1

Remigiusz J. Rak, M. Kołodziej, A Majkowski,

Instytut Elektrotechniki Teoretycznej i Systemów Informacyjno-Pomiarowych,

Politechnika Warszawska

9. Interfejs mózg-komputer

Streszczenie - W ostatniej dekadzie ubiegłego wieku, w kilkunastu ośrodkach naukowych,

rozpoczęto intensywne prace nad interfejsem mózg-komputer (Brain-Computer Interface,

BCI). Aktualny stan badań sprowadza się do wykorzystania pewnych właściwości fal

elektromagnetycznych mózgu rejestrowanych za pomocą technik elektroencefalo-

graficznych (sygnały EEG odczytane z elektrod przymocowanych do skóry głowy –

metoda bezinwazyjna lub też z elektrod wszczepionych bezpośrednio w korę mózgu –

metoda inwazyjna). System BCI odczytuje intencje użytkownika za pośrednictwem

zmieniających się parametrów sygnału EEG. Pewne, wyekstrahowane cechy tych

sygnałów są klasyfikowane i „tłumaczone” w czasie rzeczywistym na rozkazy

wykorzystywane do sterowania komputerem, protezą, wózkiem inwalidzkim lub też innym

urządzeniem.

9.1. Wstęp

Naturalnym sposobem komunikacji człowieka ze światem zewnętrznym jest wykorzystanie aktywności poszczególnych mięśni ciała ludzkiego. Rodzące się w mózgu intencje użytkownika są przekazywane, za pomocą układu nerwowego, do wybranych części ciała i stymulują ich ruch. Jak wiadomo, najczęściej do komunikacji człowiek wykorzystuje mowę (krtań, język, usta), ale również palce dłoni w przypadku języka migowego. Komunikacja człowiek-maszyna (Man-Machine Communication – MMC), to rodzaj komunikacji, w której obowiązują te same zasady. Pewnym uproszczeniem problemu jest komunikacja człowiek-komputer, która tradycyjnie odbywa się za pomocą klawiatury i/lub myszy. Alternatywą jest możliwość wykorzystania mikrofonu i karty dźwiękowej do wydawania poleceń głosowych lub kamery i systemu wizyjnego do przekazywania rozkazów w formie mimiki twarzy czy ułożenia rąk. Wreszcie można sobie wyobrazić sterowanie komputerem za pośrednictwem sygnałów elektrycznych wydobytych z poszczególnych fragmentów obwodowego układu nerwowego czy też ośrodkowego układu nerwowego, w tym bezpośrednio z mózgu. Ostatnia pozycja nosi szumną nazwę interfejsu mózg-komputer (Brain-Computer Interface: BCI). Zestawienie tych interfejsów zobrazowano na rys. 9.1.

Rys 9.1. Zestawienie interfejsów człowiek-maszyna

2

Głównym zadaniem interfejsu mózg-komputer jest umożliwienie komunikacji ze światem zewnętrznym pacjentom w ciężkich stadiach takich chorób neurologicznych jak: stwardnienie zanikowe boczne, udar mózgowy podkorowy, zespół Guillaina-Barrégo, mózgowe porażenie dziecięce czy stwardnienie rozsiane.

Mierzenie aktywności mózgu jest kluczowym problemem systemu BCI. Jednak wykrycie samej aktywności mózgu nie jest wystarczające. Systemy BCI nie odczytują „dowolnych myśli”. Mogą jedynie sklasyfikować pewne wybrane stany aktywności mózgu, skojarzone ze specyficznymi zdarzeniami. Zadaniem użytkownika interfejsu mózg-komputer jest „wygenerowanie” odpowiednich wzorców aktywności mózgu poprzez wykorzystanie pewnych sprawdzonych mentalnych strategii. Strategie te definiują co użytkownik ma sobie wyobrażać lub na czym koncentrować swoją uwagę, aby jego mózg generował odpowiednie fale (wzorce). Niektóre strategie wymagają długiego treningu.

W związku z tym, praktyczna realizacja interfejsu mózg-komputer wymaga spełnienia kilku podstawowych warunków. Po pierwsze system musi selektywnie odczytywać aktywność mózgu. Musi zawierać sprzężenie zwrotne do użytkownika, działające w czasie rzeczywistym. Wreszcie, musi zawierać układ wykonawczy intencji użytkownika. Oczywiście, stosownie do użytej strategii, w niektórych zastosowaniach, użytkownik musi realizować pewne „zadanie myślowe” niekoniecznie skojarzone z przedmiotową intencją. Urządzenia, które w sposób pasywny rejestrują pewne zmiany aktywności mózgu, bez potrzeby/możliwości „odczytania” intencji lub wykrycia zdarzenia przyczynowego, tak jak medyczny rejestrator EEG, nie są systemami BCI.

Badania nad interfejsem mózg-komputer (BCI) rozpoczęto w latach 70-tych na Uniwersytecie Kalofornijskim (University of California Los Angeles - UCLA) w ramach grantu National Science Foundation. Za pierwszą publikację naukową opisującą BCI można uznać pracę: Jacque Vidal: "Toward Direct Brain-Computer Communication", Annual Review of Biophysics and Bioengineering, Vol. 2, 1973 [40]. Pierwsza międzynarodowa konferencja poświęcona BCI miała miejsce w 1999 roku, w Nowym Jorku, gdzie Jonathan R. Wolpaw sformalizował definicję systemu BCI jako [89]:

"A brain-computer interface (BCI) is a communication or control system

in which the user’s messages or commands do not depend on the brain’s normal

output channels. That is, the message is not carried by nerves and muscles and

furthermore, neuromuscular activity is not needed to produce the activity that does

carry the message".

W literaturze istnieje jeszcze kilka innych definicji tego samego zjawiska, określanego z wykorzystaniem nieco odmiennej terminologii:

− Donoghue et al.: “A major goal of a BMI (brain-machine interface) is to provide a

command signal from the cortex. This command serves as a new functional output to

control disabled body parts or physical devices, such as computers or robotic limbs” [15];

− Levine et al.: “A direct brain interface (DBI) accepts voluntary commands directly

from the human brain without requiring physical movement and can be used to

operate a computer or other technologies” [43];

− Schwartz et al.: “Microelectrodes embedded chronically in the cerebral cortex hold

promise for using neural activity to control devices with enough speed and agility to

replace natural, animate movements in paralyzed individuals. Known as cortical

neural prostheses (CNPs), devices based on this technology are a subset of neural

prosthetics, a larger category that includes stimulating, as well as recording,

electrodes” [69].

3

Początkowo badania nad BCI koncentrowały się głównie wokół zastosowań w dziedzinie neuroprotetyki, której głównym celem było przywrócenie uszkodzonych zmysłów np. słuchu, wzroku lub zdolności ruchowej pacjentów. Neuroprotetyka polega na użyciu sztucznych urządzeń do zastąpienia pewnych narządów/zmysłów człowieka. W takich przypadkach mózg musi ”nauczyć się” odczytywać sygnały pochodzące z protez lub generować sygnały potrzebne do sterowania protezą, za pośrednictwem sygnałów pochodzących z systemu nerwowego. Jednakowoż sygnały te nie muszą być dostarczane bezpośrednio do mózgu lub pochodzić bezpośrednio z mózgu (centralnego układu nerwowego) lecz np. nerwów obwodowych. W ogólności przyjmuje się, że w zakresie neuroprotetyki występuje łącze: system nerwowy (jakakolwiek jego część) ↔ urządzenie, podczas gdy w zakresie BCI chodzi o bezpośrednie sprzężenie mózg → komputer.

Sztuczne ucho jest chirurgicznie wszczepionym implantem ślimaka, który może pomóc odzyskać słuch osobie głuchej. Implant ślimakowy nie wzmacnia słuchu, ale działa przez bezpośrednią stymulację nerwów słuchowych, prowadzących do mózgu. Trwają również badania nad udoskonaleniem implantu, w którym elektrody podłączone są bezpośrednio do pnia mózgu.

Sztuczne oko to implant siatkówki, układ mikroelektroniczny wszczepiany w gałkę oczną i połączony z kamerą zamocowaną w okularach pacjenta, umożliwiający odczytywanie sygnałów pochodzących z kamery przez mózg, a mający przywrócić zdolność widzenia ludziom, którzy zachorowali np. na zwyrodnienie plamki związane z wiekiem.

Z kolei protezy kończyn to urządzenia zainstalowane na ciele pacjentów po urazach i amputacjach, u których część mięśni i nerwów obwodowych zachowała sprawność. Zwykle stosuje się sterowanie protezą przy pomocy impulsów pochodzących z odpowiednich mięśni. W przypadku użycia do tego celu fal pochodzących bezpośrednio z mózgu, czy to pozyskanych w drodze inwazyjnej czy nieinwazyjnej, mamy do czynienia z najczystszym interfejsem mózg-komputer.

Niestety terminy neuroprotetyka oraz interfejs mózg-komputer są nierzadko używane zamiennie. Wynika to z faktu, że zarówno neuroprotetyka jak i BCI mogą służyć do osiągnięcia tego samego celu. Zestawienie elementów umożliwiających fizyczną ingerencję z zewnątrz w układ nerwowy człowieka w celu usprawnienia jego zmysłów zamieszczono na rys. 9.2 [25].

Rys 9.2. Zestawienie elementów umożliwiających fizyczną ingerencję z zewnątrz w układ nerwowy

człowieka w celu usprawnienia jego zmysłów

4

Reasumując należy stwierdzić, że interfejsy mózg-komputer różnią się od innych interfejsów wykorzystaniem, w procesie sterowania urządzeniem, sygnałów generowanych bezpośrednio przez mózg, a nie sygnałów neuroaktywności mięśni (elektromiografia EMG). W gruncie rzeczy elektryczne sygnały pochodzące z mięśni, traktowane są w tym przypadku wręcz jako sygnały niepożądane. Stanowią tak zwane artefakty fizjologiczne. Przykładem takich artefaktów mogą być sygnały elektryczne powstające podczas poruszania gałkami ocznymi (elektrookulografia, EOG). Problem w tym, że zwykle amplituda artefaktów jest o rząd wielkości większa (mierzona w mV) niż poziom samego sygnału EEG (do 100 µV).

Możliwość komunikacji człowieka z komputerem tylko za pomocą sygnałów pochodzących bezpośrednio z mózgu zasugerował J. Vidal już w 1973 roku, prawie 40 lat temu! Zaproponowany przez J. Vidala interfejs mózg-komputer zobrazowano na rys. 9.3. Jednak dopiero w ostatniej dekadzie XX wieku, w kilku ośrodkach naukowych na świecie, podjęto próby wykorzystania elektroencefalografii (EEG) do bezpośredniej komunikacji między mózgiem a komputerem.

Rys 9.3. Zaproponowany przez J. Vidala interfejs mózg-komputer [81]

9.2. Metody wykrywania aktywności mózgu

Aktywność mózgu, związana z pracą neuronów, sprowadza się do ruchu ładunków, które wytwarzają pole elektryczne i magnetyczne. Interfejsy mózg-komputer mierzą aktywność pracy mózgu, która jest następstwem intencji użytkownika. Odpowiednie czujniki, umieszczone w wybranych obszarach mózgu, umożliwiają badanie zarówno elektrycznej jak i magnetycznej aktywności mózgu.

9.2.1. Inwazyjne i częściowo inwazyjne

Pierwsze eksperymenty z BCI miały charakter inwazyjny i jak zwykle w takich przypadkach, prowadzone były na zwierzętach (myszy, szczury, koty, małpy). Metody inwazyjne wymagają interwencji chirurga, np. przecięcia skóry lub otwarcia czaszki (rejestracja wewnątrzczaszkowa). Kiedy elektrody umiejscowione są na powierzchni kory mózgowej (metoda częściowo inwazyjna) mówimy o elektrokortykografii (ECoG). ECoG nie niszczy neuronów ponieważ elektrody nie wchodzą w głąb mózgu. Sygnał zarejestrowany za pomocą elektrod z wnętrza obszarów mózgu (metoda inwazyjna) nazywa się rejestracją wewnątrzkorową (intracortical recording). W ogólności inwazyjne metody charakteryzują się bardzo dobrą jakością sygnału (duży poziom amplitud, mały poziom zakłóceń) i bardzo dobrą rozdzielczością przestrzenną. Wewnętrzne elektrody pozwalają na rejestrację aktywności małych obszarów mózgu lub nawet pojedynczych neuronów (brain cell). Artefakty związane

5

z ruchem mięśni nie stanowią w tym przypadku problemu. Jednakże, wspomniane metody mają poważną wadę, jaką stanowi skomplikowana interwencja chirurgiczna, wzbudzająca uzasadnione kontrowersje etyczne. Ponadto, z czysto fizycznego punktu widzenia, długi czas rejestracji sygnału za pomocą elektrod umieszczonych we wnętrzu mózgu może być problematyczny, ponieważ elektrody wchodzą w reakcję z płynami ustrojowymi, co w sposób znaczący pogarsza jakość mierzonego sygnału.

9.2.2. Nieinwazyjne

Oczywiście, największe nadzieje wiązane są z interfejsem mózg-komputer o nieinwazyjnym charakterze. W tym zakresie znane są co najmniej trzy różne sposoby. Najbardziej znany jest pomiar sygnału elektrycznego z powierzchni skóry głowy czyli elektroencefalografia [16].

Teoretycznie możliwe jest użycie innych nieinwazyjnych metod z czujnikami rozmieszczonymi na powierzchni głowy. Należą do nich megnetoelektroencefalografia (Magnetoencephalography: MEG) do rejestracji aktywności magnetycznej mózgu oraz funkcjonalny rezonans magnetyczny (functional Magnetic Resonance Imaging: fMRI), w którym mierzy się zmiany natlenienia aktywnych obszarów mózgu. Zamiast fMRI można też zastosować spektroskopię w podczerwieni (Near Infrared Spectroscopy: NIRS) jako technikę oceny aktywności kory mózgowej. Wszystkie te metody mogą zostać użyte w interfejsie mózg-komputer, ale mają praktyczne wady. Sprzęt do MEG i fMRI ma duże rozmiary i jest bardzo drogi. NIRS oraz fMRI mają słabą rozdzielczość czasową [25].

9.3. Elektroencefalografia (EEG) w BCI

Elektroencefalografia (EEG) jest bezinwazyjną metodą badania bioelektrycznej czynności mózgu. Badania realizowane są za pomocą elektrod, umieszczonych na powierzchni skóry głowy, rejestrujących zmiany potencjałów spowodowanych aktywnością neuronów kory mózgowej. Badania EEG najczęściej są wykonywane w celu monitorowania i diagnozowania padaczki, zaburzeń snu, urazów głowy, guzów mózgu, zaburzeń świadomości i innych schorzeń związanych z pracą mózgu. Samo badanie nie jest dla pacjenta nieprzyjemne i trwa od 15 do 20 minut. Podczas badania pacjent siedzi wygodnie lub leży z elektrodami przyklejonymi do skóry głowy. Pozycja, w jakiej znajduje się osoba zależna jest od tego, jaki jest cel badania. W badaniach zwykle wykorzystuje się od 16 do 32 elektrod (znane są również rozwiązania umożliwiające rejestrację sygnałów za pomocą znacznie większej liczby np. 512 kanałów). Elektrody zamocowane są przy pomocy klejącej pasty i połączone są przez wzmacniacz z urządzeniem rejestrującym.

Zapis sygnału EEG jest w dużym stopniu cechą osobniczą i zmienia się w zależności od stanu psychofizycznego człowieka. Zarówno amplituda sygnału, jak i dominujące częstotliwości ulegają tu zmianie. Przyjmuje się, że u zdrowego człowieka powstają fale mózgowe o częstotliwościach z przedziału: 0,5 Hz do 100 Hz oraz amplitudzie od kilku do kilkuset µV. Wyróżnia się kilka charakterystycznych rytmów (fal) sygnału EEG (rys. 9.4) [20]:

− fale alfa o częstotliwości od 8Hz do 13Hz, które są szczególnie widoczne podczas braku bodźców wzrokowych,

− fale beta o częstotliwości od 12Hz do 60Hz, które można zaobserwować w okolicy czołowej i są obserwowane podczas koncentracji uwagi,

− fale gamma występujące w zakresie 26Hz – 100Hz, które można obserwować podczas wykonywania funkcji motorycznych,

− fale delta o częstotliwości do 4Hz, które można zaobserwować w 3 i 4 stadium snu,

6

− fale theta o częstotliwości od 4Hz do 8Hz, które występują podczas lekkiego snu oraz obserwowane są podczas hipnozy.

Rys 9.4. Rytmy (fale) występujące w sygnale EEG

Badania zarejestrowanych sygnałów EEG doprowadziły do odkrycia właściwości i reguł, które pozwoliły nie tylko na diagnozowanie chorób, ale również na odkrycie specyficznych sygnałów wywołanych przez określone bodźce. Odkryto też, że charakterystyczne sygnały pojawiają się nie tylko w przypadku wystąpienia bodźca, ale również w przypadku, kiedy pacjent pomyśli o wykonaniu określonej czynności, jeszcze zanim ona faktycznie nastąpi. Może to stanowić podstawę do konstruowania algorytmów komunikacji człowiek-komputer oraz aparatury do sterowania urządzeniami za pomocą „myśli ludzkich”.

Standardowo w badaniu EEG używa się 19 elektrod, zgodnie z tak zwanym systemem 10-20 który jest zalecany przez Międzynarodową Federację Neurofizjologii Klinicznej (IFCN) (rys.9.5). W zastosowaniu do interfejsu mózg-komputer, który nie jest objęty normą, używać można innej liczby elektrod. Czasem liczba ta sięga nawet 512. Liczba elektrod (kanałów BCI) i ich rozmieszczenie na powierzchni głowy jest jednym z ważniejszych problemów w BCI.

Rys 9.5. Rozmieszczenie elektrod zgodnie ze standardem 10-20

Naklejenie większej liczby elektrod na powierzchnię głowy jest zadaniem mozolnym i czasochłonnym. Standardowo, badanie EEG wymaga właściwego przygotowania skóry w miejscach naklejenia elektrod. Najczęściej miejsca takie przeciera się specjalną pastą lub żelem. Ponadto wymagany jest klej lub żel do naklejenia elektrod, we właściwych miejscach. Wiele zespołów badawczych, w tym zespół autorski, próbuje zminimalizować liczbę

7

wymaganych elektrod, co ma uprościć sposób przygotowania pomiaru. Wygodne jest zastosowanie specjalnego czepka z wbudowanymi elektrodami. Najlepsze rezultaty uzyskuje się stosując elektrody aktywne (z wbudowanymi wzmacniaczami elektronicznymi). W każdym z tych przypadków konieczne jest używanie żelu, który z praktycznego punktu widzenia, stanowi sporą niedogodność. W związku z tym prowadzone są też eksperymenty z zastosowaniem suchych elektrod.

9.3.1. Potencjały wywołane

Oprócz tradycyjnej analizy sygnałów EEG w diagnostyce medycznej stosuje się badanie tak zwanych potencjałów wywołanych (Evoked Potentials, EP) [10]. Potencjały wywołane to sygnały elektryczne rejestrowane na powierzchni głowy (za pomocą kilku elektrod) po pobudzeniu (wywołane) odpowiednim bodźcem zewnętrznym. Najczęściej są to bodźce wzrokowe (np. błysk światła), słuchowe lub czuciowe. W zależności od pobudzenia wyróżniamy wzrokowe, słuchowe i somatosensoryczne potencjały wywołane. Amplituda rejestrowanych na powierzchni głowy potencjałów jest bardzo mała. Dodatkowo występują spontaniczne czynności elektryczne mózgu, dlatego przy rejestracji potencjałów wywołanych stosuje się wielokrotne powtarzanie danego bodźca, a następnie wykonuje uśrednienie wyników. Przykład wzrokowych potencjałów wywołanych zamieszczono na rys. 9.6. W chwili t=0 występowała ekspozycja bodźca. Widać tak zwane załamki N75, P100 oraz N135. Po ich latencji lekarz może zdiagnozować działanie układu nerwowego.

Rys 9.6. Przykład wzrokowych potencjałów wywołanych.

SSVEP

Jednym ze wzrokowych potencjałów wywołanych, wykorzystywanym w BCI jest Steady

State Visually Evoked Potential (SSVEP) [61]. Potencjały SSVEP pochodzą z kory wzrokowej i zbierane są z tylnej części czaszki. Użytkownik obserwuje pulsujące z pewną częstotliwością (od kilku do kilkunastu Hz) źródło światła (lub pole na ekranie monitora). Taki bodziec wywołuje powstanie w korze wzrokowej fal o tej samej częstotliwości. Dokonując analizy częstotliwościowej zmierzonego sygnału EEG, zaobserwować można wyraźną dominację tej częstotliwości w sygnale. W przypadku większej liczby źródeł, pulsujących z różną częstotliwością, po dokonaniu pomiaru odczytanej częstotliwości można stwierdzić, które źródło obserwował użytkownik interfejsu. Z danym źródłem najczęściej skojarzone są gotowe intencje (polecenia), które użytkownik chce przekazać maszynie. Interfejsy SSVEP są stosunkowo popularne, gdyż działają poza percepcją użytkownika, nie wymagają treningu z jego strony i są skuteczne dla większości osób. Niestety istnieje pewien odsetek ludzi, u których skupianie uwagi na pulsujących źródłach światła może być przyczyną napadu padaczki.

Przykład obrazujący wykorzystanie potencjałów SSVEP do wybierania numeru telefonu pokazano na rys. 9.7 [49]. W tym przypadku pulsujące pola, skojarzone są z odpowiednimi cyframi, rozmieszczonymi zgodnie z obowiązującym standardem.

8

Rys 9.7. Wykorzystanie potencjałów SSVEP do wybierania numeru telefonu. Pulsujące pola skojarzone są z odpowiednimi cyframi.

P300

Wydaje się, że jednym z najbardziej wygodnych potencjałów wywołanych, najczęściej wykorzystywanym i opisywanym jest potencjał P300 [14,57,41]. Potencjał ten występuje jako odpowiedź na pewien charakterystyczny, możliwie silnie emocjonalny, oczekiwany przez użytkownika bodziec, np. wzrokowy lub słuchowy. Potencjał P300 pojawia się po czasie około 300ms od wystąpienia tego bodźca - stąd jego nazwa. Amplituda i latencja odpowiedzi na bodziec zależą od wielu czynników psychofizycznych i mogą ulegać nieprzewidywalnym zmianom. W przypadku stymulacji wzrokowej, użytkownik obserwuje zbiór losowo podświetlanych pól. Mogą być to pola zawierające litery lub inne znaki. W chwili podświetlenia „oczekiwanego” pola, to jest pola, na którym użytkownik skupia swoją uwagę, w okolicy czubka głowy pojawia się potencjał o niewielkiej amplitudzie. W celu dokładniejszego określenia potencjału P300, użytkownik obserwuje kilkukrotne podświetlenie tego samego znaku, a odpowiedzi na bodźce (potencjały P300) są uśredniane. Przejście użytkownika do obserwacji kolejnego znaku umożliwi mu pisanie tekstu. Często, aby przyśpieszyć wybór odpowiedniego pola stosuje się podświetlanie całego wiersza i całej kolumny. Typowy panel wyświetlacza pojawiający się na monitorze podczas działania systemu BCI z wykorzystaniem potencjału P300 zobrazowano na rys. 9.8.

Rys 9.8. Typowy panel wyświetlany na monitorze systemu BCI z wykorzystaniem P300

9

Na rys. 9.9 przedstawiono natomiast, obok przebiegu czasowego, lokalizację aktywności mózgu dla P300.

Rys 9.9. Lokalizacja aktywności mózgu dla P300 [68]

Jak już wspomniano, zaletą interfejsów budowanych z wykorzystaniem potencjałów wywołanych jest to, ze działają poza percepcją człowieka i stąd nie wymagają, ale też i nie dają możliwości przeprowadzenia treningu. Większość użytkowników może po prostym przeszkoleniu korzystać z interfejsu. Zaproponowano wiele metod wykorzystania interfejsów P300 i SSVEP do pisania tekstu, poruszania kursorem, sterowania robotem czy wyposażeniem inteligentnego budynku. Zasadniczą wadą tych interfejsów (P300 i SSVEP) jest to, że wymagają od użytkownika pewnej aktywności w przenoszeniu wzroku. Często jest to trudne dla osoby całkowicie sparaliżowanej.

9.3.2. Potencjały skojarzone z wyobrażeniem ruchu

Najbardziej zaawansowane technologicznie i jednocześnie najtrudniejsze do realizacji są interfejsy asynchroniczne, w których wykorzystuje się sygnały generowane w efekcie wyobrażania sobie ruchu. Okazuje się, że aktywności mózgu są bardzo zbliżone do siebie podczas wykonywania ruchu i podczas jego wyobrażania. Dzięki temu użytkownik nie musi wykonywać ruchu, a wystarczy, że ten ruch sobie wyobraża. Ponadto, zróżnicowana jest lokalizacja obszarów aktywności mózgu stosownie do wybranych części ciała. Daje to możliwość odpowiedniego zaklasyfikowania intencji użytkownika, a co za tym idzie zbudowania układu wykonawczego, w którym na przykład, wyobrażenie ruchu prawą ręką powoduje skręt wózka inwalidzkiego w prawą stronę, lewą ręką w lewą stronę, prawą stopą do przodu. Podczas analizy sygnałów powstałych w wyniku wyobrażania sobie ruchu mówi się o desynchronizacji i synchronizacji potencjałów mózgowych skojarzonych z tymi intencjami (Event-Related Desynchronization/Synchronization – ERD/ERS) [54,27,60]. Jak już wspomniano ważną wskazówką prowadzącą do właściwej detekcji sygnałów EEG jest funkcjonalny podział obszarów kory mózgowej. Pewna wiedza anatomiczna pozwala wskazać miejsca na głowie, które są skojarzone z wyobrażeniem sobie ruchu pewnymi częściami ciała. Podział kory mózgowej na część sensoryczną i motoryczną z uwzględnieniem stosownych części ciała człowieka zobrazowano na rys. 9.10.

Przykładowo wyobrażanie sobie ruchu lewą ręka powoduje wzrost aktywności mózgu pod elektrodą C3. Wyobrażenie ruchu stopami objawia się najbardziej na elektrodzie Cz. Rozróżnienie „wyobrażeń ruchu” pomiędzy prawą a lewą stopą z pomocą EEG nie jest możliwe. Odpowiadające im obszary mózgu leżą zbyt blisko siebie. Podobnie jest z wyobrażeniem ruchu poszczególnymi palcami. Natomiast obszary rąk, stóp i języka wyróżnione są sporymi różnicami topograficznymi dlatego też najczęściej wykorzystuje się je jako obiekty zadań myślowych.

10

Rys 9.10. Podział kory mózgowej na część sensoryczną i motoryczną [68]

Szczęśliwie, użytkownik, dzięki zastosowaniu sprzężenia zwrotnego w postaci tzw. biofeedbacku, może nauczyć się generować wzorce poprzez „umiejętne” wyobrażanie sobie ruchu. Pewne cechy tych wyobrażeń są najbardziej widoczne w sygnale EEG, dla częstotliwości w pasmach 8Hz÷12Hz i 18Hz÷26 Hz [25]. W inwazyjnych systemach BCI wykorzystuje się również aktywność gamma.

9.3.3. Neurofeedback

Mniej zaawansowaną formą interfejsów mózg-komputer jest tak zwany neurofeedback. Jest to jeden z rodzajów biofeedbacku czyli biologicznego sprzężenia zwrotnego, pomagającego uzyskać samokontrolę nad funkcjami organizmu. W tym przypadku sygnał EEG wykorzystuje się do oceny stanu aktywności mózgu. Do akwizycji sygnału EEG wykorzystuje się zaledwie kilka elektrod. Informacja o tym, jakie rytmy EEG dominują jest wyświetlana na ekranie monitora. Pacjent tak steruje aktywnością swojego mózgu, aby wpłynąć na informacje obrazowane na ekranie monitora. Neurofeedback znalazł zastosowanie w terapii dzieci z ADHD (zespół nadpobudliwości psychoruchowej), u ludzi z zaburzeniami procesu uczenia się, po urazach czaszki, we wspomaganiu leczenia padaczki. W ostatnim czasie z neurofeedbacku korzystają osoby zdrowe dla poprawy kondycji psychicznej (koncentracja uwagi, opanowanie emocji, odporność na stres, usprawnienie procesów myślowych, szybka nauka, pamięć, sen itp.). Przykład interfejsu użytkownika, przeznaczonego do neurofeedbacku zamieszczono na rys 9.11.

Rys 9.11. Przykład interfejsu użytkownika przeznaczonego do neurofeedbacku

11

9.4. Algorytmy przetwarzania sygnału EEG na użytek BCI

W poprzedniej części pracy wskazano na różne sposoby odczytywania aktywności mózgu. Wykazano zalety wykorzystania sygnałów EEG w tym zakresie. W tym kontekście, nie budzi wątpliwości fakt, że bardzo ważnym elementem interfejsów mózg-komputer jest akwizycja, przetwarzanie, analiza i klasyfikacja sygnałów EEG. Wszystkie te elementy, zarówno analogowego, jak i cyfrowego przetwarzania sygnału EEG muszą odbywać się w czasie rzeczywistym.

W celu odczytania i właściwej interpretacji zarejestrowanych sygnałów EEG istnieje konieczność dokonania ekstrakcji i selekcji cech tych sygnałów oraz ich klasyfikacji. Selekcja cech jest powszechnie stosowana w zagadnieniach związanych z przetwarzaniem dużych zbiorów danych, które często związane są z takimi zagadnieniami jak: rozpoznawanie mowy, pisma ręcznego, twarzy, krwinek, komórek itp. Problem selekcji cech w wielu pracach naukowych jest postrzegany jako mający duże znaczenie dla skuteczności klasyfikacji. Obecnie, w powszechnym użyciu znajduje się wiele metod umożliwiających dokonywanie selekcji cech, które optymalizowane są pod względem:

− zwiększenia skuteczności klasyfikacji,

− zmniejszenia nakładów obliczeniowych,

− zmniejszenia ilości przechowywanych danych,

− ograniczenia nadmiarowości danych.

Schemat blokowy typowego rozwiązania interfejsu mózg-komputer przedstawiony jest na rysunku 9.12.

Rys 9.12. Schemat blokowy typowego rozwiązania interfejsu mózg-komputer [37]

9.4.1. Przetwarzanie wstępne sygnału EEG

Akwizycja sygnału EEG jest zadaniem bardzo trudnym. W niniejszej pracy rozważana będzie wyłącznie bezinwazyjna metoda rozmieszczenia elektrod na powierzchni skóry głowy. Wiadomo, że różne części mózgu odpowiadają za aktywność różnych elementów ludzkiego ciała, ale ich rozmieszczenie może ulegać pewnym zmianom. Stąd umiejscowienie elektrod nie jest zadaniem trywialnym. Sygnały odebrane z elektrod mają bardzo małe poziomy (do 100µV) i są obarczone całym szeregiem zakłóceń oraz szumów. Źródłem zakłóceń są artefakty wprowadzane przez procesy fizjologiczne (aktywność mięśni, ruch gałek ocznych, praca serca i inne) jak i zjawiska techniczne jak np. sieć elektroenergetyczna - 50Hz.

12

Użyteczne pasmo sygnałów EEG obejmuje zakres częstotliwości od 0,5Hz do 100Hz. Typowy przebieg surowego sygnału EEG zamieszczono na rys. 9.13. Widać wyraźną dominację częstotliwości 50 Hz.

Rys 9.13. Typowy przebieg surowego sygnału EEG

Z tych przyczyn proces kondycjonowania sygnałów EEG ma bardzo duże znaczenie. Tak więc trzeba w sposób znaczący wzmocnić sygnał, uwzględnić napięcia wolnozmienne generowane na styku skóra-elektroda, odfiltrować zakłócenia o częstotliwości sieci elektroenergetycznej (50Hz) oraz dokonać dolnopasmowej filtracji sygnału. Wzmocnione sygnały, pochodzące z kilku, a czasem nawet kilkudziesięciu elektrod, są dalej przetwarzane do postaci cyfrowej i przekazywane do komputera. Tam zwykle, w pierwszym etapie, realizowane jest dalsze, ale już cyfrowe przetwarzanie sygnału, zwane przetwarzaniem wstępnym (zgrabna nazwa ang. preprocessing).

Ważnym elementem wstępnego przetwarzania sygnału EEG jest zastosowanie filtrów przestrzennych. Do metod filtracji przestrzennej zaliczyć można filtry Laplace’a lub metodę CSP (Common Spatial Patterns). Działanie filtru Laplace’a polega na odjęciu od sygnału rejestrowanego z pewnej elektrody ¼ wartości sygnału elektrod sąsiednich. Metoda CSP jest bardziej zaawansowaną techniką i polega na doborze za pomocą specjalnego algorytmu wag dla poszczególnych elektrod. Algorytm doboru wag maksymalizuje różnice wariancji sygnału w pewnym paśmie (najczęściej 8÷30 Hz) dla wybranych zadań myślowych należących do różnych klas. W bardziej zaawansowanych systemach BCI, wykorzystuje się metody ślepej separacji sygnałów (Blind Signal Separation - BSS) na przykład analizę składowych niezależnych (ICA) do rozseparowania sygnałów i usunięcia artefaktów. Przebiegi poszczególnych składowych rzeczywistego sygnału zamieszczono na rys. 9.14.

Rys 9.14. Przebiegi składowych rzeczywistego sygnału EEG

13

Warto podkreślić, że istotne znaczenie ma szybkość działania algorytmów cyfrowego przetwarzania sygnału EEG, gdyż muszą być one wykonywane w czasie rzeczywistym. Efektem wynikowym przetwarzania wstępnego jest sygnał EEG odfiltrowany, pozbawiony artefaktów i w sposób bardziej przejrzysty eksponujący oczekiwane cechy.

9.4.2. Ekstrakcja cech sygnału EEG

Następnym etapem jest ekstrakcja cech sygnału EEG. takich, które w sposób najbardziej przejrzysty opisywać będą oczekiwane właściwości sygnału. Mogą to być cechy związane z kształtem przebiegu sygnału (analiza czasowa), z poszczególnymi składowymi częstotliwościowymi (analiza częstotliwościowa), widmem gęstości mocy, parametrami czasowo-częstotliwościowymi (krótkoczasowa transformata Fouriera - STFT, transformata Falkowa – DWT), modelami autoregresyjnymi (AR) lub z parametrami statystycznymi niższych i wyższych rzędów (HOS) – wariancja, skośność, kurtoza.

Najczęściej używane cechy to amplituda sygnału (dla potencjału P300) lub rozkład widmowy (dla potencjałów SSVEP oraz ERD/ERS). W interfejsie z potencjałem P300 mamy możliwość (i potrzebę) uśredniania sygnału, dopiero potem wybieramy cechy, które posłużą do trenowania klasyfikatora. Wybór odpowiednich cech w tym przypadku, ułatwia fakt, że wiemy, w której chwili czasu rozpocząć analizę sygnału. W przypadku interfejsów asynchronicznych, aby odszukać charakterystyczne cechy należy przeanalizować cały fragment zarejestrowanego sygnału. W tym celu należy wybrać przesuwane okno czasowe o określonej szerokości i dla fragmentu sygnału objętego przez to okno wyznaczyć cechy (rys. 9.15).

Rys 9.15. Generacja cech z użyciem przesuwanego okna czasowego

9.4.3. Selekcja cech sygnału EEG

W wyniku ekstrakcji cech otrzymuje się zbiory zwane wektorami cech (feature vectors). I tak przykładowo, dla 1-sekundowego okna czasowego typowo otrzymuje się 40 prążków widma (FFT: 1Hz÷40Hz). W ten sposób dla systemu 32-elektrodowego powstanie 1280 cech. Jak widać liczba cech może osiągać bardzo duże wartości, ponadto mogą się tam znaleźć cechy nadmiarowe. Stąd potrzeba eliminacji cech przed klasyfikacją – selekcja.

Selekcja cech jest bardzo trudnym i odpowiedzialnym zadaniem. Chociaż znane są ogólne właściwości sygnału przypisane konkretnym zdarzeniom, to są one różne dla różnych użytkowników. Mało tego, mogą się zmieniać z dnia na dzień, a nawet z sesji na sesję. Dlatego też selekcję cech warto powtarzać przed każdym użyciem interfejsu.

Istnieje wiele metod selekcji cech od szybkich, rankingowych po czasochłonne zawierające złożone klasyfikatory. Jedną z najprostszych metod jest uszeregowanie cech

14

według pewnego kryterium rankingowego. Miarą jakości cech, w tym przypadku, są najczęściej: t-statystyki, współczynnik K-Fishera lub korelacja wzajemna. Do bardziej zaawansowanych metod zawierających klasyfikatory zalicza się: sekwencyjną selekcję w przód (Sequence Forward Selection - SFS) lub algorytmy genetyczne (Genetic Algorithms - GA). Ważne miejsce zajmuje też liniowa analiza dyskryminacyjna (Linear Dicriminant Analysis - LDA). Działanie takich złożonych metod selekcji przynosi zwykle lepsze rezultaty, jednak zajmuje sporo czasu.

Innym, ważnym elementem, po części wiążącym się z procesem selekcji cech, jest wskazanie najlepszych elektrod (selekcja elektrod), z których powinien być odczytany sygnał EEG. Selekcja ta może polegać na zliczeniu wybranych cech, przypadających na konkretną elektrodę. W późniejszym etapie, dla konkretnego użytkownika, można użyć ograniczonej liczby elektrod, zlokalizowanych we wskazanych obszarach. Powiększa to ergonomiczność systemu BCI.

9.4.4. Klasyfikacja

Pewne właściwości charakteryzujące dany fragment sygnału EEG (tj. wybrane w wyniku selekcji cechy), są wykorzystywane w procesie klasyfikacji. Znanych jest wiele algorytmów umożliwiających klasyfikację cech sygnałów EEG. Najczęściej wykorzystuje się maszyny wektorów podtrzymujących (Support Vector Machine - SVM), wielowarstwowe sieci neuronowe (Multilayer Perceptron - MLP), klasyfikator Bayesa (Naive Bayes Classifier - NBC), klasyfikator najbliższego sąsiada (Neerest Neighbour - KNN) oraz liniowa analiza dyskryminacyjna (Linear Discriminant Analysis - LDA) i ukryte modele Markowa (Hidden Markov Models - HMM). Warto podkreślić, że ważnym elementem interfejsów mózg-komputer są sesje kalibracyjne, podczas których przeprowadzana jest analiza rejestrowanego sygnału EEG oraz trenowane są klasyfikatory.

Podsumowanie rozważań nad modułami interfejsu mózg-komputer zawarto w tabeli 1.

Tabela 1. Zestaw algorytmów przyporządkowanych kolejnym etapom interfejsu mózg-komputer

Akwizycja sygnału Wzmacnianie, filtracja analogowa, przetwarzanie A/C

Przetwarzanie wstępne Filtracja cyfrowa (FIR/IIR), , filtracja przestrzenna: filtry Laplace’a, Common Spatial Patterns (CSP), ślepa separacja sygnału (BSS), Analiza Składowych Niezależnych ( ICA), Filtr Kalmana.

Ekstrakcja cech

Dyskretna Transformata Fouriera (DFT), widmo gęstości mocy (PSD), Dyskretna Transformata Falkowa (DWT), statystyki wyższych rzędów (HOS), Modele Autoregresyjne (AR), Analiza Składowych Głównych (PCA).

Selekcja cech Metody: Rankingowe: K-Fisher, statystyki, Nierankingowe: Algorytmy genetyczne (GA), Sequence Forward Selection (SFS), Analiza Składowych Głównych PCA, Liniowa analiza dyskryminacyjna LDA.

Klasyfikacja

Sieci neuronowe MLP, maszyny wektorów wspierających (SVM), Liniowa analiza dyskryminacyjna (LDA), klasyfikator Bayesa (NBC), klasyfikator najbliższego sąsiada (KNN), K-means, ukryte modele Markowa (HMM), Drzewa decyzyjne (DT), Klastrowanie (C).

Ostatnim etapem interfejsu mózg-komputer jest wykorzystanie sygnału wyjściowego z klasyfikatora do wysterowania elementu wykonawczego, generującego pewne zdarzenie jako efekt intencji użytkownika.

15

9.5. Ocena i porównanie jakości systemów BCI

Jakość działania interesów mózg-komputer można mierzyć na wiele sposobów. Najprostszą miarą jest trafność klasyfikacji (classification accuracy, classification rate). Jest to liczba poprawnie zaklasyfikowanych zdarzeń podzielona przez liczbę wszystkich możliwych prób. Często zamiast poprawności klasyfikacji podaje się błąd klasyfikacji. Innym rodzajem parametru określającego jakość systemów BCI jest efektywna szybkość ich działania. Jest to miara mówiąca ile działań możliwych jest do wykonania w jednostce czasu (np. liczba znaków alfanumerycznych na minutę). Miary te są ze sobą skojarzone, gdyż na liczbę poprawnie wykonanych działań duży wpływ ma jakość klasyfikacji.

Bardziej ogólną miarą oceny jakości interfejsów mózg-komputer jest szybkość transferu podstawowej informacji w systemie, opisana za pomocą współczynnika (Information Transfer Rate - ITR). Wartość ITR zależy od liczby możliwych wyborów (klas), czasu potrzebnego na klasyfikację jednego wyboru, oraz średniej wartości błędu podczas działania interfejsu. Współczynnik ITR (w bitach na próbę), dla systemów BCI z N możliwymi wyborami, definiuje się jako [36]:

� = log�� + log� + 1 − log����

��� (1)

gdzie P oznacza średnią skuteczność klasyfikacji. Jeśli okres czasu na klasyfikację wynosi Tk to ITR można wyrazić np. w bitach na minutę (B/Tk).

Na rys. 9.16 zobrazowano wpływ trafności P działania klasyfikatora na wartość ITR wyrażoną w bitach na próbę. Oczywiście wykres ma sens dla trafności klasyfikatora większych niż 1/N, gdzie N to liczba wyborów.

Rys 9.16. Zależność wartości ITR [w bitach na próbę] od trafności działania P klasyfikatora

Typowo, systemy BCI bazujące na potencjałach wywołanych (SSVP, P300), mają wyższą wartość współczynnika ITR niż systemy wykorzystujące strategię wyobrażania sobie ruchu (ERD/ERS). Główną przyczyną jest to, że systemy które wymagają skupienia uwagi użytkownika, zwykle wykorzystywane są do detekcji większej liczby klas. Spotykane są interfejsy, które umożliwiają transmisję informacji z szybkością 30 bit/min [56], a nawet 60 bit/min [49] czy 90 bit/min [70]. Jednak poziom jakości działania interfejsu, nie jest jednakowy dla wszystkich członków populacji i jest indywidualny dla każdego użytkownika. Należy zauważyć, że z obiektywnego punktu widzenia, szybkość działania interfejsu jest zbyt mała. Jednak w przypadku osób z dysfunkcjami jest wystarczająca, zwłaszcza jeśli interfejs BCI stanowi dla nich jedyną formę komunikacji z otoczeniem.

16

9.6. Wybrane aspekty realizacji BCI na przykładzie badań własnych1

Badania naukowe nad interfejsem mózg-komputer, realizowane przez zespół autorski, koncentrują się na wykorzystaniu dwóch podstawowych potencjałów: potencjału wywołanego P300 (interfejs synchroniczny) i potencjałów mózgowych skojarzonych z ruchem ERD/ERS (interfejs asynchroniczny). Jak już wspomniano, w interfejsie P300 wykorzystuje się detekcję potencjału wywołanego na skutek podświetlenia na ekranie oczekiwanej litery. Niestety jego detekcja, przy aktualnym stanie metod analizy sygnałów, wymaga zwykle szeregu powtórzeń, co zmniejsza szybkość transferu informacji i w sposób znaczący opóźnia działanie interfejsu. W przypadku ERD/ERS dokonuje się odczytu intencji ruchu prawą lub lewą ręką, czy np. stopą. Ten najbardziej "naturalny" tryb sterowania w BCI, w którym np. wyobrażenie ruchu prawą ręką może oznaczać "skręt w prawo", lewą "skręt w lewo", a ruchu stopą - "ruch do przodu", jest jednocześnie najbardziej skomplikowany w realizacji. Odróżnienie intencji ruchu za pomocą kończyn możliwe jest dzięki funkcjonalnemu podziałowi obszarów mózgu i teoretycznie wymaga stosunkowo dużej liczby elektrod.

Wstępne eksperymenty zostały przeprowadzane na sygnałach z ogólnodostępnych baz sygnałów EEG (BCI) oraz danych zebranych eksperymentalnie za pomocą wielokanałowego (16), komercyjnego wzmacniacza referencyjnego wysokiej klasy [60]. Wszystkie eksperymenty prowadzone są wyłącznie w sposób bezinwazyjny, na sygnałach EEG zbieranych za pomocą tradycyjnych, pasywnych elektrod miseczkowych, pokrytych pastą przewodzącą oraz firmowych elektrod aktywnych. Eksperymenty takie, w zasadzie, nie wymagają wiedzy medycznej, a jedynie przeszkolenia, przez technika, w zakresie nakładania elektrod.

Nadrzędnym celem eksperymentów wykonywanych przez autorów jest minimalizacja liczby elektrod, na użytek interfejsu z wyobrażeniem ruchu (ERD/ERS). W tym celu stosowane są różne metody analizy sygnału EEG, które ułatwiają dokonanie ekstrakcji cech. Są to metody częstotliwościowe (transformata Fouriera DFT, transformata Falkowa DWT, transformata kosinusowa DCT) oraz model autoregresyjny (AR) [50]. Istotnym novum jest generowanie wektorów cech na podstawie statystyk wyższych rzędów (HOS) liczonych dla kolejnych detali transformaty falkowej. Zdaniem autorów daje to możliwość polepszenia wyników klasyfikacji, a co za tym idzie znaczącego usprawnienia działania systemu BCI. W wyniku procesu ekstrakcji cech powstaje dosyć duża ich liczba (nawet kilka tysięcy). Tak duża liczba cech niesie ze sobą wiele problemów. Najważniejsze z nich to możliwość wystąpienia nadmiarowości danych oraz związane z tym trudności w trenowaniu klasyfikatora. Stwierdzono, że selekcja "najlepszych” cech, spośród wielkiej ich liczby, daje lepszą jakość działania klasyfikatora. Obecnie stosowane systemy BCI najczęściej bazują na intuicyjnych metodach selekcji cech, nie zawsze optymalnych. Przez autorów stosowane są zaawansowane metody selekcji takie jak: liniowa analiza dyskryminacyjna (LDA), analiza składowych głównych (PCA) oraz algorytmy genetyczne (GA) [33]. Jednocześnie, na tym etapie, planuje się dokonanie wyboru „najlepszych” elektrod (w sensie położenia na powierzchni głowy). Biorąc pod uwagę fakt, że cechy wydobyte z sygnałów mogą być różne dla kolejnych sesji tego samego użytkownika, wprowadza się możliwość ich bieżącej aktualizacji, czy też wielokrotnego doboru. Jakość wybranych cech jest na bieżąco weryfikowana za pomocą takich klasyfikatorów jak: LDA, KNN, SVM, MLP, które są trenowane z nauczycielem (pod nadzorem) [36]. Dodatkowo autorzy podjęli próbę implementacji klasyfikatorów, które „uczą się” bez wiedzy o przynależności do danej klasy (trenowanie bez nadzoru).

1 Badania własne autorów realizowane są w ramach projektu MNiSW Nr N N510 526239, pt: „Opracowanie efektywnych metod akwizycji i nowych algorytmów przetwarzania sygnału EEG na użytek interfejsu mózg-komputer”

17

W opinii autorów, wyżej opisane badania, doprowadzą do znaczącego ograniczenia liczby elektrod z jednoczesnym, niejako automatycznym wyłonieniem ich optymalnego położenia. Dla tak wybranego zestawu elektrod zostanie podjęta próba zaprojektowania „nowego” systemu BCI z ograniczoną liczba elektrod. Będzie to stanowiło drugi etap badań.

Podczas przeprowadzanych badań, duży nacisk położony został na kwestię kondycjonowania sygnału (wzmacnianie, filtracja, odszumianie, eliminacja zakłóceń, eliminacja artefaktów). W tym celu, oprócz metod tradycyjnych, zdecydowano się na użycie algorytmów ślepej separacji (Blind Signal Separation - BSS), a w szczególności analizy składowych niezależnych (Independent Component Analysis - ICA). Na tak "wybielonym" sygnale została podjęta ponowna próba ekstrakcji cech oraz ich selekcji. Następnie cechy zostały ponownie zweryfikowane za pomocą klasyfikatorów, podczas eksperymentalnych badań systemu w warunkach rzeczywistych. Ostatecznym sprawdzianem algorytmów będą testy na ochotnikach.

P300

Jak już wspomniano, jednym z zadań autorów, była też próba wykorzystania potencjału P300 do edycji tekstu. Posiłkując się systemem BCI20002 autorzy uruchomili interfejs mózg-komputer z wykorzystaniem potencjału wywołanego P300. Elementem umożliwiającym zarejestrowanie sygnału EEG, był czepek wraz z 8 aktywnymi elektrodami oraz firmowy wzmacniacz potencjałów elektrofizjologicznych. Zastosowane elektrody aktywne nie wymagały oczyszczania skóry powierzchni głowy. Kontakt skóra-elektroda możliwy był dzięki niewielkiej ilości żelu. Elektrody zostały umieszczone w pozycjach Cz, CPz, FCz, C1, C2, Oz. Elektrodę „GND” umieszczono na pozycji FPz, a elektrodę referencyjną (Ref) na lewym uchu.

Pierwszym etapem badań była tzw. sesja kalibracyjna. W tym celu użytkownik miał za zadanie koncentrować swoja uwagę na monitorze, na którym podświetlane były wybrane znaki (rys. 9.8). W celu lepszego nauczenia klasyfikatora wykonano kilka sesji kalibracyjnych. Zbiór przebiegów towarzyszących rejestracji potencjału P300 dla sesji kalibracyjnej zamieszczono na rys.9.17.

Rys 9.17. Potencjał P300. Kolor niebieski - potencjał skojarzony z występowaniem bodźca, kolor czerwony - potencjał skojarzony z polem na które użytkownik nie patrzył.

2 BCI2000 – otwarty dla środowisk naukowych system BCI zawierający moduły akwizycji danych,

prezentowania bodźców, analizy i klasyfikacji sygnałów.

18

Ostatnim etapem przeprowadzonych eksperymentów było wykorzystanie podświetlanych znaków (matryca 6x6) do pisania dowolnego tekstu (rys. 9.18). Zadaniem użytkownika było skupianie uwagi na literze, którą miał zamiar napisać. Analiza odpowiedzi na bodziec (potencjału wywołanego P300), umożliwiła sprawne pisanie tekstu. Dokonanie wyboru jednego znaku (spośród 36), zajmowało średnio 8 sekund. Sprawność przebadanego interfejsu wynosiła ok. 93%.

Rys 9.18. Wykorzystanie potencjału P300 do pisania tekstu

9.6.1. ERD/ERS

Dotychczasowe prace autorów, dotyczące interfejsu asynchronicznego ERD/ERS, koncentrowały się na minimalizacji liczby elektrod, przy jednoczesnym wskazaniu ich optymalnego położenia na głowie pacjenta. Jako cechy autorzy wykorzystywali DFT, DWT/HOS oraz współczynniki AR. Ekstrakcja cech wykonywana była dla okna sygnału EEG przesuwanego w czasie. Sposób ekstrakcji cech z użyciem pomocą szybkiego przekształcenia Fouriera (FFT), zilustrowano na rys. 9.19.

Rys 9.19. Sposób ekstrakcji cech z sygnału EEG (FFT

Ekstrakcja cech przeprowadzana była dla 32 kanałowego zapisu EEG. Wynikiem ekstrakcji była olbrzymia liczba danych. Dokonując analizy cech, autorzy mogli jednocześnie

19

stwierdzić, z których elektrod wywodzą się najważniejsze spośród nich. W procesie selekcji autorzy wykorzystywali metody rankingowe i nierankingowe: K-Fisher, t-statystyki oraz algorytmy ewolucyjne [53]. Przykłady otrzymanych rezultatów przedstawione są na rys.9.20.

a b

Rys 9.20. Prezentacja położenia najlepszych elektrod - selekcja za pomocą opracowanych metod: a) różnica potencjałów, b) współczynnik K-Fishera [36]

Po zobrazowaniu rozkładu potencjałów na głowie, możliwe było określenie miejsc, gdzie powinny zostać naklejone elektrody. Taka wizualna reprezentacja ma bardzo dużą zaletę, ponieważ umożliwia szybką konfrontację z wiedzą teoretyczną (neuropsychologia).

Wykonując selekcję cech oraz wskazując najlepsze miejsca na głowie użytkownika autorzy wskazali cechy, które dają największa szansę na poprawną klasyfikację. Na rys. 9.21 zaprezentowano rozkład najlepszych cech, otrzymany dla przypadku DWT/HOS z algorytmem genetycznym do selekcji.

Rys 9.21. Rozkład najlepszych cech, otrzymany dla przypadku DWT/HOS z algorytmem genetycznym do selekcji. Im ciemniejsze pole tym częściej występowała cecha [31]

20

Rys 9.22. Rozkład cech na elektrodach dla DWT/HOS i algorytmu genetycznego

Podczas badań, autorzy stwierdzili, że najbardziej znaczące cechy DWT/HOS wypadały na czterech elektrodach C3, CP1, C4 oraz C4 (rys.9.22). Następnie ograniczono zbiór tylko do wybranych czterech elektrod i ponownie przeprowadzono selekcję oraz trenowanie klasyfikatora [31]. Takie ograniczenie liczby elektrod nie pogorszyło znacząco wyników klasyfikacji. Podobną analizę zrealizowano dla cech FFT. Wyniki zobrazowano na rys. 9.23.

Rys 9.23. Rozkład najlepszych cech, otrzymany dla przypadku DFT z algorytmem genetycznym do selekcji. Im ciemniejsze pole tym częściej występowała cecha [48]

Na rysunku 9.24 zaprezentowano rozkład cech na elektrodach dla FFT i algorytmu genetycznego. Otrzymane wyniki wskazują, że jest możliwe ograniczenie liczby elektrod, na użytek systemów BCI. Takie ograniczenie znacząco może usprawnić proces akwizycji przetwarzania, analizy i klasyfikacji sygnału EEG.

21

Rys 9.24. Rozkład cech na elektrodach dla FFT i algorytmu genetycznego [33]

9.7. Podsumowanie

Zaprojektowanie i realizacja interfejsu mózg-komputer (BCI) jest jednym ze znaczących wyzwań współczesnej nauki. Świadczą o tym liczne publikacje w czasopismach naukowych jak i wyraźne zainteresowanie mediów. Możliwość bezpośredniej interakcji człowieka z komputerem (bez manualnej obsługi urządzeń peryferyjnych) otwiera nowe kanały przekazu informacji w medycynie, psychologii, technikach multimedialnych i wojskowych. Szczególne znaczenie mają tutaj zastosowania tego interfejsu w medycynie zarówno w aspekcie poznawczym, funkcjonowania ludzkiego mózgu, jak i praktycznym jako jedyna szansa rozwoju dla osób dotkniętych chorobami neurologicznymi. Interfejs mózg-komputer może pomóc w komunikacji ze światem zewnętrznym osobom w ciężkich stadiach takich chorób neurologicznych jak stwardnienie zanikowe boczne, udar mózgowy podkorowy, zespół Guillain-Barre’a, mózgowe porażenie dziecięce czy stwardnienie rozsiane zanikowe boczne. Wiele osób cierpi na stwardnienie zanikowe boczne, neurodegeneracyjną chorobę układu nerwowego, która niszczy część centralnego układu nerwowego odpowiedzialną za ruch, nie zaburza natomiast czucia, zdolności poznawczych i intelektu. Osoby, które na nią zapadają, stopniowo tracą kontrolę nad własnym ciałem i w ciągu 2 do 3 lat osiągają stan, w którym nie mają żadnej możliwości komunikacji z otoczeniem. Kolejną grupą ludzi, którym należy zapewnić możliwość porozumiewania się z otoczeniem za pomocą BCI są osoby, które zapadły na udary mózgu, a w szczególności udary pnia mózgu. Do wymienionych grup należałoby dołączyć ofiary wypadków komunikacyjnych, w wyniku których doszło do uszkodzenia szyjnego odcinka rdzenia kręgowego.

Barierą dla upowszechnienia metody bezpośredniej komunikacji mózg-komputer, z wykorzystaniem sygnałów elektroencefalograficznych, są wysokie ceny i złożoność aparatury. Najczęściej bowiem, w tym przypadku, używane są wzmacniacze, które były konstruowane do zastosowań w diagnostyce medycznej, zawierające od 32 do 512 kanałów. Dodatkowo są one zwykle przystosowane do współpracy z innego rodzaju sprzętem medycznym, za pośrednictwem specjalnego interfejsu, którego protokół komunikacyjny nie jest powszechnie udostępniany. Powstaje zatem potrzeba stworzenia dedykowanych, tańszych wzmacniaczy na użytek BCI. Choć, jak pokazują badania, możliwe jest ograniczenie liczby elektrod, to jednak nie jest dotychczas znana ani ich minimalna liczba ani położenie. Poza tym rozmieszczenie

22

elektrod może być inne dla każdego użytkownika. Pomocna bywa intuicja i wiedza lekarza. Nie bez znaczenia jest też fakt, że cechy sygnału EEG, użytkownika mogą zmieniać się z wraz ze zmianą stanu psychicznego. Dodatkowo, w interfejsach ERD/ERS cechy silnie zależą od przebiegu procesu "wyobrażania sobie ruchu". Dotychczas nie przeprowadzono gruntownych badań mających na celu ekstrakcję najlepszych cech z sygnału EEG. Nie przebadano też gruntownie narzędzi, które w szybki i skuteczny sposób pozwolą selekcjonować najlepsze cechy. Rozwiązanie powyższych zadań pomoże w przełamaniu bariery efektywnego użycia interfejsów mózg-komputer w praktyce.

Bibliografia

[1] Allison B.Z., McFarland D.J., Schalk G., Zheng S.D., Jackson M.M., Wolpaw J.R., Towards an independent brain-computer interface using steady state visual evoked potentials. Clin Neurophysiol (2008).

[2] Bang-hua Yanga, Guo-zheng Yanb, Ting Wub, Rong-guo Yanb, Subject-based feature extraction using fuzzy wavelet packet in brain–computer interfaces, Signal Processing 87 (2007).

[3] Bauernfeind G., Leeb R., Wriessnegger S.C., Pfurtscheller G., Development, set-up and first results for a one-channel near-infrared spectroscopy system, Biomedizinische Technik, (2008).

[4] Birbaumer N., Elbert T., Canavan A.G.M., Rockstroh B., Slow potentials of the cerebral cortex and behavior. Physiol Rev, 70 (1990).

[5] Birbaumer N., Ghanayim N., Hinterberger T., et al., A spelling device for the paralysed. Nature, 398 (1999).

[6] Birbaumer N., Hinterberger T., Kubler A., Neumann N., The thought-translation device (TTD): neurobehavioral mechanisms and clinical outcome. IEEE Trans Neural Syst Rehabil Eng, 11 (2003).

[7] Birbaumer N., Slow cortical potentials: their origin, meaning, and clinical use. In: G.J.M. van Boxtel and K.B.E. Bocker (Eds.), Brain and behavior past, present, and future, Tilburg Univ Press (1997).

[8] Byczuk M., Interfejs człowiek-komputer z detekcją elektrycznych sygnałów mózgowych wywołanych naprzemiennym pobudzaniem pól wzrokowych, Rozprawa doktorska.

[9] Byczuk M., Materka A., Komunikacja człowieka z komputerem za pomocą sygnału EEG, Elektronika Prace Naukowe, Wydział Elektrotechniki Politechniki Łódzkiej, (2003).

[10] Celesia G.G., Peachey N.S., Visual Evoked Potentials and Electroretinograms. In E.Niedermeyer and F.H.L da Silva (Eds.), Electroencephalography: Basic principles, clinical applications, and related fields, Williams and Wilkins, Baltimore, MA, (2004).

[11] Dennett D.C., Consciousness explained, Back Bay Books, Lippincott Williams & Wilkins, (1992).

[12] Donchin E., Presidential address, 1980. Surprise! ... Surprise? Psychophysiology, 18, (1981).

[13] Donchin E., Ritter W., McCallum C., Cognitive psychophysiology: the endogenous components of the ERP., Brain-event related potentials in man, Academic, New York, (1978).

[14] Donchin E., Spencer K.M., Wijesinghe R., The mental prosthesis: assessing the speed of a P300-based brain-computer interface, IEEE Trans Rehabil Eng, 8 (2000).

[15] Donoghue J.P., Connecting cortex to machines: recent advances in brain interfaces. Nat Neurosci. 5 (2002).

[16] Dornhege G., Blankertz B., Curio G., Mulle K., Boosting bit rates in non-invasive EEG single-trial classifications by feature combination and multi-class paradigms. IEEE Transactions on Biomedical Engineering 100 (2004).

23

[17] Dornhege G., Millan J.D.R., Hinterberger T., McFarland D.J., Müller K., Sejnowski T.J., Toward Brain-Computer Interfacing, The MIT Press, Cambridge, MA, (2007).

[18] Elbert T., Rockstroh B., W. Lutzenberger, and N. Birbaumer Biofeedback of slow cortical potentials. I. Electroencephalogr Clin Neurophysiol, 48 (1980).

[19] Farwell L.A., Donchin E., Talking off the top of your head: toward a mental prosthesis utilizing event-related brain potentials, Electroencephalographz Clin Neurophysiol, 70 (1988).

[20] Fisch BJ., Fisch and Spehlmann’s third revised and enlarged EEG primer, Elsevier, Amsterdam (1999).

[21] Fries P., Nikolic D., Singer W., The gamma cycle. Trends Neurosci, 30 (2007).

[22] Gastaut H., Étude electrocorticographique de la réacivité des rythmes rolandiques. Rev Neurol, 87 (1952).

[23] Ghez C., Krakauer J., Voluntary movement. In E.R. Kandel, J.H. Schwartz„ T.M. Jessell, (Eds.), Principles of neural science, (2000).

[24] Glover A.A., Onofrj M.C, M.F, Ghilardi Bodis-Wollner I., P300-like potentials in the normal monkey using classical conditioning and the “oddball” paradigm. Electroencephalogr Clin Neurophysiol (1986).

[25] Graimann B., Allison B., Pfurtscheller G., Brain–Computer Interfaces, ISBN: 978-3-642-02090-2 (2011).

[26] Gutiérrez D., Escalona-Vargas D., EEG data classification through signal spatial redistribution and optimized linear discriminants, Computer methods and programs in biomedicine 97 (2010).

[27] Hyekyoung Lee, Cichocki A., Seungjin Choi, Kernel nonnegative matrix factorization for spectral EEG feature extraction, Neurocomputing 72 (2009).

[28] Ince N., Fikri Goksu, Tewfik A., Sami Arica, Adapting subject specific motor imagery EEG patterns in space–time–frequency for a brain computer interface, Biomedical Signal Processing and Control 4 (2009).

[29] Incea N., Ahmed H. Tewfika, Sami Aricab, Extraction subject-specific motor imagery time–frequency patterns for single trial EEG classification, Computers in Biology and Medicine 37 (2007) .

[30] Kam Swee Ng, Hyung-Jeong Yang, Sun-Hee Kim, Hidden pattern discovery on event related potential EEG signals, BioSystems 97 (2009).

[31] Kołodziej M., Majkowski A., Rak R., A new method of EEG classification for BCI with feature extraction based on higher order statistics of wavelet components and selection with genetic algorithms, International Conference on Adaptive and Natural Computing Algorithms, ICANNGA'11, which will take place in Ljubljana, Slovenia, April 14-16 (2011).

[32] Kołodziej M., Majkowski A., Rak R., A new method of feature extraction from EEG signal for brain-computer interface design, Przegląd Elektrotechniczny nr 9 (2010).

[33] Kołodziej M., Majkowski A., Rak R., Implementation of genetic algorithms to feature selection for the use of brain-computer interface, International Workshop "Computational Problems of Electrical Engineering, CPEE’2010, Lázně Kynžvart, Czech Republic, Sep. 2010.

[34] Kołodziej M., Majkowski A., Rak R., Interfejs mózg-komputer – wybrane problemy rejestracji i analizy sygnału EEG, Przegląd Elektrotechniczny Nr 12 (2009).

[35] Kołodziej M., Majkowski A., Rak R., Matlab FE_Toolbox - an universal utility for feature extraction of EEG signals for Brain-Computer Interface realization. Przegląd Elektrotechniczny Nr 1 (2010).

[36] Kołodziej M., Majkowski A., Rak R., Optymalizacja doboru okien czasowych do przetwarzania sygnału EEG w interfejsach mózg-komputer, IX Szkoła-Konferencja "Metrologia Wspomagana Komputerowo" MWK'2011, Waplewo, (2011).

24

[37] Kołodziej M., Majkowski A., Rak R., Wizualizacja rozkładu potencjału EEG na głowie pacjenta w zastosowaniu do asynchronicznego interfejsu mózg MPM, X Jubileuszowe Sympozjum "Modelowanie i Pomiary w Medycynie", Krynica, (2011).

[38] Kołodziej M., Majkowski A., Rak R., Wykorzystanie t-statystyk do szybkiej selekcji cech sygnału EEG na użytek interfejsu mózg-komputer IX Szkoła-Konferencja "Metrologia Wspomagana Komputerowo" MWK'2011, Waplewo, maj (2011).

[39] Kołodziej M., Majkowski A., Wybrane problemy przetwarzania, analizy i klasyfikacji sygnału EEG na użytek interfejsu mózg-komputer. Metrologia dziś i jutro, (2010).

[40] Kołodziej M., Wykorzystanie sygnału EEG do komunikacji człowieka z maszyną , praca dyplomowa, Wydział Elektryczny, Politechnika Warszawska, (2007).

[41] Kouji Takano, Tomoaki Komatsu, Naoki Hata, Yasoichi Nakajima, Kenji Kansaku, Visual stimuli for the P300 brain–computer interface: A comparison of white/gray and green/blue flicker matrices, Clinical Neurophysiology 120 (2009).

[42] Kozelka J.W, Pedley T.A., Beta and mu rhythms, J Clin Neurophysiol 7 (1990).

[43] Levine S.P., Huggins J.E., BeMent S.L., Kushwaha R.K., Schuh L.A., Passaro E.A., Rohde M.M., Ross D.A., Identification of electrocorticogram patterns as the basis for a direct brain interface, J Clin Neurophysiol. 16 (1999).

[44] Li Lin, Ji Hongbing, Signal feature extraction based on an improved EMD method, Measurement 42 (2009) .

[45] Lutzenberger W., Elbert T., Rockstroh B., Birbaumer, N. Biofeedback of slow cortical potentials. II. Analysis of single event-related slow potentials by time series analysis. Electroencephalogr Clin Neurophysiol 48 (1980).

[46] Maillot F., Laueriere L., Hazouard E., Giraudeau B., Corcia P., Quality of life in ALS is maintained as physical function declines. Neurology (2001).

[47] McFarland D.J., Miner L.A., Vaughan T.M., Wolpaw J.R. Mu and Beta rhythm topographies during motor imagery and actual movements. Brain Topogr 12, (2000).

[48] Montgomery SM., Buzsaki G., Gamma oscillations dynamically couple hippocampal CA3 and CA1 regions during memory task performance. Proc Natl Acad Sci USA, 104 (2007).

[49] Muller-Putz G.R., Pfurtscheller G., Control of an electrical prosthesis with an SSVEPbased BCI. IEEE Trans Biomed Eng, (2008).

[50] Niedermeyer E., Silva F.L.D., Electroencephalography: Basic principles, clinical applications, and related fields, Lippincott Williams & Wilkins, (2004).

[51] Niedermeyer E., The Normal EEG of the Waking Adult. In: E. Niedermeyer E and F.H.L.da Silva (Eds.), Electroencephalography: Basic principles, clinical applications, and related fields, Williams and Wilkins, Baltimore (2004).

[52] Nijholt A., D. Tan, Brain-Computer Interfacing for Intelligent Systems. Intell Syst IEEE, (2008).

[53] P. Malinowski, S. Fuchs, and M.M. Muller Sustained division of spatial attention to multiple locations within one hemifield. Neurosci Lett, 414, 65–70, (2007).

[54] Pfurtscheller G., EEG event-related desynchronization (ERD) and event-related synchronization (ERS). In: E. Niedermeyer and L.F.H. da Silva (Eds.), Electroencephalography: Basic principles, clinical applications and related fields. Williams and Wilkins, Baltimore, MD, (1999).

[55] Pham M., Hinterberger T., Neumann N., et al., An auditory brain-computer interface based in the self-regulation of slow cortical potentials. Neurorehabil Neural Repair, 19 (2005).

[56] Polich J., Criado J.R., Neuropsychology and neuropharmacology of P3a and P3b, Int JPsychophysiol 60 (2006).

[57] Polich J., Updating P300: an integrative theory of P3a and P3b. Clin Neurophysiol, 118 (2007).

[58] Pritchard W.S., Psychophysiology of P300, Psychol Bull, 89 (1981).

25

[59] Qi Xu, Hui Zhou, Yongji Wang, Jian Huang, Fuzzy support vector machine for classification of EEG signals using wavelet-based features, Medical Engineering & Physics 31 (2009).

[60] Rak R., Kołodziej M., Zastosowanie analizy częstotliwościowej sygnału EEG w interfejsach mózg-komputer, Przegląd Elektrotechniczny Nr 5 (2008).

[61] Regan D., Steady-state evoked potentials. J Opt Soc Am 1977.

[62] Robbins R.A., Simmons Z., Bremer B.A., Walsh S.M., Fischer S., Quality of life in ALS is maintained as physical function declines. Neurology, 56 (2001).

[63] Rockstroh, T. Elbert, A. Canavan, W. Lutzenberger, and N. Birbaumer, Slow

corticalpotentials behavior, Urban and Schwarzenberg, Baltimore, MD, (1989).

[64] Roder B., Rosler F., Hennighausen E., Nacker F., Event-related potentials during auditory and somatosensory discrimination in sighted and blind human subjects. Brain Res, (1996).

[65] Rutkowski T., Zdunek R., Cichocki A., Multichannel EEG brain activity pattern analysis in time–frequency domain with nonnegative matrix factorization support, Elsilver, International Congress Series 1301 (2007) .

[66] Salmoni A.W., Schmidt R.A., Walter C.B., Knowledge of results and motor learning: a review and critical reappraisal, Psychol Bull, (1984).

[67] Sanei S., Chambers J.A. EEG Signal Processing, ISBN: 978-0-470-02581-9 (2007).

[68] Schalk G., McFarland D., Hinterberger T., Birbaumer N., Wolpaw J., BCI2000: A General-Purpose Brain-Computer Interface (BCI) System. IEEE Transactions on Biomedical Engineering 51 (2004).

[69] Schwartz A.B., Cortical neural prosthetics. Annu Rev Neurosci (2004).

[70] Sellers E.W., Krusienski D.J., McFarland D.J., Vaughan T.M., Wolpaw J.R., A P300 event-related potential brain-computer interface (BCI): The effects of matrix size and inter stimulus interval on performance. Biol Psychol (2006).

[71] Silva F.H. L, Event-related potentials: Methodology and quantification. In E.Niedermeyer and F.H.L da Silva, (Eds.), Electroencephalography: Basic principles, clinical applications,

and related fields, Williams and Wilkins, Baltimore, MD (2004).

[72] Silva F.H.L., Neural mechanisms underlying brain waves: from neural membranes to networks. Electroencephalogr Clin Neurophysiol (1991).

[73] Simmons Z., Bremer B.A., Robbins R.A., Walsh S.M, Fischer S., Quality of life in ALS depends on factors other than strength and physical function, Neurology, 55 (2000).

[74] Simmons Z., Felgoise S.H., Bremer B.A., et al., The ALSSQOL: balancing physical and nonphysical factors in assessing quality of life in ALS, Neurology, 67 (2006).

[75] Singer W., Neuronal synchrony: a versatile code for the definition of relations? Neuron, 24 (1999).

[76] Sutter E.E, The brain response interface: communication through visually guided electrical brain responses. J Microcomput Appl (1992).

[77] Sutton S., Braren M., Zubin J., John E.R, Evoked correlates of stimulus uncertainty. Science, 150 (1965).

[78] Tadashi I., Fetz E., Müller K., Recent advances in brain-machine interfaces, Neural Networks 22 (2009) .

[79] Trollund-Boye A., Kristiansen U., Billinger M., Feix-Nascimento O., Farina D., Identification of movement-related cortical potentials with optimized spatial filtering and principal component analysis, Biomedical Signal Processing and Control 3 (2008).

[80] Vaughan T.M., Sellers E.W., McFarland D.J., Carmack C.S., Brunner P., Fudrea P.A., Braun E.M., Lee S.S., Kübler A., Mackler S.A., Krusienski D.J., Miller R.N., Wolpaw J.R., Daily use of an EEG-based brain-computer interface by people with ALS: technical requirements and caretaker training. Program No. 414.6. 2007 Abstract Viewer/Itinerary Planner.Society for Neuroscience (2007)

26

[81] Vidal J.J., Real-time detection of brain events in EEG. IEEE Proc: Special Issue on BiolSignal Processing and Analysis, 65 (1977).

[82] Vidal J.J., Toward direct brain-computer communication. Annu Rev Biophys Bioeng, 2, 157–180, (1973).

[83] Vidal, JJ "Toward direct brain-computer communication". Annual review of biophysics and

bioengineering 2: 157–80. (1973).

[84] Vidaurre C., Krämerc N., Blankertz B., Schlögl A., Time Domain Parameters as a feature for EEG-based Brain-Computer Interfaces, Neural Networks 22 (2009) .

[85] Walter W.G., Cooper R., Aldridge V.J., McCallum W.C., Winter A.L., Contingent negative variation: An electric sign of sensorimotor association and expectancy in the human brain. Nature 203 (1964).

[86] Wei-Yen Hsu, Yung-Nien Sun, EEG-based motor imagery analysis using weighted wavelet transform features, Journal of Neuroscience Methods 176 (2009) .

[87] Williamson J., Murray-Smitha R., Blankertzc B., Krauledatc M., Mullerc R., Designing for uncertain, asymmetric control: Interaction design for brain–computer interfaces, Int. J. Human-Computer Studies 67 (2009) .

[88] Wołowik P., Zastosowanie sygnału EEG w interfejsach łączących człowieka z komputerem, Poznańskie Warsztaty Telekomunikacyjne, (2004).

[89] Wolpaw J.R., Birbaumer N., McFarland D.J., Pfurtscheller G., Vaughan T.M., Braincomputer interfaces for communication and control. Clin Neurophysiol, 113, (2002).

[90] Wolpaw J.R., Loeb G.E., Allison B.Z., Donchin E., Nascimento O.F., Heetderks W.J., Nijboer F., Shain W.G., Turner J.N., BCI Meeting 2005 – workshop on signals and recording methods, IEEE Trans Neural Syst Rehabil Eng: A Pub IEEE Eng Med Biol Soc. 14 (2006).

[91] Wu Ting, Yan Guo-zheng, Yang Bang-hua, Sun Hong, EEG feature extraction based on wavelet packet decomposition for brain computer interface, Measurement 41 (2008).