Brain computer interface

Abstract

A investigação e desenvolvimento de sistemas BCI, Brain Computer Interface tem crescido de ano para ano, com resultados cada vez melhores. Uma das principais vertentes para a qual estes sistemas têm sido usados é na área da neuroprostética. Desta forma tem-se demonstrado em vários estudos e investiga ções a possibilidade de controlar membros completos ou parciais robóticos por nós seres humanos, dando assim uma liberdade e conquista de movimentos perdidos a pessoas incapacitadas. No entanto uma grande parte dos melhores resultados obtidos envolve a utilização de BCI invasivos, o que necessita de ser implantado diretamente no cérebro humano, através de uma operação cirúrgica. Isto é ainda um dos grandes inconvenientes que esta abordagem implica e também o facto de uma grande parte destes estudos ainda estarem na fase de testes. Este trabalho teve como objetivo tentar comprovar que os BCI não invasivos também conseguem obter bons resultados apesar das suas limitações e pior aquisição de resultados devido à inclusão de ruído por parte do nosso crânio e cabelo, assim como a inclusão dos Parâmetros Hjorth proporciona melhores resultados na identificação das classes desejadas. Dividiu-se o trabalho em duas partes, uma para a identificação das classes de “Piscar de Olho” e outra para identificação das classes de “Ações Pensadas” . Os resultados foram todos obtidos tendo em conta apenas um utilizador. Relativamente à deteção do “Piscar de Olho” comprovou-se que ́e facilmente conseguido com resultados quase perfeitos, com uma precisção de 99 . 98%. Relativamente à deteção de “Ações Pensadas” não foi possível comprovar a sua deteçãao usando sessções de gravação diferentes, no entanto verificou-se que a classificação das classes tendo em conta a mesma sessão de gravação, obtém resultados muito bons com valores acima dos 99% para o melhor m ́etodo preditivo. A inclusão dos Parâmetros Hjorth foi em todos os casos de estudo, a opção em que os resultados foram sempre melhores, demonstrando assim que a inclusão dos mesmos é uma opção aconselhável, pois em alguns casos, a precisão na deteção das classes aumento para duas ou mais vezes. Os resultados são promissores e apesar de não ter conseguido obter os melhores resultados para sessões de gravação independentes na classificação de “Ações Pensadas” , indico nas análises os passos necessáios para a obtenção de melhores resultados e a possibilidade de generalização do processo para diversos utilizadores.

The research and development of BCI systems, Brain Computer Interface has grown from year to year, with better and better results. One of the main areas for which these systems have been used is the neuroprosthetic. Several studies and investigations have shown the possibility of controlling complete or partial robotic members by people, thus giving a freedom and conquest of lost movements to incapacitated persons. However, a great part of the best results obtained involves the use of invasive BCI, which needs to be implanted directly into the human brain through a sirurgical operation. This is still one of the great drawbacks that this approach entails and also the fact that a large part of these studies are still in the testing phase. The aim of this study was to try and prove that non-invasive BCI can also achieve good results despite their limitations and inferior quality on the acquisition of data due to the inclusion of noise from our skull and hair, and also that the inclusion of the Hjorth Parameters on the analysis provides better results in identifying the desired classes. The work was split into two parts, one for the identification of “Eye Blinking” classes and the other for “Thought Actions” classes. The results were all obtained with only one user in mind. Regarding the detection of “Eye Blinking” it has been found that it is easily achieved with near-perfect results, with an accuracy of 99 . 98%. Regarding the detection of “Thought Actions” it was not possible to verify its detection using different recording sessions, however it was verified that the classification of classes taking into account the same recording session, obtains very good results with values above 99% for the best predictive method. The inclusion of Hjorth Parameters was in all study cases, the option in which the results were always better, thus demonstrating that their inclusion is an advisable option, since in some cases, the accuracy in detecting classes doubled or more. The results are promising and although I haven’t been able to obtain the best results for independent recording sessions in the classification of “Thought actions” , I indicate in the analysis some steps necessary to obtain better results and the possibility of generalizing the process for several users.