neurală a creierului și a semnalelor măsurate.

E. Considerații financiare. Participarea la această evaluare este gratuită, nu are costuri asociate, fiind realizată în scop demonstrativ.

F. Confidențialitatea. Pentru a vi se asigura confidențialitatea, în sistemul integrat de evaluare nu se vor înscrie date cu caracter personal, valorile parametrilor determinați fiind înscrise în Baza de Date fără asocierea cu un nume (și prin Subiect S1, Subiect S2…). În cazul în care rezultatele evaluării vor fi utilizate ulterior în publicații științifice sau de altă natură sau vor fi prezentate la conferințe naționale sau internaționale, persoanele care au fost examinate nu vor fi nominalizate sau identificabile în niciun mod.

G. Informații despre proprietatea și utilizarea datelor. Datele obținute din evaluare vor fi deținute de persoana ce aplică evaluarea și vor fi folosite numai în scop științific.

H. Terminarea evaluării. Sunteți liber să decideți dacă doriți sau nu să participați la acestă evaluare. Sunteți liber să vă retrageți în orice moment. Retragerea dumneavoastră din procesul de evaluare nu implică niciun fel de consecințe directe sau indirecte pentru dumneavoastră.

I. Precizări finale. Dacă v-ați hotărât să luați parte la această evaluare, vă rugăm să adresați orice întrebare operatorului, pentru a fi sigur că ați înțeles în totalitate ceea ce se va întâmpla.

Operator: …………………………………

J. Consimțământ Informat Scris

Subsemnatul/a …………………………………………………………………………………………, am citit și am înțeles toate informațiile care mi-au fost oferite privind participarea mea la această evaluare și afirm că am avut posibilitatea să discut și să adresez întrebări cu privire la acest subiect. Am primit răspunsuri la toate întrebările și am luat decizia de a participa la această evaluare în mod voluntar. Înțeleg că voi primi o copie a acestui formular de Consimțământ Informat Scris pe care l-am semnat.

Email: …………………………………………………

Nr telefon: …………………………………………..

Semnătura ………………………………………….

ANEXA 4: INSTRUMENT DE APLICARE A METODEI DE CALCUL BCITCI

Instrumentul prezentat mai jos este preluat din Excel, prin urmare nu este unul funcțional ci doar cu scop de prezentare. La preluarea din Excel s-au pierdut formatările speciale și formulele de calcul aferente.

Figura A4.1 Instrument de aplicare a metodei de calcul BCITCI