Um Wrapper para Seleção de Eletrodos em Interfaces Cérebro Computador Baseadas em Imaginação de Movimento Maria B Kersanach Luisa F S Uribe Thiago B S Costa Romis Attux 2015-2016
Interface Cérebro Computador: O que é? Interface Cérebro-Computador é um sistema de comunicação no qual mensagens ou comandos que um indivíduo envia para o mundo externo não passam por vias de saída normais do cérebro, como nervos periféricos e músculos, mas sim pela tradução de fenômenos eletrofisiológicos, sejam eles evocados ou espontâneos. Ao traduzir a atividade eletroquímica do tecido neural diretamente em uma função - seja motora, sensorial ou até mesmo cognitiva -, a BCI pode funcionar como uma prótese para os nervos e músculos, sendo chamada de neuroprótese motora.
Principais Paradigmas Existentes P 300 SSVEP MOTOR IMAGERY [Carvalho et al., 2015] [Uribe et al., 2016]
Imaginação de Movimento Simulação mental de um movimento cinestésico que modula atividades da banda mu e beta no córtex sensoriomotor sem qualquer movimento físico do corpo. Seja a realização do movimento, sua preparação ou somente a imaginação de estar realizando-no criam oscilações em regiões / funções similares do cérebro, o que possibilita a utilização desta característica para a tradução da intenção do usuário. Exemplos de Aplicação: Engenharia de Reabilitação (cadeira de rodas, exoesqueleto) e Jogos.
Visão Geral da Interface
#1 Aquisição Touca modelo g.saharasys de 16 eletrodos secos privilegiando o córtex motor; 20 sessões de 8 segundos cada Alterna entre momentos de imaginação da mão esquerda, direita e repouso. Frequência de Amostragem do Sinal de 256 Hz. Janelamento de 3 s com sobreposição de 0,5 s. Aquisições aprovadas pelo comitê de ética da UNICAMP (protocolo 791/2010)
#2 Pré Processamento Amplificador do tipo g.usbamp (GTEC); Filtro passa-banda entre 5 e 60 Hz; Reduzir interferências externas (ex.: rede elétrica, filtro notch 60 Hz) e internas (sinais fora do contexto); - Aumentar a relação sinal / ruído; Filtro Espacial Filtro CAR: Filtro de Referência de Média Comum Reduz a presença de artefatos semelhantes presentes na maioria dos eletrodos, o que destaca as informações que evidenciarão a diferença entre os sinais! V = V(j) - 1 n V(j)
#3 Extração de Características Extrair as informações dos dados de cada eletrodo para uma sessão; Método do Periodograma de Welch Estima a densidade espectral de potência (PSD) utilizando a Transformada de Fourier (FFT). Muda do domínio do tempo para o domínio da frequência; Bandas utilizadas: 8 a 12 Hz, 12 a 16 Hz e 16 a 20 Hz. Cada janela (3 s) = gera 3 atributos (1 PSD/banda). = 3 * N atributos (N = número de eletrodos) Gera vetor de atributos para próxima etapa! (Classificação)
#4 Classificação Identificar a intenção do usuário a partir de opções pré-definidas. Sinais neurofisiológicos são associados a comandos para a máquina. Recebe atributos e toma uma decisão quanto a qual conjunto eles pertencem (no caso, imaginação da mão esquerda ou da direita). Método escolhido: Mínimos Quadrados - Linear! MMQ -> Matriz Pseudo-Inversa de Moore-Penrose Matriz Pseudo-Inversa & Rótulos -> vetor w (solução ótima) Resposta gerada = matriz de características * vetor w y = w(i) * a(i) + w(0)
#4 Classificação #1 Passo: Treinamento A. Roda o classificador em 70% das sessões (escolhidas aleatoriamente) com acesso aos rótulos (respostas esperadas); B. Gera estrutura w (identidade do classificador); #2 Passo: Teste A. Roda os 30% restantes dos dados mantendo a estrutura gerada (w) no treinamento para o classificador; B. Compara a resposta obtida em #2 com o rótulo associado; C. Gera uma taxa de erro que julga o conjunto de eletrodos em questão.
mas a melhor informação está sempre na mesma região?
mas a melhor informação está sempre na mesma região? SIM! (Geralmente, sim)
mas a melhor informação está sempre nos mesmos eletrodos?
mas a melhor informação está sempre nos mesmos eletrodos? Nem Sempre...
#5 Seleção de Atributos Elimina atributos redundantes e/ou irrelevantes. Método escolhido: Wrappers Progressivo Avalia progressivamente subconjuntos variáveis utilizando o próprio classificador para selecionar os eletrodos mais relevantes. Inicia com um eletrodo e iterativamente cria subconjuntos de até 16 eletrodos ao testar os subgrupos decorrentes da adição de um eletrodo por vez. Parâmetro de relevância: taxa de erro no teste.
Visão Geral da Interface próximo passo: Resultados!
Análise De Resultados 3 voluntários saudáveis do banco de dados - resultados escolhidos para representarem diferentes níveis de resposta ao uso da interface. Sem treinamento prévio com a interface (!); Respostas: Sujeito 1, melhores resultados; Sujeito 2, resultados medianos; Sujeito 3, respostas abaixo da média.
Indivíduo 1: Resultados Acima da Média Média das taxas de erro: 15,7% Desvio Padrão: 5,2% Taxa de Erro e Ordens Ótimas de 4 Trials para o Sujeito 1 Trial Menor Taxa de Erro (%) Ordem ótima dos eletrodos até o mínimo do wrapper 1 9,09 FC4, C4, C2, CP4 2 21,21 C4, FC4, CP3, POz, CP4, Pz 3 18,18 C4, Pz, CP3, C2, FC3, C6, FCz 4 14,39 C4, Pz, FC4, CP3, Fz Resultado para o Sujeito 1 Trial 3
Indivíduo 2: Resultados na Média Média das taxas de erro: 20,8% Desvio Padrão: 8,85% Resultados do Trial 1 do Sujeito 2 Resultados do Trial 3 do Sujeito 2 Trial Menor Taxa de Erro (%) Ordem ótima dos eletrodos até o mínimo do wrapper 1 27,27 Cz, C6, C3, C4 2 14,39 C6, POz, CP3, CPz, FC4,Pz, CP4, C2 3 29,55 C4, Fz, C3, C5, FC3, Pz, FCz, CP3, CP4, C1 4 12,12 Cz, C6, CP3, POz, FC3, CP4, Pz, FC4, C5, CPz Taxa de Erro e Ordens Ótimas de 4 Trials para o Sujeito 2
Indivíduo 3: Resultados Abaixo da Média Média das taxas de erro: 30,88% Desvio Padrão: 3,63% Taxa de Erro e Ordens Ótimas de 4 Trials para Sujeito 3 Trial Menor Taxa de Erro (%) Ordem ótima dos eletrodos até o mínimo do wrapper 1 29,55 CP4, C3, C4, C5, Pz, FCz, C6, CP3, CPz, FC3 2 32,58 C1, POz, CPz, CP4 3 26,52 CP3, C2, C1, C6, Cz, Pz, CP4, FCz 4 34,85 CP4, FC3, Fz Resultados do Trial 4 do Sujeito 3
Algumas Observações... Da Biologia Diferença de evocação entre indivíduos Diferença entre trials na evocação de um mesmo indivíduo (aleatorização) Da Interface Importância do conjunto de melhor ordem e tamanho Prós e Contras do Algoritmo Progressivo
Possíveis Melhorias Adaptação do Usuário à Interface { Neuroplasticidade cerebral } Treinamento prévio do usuário Feedback para usuário Adaptação da Interface ao Usuário { Aprendizado de Máquina } MMQ (linear) + Redes Neurais (não-linear) Wrapper + Algoritmos Genéticos
Possíveis Melhorias Adaptação do Usuário à Interface { Neuroplasticidade cerebral } Treinamento prévio do usuário Feedback para usuário Adaptação da Interface ao Usuário { Aprendizado de Máquina } MMQ (linear) + Redes Neurais (não-linear) Wrapper + Algoritmos Genéticos Próximo Passo!
Contatos Maria B Kersanach mmboker@gmail.com Romis Attux attux@dca.fee.unicamp.br Agradecimentos atenção de vocês!