Lezione 3
Transcript
Lezione 3
14/02/2011 EEG e BCI Introduzione all’utilizzo dei sistemi EEG Antonio Frisoli Potenziali Evento-Correlati ERP (Event-Related Potentials) • Gli ERP rappresentano modificazioni del segnale EEG (variazioni del potenziale elettrico) che fanno seguito ad uno stimolo (ad es, visivo, somestesico o uditivo). 1 14/02/2011 Potenziali Evocati (PE) e Potenziali EventoCorrelati (ERPs, Event-Related Potentials) • Gli ERPs sono delle modificazioni dell’attività elettrica cerebrale spontanea sincronizzati con un evento definibile sperimentalmente, come il momento di inizio di uno stimolo sensoriale (in questo caso si parla spesso di PE) o di un movimento, o ancora legati a un processo cognitivo più endogeno (es. aspettativa di uno stimolo). Potenziali Evocati (PE) e Potenziali EventoCorrelati (ERPs, Event-Related Potentials) • Gli ERPs hanno una dimensione molto ridotta rispetto all’EEG e vengono quindi estratti dal rumore di fondo mediando numerose registrazioni (Averaging). L’operazione di estrazione del segnale dal rumore avviene con un processo di media effettuato nel tempo immediatamente successivo alla presentazione dello stimolo per una durata prescelta (ad es. 1 sec). Si tratta di un processo di soppressione statistica del rumore che fa si che le variazioni di potenziale elettrico (casuali) che non sono sincronizzate con lo stimolo si cancellino (la loro media statistica è 0) e le variazioni sincronizzate con lo stimolo si sommino in fase. Di conseguenza al crescere del numero di stimolazioni la morfologia del segnale risulterà più definita dando origine ad un ERP. 2 14/02/2011 Potenziali Evocati (PE) e Potenziali EventoCorrelati (ERPs, Event-Related Potentials) • Gli ERPs (e/o i PE) vengono rappresentati sotto forma di onde (variazioni di voltaggio nel tempo dell’ordine del microVolt, µV) e consistono in una serie di deflessioni positive e negative. • I punti in cui la direzione della deflessione cambia (picchi) vengono convenzionalmente definiti sulla base della loro polarità (pos, neg) e della loro posizione ordinale nell’onda (N1, P2, N2 etc) o della latenza (in ms, ad esempio P300). Potenziali Evocati (PE) e Potenziali EventoCorrelati (ERPs, Event-Related Potentials) • In generale, nel caso dei PE sensoriali, le componenti precoci riflettono principalmente le qualità fisiche dello stimolo (modalità, intensità, frequenza) ed originano dai livelli più periferici del sistema nervoso (parte sensitiva del nervo periferico, midollo spinale, tronco encefalico, talamo). • Le componenti tardive riflettono principalmente l’eleborazione cerebrale del significato psicologico dello stimolo e lo stato psicologico del soggetto che riceve la stimolazione (livello di attenzione, livello di vigilanza). • Si distinguono, a seconda della via sensoriale usata, PE uditivi, visivi, somatosensoriali (stimolazione elettrica, meccanica o mediante air-puff) e laser (stimolazione termica nocicettiva di fibre-C o A). Gli PE associati ai esecuzione o preparazione di movimenti vengono chiamati PE motori. 3 14/02/2011 4 14/02/2011 Caratteristiche principali del segnale EEG ERP 5 14/02/2011 ERP La registrazione degli ERP 6 14/02/2011 Esempio di posizionamento degli elettrodi Parametri fondamentali del segnale EEG 7 14/02/2011 Ritmi di fondo EEG Definizione degli elementi ERP importanti ERP negativo (N...) ERP positivo (P...) 8 14/02/2011 Definizione degli elementi ERP importanti ERP negativo (N...) ERP positivo (P...) Estrazione del segnale ERP 9 14/02/2011 ERP • • • Le risposte elettriche relativamente piccole a eventi specifici possono essere osservate soltanto estraendo la media (averaging) dei tracciati EEG su una serie di prove. Le ampie oscillazioni di fondo dell’EEG rendono possibile rilevare con una singola prova la risposta evocata allo stimolo sensoriale. Calcolando la media di decine o centinaia di prove, il rumore di fondo dell’EEG viene eliminato e resta soltanto il potenziale evento-correlato (ERP). Si noti la differenza di scala tra le onde dell’EEG e le onde dell’ERP Tecnica dell’averaging 10 14/02/2011 Teoria dell’averaging Esempio di P300 11 14/02/2011 Esempio P300 12 14/02/2011 P300 • • Un potenziale evocato uditivo che evidenzia un’onda P300. Quest’onda compare solo se lo stimolo ha significato per il soggetto; in questo caso il click sonoro avverte dell’imminente arrivo di un premio. Per convenzione le onde positive dell’EEG vengono rappresentate come deflessioni verso il basso P300 (2) 13 14/02/2011 N400 Vantaggi/svantaggi ERP 14 14/02/2011 SISTEMI DI BCI Outline Introduction to Brain Computer Interfaces (BCI) Classification of BCI techniques Invasive BCI Non-invasive BCI Slow cortical potentials Steady state visual evoked potentials (SSVEP) P300 evoked potentials Sensorimotor rhythms Example application: sensorimotor rhythms Conclusions 15 14/02/2011 General scheme of a BCI BCIs represent a set of techniques to allow direct control of a software or device via brain activity – without the need of a motor output Machine learning The most common BCI approach exploits voluntary modulation of EEG activity, although more invasive approaches have been explored These techniques have successfully been employed to aid disabled patients Recently BCIs have also been investigated as a rehabilitation tool Feedback for subject training BCI: communication strategies Selection among many possibilities Communicatio n Sequential selection A B E F C D G H I L O P M N Q R A B C D A 16 14/02/2011 BCI: device control strategies Device control Manual control Shared control Autonomous control BCI in neurological rehabilitation Daly & Wolpaw, Lancet, 2008 17 14/02/2011 BCI in neurological rehabilitation Goal: The subject should be able to control muscle activity through brain activity Daly & Wolpaw, Lancet, 2008 BCI in neurological rehabilitation Strategy 1: Train subjects to modulate brain activity via visualization and voluntary control of relevant features Daly & Wolpaw, Lancet, 2008 18 14/02/2011 BCI in neurological rehabilitation Strategy 2: Train subjects by using brain activity to aid motion with assistive devices Daly & Wolpaw, Lancet, 2008 Classification: signal acquisition BCI Invasive Non invasive Single recording site EEG Multiple recording sites MEG LFP, ECoG fMRI 19 14/02/2011 Invasive vs. non-invasive BCI Invasive BCI Insertion of arrays of microelectrodes in cortical tissue Control of 2-3 DoF, with good accuracy. Implants have only been tested for months after surgery Hochberg et al., Nature, 2006 Highly expensive Non-invasive BCI EEG systems range from low to high density (19 to 256 eletrodes) Several portable, cheap systems exist Motion artifacts and interferences can be greatly reduced by employing active electrodes Classification: feature extraction EEG activity Asynchronous algorithms Synchronous algorithms Subjects are asked to perform visual imagery tasks and the local changes in EEG power spectra are recorded The differences in EEG response following different stimuli are used to discriminate what subjects want 20 14/02/2011 Non-invasive BCI: signal acquisition Slow cortical potentials ●Users learn to modulate slow (<1Hz) EEG rhythms Can be employed in both analog and digital controls ● Slow response, needs healthy cortical motor areas ● Wolpaw et al., 2002 Non-invasive BCI: signal acquisition Steady-state visual evoked potentials (SSVEP) Users focus their attention on a LED/screen flashing at a known frequency ● Up to 30 different frequencies can be discriminated ● Habituation can lower the signal to noise ratio (SNR) ● 21 14/02/2011 Non-invasive BCI: signal acquisition P300 evoked potentials Requires a screen with a dedicated interface ● ●Users perform a sequential selection of choices Wolpaw et al., 2002 Suitable for typewriting, task selection ● Application: P300 visual evoked potentials Feature extraction Signals - time-locked to stimuli presentation – are collected in correspondence of the visual cortex and an ERP trace is constructed for each stimulus. Paradigm Subjects are asked to fixate a matrix of letters/commands, with flashing rows and columns 1. Feature classification Acquired data is classified into two classes, to discriminate the expected stimulus from the others. 2. Subject training Training simply consists in reaching a level of concentration sufficient to allow detection of the expected stimulus. A good subject needs only 2 row/column presentation to select a letter. 22 14/02/2011 Non-invasive BCI: signal acquisition Sensorimotor rhythms ●Users learn to perform visual and motor imagery tasks ●Can be employed even if motor areas are impaired Wolpaw et al., 2002 ●Works mostly for digital control, has a fast response Application: sensorimotor rhythms EEG channels: minimal configuration Frontal ground electrode Reference ear lobe electrode Four electrodes in bipolar configuration in correspondence of the motor cortex + additional electrodes if necessary Feature extraction The power in the mu (8-12 Hz) and beta (16-24 Hz) bands is computed over 500 ms windows. 23 14/02/2011 Application: sensorimotor rhythms Training paradigm Subjects are asked to perform several motor imagery trials. 1. Feature classification Acquired data is classified into two or more classes via machine learning techniques, to optimize feature classification 2. Subject training The subject is trained again with the output of the feature classifier as a feedback signal, in order to optimize its motion imagery Application: sensorimotor rhythms Developing an application for rehabilitation 24