Detección de Potenciales Evocados Visuales de Estado

Estacionario de Alta Frecuencia para Interfaz Cerebro

Computadora

Pablo F. Diez1, Vicente A. Mut

2, Enrique M. Avila

1 y Eric Laciar Leber

1

1 Gabinete de Tecnología Médica, Facultad de Ingeniería – Universidad Nacional de San Juan.

2 Instituto de Automática, Facultad de Ingeniería – Universidad Nacional de San Juan.

E-mail: pdiez@gateme.usnj.edu.ar Resumen. En este trabajo se presenta un método simple para la detección de potenciales

evocados visuales de estado estacionario (PEVEE) de alta frecuencia. Estos PEVEE tiene la

desventaja de ser más pequeños que los PEVEE en medias y bajas frecuencias y por lo tanto

más difíciles de detectar. Sin embargo, con altas frecuencias la fatiga visual que se produce

sobre el usuario es mucho menor o nula. Esto es un factor muy importante, ya que el usuario de

una Interfaz Cerebro Computadora (ICC) debe pasar muchas horas del día utilizándola, ya que

es posiblemente, su único medio de comunicación. Seis sujetos participaron de un experimento

donde debían comandar un objeto móvil en la pantalla utilizando una ICC basada en PEVEE

de alta frecuencia. Los sujetos fueron estimulados con luces que parpadean entre 37 y 40 Hz.

La señal EEG fue adquirida utilizando un amplificador Grass MP15 en las posiciones O1, Oz y

O2 y digitalizadas a 256 Hz. El método propuesto permite obtener una exactitud en la

clasificación de 65% a 100%, y una velocidad de transmisión de la información comprendida

entre 9.4 a 45 bits/min.

1. Introducción

Una Interfaz Cerebro Computadora (ICC) es un dispositivo que proporciona a una persona de un nuevo canal no muscular de comunicación y control para enviar mensajes o comandos hacia el mundo exterior [1]. De acuerdo a esto, una ICC debe ser capaz de interpretar las intenciones o comandos del usuario, las cuales se reflejan en su actividad cerebral, que generalmente es medida a través de la electroencefalografía (EEG).

Un tipo particular de ICC es basada en los Potenciales Evocados Visuales de Estado Estacionario

(PEVEE). Se puede definir un PEVEE como la respuesta evocada a un estímulo visual repetitivo, generalmente a frecuencias mayores a 6 Hz [2]. Los PEVEE también son conocidos por su sigla en inglés de Steady-State Visual Evoked Potentials (SSVEP).

Los PEVEE pueden ser divididos en tres categorías, dependiendo de la frecuencia de estimulación, en: PEVEE de frecuencias bajas (de 6 a 12 Hz), PEVEE de frecuencias medias (de 12 a 30 Hz) y PEVEE de frecuencias altas (mayores a 30 Hz) [3]. Asumiendo la misma potencia del estímulo visual, los PEVEE en el rango de frecuencias altas son los que poseen menor amplitud, y por lo tanto los más

difíciles de detectar en registros EEG. Sin embargo, el EEG espontáneo (que es considerado como ruido) es menor en el rango de alta frecuencia y por lo tanto, la relación señal-ruido es similar en los

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

tres rangos frecuenciales [4]. No obstante, cabe resaltar que los estímulos utilizados para producir PEVEE de alta frecuencia tienen la ventaja de producir menor fatiga visual, causada por el destello del mismo estímulo [5], [6]. Por otra parte, los estímulos en el rango de media frecuencia pueden originar ataques epilépticos [7].

En la bibliografía existen pocos trabajos que utilizan PEVEE de alta frecuencia en comparación con la cantidad de trabajos que usan PEVEE de bajas y medias frecuencias. Por ejemplo, un campo de estimulación alterno con dos estímulos es propuesto en [5]. Los estímulos se encuentran comprendidos en el rango de 25 a 40 Hz y son usados para la detección de ocho símbolos en un teclado virtual, donde se implementa la diferencia entre los PEVEE de los dos campos alternos a través de la colocación de dos electrodos diferenciales, uno en cada hemisferio cerebral. Una comparación entre la Transformada Wavelet y la Transforma de Hilbert-Huang para la detección de PEVEE en segmentos EEG de 10 s de duración es planteada en [6], con los estímulos parpadeando entre 30 y 50 Hz.

Un método basado en análisis de componentes individuales para descomponer el EEG de varios canales en solo seis, y detectar PEVEE en tramos de 1 s de señal EEG fue propuesto en [8]. Este método fue evaluado sobre dos rangos de frecuencias, ya que se estimuló con 8.8 y 35 Hz.

Un método basado en el análisis de correlación canónica para extraer frecuencias características del EEG y seleccionar los canales, utilizando frecuencias en el rango de 27 a 43 Hz, es introducido en [9]. Más recientemente, una técnica de filtrado espacial fue usado para mejorar la detección de los PEVEE en cuatro frecuencias diferentes (30, 35, 40 y 45 Hz) [10].

En un trabajo anterior [11] se utilizó el rango medias de frecuencias, pero los sujetos que participaron de ese experimento manifestaron cierta molestia o fatiga visual. Luego, en un trabajo ulterior se utilizaron filtros adaptivos para detectar y clasificar los PEVEE [12].

En este trabajo, se presenta un método sencillo para la detección de PEVEE en señales EEG provenientes de cuatro estímulos que se encuentran destellando a alta frecuencia (37, 38, 39 y 40 Hz) y su posterior clasificación. El método propuesto permite obtener altas tasas de clasificación y de transferencia de bits. Además su funcionamiento se puede extender para ser implementado en una ICC

asincrónica, en la cual el sujeto puede enviar comandos a través de la ICC cuando el lo desee y no necesita señal externa de sincronismo.

2. Base de datos

El experimento con PEVEE de alta frecuencia se realizó en el Gabinete de Tecnología Médica (GATEME) de la Universidad Nacional de San Juan. Seis sujetos adultos participaron voluntariamente

del mismo con previo consentimiento informado. Para ello, permanecieron sentados enfrente de un monitor, a cuyos lados se colocaron cuatro luces destellantes iluminadas por leds de alta eficiencia (Figura 1). Las frecuencias a las que destellaban estos leds, casi imperceptibles por parte del usuario,

Figura 1: Imagen de un usuario utilizando la ICC, también se observa el equipamiento para

adquisición de señales EEG y el monitor con los estímulos y el FPGA (izq.). Un esquema del desarrollo temporal de cada prueba (der.)

Procesamiento de EEG 0 1 2 3 4 8 9 10 s

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

eran de 37, 38, 39 y 40 Hz en las luces de arriba, derecha, abajo e izquierda, respectivamente. Las frecuencias eran controladas por un dispositivo lógico programable FPGA Xilinx Spartan2E.

Sobre las posiciones O1, Oz, O2, P3, Pz y P4 se midió el EEG, referenciado a FZ y con masa en A1-A2, utilizando un sistema de amplificación Grass MP15 y un sistema de digitalización NI-

DAQPad6015. Las señales EEG fueron muestreadas a 256 Hz. En este trabajo solo se utilizaron los canales O1, Oz y O2. Además para cada sujeto, se adquiere previamente un EEG de base durante 60 s, mientras el sujeto mira el centro de la pantalla sin prestar atención a ningún estimulo en particular.

El experimento fue dividió en pruebas o intentos, en cada intento se le indicaba al sujeto mediante una flecha en la pantalla cual estímulo debía mirar. Cada intento duraba 10 s con una separación variable entre intentos de 2 a 4 s. Cada uno comenzaba con una señal sonora de alerta (t=0 s) y en t=2 s una de los estímulos era indicado aleatoriamente, con una flecha en pantalla, para que al sujeto comience a mirarlo; es en ese momento donde comienza el procesamiento en línea del EEG. Al final,

se le informa al sujeto cual fue el resultado de la prueba. Todos los sujetos participaron en 4 sesiones y cada sesión constó de 20 intentos, con solo unos minutos entre cada sesión.

Los resultados de la clasificación del EEG pueden ser: 1. Correcto: un PEVEE es detectado y corresponde al estímulo indicada por la flecha en la

pantalla, esto se denomina verdadero positivo. 2. Incorrecto o Error: un PEVEE es detectado y es diferente del estímulo indicado por la flecha

en la pantalla, esto es un falso positivo.

3. No detectado: esta situación ocurre cuando el sujeto no se concentra lo suficiente en la luz del estímulo o el método propuesto no logra detectar el PEVEE, esto se denomina falso negativo.

3. Procesamiento de la señal EEG

El método de procesamiento del EEG se aplicó a ventanas de 2 s de duración que se desplazaban en pasos de 0.25 s. Este método puede ser resumido en las siguientes etapas:

Filtrado digital: las señales fueron filtradas con un filtro pasabanda Butterworth, orden 6, frecuencias de corte en 32 y 45 Hz.

Estimación espectral: el contenido espectral de la señal es analizado a través del

periodograma, que es una técnica basada en la Transformada de Fourier, según:

El periodograma fue implementado con ventana rectangular de 1024 puntos y rellenado de ceros

(zero-padding) y de esta manera, obtener una resolución de 0.25 Hz que será utilizada para el cálculo de la potencia en el punto siguiente

Cálculo de la Potencia: Se propone el cálculo de la potencia normalizada, basado en un trabajo previo [11], según la siguiente ecuación:

siendo P(fi) la potencia normalizada para la frecuencia fi (i = 37, 38, 39 o 40 Hz); es el

periodograma del EEG en canal ch; es el periodograma del EEG de base usado para ecualizar las

potencias; M es 3 ya que se utilizan los canales O1, Oz y O2, los otros canales (P3, Pz y P4) han sido registrados para trabajos ulteriores. La ecualización del espectro es debida a que el espectro del EEG

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

tiene menores potencias a medida que aumenta la frecuencia, por ejemplo, el PEVEE que se obtiene a 37 Hz tiene mayor amplitud que otro potencial observado a los 40 Hz.

Clasificación: Para que un PEVEE sea clasificado como tal y sea etiquetado como una de las

cuatro posibles clases (arriba, derecha, abajo e izquierda), es necesario que cumpla con:

Es decir, que el PEVEE de un estímulo debe tener una potencia mayor que el de los restantes

estímulos durante al menos un periodo de tiempo U. En cada intento se le informaba al sujeto el resultado de la prueba, para esto se utilizó un U fijo de 1.75 s. Sin embargo, en los resultados obtenidos una vez terminado el experimento, se analizó el efecto de la variación de este umbral temporal U.

4. Resultados

En la Tabla 1 se presentan los resultados obtenidos, donde se detalla el porcentaje de intentos que fueron correctamente clasificados, los erróneos y los que no pudieron ser detectados. Los resultados correspondientes a la columna donde U=1.75, son coincidentes con la realimentación que los sujetos recibían durante el experimento. Adicionalmente, se muestran el tiempo medio de detección y la Tasa

de Transferencia de Información (TTI) promedio de cada intento y por minuto. La TTI lo que representa una medida de la información transferida entre el cerebro y la computadora. La TTI se puede calcular como [11]:

donde Pd es la tasa de casos desconocidos, Pe es la tasa de error y N es la cantidad de luces.

5. Discusión

Todos los sujetos que participaron de este experimento no expresaron mayor disconformidad con el efecto de las luces, comprobando que los PEVEE de alta frecuencia producen menor fatiga visual en comparación a la fatiga manifestada por algunos sujetos que también participaron en un experimento anterior realizado en el rango de las frecuencias medias [11], [12].

Tabla 1: Resultados obtenidos para diferentes umbrales de tiempo U

Sujeto

U= 1,5 s U= 1,75 s U= 2 s U= 2,25 s

C E ND Tiempo

[s]

bits

/int

bits

/min C E ND

Tiempo

[s]

bits

/int

bits

/min C E ND

Tiempo

[s]

bits

/int

bits

/min C E ND

Tiempo

[s]

bits

/int

bits

/min

1 100 0 0 2.66 2 45.1 100 0 0 2.91 2 41.2 100 0 0 3.16 2 38 100 0 0 3.41 2 35.2

2 98.8 1.25 0 2.84 1.89 39.9 98.8 0 1.25 3.09 1.98 38.5 98.8 0 1.25 3.43 1.98 34.7 97.5 0 2,5 3.65 1.8 29.9

3 80 18.8 1.3 3.11 0.99 19.20 81.3 13.8 5 3.44 1.14 19.99 81.3 7.5 11.3 3.86 1.33 20.7 82.5 3.8 13.8 4.12 1.47 21.50

4 78.8 21.3 0.0 2.98 0.92 18.5 77.5 17.5 5.0 3.52 0.92 15.7 72.5 15 12.5 3.74 1 16.2 66.3 10 23.8 3.98 1.04 15.8

5 56.3 40 3.8 4.02 0.38 5.70 62.5 26.3 11.3 4.67 0.67 8.60 65 15 20 5.14 0.92 10.76 57.5 10 32.5 5.36 0.92 10.37

6 65 31.3 3.8 3.83 0.59 9.18 62.5 27.5 10 4.29 0.64 9 53.8 17.5 28.8 4.77 0.75 9.42 45 10 45 5.07 0.75 8.93

Media 79,8 18,8 1,5 3,2 1,1 22,9 80,4 14,2 5,4 3,7 1,2 22,2 78,5 9,2 12,3 4,0 1,3 21,6 74,8 5,6 19,6 4,3 1,3 20,3

Porcentajes de correctos (C), erróneos (E) y de no detectados (ND).

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

En un trabajo anterior se propuso la detección y clasificación de PEVEE en el rango medio de la frecuencias [11], ese método es similar al propuesto en este trabajo, pero se le introdujeron modificaciones de manera de optimizarlo para la detección y clasificación de PEVEE en alta frecuencia. Otro enfoque, realizado más recientemente, es la detección y clasificación de PEVEE de

media frecuencia utilizando filtros adaptivos [12], actualmente se trabaja en la extensión de este método a las altas frecuencias.

En [5] utilizando la estimulación de campo alterno con dos estímulos simultáneos se consiguieron tiempos promedio de detección de los PEVEE de 5.34±3.5 s. En este trabajo, se obtienen tiempos de detección variables que dependen del umbral U. Estos tiempos varían en promedio entre 3.2 s (U=1.5) hasta 4.3 s (U=2.25).

Utilizando filtrado especial para mejorar la detección de los PEVEE en cuatro frecuencias diferentes (30, 35, 40 y 45 Hz), se alcanzan TTI promedio de 20.9 a 22.7 bits/min. En este trabajo se

alcanzaron TTI entre 20.3 a 22.9 bits/min en promedio, aunque el sujeto 1 logra 45 bits/min. En [8] se utiliza análisis de componentes individuales, en [9] análisis de correlación canónica, en

[10] filtros espaciales. Estas técnicas son más complejas que las presentadas en este trabajo, sin embargo también se consiguen precisiones y TTI similares.

En la Tabla 1 se puede observar que el método propuesto clasifica los PEVEE con una exactitud de 65% a 100%, lo que representa TTI de 9.4 hasta 45 bits/min. El parámetro U igual a 1.5 s permite menores tiempos de detección, pero tiene una mayor tasa de detecciones erróneas. Por el otro lado un

valor alto de U lleva a disminuir las detecciones erróneas, pero requiere mayores tiempos de detección, esto conduce a que aumente el número de casos no detectados. Por lo tanto el valor óptimo de U debe ajustarse para cada sujeto de manera de obtener el mejor desempeño posible.

El método fue evaluado sobre seis sujetos en un experimento dividido en varios intentos (ICC sincrónica), pero el funcionamiento se podría extender para ser implementado en una ICC asincrónica, en donde el sujeto puede enviar comandos cuando él lo desea. Mediante el ajuste del intervalo U se puede disminuir el número de detecciones erróneas, las cuales son debidas, principalmente, a que los

estímulos siempre se encuentran en el campo visual del sujeto, esto es conocido como “efecto del toque de Midas” (en inglés “Midas touch efect”) [13].

6. Conclusiones

En este trabajo se ha presentado un método para la detección de PEVEE de alta frecuencia, el método es relativamente sencillo y permite obtener altas TTI, a la vez de una buena precisión en la

detección de los PEVEE. Los PEVEE tiene la ventaja de producir muy poca fatiga visual. Además el método podría ser extendido para ser utilizado en ICC asincrónicas, lo que podría permitir el comando, por ejemplo de una silla de ruedas robotizada. Esto podría ser de vital importancia para una persona que se encuentra discapacitada y carece de todo movimiento corporal.

Referencias

[1] Wolpaw J. R., Birbaumer N., McFarland D. J., Pfurtscheller G. y Vaughan T. M., (2002) “Brain-computer interfaces for communication and control” Electroen. Clin. Neuro., vol. 113, no. 6, pp.

767-791, 2002. [2] X. Gao, D. Xu, M. Cheng, and S. Gao “A BCI-Based Environmental Controller for the Motion-

Disabled” IEEE Trans. Neural Syst. Rehab. Eng., vol. 11, no. 2, June 2003. [3] Regan D.: Human Brain Electrophysiology: Evoked Potentials and Evoked Magnetic Fields in

Science and Medicine. New York: Elsevier, 1989. [4] Wang Y., Wang R., Gao X., Hong B., Gao S.: A Practical VEP-Based Brain–Computer Interface.

IEEE Trans on Neural Syst Rehab Eng 2006, 14(2):234 -239.

[5] Materka A., Byczuk M., Poryzala P.: A Virtual Keypad Based On Alternate Half-Field Stimulated Visual Evoked Potentials, In Proceedings Int. Symposium on Information Technology Convergence (ISICT 2007): 23-24 Nov 2007; Jeon Ju, Korea; 2007:296-300.

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011

[6] Huang M., Wu P., Liu Y., Bi L., Chen H.: Application and Contrast in Brain-Computer Interface

between Hilbert-Huang Transform and Wavelet Transform, In: Proceedings 9th Int. Conf. for Young Computer Scientists(ICYCS 08), Zhang Jia Jie, Hunan, China; 18-21 November

2008:1706- 1710. [7] Fisher R. S., Harding G., Erba G., Barkley G.L., Wilkins A.: Photic – and pattern - induced

seizures: A review for the epilepsy foundation of america working group, Epilepsia 2005, 46(9):1426-1441.

[8] Nielsen S. S.: Communication speed enhancement for visual based Brain Computer Interfaces, In: Proceedings 9th Annual Conf. Int. FES Society: September 2004, Bournemouth, UK; 2004.

[9] Lin Z., Zhang C., Wu W., y Gao X., (2006) “Frequency Recognition Based on Canonical Correlation Analysis for SSVEP-Based BCIs” IEEE Trans. Biomed. Eng., vol. 53, no. 12, Dec.

2006. [10] Garcia Molina G., Mihajlovic V.: Spatial filters to detect steady-state visual evoked potentials

elicited by high frequency stimulation: BCI application, Biomed Tech 2010; 55:173–182 [11] Diez P.F., Mut V., Laciar E., Avila E.: A Comparison of Monopolar and Bipolar EEG Recordings

for SSVEP Detection, In: Proceedings 32nd Annual Int. Conf. IEEE EMBS August 31 - September 42010, Buenos Aires, Argentina; 2010:5803-5806.

[12] P.F. Diez, A. Garcés Correa, E. Laciar Leber: SSVEP Detection using Adaptive filters, In: V

Latin American Congress on Biomedical Engineering CLAIB 2011, IFMBE Proceedings 33, www.springerlink.com

[13] Moore M. M.: Real-world applications for brain-computer interface technology, IEEE Trans. on Neural Syst. and Rehab. Eng. 2003, 11:162–165

XVIII Congreso Argentino de Bioingeniería SABI 2011 - VII Jornadas de Ingeniería Clínica Mar del Plata, 28 al 30 de septiembre de 2011